一种水电厂智能巡检诊断方法、系统、装置和介质与流程

1.本技术涉及水电厂巡检技术领域，特别是涉及一种水电厂智能巡检诊断方法、系统、装置和介质。


背景技术：

2.随着近年信息化的日趋成熟，云计算、大数据、人工智能等新一代信息技术的广泛运用，以及智能电网全面建设和智能技术的高速发展，传统水电厂向智能化水电厂方向全面发展已经是必然趋势。
3.随着智能化水电厂迅速发展，对水电厂设备巡检已成为不可忽略的环节，现有水电厂巡检系统多为示范工程，集中于单一设备、重点区域巡检，前端设备由于设备类型、安装角度和位置等限制存在观测死角，很难覆盖全厂，此外，对设备巡检更多侧重于预警告警，没有根据巡检数据自动得出设备故障类型，，且水电设备故障类型样本少，故障原因不准确，仍需有经验的技术人员根据现场情况提出对应的解决方案，然而此种方式既浪费了劳动力，又导致巡检不及时，无法对水电厂设备进行科学分析和预判。
4.目前针对相关技术中如何根据诊断结果自动生成设备故障类型及设备故障类型的处理建议的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种水电厂智能巡检诊断方法、系统、装置和介质，以至少解决相关技术中如何根据诊断结果自动生成设备故障类型及设备故障类型的处理建议的问题。
6.第一方面，本技术实施例提供了一种水电厂智能巡检诊断方法，所述方法包括：
7.获取水电厂巡检数据；
8.将所述水电厂巡检数据输入诊断模型，得到诊断结果；
9.若所述诊断结果是异常诊断结果，则将异常数据与故障数据库进行匹配，得到所述异常数据对应的设备故障类型及所述设备故障处理建议。
10.在其中一些实施例中，所述若所述设备诊断结果异常，则将异常数据与故障数据库进行匹配之前，所述方法包括构建故障数据库，其中，所述构建故障数据库包括：
11.将历史异常数据与历史设备故障类型数据进行匹配，得到第一故障样本；
12.将所述历史设备故障类型数据与对应所述历史设备故障类型数据的处理建议数据进行匹配，得到第二故障样本；
13.根据所述第一故障样本和所述第二故障样本，得到第三故障样本；
14.将所述第一故障样本、所述第二故障样本和所述第三故障样本输入数据库，得到故障数据库。
15.在其中一些实施例中，所述根据所述第一故障样本和所述第二故障样本，得到第三故障样本包括：
16.将所述第一故障样本和所述第二故障样本分别划分为第一训练集和验证集，
17.根据所述第一故障样本和所述第二故障样本构建模型，所述模型包括设备故障类型识别模型和处理建议预测模型；
18.使用所述第一训练集中的数据分别训练所述设备故障类型识别模型和所述处理建议预测模型；
19.使用所述验证集分别评估所述设备故障类型识别模型和所述处理建议预测模型的性能，得到评估结果，根据所述评估结果对所述设备故障类型识别模型和所述处理建议预测模型进行调整优化；
20.将所述调整优化好的所述设备故障类型识别模型和所述处理建议预测模型集成到系统中，得到第三故障样本。
21.在其中一些实施例中，所述将所述水电厂巡检数据输入诊断模型，得到诊断结果之前，所述方法包括构建诊断模型，其中所述构建诊断模型包括：
22.收集历史故障数据，包括故障类型、故障时间、故障原因、故障影响；
23.建立设备故障库，包括从所述历史故障数据中提取与所述故障类型相关的关键特征，根据所述故障类型和所述关键特征，将所述历史故障数据进行分类；
24.将所述设备故障库中的数据划分为第二训练集和测试集；
25.使用所述第二训练集中的数据训练诊断模型；
26.使用测试集中的数据对所述训练好的诊断模型进行评估，得到第二评估结果；
27.根据所述第二评估结果，对所述诊断模型进行优化和调整。
28.在其中一些实施例中，所述将异常数据与故障数据库进行匹配，得到所述异常数据对应的设备故障及所述设备故障处理建议包括：
29.从所述故障数据库中提取与所述异常数据相匹配的第一数据；基于所述第一数据，得到所述异常数据对应的设备故障类型及所述设备故障类型处理建议，其中，所述第一数据包括所述第一故障样本、所述第二故障样本和所述第三故障样本。
30.在其中一些实施例中，所述获取水电厂巡检数据包括：
31.利用采集装置采集水电厂巡检数据，其中，所述利用采集装置采集水电厂巡检数据包括:
32.可见光摄像头采集可见光图片和视频信息、红外摄像头采集红外图片和视频信息、拾音器采集音频信息、振动传感器采集设备振动信息、气体传感器采集气体浓度信息和监控系统采集机组、设备运行信息。
33.在其中一些实施例中，获取水电厂巡检数据之后，所述方法包括：对所述水电厂巡检数据进行预处理，其中，所述预处理包括：对所述水电厂巡检数据进行清洗、整理和归一化处理操作，得到所述水电厂巡检数据。
34.第二方面，本技术实施例提供了一种水电厂智能巡检系统，包括：获取数据模块、诊断模块和匹配模块；
