SmartARW：一种具备文本识别功能的智能移动工业增强现实（AR）布线装配系统

《COMPUTERS IN INDUSTRY》：SmartARW: A text-aware smart mobile industrial augmented reality (AR) wiring assembly system

振动图像分析技术在变压器绕组状态评估中的应用研究，提出融合并行高效混合注意力机制（PEMAM）的轻量化评估模型。通过改进图像融合框架和识别模块，实现多尺度振动信号图像的高效融合与低计算复杂度特征提取，在保证99.63%识别精度的同时降低参数量。

　　变压器作为电力系统中不可或缺的核心设备，其运行状态直接影响电网的稳定性和安全性。近年来，随着电力需求的增长和绿色能源的发展，变压器行业迅速扩张，然而，变压器内部的绕组故障仍然是导致设备失效的主要原因之一。据统计，绕组故障约占所有变压器故障的40%，而一次变压器故障可能造成数百万美元的经济损失。因此，对变压器绕组机械状态的评估显得尤为重要。传统的评估方法往往依赖于人工检测和物理测试，不仅耗时耗力，而且存在一定的局限性。随着人工智能技术的发展，尤其是深度学习在图像识别领域的广泛应用，振动图像分析逐渐成为一种新兴且有效的评估手段。

振动图像分析技术通过将变压器的振动信号转换为二维图像，利用深度学习模型进行特征提取和分类，从而实现对绕组状态的智能诊断。这种方法具有较强的抗电磁干扰能力和非侵入性，适用于在线监测。然而，现有的振动图像分析方法仍面临一些挑战。首先，单一图像分析往往无法全面反映振动信号的复杂特征，导致识别准确率受限。其次，多尺度分析虽然能够提供更丰富的信息，但通常会增加模型的参数量和计算复杂度，影响实时处理能力。此外，振动信号在转换为图像时可能会引入冗余信息，降低分析效率。因此，如何在保证识别精度的同时，降低模型的复杂度和计算成本，成为当前研究的重点。

为了解决上述问题，本文提出了一种轻量级的变压器绕组状态评估模型，结合了图像融合模块和识别模块。该模型引入了一种名为“并行混合注意力机制”（Parallel Efficient Mixed Attention Mechanism, PEMAM）的创新方法，旨在提升对变压器振动信号的适应能力，同时保持较低的参数量。PEMAM通过优化特征提取过程，显著提高了融合图像的信噪比，并增强了对图像失真和噪声的鲁棒性。此外，该模型还利用了多尺度马尔可夫场图像，这些图像由振动信号的时间域和频率域特征生成，能够提供更全面的信息。通过将这些多尺度图像输入到PEMAM增强的识别模块中，模型能够在保持低复杂度和低计算成本的前提下，实现较高的识别准确率。

实验结果表明，该方法在识别变压器绕组状态方面取得了99.63%的准确率，相较于传统的单一图像分析方法，其在识别精度和处理速度上均有显著提升。同时，该模型在计算资源上的需求较低，适合用于在线监测和实时分析。为了进一步提升模型的性能，本文还探讨了数据质量对评估结果的影响，并提出了一系列数据增强和生成技术，如随机噪声注入、图像镜像和缩放等，以解决小样本、类别不平衡等问题。此外，通过引入生成式人工智能（GAI）技术，模型能够生成更加接近真实场景的振动图像，从而提高识别的泛化能力和准确性。

在模型构建过程中，本文不仅关注网络结构的优化，还注重数据预处理和特征提取的合理性。由于变压器振动信号通常具有周期性，其转换生成的二维图像可能包含大量冗余信息，这会降低模型的处理效率。因此，本文对数据进行了适当的预处理，以减少冗余并提升图像的有效性。同时，为了确保模型的泛化能力，本文还对不同类型的振动图像进行了评估，包括Gramian Angular Difference Field（GADF）、Gramian Angular Summation Field（GASF）、Recurrence Plot（RP）、Continuous Wavelet Transform（CWT）能量图、时频（TF）图像以及Wigner-Ville Distribution（WVD）等。通过比较这些图像的评估指标，如熵（Entropy, EN）和特征分布率（Feature Distribution Ratio, FDR），本文确定了最适合用于融合的图像类型。

本文的研究成果对于提升变压器绕组状态评估的准确性和效率具有重要意义。通过引入PEMAM机制，模型能够在不增加过多计算负担的情况下，更有效地提取振动信号的关键特征。此外，图像融合技术的应用使得模型能够综合多尺度信息，从而提高识别的全面性和可靠性。在实际应用中，该模型可以用于变压器的在线监测，及时发现绕组松动等潜在故障，为电力系统的安全运行提供有力支持。

本研究的创新点主要体现在以下几个方面。首先，PEMAM机制的提出，为变压器振动信号的特征提取提供了一种新的解决方案。该机制不仅提升了模型的适应能力，还有效减少了参数量，使得模型更加轻量化和高效。其次，本文将PEMAM应用于图像融合模块，通过优化融合过程，提高了融合图像的信噪比和抗失真能力，从而增强了模型的识别性能。第三，通过将优化后的特征提取模块与改进的图像融合模块相结合，本文构建了一个综合的变压器绕组状态评估模型，能够在保持低复杂度的同时，实现较高的识别准确率。

此外，本文还对不同类型的振动图像进行了系统性的评估和比较，以确定最佳的融合策略。通过引入EN和FDR两个指标，本文能够更全面地衡量图像的质量和特征分布情况，从而为后续的图像融合提供科学依据。同时，本文也探讨了数据质量对模型性能的影响，并提出了一系列数据增强方法，以解决小样本和类别不平衡的问题。这些方法不仅有助于提升模型的识别能力，还增强了其在实际应用中的适应性和鲁棒性。

综上所述，本文提出的轻量级变压器绕组状态评估模型，结合了图像融合和注意力机制，有效克服了传统方法在准确性和效率方面的不足。该模型不仅能够提供高精度的识别结果，还具备较低的计算成本，适用于实时监测和大规模部署。未来的研究可以进一步探索不同类型的注意力机制在振动图像分析中的应用，以及如何通过更先进的数据生成技术提升模型的泛化能力。此外，还可以考虑将该模型与其他智能诊断技术相结合，形成更加完善的变压器状态评估体系。