2025, 52(6):585-595.
DOI: 10.12177/emca.2025.043
摘要:
【目的】为了实现对隔离开关机械故障的高精度识别,提出了一种融合注意力机制的并行混合网络,结合时序与图像特征进行智能诊断的方法。【方法】为充分利用双通道数据的特征信息,时序通道采用双向长短时记忆网络提取振动信号的时域特征,捕捉信号的时间动态变化,充分反映机械故障的时变特征;图像通道通过格拉姆角场将振动信号转换为二维图像,利用极坐标映射保留信号的时间动态特性,然后利用卷积神经网络提取关键图像特征。此外,两通道分别引入自注意力机制和通道注意力机制,能够自适应地调整每个通道的权重,从而突出关键信息,并有效减少特征冗余。【结果】针对GW4-126型隔离开关进行故障模拟试验,采集4种状态下的隔离开关振动信号,将本文所提故障诊断方法与其他5种深度学习模型相比。试验结果表明,本文所提方法的故障识别准确率超过97%,能够精确识别隔离开关的机构卡涩、松动及三相不同期等典型机械故障。【结论】本文提出的并行混合模型通过融合两种不同特征信息,克服了单一通道方法的局限性;通过引入注意力机制,模型能够更好地动态调整权值,突出关键特征,提高故障识别的精度和准确性。该方法为隔离开关的状态识别提供了可靠的理论依据和技术参考,对于未来的故障诊断和设备维护具有重要的应用价值,并为智能电网技术的发展提供了新的思路。