一种结合多尺度图像融合和改进注意力机制的轻型变压器绕组状态评估方法

《COMPUTERS IN INDUSTRY》：A lightweight transformer winding condition assessment method with multi-scale image fusion and an improved attention mechanism

本研究提出一种基于轻量级并行混合注意力机制（PEMAM）的变压器绕组振动图像融合与识别方法，有效提升多尺度融合图像的信噪比和抗干扰能力，实现绕组状态识别准确率达99.63%，同时降低计算复杂度。

　　变压器作为电力系统中不可或缺的关键设备，其运行状态直接影响电网的稳定性和安全性。近年来，随着用户对电力系统运行效率的要求不断提高，以及全球范围内对绿色能源的重视，变压器行业迅速发展。然而，变压器仍然属于电力系统中最容易发生故障的部件之一，其中绕组故障占总故障的约40%。绕组的松动、变形等问题可能导致短路耐受能力下降，从而引发严重事故。因此，对变压器绕组机械状态的评估具有重要的现实意义。

在变压器状态评估中，振动信号分析作为一种在线诊断技术，因其对电磁干扰的强抗性和非侵入性，受到了广泛关注。通过将振动信号转换为二维图像，可以利用深度学习技术进行更高效、更准确的分析。这一方法不仅简化了特征提取过程，还提升了模型的整体性能。然而，传统的图像分析方法存在一定的局限性，尤其是在处理多尺度图像时，计算复杂度较高，影响了实时分析的效率。因此，研究者们开始探索更轻量化的图像融合技术，以提高分析速度，同时保持较高的识别精度。

本研究提出了一种轻量化的变压器绕组状态评估模型，该模型结合了图像融合模块和识别模块，旨在解决单一图像分析精度不足以及多尺度分析计算复杂度高的问题。模型的核心是平行混合注意力机制（PEMAM），这是一种改进的注意力机制，能够增强对变压器振动信号的适应能力，同时保持较低的参数数量。通过引入PEMAM，模型在图像融合框架中实现了更高效的特征提取，显著提高了信号的信噪比，并增强了对融合图像中噪声和干扰的抵抗能力。

为了进一步提高图像分析的准确性，本研究还引入了多尺度马尔可夫场图像。这些图像通过振动信号的时间域和频率域特征生成，然后被输入到PEMAM增强的识别模块中进行分析。实验结果表明，该方法在识别变压器绕组状态方面达到了99.63%的准确率，同时保持了较低的模型复杂度和计算成本。这为变压器状态的实时监测和故障预警提供了新的技术路径。

在图像融合过程中，传统的多尺度图像融合方法主要依赖于空间域或变换域的处理技术。然而，这些方法在处理多尺度图像时存在一定的缺陷。例如，空间域分析可能会导致拼接点处的边缘信息丢失，而变换域分析则可能受到具体应用场景的限制。因此，近年来的研究开始尝试将卷积神经网络（CNN）引入多尺度图像融合，以提高融合效果并增强模型的泛化能力。然而，这种方法仍然面临计算复杂度高的问题，尤其是在处理大量数据时，需要更高效的算法和结构。

针对上述问题，本研究提出了一种轻量化的注意力机制，用于优化图像融合过程。该机制能够帮助模型更有效地提取关键特征，减少对冗余信息的依赖，从而提高分析效率。在变压器振动信号分析中，由于信号具有周期性，生成的二维图像往往包含大量冗余信息。这种冗余信息不仅增加了计算负担，还可能导致模型在分析过程中过度关注不重要的特征，从而影响识别精度。因此，引入轻量化的注意力机制对于提高分析效率具有重要意义。

除了网络架构的优化，数据质量也是影响模型性能的关键因素之一。在故障诊断中，常见的数据问题包括样本数量不足、类别不平衡以及模型泛化能力有限。为了解决这些问题，研究者们提出了多种数据增强方法，包括随机技术（如噪声注入、镜像、缩放）和生成人工智能（GAI）方法。近年来，基于GAI的数据生成和增强技术显示出巨大的潜力，但生成高度可靠且能够真实反映实际场景的数据仍然是一个挑战。幸运的是，大型变压器通常在固定的环境中运行，其振动信号主要受到机械状态的影响。因此，本研究的数据来源于制造商直接测量的故障信号，从而避免了样本不平衡的问题。

