第４１卷第３期２０２３年３月水电能源科学ＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＰｏｗｅｒＶｏｌ．４１Ｎｏ．３Ｍａｒ．２０２３ＤＯＩ：１０．２００４０／ｊ．ｃｎｋｉ．１０００－７７０９．２０２３．２０２２１１３６基于注意力机制和多传感器信息驱动模型的水轮发电机组故障预测系统谭刚１，杜磊浩１，胡边２，何智成１（１．湖南大学汽车车身先进设计制造国家重点实验室，湖南长沙４１００８２；２．湖南五凌电力科技有限公司，湖南长沙４１０００４）摘要：为满足水轮发电机组在大数据背景下的故障预测需求，结合注意力机制特征提取能力强的特性和多传感器信息驱动可提高模型鲁棒性的优点，提出了一种基于注意力机制和多传感器信息驱动（Ｂｉ－ＧＲＵ－Ａｔｔｅｎｔｉｏｎ）模型的水轮发电机组故障预测系统，并将其应用于湖南省某水电站＃８机组８月在线监测数据中。实际运行结果表明，该系统有效预测了水轮发电机组的振动趋势，实现了水轮发电机的智能预测。关键词：水轮发电机组；深度学习；多传感器驱动；注意力机制；故障预测中图分类号：ＴＶ７３４；ＴＰ２９文献标志码：Ａ文章编号：１０００－７７０９（２０２３）０３－０１９５－０３收稿日期：２０２２－０４－２７，修回日期：２０２２－０６－１２基金项目：湖南省重点研发（２０２０ＧＫ２０９４）；湖南省自然基金面上项目（２０２０ＪＪ４１９６）作者简介：谭刚（１９９８－），男，硕士研究生，研究方向为故障诊断，Ｅ－ｍａｉｌ：９４７６７５６３７＠ｑｑ．ｃｏｍ1引言水轮发电机组作为水电工程建设中重要的动力设备发挥着重要作用，为确保水轮发电机组正常运行，建立一个高效、可靠的水轮发电机组故障预测系统就显得尤为重要。随着人工智能的迅速发展，杜义等［１］采用经验模态分解与多层前馈神经网络集成模型提取非线性空蚀信号特征，对水电机组空蚀故障做出了精准的判断；杨彤等［２］将自适应噪声完备集合模态分解法与ＳＶＭ相结合，有效地识别了水电机组的故障。传统机器学习方法在一定程度上实现了故障的预测功能，但该方法过于依赖专家先验知识去实现高维特征提取处理，以至于步入了“数据多而专家少”的困境，难以满足水轮发电机组在大数据背景下的故障预测需求。而深度学习技术依靠其强大的建模和表征能力，可较好地改善传统机器学习方法的缺陷，在机械设备大数据健康监测中取得了卓越的成果。另外，水轮发电机组作为一个非常复杂的机电液一体化非线性系统，...
