基于大数据和神经网络的火电站设备故障预警系统及方法

技术领域

本发明属于火电站设备故障检测技术领域，更具体地，涉及一种基于大数据和神经网络的火电站设备故障预警系统及方法。

背景技术

大型火电厂主、辅机数量较多，结构复杂，其作用是完成从热能到机械能再到电能的转换过程。设备与设备之间的耦合性、系统的复杂性等因素决定火电厂是一个高故障率和故障危害性很大的生产场所，这此故障都将造成重大的经济损失，因此应用设备故障预测及状态监测技术，掌握关键设备的正常运行状态，及时发现易损部件的工况恶化趋势，及时进行维护和检修，对提高设备的可靠性和安个性十分必要。

但是目前的状态监测技术只是一种实时的监控方案，相关工作人员只有当所监控的物理参数超过设定的阈值时，才对设备故障作出对应的响应机制，此时设备故障终究已经是发生了，设备故障容易导致程度不一的负面影响，因此根据所监控的物理参数的实时值预测未来一定时间之内的设备是否会产生故障，产生哪种故障，这才是从根本上杜绝故障的产生，实现对火电站设备的全方位监控。

综上，特别需要一种能全方位监控火电站设备的故障预测方法。

发明内容

本发明的目的是提出一种能全方位监控火电站设备的故障预警系统及方法。

为了实现上述目的，本发明提供了一种基于大数据和神经网络的火电站设备故障预警系统，包括：大数据获取平台，所述大数据获取平台获取火电站设备的状态参数及对应的故障标签；数据集样本库，所述数据集样本库与所述大数据获取平台连接，从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；神经网络模型训练模块，所述神经网络模型训练模块与所述数据集样本库连接，将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；数据监测模块，所述数据监测模块采集火电站设备的实时状态参数，组成监测样本；故障预测模块，所述故障预测模块分别与所述数据监测模块和神经网络模型训练模块连接，将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。

优选的，所述数据样本包括训练样本和测试样本，所述将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于所述训练样本，对所述初始神经网络模型进行训练；步骤103：基于所述测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。

优选的，所述初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；所述多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；所述全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；所述最终全连接层为神经网络模型的输出层，使用softmax函数，在所述最终全连接层添加Dropout操作，所述最终全连接层输出故障预测结果。

优选的，步骤102包括：将所述训练样本按初始顺序逐个作为所述初始神经网络模型的输入数据，对所述初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正所述初始神经网络模型中的权重参数；改变所述训练样本的先后顺序，将改变先后顺序的训练样本逐个作为所述初始神经网络模型的输入数据，进行所述初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。

优选的，步骤103包括：基于所述测试样本对所述训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于所述训练后的神经网络模型在所述训练样本中获得的最高准确率，将所述训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于所述训练后的神经网络模型在所述训练样本中获得的最高准确率时，基于所述测试样本，继续对所述训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。

优选的，所述大数据获取平台包括数据采集单元、数据筛选单元、数据仓库和数据发送单元，数据采集单元、数据筛选单元、数据仓库和数据发送单元依次连接，数据发送单元与所述数据集样本库连接。

优选的，所述数据采集单元安装于火电站设备上，对火电站设备的工作状态进行监测，并实时将采集监测到的数据发送至数据筛选单元。

优选的，所述数据筛选单元用于对数据采集单元采集得到的数据进行筛选，去除重复、无效和冗余数据，并将筛选后的数据发送至数据仓库进行存储。

另一方面，本发明还提供一种基于大数据和神经网络的火电站设备故障预警方法，包括：获取火电站设备的状态参数及对应的故障标签；从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；获取火电站设备的实时状态参数，组成监测样本；将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。

优选的，所述数据样本包括训练样本和测试样本，所述将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于所述训练样本，对所述初始神经网络模型进行训练；步骤103：基于所述测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。

