一种基于机器学习的蒸汽管道状态监测方法及系统

本发明公开了一种基于机器学习的蒸汽管道状态监测方法及系统，涉及机器学习技术领域，用以精确识别蒸汽管道的异常状态。本发明的技术要点包括：通过小波卷积层提取信号的时频特征，再通过傅里叶分支捕捉全局频域特性，卷积分支提取局部时间特征，结合注意力机制和Isolation Forest模型进行异常检测，最后再通过LightGBM模型分类，实现蒸汽管道的异常状态监测。本发明解决了传统技术中高误报率问题，能够准确识别与分类蒸汽管道振动状态，能够有效提高异常检测的准确性、抗噪性和计算效率，提升了整体系统的鲁棒性，具有广泛的应用前景。