水电机组作为水电站的最为核心的主设备,其健康程度是水电站确保安全、优质、经济发电与供电的根本保障,决定着水电站的经济效益和社会效益,甚至影响整个电网的安全稳定运行。振动是影响水电机组使用寿命的主要因素,由于水电机组振动信号蕴含着丰富的机组状态信息且较为容易采集,但其影响因素众多,水力、机械、电磁等因素相互耦合,使得对机组振动故障的诊断和趋势预测的有效实施造成了一定的困难。针对上述问题,本文围绕水电机组在振动故障诊断和趋势预测等工程应用中存在的关键问题展开研究,将时频域信号分析方法、注意力机制与卷积神经网络、循环神经网络等深度学习算法相融合,提出了水电机组振动故障诊断和趋势预测方法。所提出的方法对提高故障诊断识别率,提高机组趋势预测精度,改善水电机组运行经济性、安全性、稳定性有重要意义。本文主要内容如下:首先,本文介绍了水电机组信号采集方法,包括传感器的选择,传感器的测点摆放。介绍了时域、频域和时频域信号预处理方法。另外对深度学习理论进行了概述,并介绍了卷积神经网络和循环神经网络的发展历史与原理结构。其次,本文将时频域信号变换法和卷积神经网络（Convolutional Neural Networks,CNN）相结合提出了水电机组振动故障诊断方法,并对其进行改进。CNN包含图像特征提取器,能从图像中自适应地提取特征,因此可将采集到的水电机组原始振动信号,通过时频变换将信号转化为网络所需的时频图像,并作为网络的输入。通过调节网络迭代次数、批量尺寸和卷积核个数等网络超参数,使网络模型识别率达到最优,并对模型进行结构优化和选用理论效果较好的激活函数。最后得出基于时频图的二维卷积神经网络模型与其他模型进行对比试验分析。最后,本文采用注意力机制与长短期记忆网络（Long Short-Term Memory,LSTM）相结合的方法对水电机组运行状态进行预测。首先将数据格式转化为LSTM训练所需的格式,并将其划分为训练集、测试集和验证集。针对水电机组振动数据非线性强的特点,在LSTM模型中引入注意力机制来获取隐含层不同特征向量的权重并进行合理分配,提高趋势预测精度。此外,通过试验选择合适的LSTM预测模型结构、优化算法、隐含层神经元数目等来优化模型。最后通过训练得到该模型,并与其他模型进行对比试验分析。