本发明涉及定日镜场设备预测性维护，更具体地说，本发明涉及一种基于gan-lstm的定日镜场设备预测性维护方法。
背景技术：
1、在塔式太阳能热发电系统中，定日镜场的聚光精度直接影响着系统的发电效率；现有技术主要依赖于定日镜的精确跟踪模型和定期的物理清洗来维持其性能；部分设备维护时间较长，则会影响整体设备的工作效率，设备的预测性维护显得尤其重要；目前，时间序列预测通常依赖于传统的统计方法或基本的机器学习模型。
2、但是其在实际使用时，仍旧存在一些缺点，如rnn容易出现梯度消失或梯度爆炸的问题，而lstm虽然在一定程度上解决了这个问题，但在处理更长序列时仍然会遇到困难。此外，这些模型在处理高维数据时的计算成本很高，且难以捕捉到数据中的复杂模式。综上，目前仍存在定日镜场设备预测性维护中存在的数据利用率低、预测准确性不高和模型更新不及时等问题。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于gan-lstm的定日镜场设备预测性维护方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、步骤a1：通过传感器采集设备运行时的参数数据；
4、步骤a2：将采集到的参数数据进行滤波和归一化处理；
5、步骤a3：使用生成对抗网络生成额外的训练数据，提高模型的泛化能力；
6、步骤a4：使用小波包分析从原始数据中提取关键特征；
7、步骤a5：设计并训练lstm网络，并将lstm网络用于学习和预测设备的故障模式；
8、步骤a6：将提取的特征输入到优化的lstm网络中进行故障预测；
9、步骤a7：根据预测结果制定维护计划，实施维护并记录结果，用于模型的持续优化。
10、优选的，所述步骤a1中，在定日镜场设备的关键部位安装温度、压力、振动传感器；传感器实时监测并记录设备的运行参数。
11、优选的，所述步骤a2中，滤波处理的方法具体为：
12、对于信号xi(t)，应用滤波器f可以得到滤波后的信号
13、其中，*表示为卷积操作，f是设计的带通滤波器，xi(t)表示为滤波前的信号，表示为滤波后的信号；
14、归一化处理的方法具体为：
15、对于滤波后的信号归一化处理可以表示为：
16、其中，表示为滤波后的信号在观测窗口内的最小值，表示为信号在观测窗口内的最大值。
17、优选的，所述步骤a3中，生成对抗网络由生成器和判别器组成，通过对抗训练提升数据质量，在定日镜场设备预测性维护中，数据增强通过生成对抗网络来实现，生成对抗网络通过生成器和判别器的对抗训练过程生成新的数据样本，以提高模型的泛化能力；
18、数据增强的方法具体为：
19、1、生成器的设计：生成器的目标是生成与真实数据分布相似的数据；
20、2、判别器的设计：判别器的目标是区分输入的数据是来自真实数据分布还是生成器产生的；
21、3、对抗训练：通过训练过程中的对抗，不断提升生成器生成数据的质量和判别器的判别能力；
22、4、生成器：生成器是一个函数，它接收一个随机噪声向量z作为输入，并生成数据样本g(z)；
23、g(z；θg)＝数据样本，其中，θg表示为生成器的参数，z表示为随机噪声向量
24、5、判别器：判别器是一个二分类器，它接受一个数据样本x作为输入，并输出一个标量表示该样本是真实的概率d(x)。
25、d(x；θd)＝样本为真实的概率，其中，θd表示判别器的参数，x表示为数据样本；
26、6、对抗训练：在对抗训练中，生成器和判别器通过以下的min-max游戏进行优化：
27、其中，pdata(x)表示为真实数据的分布，pz(z)表示为生成器输入的噪声分布。
28、通过这种方式，生成对抗网络能够生成新的、多样化的训练数据，从而提高定日镜场设备预测性维护模型的泛化能力和性能。
29、优选的，所述步骤a4中，特征向量构造为{ei1,ei2,ei3,…}，其中ek表示为能量；在定日镜场设备预测性维护的背景下，特征提取是通过小波包分析来完成的；小波包分析是一种有效的信号处理工具，适合于非平稳信号的特征提取；
30、特征提取方法具体为：
31、小波包变换：将原始信号通过小波包变换进行多尺度分解，得到一系列小波包系数。能量计算：计算每个分解层次的小波包系数的能量，作为特征；
32、1、小波包变换：对于原始信号x(t)，小波包变换可以表示为：
33、其中，φ(t)是母小波函数，a是尺度参数，b是平移参数，x(t)表示为原始信号。