35.所述获取数据模块，用于获取水电厂巡检数据；
36.所述诊断模块，用于将所述水电厂巡检数据输入所述诊断模型，得到诊断结果；
37.所述匹配模块，若所述诊断结果是异常诊断结果，则将异常数据与故障数据库进行匹配，得到所述异常数据对应的设备故障类型及所述设备故障处理建议。
38.第三方面，本技术实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第第一方面所述的一种水电厂智能巡检诊断方法方法。
39.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第以方面所述的一种水电厂智能巡检诊断方法。
40.相比于相关技术，本技术实施例提供的一种水电厂智能巡检诊断方法，通过获取水电厂巡检数据；将水电厂巡检数据输入诊断模型，得到诊断结果；若诊断结果异常，则将异常数据与故障数据库进行匹配，得到异常数据对应的设备故障类型及设备故障处理建议，解决了如何根据诊断结果自动生成设备故障类型及设备故障类型的处理建议的问题，实现了对水电厂设备巡视检查，并且对故障设备进行诊断，自动给出处理建议，减少了人力成本和运维成本，延长机组使用寿命，保证设备的稳定运行，提高电厂的发电效益。
附图说明
41.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
42.图1是根据本技术实施例的水电厂智能巡检诊断方法的步骤流程图；
43.图2是根据本技术实施例中的采集装置采集水电厂巡检数据的结构示意图；
44.图3是根据本技术实施例的水电厂智能巡检诊断系统的结构框图；
45.图4是根据本技术实施例的水电厂智能巡检诊断系统的整体结构示意图；
46.图5是根据本技术实施例的电子设备的内部结构示意图。
47.附图标识：31、数据模块；32、诊断模块；33、匹配模块。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
49.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
50.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
51.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领
域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
52.实施例1
53.本技术实施例提供了一种水电厂智能巡检诊断方法，图1是根据本技术实施例的水电厂智能巡检诊断方法的步骤流程图，如图所示，该方法包括以下步骤：
54.步骤s102，获取水电厂巡检数据；
55.步骤s104，将水电厂巡检数据输入诊断模型，得到诊断结果；
56.步骤s106，若诊断结果异常，则将异常数据与故障数据库进行匹配，得到异常数据对应的设备故障类型及设备故障处理建议。
57.通过本技术实施例中的步骤s102至步骤s106，解决了直播视频不能实时放大指定的局部画面以及应用范围小的问题，解决了如何根据诊断结果自动生成设备故障类型及设备故障类型的处理建议的问题，实现了对水电厂设备巡视检查，并且对故障设备进行诊断，自动给出处理建议，减少了人力成本和运维成本，延长机组使用寿命，保证设备的稳定运行，提高电厂的发电效益。
58.在其中一些实施例中，步骤s102，获取水电厂巡检数据包括：利用采集装置采集水电厂巡检数据，其中，利用采集装置采集水电厂巡检数据包括但不限于:
59.可见光摄像头采集可见光图片和视频信息、红外摄像头采集红外图片和视频信息、拾音器采集音频信息、振动传感器采集设备振动信息、气体传感器采集气体浓度信息和监控系统采集机组、设备运行信息。例如气象、温度等其他类型的信息。
60.具体地，图2是根据本技术实施例中的采集装置采集水电厂巡检数据的结构示意图，如图2所示，采集装置主要采用现场布置定点传感器(振动传感器、气体传感器等)、轮式机器人、移动布控球(图像采集装置，例如摄像头)、无人机的方式，对巡诊设备(区域)的相关数据进行智能采集，通过交换机与服务器进行连接，并将数据存储在智能巡检诊断专用gpu服务器，在智能诊断专用gpu服务器上研发和部署巡检诊断服务引擎软件，自动识别、分析和学习巡诊目标的相关数据，通过监控系统自动判断被巡诊设备运行状态和设备状态，对于异常进行记录，对可能存在故障的设备进行诊断，并给出解决故障的建议方案，同时将智能巡诊结果数据存储至专用数据库中。巡诊结果有多种外部接口，可以与部署的智能巡诊结果展示界面，对巡诊结果进行展示。本技术实施例，结合5g，北斗等先进技术完善数据传输和定位且结合气体传感器、振动传感器、安装灵活的卡片机、无人机、机器人等丰富的采集装置完成全厂设备巡视检查。