优选的，所述初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；所述多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；所述全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；所述最终全连接层为神经网络模型的输出层，使用softmax函数，在所述最终全连接层添加Dropout操作，所述最终全连接层输出故障预测结果。

优选的，步骤102包括：将所述训练样本按初始顺序逐个作为所述初始神经网络模型的输入数据，对所述初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正所述初始神经网络模型中的权重参数；改变所述训练样本的先后顺序，将改变先后顺序的训练样本逐个作为所述初始神经网络模型的输入数据，进行所述初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。

优选的，步骤103包括：基于所述测试样本对所述训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于所述训练后的神经网络模型在所述训练样本中获得的最高准确率，将所述训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于所述训练后的神经网络模型在所述训练样本中获得的最高准确率时，基于所述测试样本，继续对所述训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。

本发明的有益效果在于：本发明的基于大数据和神经网络的火电站设备故障预警系统通过大数据平台获得火电站设备的状态参数及对应的故障标签，数据集样本库筛选发生故障的状态参数作为数据样本，基于数据样本对初始神经网络模型进行训练和测试，获得最终的神经网络模型，将获取的实时的设备状态参数输入到最终的神经网络模型中，获得故障预测结果，实现全方位监测火电站设备，且预测结果精度高。

本发明的系统具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施例中将是显而易见的，或者将在并入本文中的附图和随后的具体实施例中进行详细陈述，这些附图和具体实施例共同用于解释本发明的特定原理。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显。其中，在本发明示例性实施方式中，相同的附图标记通常代表相同部件。

图1示出了根据本发明的一个实施例的一种基于大数据和神经网络的火电站设备故障预警系统的结构框图。

图2示出了根据本发明的一个实施例的一种基于大数据和神经网络的火电站设备故障预警方法的流程图。

附图标记说明：

102、大数据获取平台；104、数据集样本库；106、神经网络模型训练模块；108、数据监测模块；110、故障预测模块。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施例。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。

根据本发明的一种基于大数据和神经网络的火电站设备故障预警系统，包括：大数据获取平台，大数据获取平台获取火电站设备的状态参数及对应的故障标签；数据集样本库，数据集样本库与大数据获取平台连接，从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；神经网络模型训练模块，神经网络模型训练模块与数据集样本库连接，将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；数据监测模块，数据监测模块采集火电站设备的实时状态参数，组成监测样本；故障预测模块，故障预测模块分别与数据监测模块和神经网络模型训练模块连接，将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。

具体的，通过大数据平台获得火电站设备的状态参数及对应的故障标签，数据集样本库筛选发生故障的状态参数作为数据样本，基于数据样本对初始神经网络模型进行训练和测试，获得最终的神经网络模型，将获取的实时的设备状态参数输入到最终的神经网络模型中，获得故障预测结果，实现全方位监测火电站设备，且预测结果精度高。

作为优选方案，数据样本包括训练样本和测试样本，将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于训练样本，对初始神经网络模型进行训练；步骤103：基于测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。

具体的，将数据样本中80％的数据作为训练样本，其余20％的数据作为测试样本，基于训练样本对初始神经网络模型进行训练，用测试样本对训练后的神经网络模型进行检验，根据测试样本在模型上的准确率和训练后的神经网络模型在训练样本中的最高准确率，确定最终的神经网络模型。

作为优选方案，初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；最终全连接层为神经网络模型的输出层，使用softmax函数，在最终全连接层添加Dropout操作，最终全连接层输出故障预测结果。

具体的，卷积神经网络模型中包含多个卷积层、一个全局平均池化层和两个全连接层；卷积层依次连接，每个卷积层之后使用Relu激活函数，在最后一层卷积层之后使用全局平均池化层，并在全局平均池化后连接两层全连接层，两个全连接层包括第一全连接层和最终全连接层，最终全连接层为神经网络模型的输出层，最终全连接层输出的神经元数，即分类个数，与最终生物图像数据集中的生物的种类数相等。最终全连接层使用softmax函数，进行多分类，提高识别的准确率，且添加了Dropout操作，避免输出过拟合，影响准确率。