34、2、能量计算：对于第i层的第j个小波包系数dij，其能量eij可以通过下式计算：
35、eij＝∑k|dij(k)|2，其中，k表示小波包系数的索引，dij表示为小波包系数，eij表示为能量。
36、3、特征向量构造：将每个分解层次的能量值组合成一个特征向量：
37、e＝{ei1,ei2,ei3,…}，这个特征向量e将用于后续的故障模式识别和预测。
38、通过上述方法，可以从原始数据中提取出反映设备状态的关键特征，为定日镜场设备的预测性维护提供重要信息。
39、优选的，所述步骤a5中，设计lstm网络的方法具体为：
40、输入层维度确定，假设有m个特征，时间步长为t，则输入形状为(m,t)。隐藏层设计，设隐藏层有n个lstm单元，每个单元的输出维度为n。输出层设计，对于分类问题，有c个类别，则使用softmax函数，输出维度则为c。
41、优选的，所述步骤a6中，输出预测结果，包括故障类型和发生的时间；
42、特征向量输入：将通过小波包分析提取的特征向量v＝{ei1,ei2,ei3,ei4,…}输入到lstm网络中；
43、lstm网络包括输入层、多个隐藏层和输出层。隐藏层包含不同数量的lstm单元，100个和50个单元的层使用dropout技术来避免过拟合。
44、优选的，所述步骤a7中，维护计划包括维护时间、所需资源等；维护计划制定的方法具体为：
45、分析lstm网络的预测结果，确定故障类型发生的时间。根据故障类型和预测时间，规划维护活动。
46、本发明的技术效果和优点：
47、1、数据利用率提高：通过传感器实时监测和记录设备运行参数，本发明能够充分利用收集到的数据，提高数据的使用效率。
48、2、预测准确性增强：利用小波包分析和lstm网络，本发明能够从复杂的时间序列数据中提取关键特征，并准确预测设备的故障模式。
49、3、模型更新及时：通过持续收集新的运行数据并反馈到模型训练中，本发明确保了预测模型能够及时更新，适应设备状态的变化。
50、4、维护决策优化：本发明提供了一套完整的故障预测和维护决策流程，能够根据预测结果制定合理的维护计划，最小化生产中断。
51、5、资源配置合理：本发明能够根据预测的故障类型和时间，合理分配维护资源，提高维护效率。
1.一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于，包括：
2.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a1中，在定日镜场设备的关键部位安装温度、压力、振动传感器；传感器实时监测并记录设备的运行参数。
3.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a2中，滤波处理的方法具体为：
4.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a3中，生成对抗网络由生成器和判别器组成，通过对抗训练提升数据质量，在定日镜场设备预测性维护中，数据增强通过生成对抗网络来实现，生成对抗网络通过生成器和判别器的对抗训练过程生成新的数据样本，以提高模型的泛化能力。
5.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a4中，特征向量构造为{ei1,ei2,ei3,…}，其中ek表示为能量；在定日镜场设备预测性维护的背景下，特征提取是通过小波包分析来完成的；小波包分析是一种有效的信号处理工具，适合于非平稳信号的特征提取。
6.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a5中，设计lstm网络的方法具体为：输入层维度确定，假设有m个特征，时间步长为t，则输入形状为(m,t)；隐藏层设计，设隐藏层有n个lstm单元，每个单元的输出维度为n，输出层设计，对于分类问题，有c个类别，则使用softmax函数，输出维度则为c。
7.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a6中，输出预测结果，包括故障类型和发生的时间；
8.根据权利要求1所述的一种基于gan-lstm的定日镜场设备预测性维护方法，其特征在于：所述步骤a7中，维护计划包括维护时间、所需资源等；维护计划制定的方法具体为：