61.在其中一些实施例中，获取水电厂巡检数据之后，方法包括：对水电厂巡检数据进行预处理，其中，预处理包括：对水电厂巡检数据进行清洗、整理和归一化处理操作，得到水电厂巡检数据。
62.具体地，利用识别算法识别水电厂巡检数据，并对识别后的水电厂巡检数据进行分类，包括数值类(如电压、温度、浓度等)、状态类(把手开关位置、是否异常等)、振动类(音频频谱、振动频率等)。得到水电厂巡检数据。通过对对水电厂巡检数据进行分类，有利于数据的整理。
63.在其中一些实施例中，将水电厂巡检数据输入诊断模型，得到诊断结果之前，方法包括构建诊断模型，其中构建诊断模型包括：
64.具体地，从水电企业收集历史故障数据，包括故障类型、故障时间、故障原因、故障影响等信息。
65.对收集到的数据进行清洗、整理和归一化等预处理操作，以便于后续的分析和建模。
66.建立设备故障库，包括从历史故障数据中提取与故障类型相关的关键特征，例如设备运行状态、环境参数、设备使用年限等。根据故障类型和关键特征，将历史故障数据进行分类。形成一个结构化的水电故障库。
67.根据故障数据的特点和数据类型，选择合适的人工智能算法，例如支持向量机(svm)、神经网络(nn)、随机森林(rf)或深度学习(dl)等。本实施例优选神经网络(nn)。
68.将设备故障库中的数据划分为第二训练集和测试集，以便于对模型进行训练和评估。
69.使用第二训练集中的数据和神经网络算法训练诊断模型。在训练过程中，调整诊断模型的参数和超参数，以获得最佳的性能。
70.使用测试集中的数据对训练好的诊断模型进行评估，得到第二评估结果，通过评估指标(如准确率、召回率、f1分数等)来衡量模型的性能。
71.根据第二评估结果，对诊断模型进行优化和调整，以提高模型的性能。
72.在其中一些实施例中，步骤s104，将水电厂巡检数据输入诊断模型，得到诊断结果。
73.具体地，将经过预处理后的水电厂数据输入诊断模型中，输出诊断结果，诊断结果包括异常数据和正常数据，异常数据为大于或等于设备阈值，异常数据包括设备温度异常、设备摆动异常和设备电压异常等，正常数据则为处于设备阈值范围内的数据。
74.在其中一些实施例中，若设备诊断结果异常，则将异常数据与故障数据库进行匹配之前，方法包括构建故障数据库，其中，构建故障数据库包括：
75.将历史异常数据与历史设备故障类型数据进行匹配，得到第一故障样本,例如异常数据为设备摆动幅度异常数据，故障类型为螺栓松动，将设备摆动幅度异常与螺栓松动进行匹配，此外，异常数据可以为多组数据，例如设备摆动幅度异常数据、设备转速异常数据。
76.将历史设备故障类型数据与对应历史设备故障类型数据的处理建议数据进行匹配，得到第二故障样本，例如设备故障类型为螺栓松动与拧紧螺栓或更换新的螺栓。
77.根据第一故障样本和第二故障样本，得到第三故障样本；
78.将第一故障样本、第二故障样本和第三故障样本输入数据库，得到故障数据库。
79.在其中一些实施例中，根据第一故障样本和第二故障样本，得到第三故障样本包括：
80.具体地，对第一故障样本和第二故障样本进行预处理，例如数据清洗、缺失值处理、特征工程等，以提高模型的性能。
81.将预处理后的第一故障样本和第二故障样本分别划分为第一训练集和验证集，以便在训练过程中监控模型性能，防止过拟合或欠拟合。
82.根据问题的复杂性和数据特点，选择合适的ai学习算法，例如决策树、支持向量机、神经网络或深度学习等，对第一故障样本和第二故障样本构建模型，模型包括设备故障类型识别模型和处理建议预测模型，设备故障类型识别模型为分类模型，回归或分类模型，处理建议预测模型回归或分类模型。
83.使用第一训练集中的数据分别训练设备故障类型识别模型和处理建议预测模型，设置学习率、优化器、损失函数等参数，并采用批量梯度下降、随机梯度下降或小批量梯度下降等优化方法进行训练。
84.使用验证集分别评估设备故障类型识别模型和处理建议预测模型的性能，得到评估结果，根据评估结果对设备故障类型识别模型和处理建议预测模型进行调整优化，如调整模型结构、优化超参数等，直至获得满意的性能。
85.将调整优化好的设备故障类型识别模型和处理建议预测模型集成到系统中，得到第三故障样本。通过配置故障数据库，既能预制人工经验数字化故障。又可以结合自学习功能和导入功能扩充故障库样本，随着系统运行将极大提高系统自主巡诊的效率和准确性。
86.在其中一些实施例中，步骤s106，若诊断结果异常，则将异常数据与故障数据库进行匹配，得到异常数据对应的设备故障类型及设备故障处理建议包括：
87.从故障数据库中提取与异常数据相匹配的第一数据；基于第一数据，得到异常数据对应的设备故障类型及设备故障类型处理建议，其中，第一数据包括第一故障样本、第二故障样本和第三故障样本。
