排灌机械工程学报

作者：田祖哲, 郑寓, 周廷鑫, 俞晓东

单位：1. 河海大学水利水电学院, 江苏 南京 210098;2. 水利部产品质量标准研究所, 浙江 杭州 310012

关键词：水电机组,故障诊断,多尺度卷积神经网络,双向门控循环单元,特征变换

基金：江苏省自然科学基金资助项目(BK20240084)从事水电机组故障诊断研究

为准确识别水电机组运行过程中的潜在故障,文中提出了一种基于双模态特征变换、并行多尺度卷积神经网络(parallel multi-scale convolutional neural networks,PMSCNN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)及自注意力机制(self-attention mechanism,SA)的故障诊断模型.首先从机组故障数据的时序特征出发,采用改进马尔可夫转移场(improved Markov transition field,IMTF)与同步压缩小波变换(synchrosqueezed wavelet transform,SWT)将一维时序信号转换为包含时间关联性的双模态图像;然后将双模态图像导入PMSCNN-BiGRU-SA网络进行故障特征的融合、提取与筛选,最终通过Softmax诊断故障类型.采用SK电站实测数据及XJTU-SY轴承数据集验证了文中所提出模型的有效性、先进性和普适性,并与其他方法进行了对比分析.结果表明,文中所提出的故障诊断模型在2组工程应用中分别取得了100.00%与98.75%的准确率,显著优于对比方法,为水电机组故障诊断提供了一种新的技术手段.

来源：2026年第4期

《排灌机械工程学报》期刊编辑部

查看排灌机械工程学报杂志2026年第4期