1.一种基于改进的LSTM‑MLP的小型发电机故障预测方法，其特征在于，该方法具体包括以下步骤：S1：发电机数据传输单元(Data Transfer unit，DTU)模块采集数据；

S2：对采集的数据进行预处理，包括：对噪声大的数据进行剔除，对噪声小的数据进行缺失值填补，并将数据转换向量格式，最后将数据根据时间序列进行排序；

S3：输入步骤S2预处理后的数据，并通过改进的LSTM网络进行发电机状态的预测；改进的LSTM网络结构具体为：网络的输入为上一个时刻的隐藏输入Ht‑1、前后时序隐藏输入的协方差Cov(Ht‑2，Ht‑1)和本时刻的输入Xt、前后时序输入的协方差Cov(x，xt‑1)，网络中存在三个控制门，分别为遗忘门、输入门和输出门，通过LSTM网络的三个控制门进行记忆细胞的更新、本时刻的隐藏状态更新；其中三个门的激活函数均为sigmoid函数，记忆细胞Ct更新的激活函数为tanh函数，在改进的LSTM网络中，权重系数分为两部分，其中W代表一般权重，Cov(x)代表x矩阵各列之间的协方差，b代表偏差参数；则输入门It、遗忘门Ft、输出门Ot的计算公式分别为：It＝σ(Cov(x，xt‑1)HtWxi+Cov(Ht‑2，Ht‑1)Ht‑1Whi+bi)Ft＝σ(Cov(xt，xt‑1)XtWxf+Cov(Ht‑2，Ht‑1)Ht‑1Whf+bf)Ot＝σ(Cov(xt，xt‑1)XtWxo+Coy(Ht‑2，Ht‑1)Ht‑1Who+bo)记忆细胞Ct的更新计算公式为：

Ct＝Ft⊙Ct‑1+It⊙tanh(XtWxc+Ht‑1Whc+bc)

隐藏状态Ht的更新计算公式为：

Ht＝Ot⊙tanh(Ct)

S4：将步骤S3预测得到的发电机状态数据通过MLP网络进行发电机的故障预测；所述MLP网络包括输入层、隐藏全连接层和输出层，其中输出层使用softmax损失函数对故障进行分类；

S5：输出故障的生成几率并发送至相应的设备。

2.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S1中，发电机DTU模块每隔60分钟采集一次数据，并输出CSV格式。

3.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S2中，对采集的数据进行预处理，具体包括：采集的数据为N×11的二维矩阵，数据标签分别为time，dtu_num，p_load，p_active，v_generatingline，v_generationphase，v_frequency，temperature_water，pressure_oil，rotating_speed，failure_code；分别代表数据采集时间、DTU模块编号、负载功率、总有功功率、发电线电压、发电相电压、发电频率、水温值、油温值、转速、错误代码，共十一个发电机参数；将dtu_num列删除并将time作为时间序列识别码；完成删除后，判断每条数据是否存在缺失值，判断完成后对存在缺失值的数据进行处理。

4.根据权利要求1所述的小型发电机故障预测方法，其特征在于，步骤S3中，改进的LSTM网络是通过在的LSTM网络的输入门、输出门、遗忘门三个门控结构中加入本状态和上个状态之间的协方差来加强每条特征各参数之间的关联；并引入Embedding嵌入层对相乘的矩阵做降维处理。