基于深度学习的泵站干式变压器声纹监测方法研究

魏文政; 王启栋

doi:10.13599/j.cnki.11-5130.2026.07.018

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于深度学习的泵站干式变压器声纹监测方法研究

计量与监测 | 更新时间：2026-07-30

- 基于深度学习的泵站干式变压器声纹监测方法研究
- 基于深度学习的泵站干式变压器声纹监测方法研究
- 水电站机电技术 2026年49卷第7期页码：76-80+96
- 作者机构：
  
  1. 山东省水网运行调度中心
  2. 山东省水网运行调度中心潍坊分中心
- 作者简介：
- 基金信息：
- DOI：10.13599/j.cnki.11-5130.2026.07.018
  中图分类号： TP18;TV675
- 纸质出版：2026
- 稿件说明：
移动端阅览
魏文政, 王启栋. 基于深度学习的泵站干式变压器声纹监测方法研究[J]. 水电站机电技术, 2026,49(7):76-80+96.

魏文政, 王启栋. 基于深度学习的泵站干式变压器声纹监测方法研究[J]. 2026, 49(7): 76-80+96.
魏文政, 王启栋. 基于深度学习的泵站干式变压器声纹监测方法研究[J]. 水电站机电技术, 2026,49(7):76-80+96. DOI： 10.13599/j.cnki.11-5130.2026.07.018.

魏文政, 王启栋. 基于深度学习的泵站干式变压器声纹监测方法研究[J]. 2026, 49(7): 76-80+96. DOI： 10.13599/j.cnki.11-5130.2026.07.018.

摘要

针对泵站干式变压器故障样本稀缺、现场背景噪声复杂等声纹监测难题，本文设计并实现了一套基于深度迁移学习的智能监测与预警系统。方法上，构建了融合一维卷积神经网络与通道注意力机制的深度特征提取模型，直接处理原始声纹时域波形以避免信息损失；引入实验室模拟数据预训练与现场数据微调的两阶段迁移学习策略，有效克服小样本约束。试验上，通过与多种方法的对比验证了所提模型在分类性能与误报控制方面的优势；利用Grad-CAM技术开展多故障、多工况的可解释性分析，揭示了模型决策与变压器物理故障特征的一致性；通过多类型噪声及多信噪比条件下的抗干扰试验，验证了模型对泵站复杂噪声环境的鲁棒性。现场应用表明，系统能够较为准确地识别绕组松动、风机磨损等本体故障并有效区分外部电气扰动，为泵站干式变压器的预测性维护提供了可靠的技术支撑。

Abstract

关键词

Keywords

references

杨志淳,沈煜,杨帆,蔡伟,梁来明.考虑多元因素态势演变的配电变压器迁移学习故障诊断模型[J].电工技术学报,2019(07).

袁建虎,韩涛,唐建,安立周.基于小波时频图和CNN的滚动轴承智能故障诊断方法[J].机械设计与研究,2017(02).

杨帆,张相杰,王鹏博,罗汉武,李昉,李文震.特高压并联电抗器铁芯振动及噪声特征研究[J].高电压技术,2024(02).

闫绘宇,张超.基于Transformer和卷积神经网络的齿轮故障诊断方法[J].机电工程,2024(03).

杨魏华,阮爱国,黄国勇.基于预训练GoogleNet模型和迁移学习的齿轮箱故障检测方法[J].机电工程,2024(02).

张寒,熊云,唐信,王枭.声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法[J].应用声学,2024(01).

武锋利.基于小波变换和深度迁移学习的变压器故障自动化诊断[J].自动化与仪表,2025(02).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

泵站干式变压器声纹监测与分级预警系统的实现与应用

积石峡水电站声纹在线监测系统探讨

基于T-LSTM模型的线路故障诊断方法及迁移性研究

智能可视化在调水工程中的应用探讨

基于迁移学习的小样本水电机组故障诊断实例研究