作为优选方案，步骤102包括：将训练样本按初始顺序逐个作为初始神经网络模型的输入数据，对初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正初始神经网络模型中的权重参数；改变训练样本的先后顺序，将改变先后顺序的训练样本逐个作为初始神经网络模型的输入数据，进行初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。

具体的，具体的，将训练样本逐个送入初始神经网络模型进行计算，将输出数据与其样本对应的故障标签进行比较，根据比较结果采用反向传播偏差来修正模型的权重参数，将训练数据集中每个数据都迭代计算200轮，并采用早停策略。还修改训练样本的前后次序，即次序的迭代关系重新计算，进行模型的权重参数的修正，重复上述迭代，获得训练后的卷积神经网络模型。

作为优选方案，步骤103包括：基于测试样本对训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于训练后的神经网络模型在训练样本中获得的最高准确率，将训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于训练后的神经网络模型在训练样本中获得的最高准确率时，基于测试样本，继续对训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。

具体的，用测试样本检验训练后的神经网络模型是否训练成功，将测试样本作为输入数据，对训练后的神经网络模型继续进行训练，计算每轮训练后的准确率，一直到训练次数等于预设轮数后，比较在预设轮数内每轮训练后的准确率与训练后的神经网络模型在训练样本中进行训练后获得的最高准确率，如果预设轮数内每轮训练后的准确率均低于训练后的神经网络模型在训练样本中进行训练后获得的最高准确率，则说明神经网络模型训练的比较成功，将训练后的神经网络模型作为最终的神经网络模型。

如果预设轮数内训练后的准确率高于训练后的神经网络模型在训练样本中进行训练后获得的最高准确率时，说明训练不成功，则基于测试样本继续对训练后的神经网络模型继续进行训练，直到连续训练N轮后，每轮的准确率都围绕一个数值非常接近，即都没有提升的情况下，说明训练成功，停止训练，将此时训练后的神经网络模型作为最终的神经网络模型。

作为优选方案，大数据获取平台包括数据采集单元、数据筛选单元、数据仓库和数据发送单元，数据采集单元、数据筛选单元、数据仓库和数据发送单元依次连接，数据发送单元与数据集样本库连接。

作为优选方案，数据采集单元安装于火电站设备上，对火电站设备的工作状态进行监测，并实时将采集监测到的数据发送至数据筛选单元。

作为优选方案，数据筛选单元用于对数据采集单元采集得到的数据进行筛选，去除重复、无效和冗余数据，并将筛选后的数据发送至数据仓库进行存储。

本发明还提供一种基于大数据和神经网络的火电站设备故障预警方法，包括：获取火电站设备的状态参数及对应的故障标签；从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；获取火电站设备的实时状态参数，组成监测样本；将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。

具体的，通过大数据平台获得火电站设备的状态参数及对应的故障标签，数据集样本库筛选发生故障的状态参数作为数据样本，基于数据样本对初始神经网络模型进行训练和测试，获得最终的神经网络模型，将获取的实时的设备状态参数输入到最终的神经网络模型中，获得故障预测结果，实现全方位监测火电站设备，且预测结果精度高。

作为优选方案，数据样本包括训练样本和测试样本，将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于训练样本，对初始神经网络模型进行训练；步骤103：基于测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。

具体的，将数据样本中80％的数据作为训练样本，其余20％的数据作为测试样本，基于训练样本对初始神经网络模型进行训练，用测试样本对训练后的神经网络模型进行检验，根据测试样本在模型上的准确率和训练后的神经网络模型在训练样本中的最高准确率，确定最终的神经网络模型。

作为优选方案，初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；最终全连接层为神经网络模型的输出层，使用softmax函数，在最终全连接层添加Dropout操作，最终全连接层输出故障预测结果。

