基于Mel-GADF与ConvNeXt-T的变压器铁心松动故障诊断方法

为解决传统梅尔(Mel)时频谱图对变压器铁心松动程度识别率较低的问题,提出一种基于梅尔-格拉姆角差场(Mel-GADF)时频谱图与ConvNeXt-T网络相结合的变压器铁心松动故障诊断模型。将变压器声纹信号生成Mel时频谱图,同时将原始声纹数据经过格拉姆角场(GAF)变换得到格拉姆角和场(GASF)与GADF这2种时频谱图;生成Mel-GASF与Mel-GADF这2种特征融合的时频谱图来弥补Mel时频谱图的低频缺失问题;将3种时频谱图放入ConvNeXt-T网络进行训练对比,选出效果最佳的诊断模型。以型号为S13-M-200/10的变压器为对象进行空载试验,对不同铁心松动程度下的声纹信号进行分析,分析结果表明,将Mel-GADF作为特征时频谱图结合ConvNeXt-T网络,可将测试集准确率从传统Mel时频谱图的98.273 % 提升至99.500%,提升了1.227个百分点。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。