关键词:
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。