88.具体地，基于特征提取算法，从故障数据库中提取与异常数据相匹配的第一数据。基于分析匹配算法，将异常数据与第一数据进行分析匹配，得到异常数据对应的设备故障类型及设备故障类型处理建议。其中，第一数据包括第一故障样本、第二故障样本和第三故障样本。通过将异常数据与故障数据库进行匹配，得到了异常数据对应的设备故障类型及设备故障处理建议。减少了人力成本和运维成本，延长机组使用寿命，保证设备的稳定运行，提高电厂的发电效益。
89.需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
90.实施例二
91.本实施例还提供了一种水电厂智能巡检诊断系统，图3是根据本技术实施例的水电厂智能巡检诊断系统的结构框图，图4是根据本技术实施例的水电厂智能巡检诊断系统的整体结构示意图，如图3所示，水电厂智能巡检诊断系统包括获取数据模块31、诊断模块32和匹配模块33；
92.获取数据模块31，用于获取水电厂巡检数据；如图4，获取数据源包括可见光图片信息、红外图片信息、振动数据、设备监测系统数据，气体传感器采集气体浓度信息和监控系统采集机组和其他相关数据。
93.诊断模块32，用于将水电厂巡检数据输入诊断模型，得到诊断结果；
94.匹配模块33，若诊断结果异常，则将异常数据与故障数据库进行匹配，得到异常数据对应的设备故障类型及设备故障处理建议。
95.在其中一些实施例中，水电厂智能巡检诊断系统还包括数据基础服务模块、服务层模块和应用层模块，如图4所示，
96.数据基础服务模块，用于针对巡诊过程中数据的存储、计算、抽取、转化、载入等功能提供基础支撑，保证系统稳定运行。
97.服务层，用于完成包括权限管理、日志服务、采集服务、对外接口、进程管理和其他服务在内的数据中心层与应用层交互的应用模块。
98.应用层包含结果和数据的展示、实时数据、统计数据、历史数据的查询、故障诊断和分析、包含预警和告警的警示功能、系统运行日志、前端设备控制、不同子系统间的联动。
99.通过本技术实施例中的数据模块31、诊断模块32、匹配模块33、数据基础服务模块、服务层模块和应用层模块，解决了直播视频不能实时放大指定的局部画面以及应用范围小的问题，解决了如何根据诊断结果自动生成设备故障类型及设备故障类型的处理建议的问题，实现了对水电厂设备巡视检查，并且对故障设备进行诊断，自动给出处理建议，减少了人力成本和运维成本，延长机组使用寿命，保证设备的稳定运行，提高电厂的发电效益。
100.需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
101.实施例三
102.本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
103.可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
104.可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
105.s1，获取水电厂巡检数据；
106.s2，将水电厂巡检数据输入诊断模型，得到诊断结果；
107.s3，若诊断结果异常，则将异常数据与故障数据库进行匹配，得到异常数据对应的设备故障类型及设备故障处理建议。
108.需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
109.另外，结合上述实施例中的水电厂智能巡检诊断方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种水电厂智能巡检诊断方法。
110.实施例四
111.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水电厂智能巡检诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
112.在一个实施例中，图5是根据本技术实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种水电厂智能巡检诊断方法，数据库用于存储数据。
113.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
114.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
115.本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
