1.一種基于遞歸神經(jīng)網(wǎng)絡(luò)的對(duì)電力生產(chǎn)設(shè)備進(jìn)行預(yù)測(cè)性維護(hù)的方法，其特征在于，包括：

步驟一，通過(guò)用戶數(shù)據(jù)源導(dǎo)入電力生產(chǎn)環(huán)境下的各個(gè)設(shè)備的監(jiān)控歷史數(shù)據(jù)，數(shù)據(jù)選取過(guò)去2年的記錄，以1小時(shí)作為時(shí)間間隔生成序列化數(shù)據(jù)樣本集；

步驟二，數(shù)據(jù)預(yù)處理，對(duì)于遞歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，需要?dú)w一化數(shù)據(jù)以保障不同時(shí)間點(diǎn)的傳感器狀態(tài)都以token的形式表達(dá)；歸一化是將數(shù)據(jù)映射到[0，n]的區(qū)間內(nèi)，這里n取值為5；對(duì)于不同傳感器，數(shù)據(jù)的類型和范圍都有不同，因此需要用戶自定義的歸一化方法來(lái)進(jìn)行數(shù)據(jù)歸一化處理；

步驟三，用于訓(xùn)練的數(shù)據(jù)樣本包含多個(gè)時(shí)序數(shù)據(jù)，取決于被監(jiān)控的設(shè)備的數(shù)量，樣本生成過(guò)程中需要人工進(jìn)行故障狀態(tài)標(biāo)注，并非所有時(shí)序數(shù)據(jù)都需要標(biāo)記，對(duì)于運(yùn)行一直正常的設(shè)備，無(wú)須標(biāo)記；

步驟四，本項(xiàng)發(fā)明采用遞歸神經(jīng)網(wǎng)絡(luò)，由多次隱含層構(gòu)建，允許多組時(shí)序數(shù)據(jù)輸入，預(yù)設(shè)的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為輸入層分為N組，每組100節(jié)點(diǎn)，共計(jì)100X N節(jié)點(diǎn)，2個(gè)隱含層，每層256節(jié)點(diǎn)，一個(gè)M節(jié)點(diǎn)輸出層，N取決于輸入時(shí)序數(shù)據(jù)的個(gè)數(shù)，M取決于預(yù)測(cè)錯(cuò)誤向量的長(zhǎng)度，即需要預(yù)測(cè)錯(cuò)誤狀態(tài)的設(shè)備的數(shù)量；輸入層的每一組中的節(jié)點(diǎn)分別與隱含層相連；

步驟五，模型驗(yàn)證通過(guò)驗(yàn)證集來(lái)判定是否模型可以通過(guò)驗(yàn)證集的輸入預(yù)判樣本中的存在的潛在故障，并計(jì)算預(yù)測(cè)準(zhǔn)確率，通過(guò)準(zhǔn)確率進(jìn)行模型調(diào)優(yōu)的迭代式過(guò)程，逐步選取最優(yōu)神經(jīng)網(wǎng)絡(luò)配置；每次迭代生成多個(gè)模型，并由TestModel對(duì)多個(gè)模型進(jìn)行驗(yàn)證，取的精度最高的模型model_confbest，將model_confbest作為ModelTuning的輸入獲得下一組模型配置；

步驟六，將生成的模型應(yīng)用于現(xiàn)場(chǎng)的實(shí)時(shí)數(shù)據(jù)輸入，用來(lái)預(yù)判潛在的設(shè)備異常與故障；

訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集由數(shù)據(jù)預(yù)處理和樣本標(biāo)記過(guò)程來(lái)生成，模型配置設(shè)置為預(yù)設(shè)模型；進(jìn)入迭代循環(huán)后，每次通過(guò)單前模型配置訓(xùn)練并構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)模型，然后通過(guò)TestModel來(lái)驗(yàn)證模型精度，如果精度比之前的最高精度高，則記錄新的最高精度，否則將重試次數(shù)加1，表示需要搜索不同的配置；重構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的操作由ModelTuning來(lái)完成，通過(guò)對(duì)當(dāng)前配置進(jìn)行重構(gòu)，獲得新的遞歸神經(jīng)網(wǎng)絡(luò)配置，供下一次建模使用；ModelTuning由用戶定義，用戶對(duì)不同RNN配置構(gòu)建搜索空間，并確定搜索策略，當(dāng)重試次數(shù)超過(guò)預(yù)期，或精度達(dá)到預(yù)期，迭代過(guò)程結(jié)束。