具体的，卷积神经网络模型中包含多个卷积层、一个全局平均池化层和两个全连接层；卷积层依次连接，每个卷积层之后使用Relu激活函数，在最后一层卷积层之后使用全局平均池化层，并在全局平均池化后连接两层全连接层，两个全连接层包括第一全连接层和最终全连接层，最终全连接层为神经网络模型的输出层，最终全连接层输出的神经元数，即分类个数，与最终生物图像数据集中的生物的种类数相等。最终全连接层使用softmax函数，进行多分类，提高识别的准确率，且添加了Dropout操作，避免输出过拟合，影响准确率。

作为优选方案，步骤102包括：将训练样本按初始顺序逐个作为初始神经网络模型的输入数据，对初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正初始神经网络模型中的权重参数；改变训练样本的先后顺序，将改变先后顺序的训练样本逐个作为初始神经网络模型的输入数据，进行初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。

具体的，具体的，将训练样本逐个送入初始神经网络模型进行计算，将输出数据与其样本对应的故障标签进行比较，根据比较结果采用反向传播偏差来修正模型的权重参数，将训练数据集中每个数据都迭代计算200轮，并采用早停策略。还修改训练样本的前后次序，即次序的迭代关系重新计算，进行模型的权重参数的修正，重复上述迭代，获得训练后的卷积神经网络模型。

作为优选方案，步骤103包括：基于测试样本对训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于训练后的神经网络模型在训练样本中获得的最高准确率，将训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于训练后的神经网络模型在训练样本中获得的最高准确率时，基于测试样本，继续对训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。

具体的，用测试样本检验训练后的神经网络模型是否训练成功，将测试样本作为输入数据，对训练后的神经网络模型继续进行训练，计算每轮训练后的准确率，一直到训练次数等于预设轮数后，比较在预设轮数内每轮训练后的准确率与训练后的神经网络模型在训练样本中进行训练后获得的最高准确率，如果预设轮数内每轮训练后的准确率均低于训练后的神经网络模型在训练样本中进行训练后获得的最高准确率，则说明神经网络模型训练的比较成功，将训练后的神经网络模型作为最终的神经网络模型。

如果预设轮数内训练后的准确率高于训练后的神经网络模型在训练样本中进行训练后获得的最高准确率时，说明训练不成功，则基于测试样本继续对训练后的神经网络模型继续进行训练，直到连续训练N轮后，每轮的准确率都围绕一个数值非常接近，即都没有提升的情况下，说明训练成功，停止训练，将此时训练后的神经网络模型作为最终的神经网络模型。

作为优选方案，大数据获取平台包括数据采集单元、数据筛选单元、数据仓库和数据发送单元，数据采集单元、数据筛选单元、数据仓库和数据发送单元依次连接，数据发送单元与数据集样本库连接。

作为优选方案，数据采集单元安装于火电站设备上，对火电站设备的工作状态进行监测，并实时将采集监测到的数据发送至数据筛选单元。

作为优选方案，数据筛选单元用于对数据采集单元采集得到的数据进行筛选，去除重复、无效和冗余数据，并将筛选后的数据发送至数据仓库进行存储。

实施例

图1示出了根据本发明的一个实施例的一种基于大数据和神经网络的火电站设备故障预警系统的结构框图。

如图1所示，该基于大数据和神经网络的火电站设备故障预警系统，包括：

大数据获取平台102，大数据获取平台102获取火电站设备的状态参数及对应的故障标签；

数据集样本库104，数据集样本库104与大数据获取平台102连接，从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；

神经网络模型训练模块106，神经网络模型训练模块106与数据集样本库104连接，将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；

数据监测模块108，数据监测模块108采集火电站设备的实时状态参数，组成监测样本；

故障预测模块110，故障预测模块110分别与数据监测模块108和神经网络模型训练模块106连接，将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。

其中，数据样本包括训练样本和测试样本，将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于训练样本，对初始神经网络模型进行训练；步骤103：基于测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。