在数据质量方面，110千伏变压器的振动信号在转换为二维图像时，其有效频率谱具有高度离散性，导致图像的信息含量相对较低。因此，适当的预处理对于数据增强至关重要。本研究在图像生成过程中，采用了多种图像表示方法，包括Gramian Angular Difference Field（GADF）、Gramian Angular Summation Field（GASF）、Recurrence Plot（RP）、Continuous Wavelet Transform（CWT）能量图、时间-频率（TF）图像以及Wigner-Ville Distribution（WVD）。通过对比这些图像的特征提取能力和融合效果，研究者们可以更好地选择适合的图像表示方法，并优化图像融合过程。

为了评估各种图像的性能，本研究引入了两个关键指标：EN（能量）和FDR（故障检测率）。这两个指标能够帮助研究者们判断哪些图像更适合用于分析和融合。通过实验，研究者们发现，多尺度图像相比单一图像提供了更丰富的信息，但同时也增加了计算复杂度。因此，如何在保持信息完整性的同时，降低计算负担，是本研究的重点。

本研究的主要贡献包括以下几个方面：首先，提出了改进的平行混合注意力机制（PEMAM），该机制能够提高对变压器振动信号的适应能力，同时保持较低的参数数量。其次，将PEMAM引入到基于图像融合的卷积神经网络（IFCNN）中，以提高多尺度图像的融合效果，使融合图像能够实现更高的信噪比和更强的抗干扰能力。最后，通过优化评估模块的特征提取组件，并将其与改进的融合模块相结合，构建了一个轻量化的变压器绕组状态评估模型，该模型在保持较高识别精度的同时，显著降低了计算复杂度和资源消耗。

为了提高研究的清晰度和可读性，本文的结构安排如下：第一部分介绍了变压器振动分析中使用图像识别方法的基本原理和应用现状；第二部分探讨了变压器振动的生成机制和数据采集过程；第三部分提出了本研究的识别框架，包括图像融合和特征提取的具体方法；第四部分讨论了各种模块和模型的性能，以及与其他方法的对比分析；第五部分总结了本研究的主要成果，提出了未来研究的方向和潜在改进点。

在图像融合过程中，马尔可夫转移场（MTF）作为一种重要的图像表示方法，被广泛应用于振动信号分析。MTF通过数据重建技术和马尔可夫转移概率，将时间序列信号转换为时间-频率图像表示，同时保留完整的时域信息。这一方法能够有效地捕捉振动信号中的关键特征，并为后续的分析提供更加丰富的数据支持。

此外，本研究还强调了图像选择和融合过程中的关键问题。由于变压器振动信号具有周期性，其生成的二维图像往往包含大量冗余信息。这些冗余信息可能会降低模型的处理效率，甚至影响识别精度。因此，如何在保持信息完整性的同时，减少冗余信息的干扰，是本研究需要解决的重要问题之一。通过引入轻量化的注意力机制，研究者们能够更有效地提取关键特征，减少对冗余信息的依赖，从而提高分析效率。

在实验部分，研究者们对各种图像的性能进行了详细评估，并通过对比分析验证了所提出方法的有效性。实验结果表明，所提出的方法在识别变压器绕组状态方面达到了较高的准确率，同时保持了较低的计算复杂度和模型参数数量。这一结果为变压器状态评估提供了新的思路，并为未来的在线监测和故障预警系统奠定了基础。

总的来说，本研究通过引入轻量化的注意力机制和多尺度图像融合技术，构建了一个高效的变压器绕组状态评估模型。该模型不仅能够提高识别精度，还能显著降低计算复杂度和资源消耗，为变压器的实时监测和维护提供了有力的技术支持。未来的研究可以进一步探索如何优化注意力机制，提高图像融合的效率，并结合更多的数据增强技术，以提高模型的泛化能力和鲁棒性。