往复式压缩机是海上石化平台的重要设备。提前预知压缩机是否发生故障,保证其平稳运行,对于工业生产高效率和维护平台人员人身安全具有重要意义。本文以某石油平台三台往复式压缩机的实际采集数据为基础,通过对多维数据进行分析,以数据的时间和空间特征信息融合为整体研究方向,实现压缩机整体运行状态预测与故障诊断。具体研究内容如下:往复式压缩机的多维时序数据具有丰富的时间和空间信息,因此获取数据的时间和空间特征是实现预测与诊断的重要手段。针对如何获取多维数据时空特征问题,结合自注意力对高维特征信息获取的优势,提出了更适用于时间序列处理的递归自注意力机制（Recursive self-attention mechanism）用以实现单列数据的特征信息提取。模型首先将数据在时序上分段后进行局部自注意力计算,其结果通过递归传到下一时段数据信息中,最后经融合门实现特征融合。实验表明,该方法在单列预测中表现良好,适合于局部空间特征提取。为了能够获得更深层次的时空特征,同时考虑压缩机高维大数据的维度特征与时序特征,利用时序模型能够高效获取时间维度信息的优势,将其与注意力机制相融合,提出了Attn-LSTM建模模型策略。该模型将注意力机制和LSTM模型相结合,通过空间注意力计算获取空间特征后,通过时间注意力将不同时段的空间特征结合,最后解码计算得到最后的预测值。实验针对往复式压缩机运行特点设计了相应的健康曲线,并基于Attn-LSTM实现了压缩机运行状态的预测。设计了往复式压缩机健康曲线用以反映压缩机运行状况并将其作为模型的预测输出。最后,综合递归自注意力和Attn-LSTM模型,设计了多段注意力模型（Multi-segment attention-LSTMs,MA-LSTMs）作为最终的预测与诊断模型。该模型首先将数据分为电机、气阀和曲轴三部分数据,利用递归自注意力机制进行各自内部数据特征获取以实现空间局部注意力计算获取数据局部空间信息。通过改进的空间全局注意力实现空间全局特征获取,最后利用Attn-LSTM中的时间注意力操作与解码计算实现压缩机运行状态的预测,同时输出三条局部状态曲线以实现局部健康状态监测。实验结果表明,该模型各方面表现均优于流行的模型,且可预知故障是否发生并判断其发生部位。