其中，初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；最终全连接层为神经网络模型的输出层，使用softmax函数，在最终全连接层添加Dropout操作，最终全连接层输出故障预测结果。

其中，步骤102包括：将训练样本按初始顺序逐个作为初始神经网络模型的输入数据，对初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正初始神经网络模型中的权重参数；改变训练样本的先后顺序，将改变先后顺序的训练样本逐个作为初始神经网络模型的输入数据，进行初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。

其中，步骤103包括：基于测试样本对训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于训练后的神经网络模型在训练样本中获得的最高准确率，将训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于训练后的神经网络模型在训练样本中获得的最高准确率时，基于测试样本，继续对训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。

其中，大数据获取平台包括数据采集单元、数据筛选单元、数据仓库和数据发送单元，数据采集单元、数据筛选单元、数据仓库和数据发送单元依次连接，数据发送单元与数据集样本库连接。

其中，数据采集单元安装于火电站设备上，对火电站设备的工作状态进行监测，并实时将采集监测到的数据发送至数据筛选单元。

其中，数据筛选单元用于对数据采集单元采集得到的数据进行筛选，去除重复、无效和冗余数据，并将筛选后的数据发送至数据仓库进行存储。

实施例二

图2示出了根据本发明的一个实施例的一种基于大数据和神经网络的火电站设备故障预警方法的流程图。

如图2所示，该基于大数据和神经网络的火电站设备故障预警方法，包括：

S102：获取火电站设备的状态参数及对应的故障标签；

S104：从火电站设备的状态参数及对应的故障标签中筛选多个发生故障的火电站设备的状态参数作为数据样本；

S106：将所述数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型；

S108：获取火电站设备的实时状态参数，组成监测样本；

S110：将获取的监测样本输入到最终的神经网络模型中，获得监测样本的故障预测结果。

其中，数据样本包括训练样本和测试样本，将数据样本输入到初始神经网络模型中，完成初始神经网络模型的训练操作，获得最终的神经网络模型包括：步骤101：针对火电站设备故障预警任务，设计初始神经网络模型；步骤102：基于训练样本，对初始神经网络模型进行训练；步骤103：基于测试样本，对训练后的神经网络模型进行测试，根据测试结果，获得最终的神经网络模型。

其中，初始神经网络模型包括多个卷积层、多个Relu激活函数、一个全局平均池化层和两个全连接层；多个卷积层依次连接，每个卷积层之后均连接一个Relu激活函数；最后一个卷积层之后连接全局平均池化层；全局平均池化层之后连接两个全连接层，其中，两个全连接层包括第一全连接层和最终全连接层；最终全连接层为神经网络模型的输出层，使用softmax函数，在最终全连接层添加Dropout操作，最终全连接层输出故障预测结果。

其中，步骤102包括：将训练样本按初始顺序逐个作为初始神经网络模型的输入数据，对初始神经网络模型进行计算，获得输出数据，根据输出数据的结果采用反向传播偏差方法修正初始神经网络模型中的权重参数；改变训练样本的先后顺序，将改变先后顺序的训练样本逐个作为初始神经网络模型的输入数据，进行初始神经网络模型中的权重参数的修正，直至训练次数等于预设次数后，将最后一次修正权重参数后的初始神经网络模型作为训练后的神经网络模型。

其中，步骤103包括：基于测试样本对训练后的神经网络模型继续进行训练，获得每轮训练后的准确率，当训练轮数等于预设轮数时，如果预设轮数内每轮训练后的准确率均低于训练后的神经网络模型在训练样本中获得的最高准确率，将训练后的神经网络模型作为最终的神经网络模型；如果预设轮数内存在训练后的准确率高于训练后的神经网络模型在训练样本中获得的最高准确率时，基于测试样本，继续对训练后的神经网络模型进行训练，直到多轮训练后的准确率不再提升时，将此时的训练后的神经网络模型作为最终的神经网络模型。

以上已经描述了本发明的实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的实施例。在不偏离所说明的实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。