融合WGAN与多尺度分析的变压器声纹故障诊断方法

摘要

针对电力变压器声纹振动信号呈强非平稳，以及故障样本稀缺所导致的故障检测难题，提出一种融合压缩采样、多尺度时频分析与Wasserstein生成对抗网络(WGAN)的故障诊断方法。首先，采用改进的Hadamard压缩采样矩阵对高维振动信号进行冗余消除和降维；其次，利用小波包分解提取多频带能量特征，构建表征故障的时频特征集；随后，引入带梯度惩罚机制的WGAN，实现对有限故障样本下声纹特征的稳定建模与数据增强。实验结果表明：所提方法在变压器故障检测中的曲线下面积(AUC)为0.957，分类准确率为98.76%；在实际变电站运行数据中，对四类状态的平均识别准确率为97.63%，验证了其在复杂工况下的有效性与鲁棒性。此外，在40 dB噪声干扰下仍保持91.64%的准确率，并表现出良好的跨场景泛化能力。研究表明，该方法显著提升了故障特征的判别性与系统鲁棒性，为电力变压器在线状态监测与智能诊断提供了有效的技术方案。

关键词

电力变压器 / 声纹振动 / 故障检测 / Wasserstein生成对抗网络(WGAN) / 小波包分解 / 压缩采样 / 数据增强 / 智能诊断