基于改进生成对抗网络的变压器声纹故障诊断

为了提高小样本条件下变压器声纹故障诊断的准确率，提出了一种基于梅尔声谱图和改进的Wasserstein生成对抗网络（IW-GAN）的变压器声纹诊断模型。提取变压器声信号的梅尔声谱图，将声谱图输入到IW-GAN中进行样本扩充。其中，IW-GAN使用更具表达能力的Transformer网络，判别器采用满足Lipschitz连续性约束的SN-CNN，从而使IW-GAN能够稳定生成多样性和高质量的样本；将扩充后的数据输入不同的分类器中进行故障分类。实验证明，所提方法在有效扩充变压器故障声纹数据的同时，显著提升了小样本情况下变压器声纹故障诊断的整体性能。该方法对不同分类器的识别准确率均有显著提升，特别是对卷积神经网络分类准确率的提升达到了6.9%。