[发明专利]基于注意力机制的CNN-LSTM风机故障预测方法及系统

权利要求书

1.一种基于注意力机制的CNN-LSTM风机故障预测方法，其特征在于，包括以下步骤：

步骤1，从SCADA系统采集原始风机时序数据，包括：性能数据和外界环境数据；

步骤2，利用随机森林算法对原始风机时序数据进行特征关联度分析，得到与风机故障关联度高的特征数据集；

步骤3，将随机森林算法筛选得到的特征数据集输入到CNN神经网络，利用两层CNN神经网络对特征数据集进行特征提取；

步骤4，根据步骤3的输出结果，利用两层LSTM神经网络进一步学习多个连续时刻风机特征的变化趋势，获得特征之间的时序关系；

步骤5，将步骤4的输出结果输入到注意力机制模块，用于获取更多与故障相关的目标信息，通过注意力机制模块的全连接层输出结果，

步骤6，将步骤5的输出结果通过输出模块得到预测结果，根据模型的输出结果与真实值的误差不断更新权重参数，判断当迭代次数达到上限，则输出模型；

步骤7，加载步骤6训练好的模型，接着将待预测的风机数据输入到模型中，得到风机故障的预测结果；

其中SCADA是指数据采集与监视控制系统。

2.根据权利要求1所述的基于注意力机制的CNN-LSTM风机故障预测方法，其特征在于：

步骤1中，采集的原始风机时序数据包括：风速、发电机转速、网侧有功功率、对风角、风向角、偏航位置、偏航速度、叶片1角速度、叶片2角速度、叶片3角速度、叶片1速度、叶片2速度、叶片3速度、变桨电机1温度、变桨电机2温度、变桨电机3温度、水平方向加速度、垂直方向加速度、环境温度、机舱温度、变桨柜电源1温度、变桨柜电源2温度、变桨柜电源3温度、变桨柜电源1直流电流、变桨柜电源2直流电流和变桨柜电源3直流电流。

3.根据权利要求1所述的基于注意力机制的CNN-LSTM风机故障预测方法，其特征在于：

步骤2包括：

步骤2.1，从N维原始特征数据集上有放回的抽取M个样本数据，重复K次，即形成K个样本数据子集，每个样本数据子集中含有M个样本数据，每个样本由N个特征组成；

步骤2.2，分别从每个样本数据子集的N个特征中随机抽取X个特征，形成新的样本数据子集，即每个新的样本数据子集中含有M个样本数据，每个样本由X个特征组成；

步骤2.3，对于步骤2.2产生的每个样本数据子集建立相应的决策树；

步骤2.4，计算决策树中每个特征变量在建立决策树上的得分，针对不同的特征变量再分别取平均值，根据平均值降序排序，得到特征重要度排名；

步骤2.5，在特征重要度排名的基础上，过滤掉设定比例的特征，即过滤掉平均分数低的一些特征，形成新的样本特征子集；

步骤2.6，用新的样本特征子集再次构建决策树，并重复步骤2.4，和步骤2.5，直到剩下设定的q个特征；

步骤2.7，根据这q个特征在原始特征集进行特征选择，得到与风机故障关联度高的特征数据集。

4.根据权利要求1至3中任一项所述的基于注意力机制的CNN-LSTM风机故障预测方法，其特征在于：

步骤2中，形成的特征数据集包括：偏航位置，环境温度，测网有功功率，叶片3角度，变桨电机1温度，变桨电机2温度，变桨电机3温度，叶片1角度，叶片2角度，风速，发电机转速和变桨柜电源2温度共12个特征。