基于改进半监督阶梯网络的有载分接开关故障诊断方法

有载分接开关(on-load tap changer,OLTC)是变压器实现有载调压的关键部件,具有复杂的机电结构。基于振动信号的OLTC机械故障诊断目前存在样本标记难度高而难以有效训练的难题。文中提出一种基于贝叶斯优化和卷积算子改进的阶梯网络(Bayesian optimization-convolutional ladder networks,BO-ConvLN),可在少标签情况下提高OLTC机械故障诊断的精度。首先,引入阶梯网络对振动信号进行半监督学习,充分利用大量无标签样本的潜在信息对特征提取过程进行指导,提升少标签情况下阶梯网络的诊断性能。然后,用卷积算子替代阶梯网络中的全连接形式的线性变换,增强阶梯网络对非平稳振动信号的特征提取能力。在此基础上,借助贝叶斯优化对阶梯网络高维超参数进行寻优,在有限时间成本下显著提升了模型的诊断精度。实验结果显示,在仅有40个标签的情况下,对传动卡涩、芯子润滑不足、顶盖松动3类故障的诊断精度达91.67%,证明了BO-ConvLN在故障诊断中的有效性。