基于深度学习的变压器故障信号识别算法

针对变压器结构复杂、维护成本高等特点,提出一种基于深度学习的变压器故障信号识别算法。首先分析变压器工作状态下的声纹信号并进行二维图像信号的转换,利用VGG16神经网络在图像中的优势,并在此基础上提出一种MCA注意力机制,该注意力机制能够同时保留背景信息和细节信息;其次对VGG16中的最大池化下采样进行优化,采用一种软池化的采样方法,减少图像中最大池化下采样带来的特征损失;最后为避免过拟合现象的发生,将VGG16顶层结构中的激活函数进行优化,引用可以自归一化的SELU激活函数。实验证明,广义S变换是将一维时域信号转换为二维图像信号的最佳选择,所提算法对于6类故障信号的平均识别率达到99.15%。