1.一種基于深度學習的主氦風機故障診斷系統(tǒng)，其特征在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)預處理模塊、故障預警模塊、故障診斷模塊以及在線自適應模塊；
2.如權利要求1所述的一種基于深度學習的主氦風機故障診斷系統(tǒng)，其特征在于：所述數(shù)據(jù)采集模塊包括，系統(tǒng)上部署有振動傳感器、電流傳感器、溫度傳感器，實時采集主氦風機運行數(shù)據(jù)；
3.如權利要求2所述的一種基于深度學習的主氦風機故障診斷系統(tǒng)，其特征在于：所述故障預警模塊包括，健康指數(shù)預測子模塊和預警規(guī)則優(yōu)化子模塊；
4.如權利要求3所述的一種基于深度學習的主氦風機故障診斷系統(tǒng)，其特征在于：所述在線自適應模塊包括，在線學習子模塊和跨設備遷移子模塊；
5.一種采用如權利要求1～4任一所述的一種基于深度學習的主氦風機故障診斷系統(tǒng)的方法，其特征在于：所述異常值檢測和去除子模塊包括，采用基于z-score和基于箱線圖的綜合異常值檢測方法，當數(shù)據(jù)服從正態(tài)分布時，則z-score表示數(shù)據(jù)點相對于均值的偏離程度，計算公式為：
6.如權利要求5所述的一種基于深度學習的主氦風機故障診斷方法，其特征在于：所述健康指數(shù)預測子模塊包括，采用時間序列分析方法，根據(jù)主氦風機歷史運行數(shù)據(jù)分析退化趨勢，建立灰色預測模型的健康指數(shù)預測模型；
7.如權利要求6所述的一種基于深度學習的主氦風機故障診斷方法，其特征在于：所述深度學習模型包括，采用注意力機制的卷積神經(jīng)網(wǎng)絡作為深度學習模型，所述注意力機制的卷積神經(jīng)網(wǎng)絡為：
8.如權利要求7所述的一種基于深度學習的主氦風機故障診斷方法，其特征在于：所述在線學習子模塊包括，在原有訓練好的模型基礎上，利用新數(shù)據(jù)進行短期fine-tuning，采用增量學習的方式，定期使用新采集的實時運行數(shù)據(jù)對深度學習診斷模型進行參數(shù)微調(diào)；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求5至8中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求5至8中任一項所述的方法的步驟。