摘要：【目的】水轮机组运行中可能产生具有非线性、多尺度特性的振动异常等多模态故障信号。传统时序模型难以捕捉长程依赖关系，单模态分析方法无法有效整合异构数据特征。针对上述问题，提出Transformer-格拉姆角场（Gramian Angular Summation Fields，GASF）-递归图（Recurrence Plot，RP）-二维（two-dimensional，2D）-循环神经网络（Gate Recurrent Unit，GRU）的多模态异构图混合特征提取模型，旨在提升故障诊断的可靠性与泛化能力。【方法】首先将水轮机组的时间序列数据转换为2D图像，利用GASF和RP方法提取时序数据的空间特征，构建Transformer模型，同时采用GRU捕捉动态时序特征，并且通过多模态特征融合，将时序特征、图像空间特征以及异构图像特征结合，从而显著提升故障识别的准确性和鲁棒性。【结果】所提方法在水轮机组故障诊断任务中表现出更高的准确率和更强的泛化能力，且在多个测试集上的诊断准确率均达到100%。【结论】所提方法可有效融合时序数据与图像特征，显著增强模型对非线性故障模式的识别能力，并且能够准确捕捉设备的异常状态。
文章目录
0 引言
1 模型流程与原理
1.1 模型框架
1.2 二维格拉姆角场
1.3 二维递归图
1.4 Transformer
2 仿真验证
2.1 混流式水电机组试验验证
2.2转子故障平台验证
3 结论