116.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种水电厂智能巡检诊断方法，其特征在于，所述方法包括：获取水电厂巡检数据；将所述水电厂巡检数据输入诊断模型，得到诊断结果；若所述诊断结果是异常诊断结果，则将异常数据与故障数据库进行匹配，得到所述异常数据对应的设备故障类型及所述设备故障处理建议。2.根据权利要求1所述的方法，其特征在于，所述若所述诊断结果是异常诊断结果，则将异常数据与故障数据库进行匹配之前，所述方法包括构建故障数据库，其中，所述构建故障数据库包括：将历史异常数据与历史设备故障类型数据进行匹配，得到第一故障样本；将所述历史设备故障类型数据与对应所述历史设备故障类型数据的处理建议数据进行匹配，得到第二故障样本；根据所述第一故障样本和所述第二故障样本，得到第三故障样本；将所述第一故障样本、所述第二故障样本和所述第三故障样本输入数据库，得到故障数据库。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一故障样本和所述第二故障样本，得到第三故障样本包括：将所述第一故障样本和所述第二故障样本分别划分为第一训练集和验证集，根据所述第一故障样本和所述第二故障样本构建模型，所述模型包括设备故障类型识别模型和处理建议预测模型；使用所述第一训练集中的数据分别训练所述设备故障类型识别模型和所述处理建议预测模型；使用所述验证集分别评估所述设备故障类型识别模型和所述处理建议预测模型的性能，得到评估结果，根据所述评估结果对所述设备故障类型识别模型和所述处理建议预测模型进行调整优化；将所述调整优化好的所述设备故障类型识别模型和所述处理建议预测模型集成到系统中，得到第三故障样本。4.根据权利要求1所述的方法，其特征在于，所述将所述水电厂巡检数据输入诊断模型，得到诊断结果之前，所述方法包括构建诊断模型，其中所述构建诊断模型包括：收集历史故障数据，包括故障类型、故障时间、故障原因和故障影响；建立设备故障库，包括从所述历史故障数据中提取与所述故障类型相关的关键特征，根据所述故障类型和所述关键特征，将所述历史故障数据进行分类；将所述设备故障库中的数据划分为第二训练集和测试集；使用所述第二训练集中的数据训练诊断模型；使用测试集中的数据对所述训练好的诊断模型进行评估，得到第二评估结果；根据所述第二评估结果，对所述诊断模型进行优化和调整。5.根据权利要求1或2所述的方法，其特征在于，所述将异常数据与故障数据库进行匹配，得到所述异常数据对应的设备故障及所述设备故障处理建议包括：从所述故障数据库中提取与所述异常数据相匹配的第一数据；基于所述第一数据，得到所述异常数据对应的设备故障类型及所述设备故障类型处理建议，其中，所述第一数据
包括第一故障样本、第二故障样本和第三故障样本。6.根据权利要求1所述的方法，其特征在于，所述获取水电厂巡检数据包括：利用采集装置采集水电厂巡检数据，其中，所述利用采集装置采集水电厂巡检数据包括:可见光摄像头采集可见光图片和视频信息、红外摄像头采集红外图片和视频信息、拾音器采集音频信息、振动传感器采集设备振动信息、气体传感器采集气体浓度信息和监控系统采集机组、设备运行信息。7.根据权利要求1所述的方法，其特征在于，获取水电厂巡检数据之后，所述方法包括：对所述水电厂巡检数据进行预处理，其中，所述预处理包括：对所述水电厂巡检数据进行清洗、整理和归一化处理操作，得到所述水电厂巡检数据。8.一种水电厂智能巡检系统，其特征在于，包括：获取数据模块、诊断模块和匹配模块；所述获取数据模块，用于获取水电厂巡检数据；所述诊断模块，用于将所述水电厂巡检数据输入诊断模型，得到诊断结果；所述匹配模块，若所述诊断结果是异常诊断结果，则将异常数据与故障数据库进行匹配，得到所述异常数据对应的设备故障类型及所述设备故障处理建议。9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的一种水电厂智能巡检诊断方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的一种水电厂智能巡检诊断方法。

技术总结
本申请涉及一种水电厂智能巡检诊断方法、系统、装置和介质，其中，该方法包括：将水电厂巡检数据输入诊断模型，得到诊断结果；若诊断结果异常，则将异常数据与故障数据库进行匹配，得到异常数据对应的设备故障类型及设备故障处理建议，解决了如何根据诊断结果自动生成设备故障类型及设备故障类型的处理建议的问题，实现了对水电厂设备巡视检查，并且对故障设备进行诊断，自动给出处理建议，减少了人力成本和运维成本，延长机组使用寿命，保证设备的稳定运行，提高电厂的发电效益。提高电厂的发电效益。提高电厂的发电效益。


技术研发人员：江政 张恒 许永强 曹威 张道全 白光辉 王磊 王渊博 郑程之
受保护的技术使用者：华电电力科学研究院有限公司
技术研发日：2023.04.28
技术公布日：2023/8/4