声信号下基于双通道特征融合网络的电抗器故障诊断方法

作     者：孙抗 张浩 杨林 常亮 杨明 SUN Kang;ZHANG Hao;YANG Lin;CHANG Liang;YANG Ming

作者机构：河南理工大学电气工程与自动化学院河南焦作454003 焦作市光源电力集团有限公司河南焦作454150 

出 版 物：《电力系统保护与控制》 (Power System Protection and Control)

年 卷 期：2025年第53卷第1期

页      面：104-113页

核心收录：

学科分类：08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目资助(U1804143) 河南省科技攻关计划项目资助(202102210092) 

主　　题：电抗器 声信号 故障 特征 

摘      要：目前,干式电抗器故障诊断方法主要围绕在基于振动信号的机械故障展开,故障类型单一,并且存在传感器安装困难等问题。为此,搭建了基于声信号下的干式电抗器故障试验平台,设置了多种故障类型。为了提升小样本下故障识别的准确率,提出一种基于双通道特征融合网络的干式电抗器故障诊断方法。首先,采用格拉姆角场(Gramian angle field,GAF)进行编码,将一维时序转化为二维图像。其次,采用双通道并行的CNN-ResNet网络结构,引入高效通道注意力机制(efficient channel attention,ECA)来获取二维关键信息,将二维图像特征与一维时序特征进行深度提取与融合。最后,基于有限元仿真来获取源域数据,采用迁移学习方法来获取目标域最优网络参数。试验对比表明:所提方法相比其他方法有着较强的特征提取能力,能够将故障特征显著分离,在小样本下的故障识别准确率最高可达99.5%,同时具有良好的泛化性和收敛速度。