基于时频扩散模型与ConvNeXt-1D的电力变压器绕组故障诊断方法

《Applied Sciences》：Power Transformer Winding Fault Diagnosis Method Based on Time–Frequency Diffusion Model and ConvNeXt-1D Yulong Yang and Xiangli Deng

　　

摘要：为应对变压器绕组故障样本不足以及异构多源数据有效融合的挑战，本研究提出了一种基于时频扩散模型（diffusion model）与ConvNeXt-1D的智能故障诊断方法。首先，利用时频扩散模型对原始信号进行数据增强。通过前向噪声注入与反向去噪过程，对有限的时间序列样本进行扩增。通过交替施加时域噪声添加与频域模糊处理，在时频域内对信号进行联合增强，从而提升样本多样性与特征表征能力。随后，构建ConvNeXt-1D网络用于多尺度特征提取与故障分类，并引入注意力机制（attention mechanism）以高效融合多源特征，实现精确故障识别。最后，采用动态模型实验对所提方法进行验证。结果表明，在匝间短路、绕组变形和电弧放电等典型故障条件下，所提方法实现了99.23 ± 0.29%的诊断准确率。与其他经典模型相比，该方法在小样本数据条件下表现出更强的分类能力与更高的稳定性。

该论文发表于《Applied Sciences》，聚焦于电力变压器绕组故障智能诊断中的两个关键瓶颈：其一，实际工程场景下故障样本稀缺，尤其是典型绕组故障如匝间短路、轴向变形与电弧放电难以大规模获取，导致深度学习模型训练不足、泛化能力受限；其二，变压器在线监测通常涉及振动、超声与漏磁等多源异构信号，不同信号在形成机理、时间尺度以及频域特征上差异显著，传统方法难以充分挖掘其深层关联与互补信息。以往基于机器学习的方法较依赖人工构造特征和先验经验，在复杂运行工况及噪声干扰下鲁棒性不足；而常见生成模型如生成对抗网络（GAN）和变分自编码器（VAE）在小样本故障生成任务中又分别面临训练不稳定、模式坍塌或生成结果过于平滑的问题。因此，研究人员开展本研究，旨在构建一种兼顾高质量样本扩增、多源特征融合和端到端故障识别的诊断框架，以提升变压器健康状态诊断在复杂工业环境中的准确性与稳定性。

围绕上述问题，研究人员提出了基于时频扩散模型（time–frequency diffusion model）和ConvNeXt-1D的变压器绕组故障诊断框架。该框架一方面利用扩散模型（diffusion model）稳定的前向加噪—反向去噪机制实现样本生成，另一方面针对一维时间序列信号构建改进型ConvNeXt-1D网络，并结合自注意力机制（self-attention mechanism）实现多源信号自适应融合。研究结果显示，在典型故障工况下，该方法具有优异的诊断性能。5折交叉验证结果表明，模型平均准确率达到99.23%，标准差为0.29%；在同一数据集上，相比传统卷积神经网络（CNN）、门控循环单元（GRU）、时序卷积网络（TCN）与深度残差收缩网络（DRSN），所提模型取得最高识别精度，说明其在小样本条件下具备更强的分类能力、稳定性和泛化性能。论文的重要意义在于，将时频联合扩散生成策略、多分支一维卷积特征提取以及多源自注意力融合统一到同一故障诊断框架中，为变压器在线状态监测和预测性维护提供了新的技术路径。

在技术方法上，研究人员主要采用了以下关键方法：其一，基于动态模型实验平台采集三类信号，包括漏磁、振动和超声信号，样本来源于三相三柱芯式变压器动态实验系统；其二，对振动与超声信号分别训练时频扩散生成模型，以时域加噪和频域模糊交替扩散的方式进行数据增强，对漏磁信号则基于ANSYS 2021 R2建立1:1三维有限元仿真模型进行补充扩增；其三，构建多分支ConvNeXt-1D网络分别提取三类一维信号特征，并通过自注意力模块进行跨源自适应融合，最终完成五类运行状态识别。

一、Diffusion Model
论文首先系统阐述了去噪扩散概率模型（Denoising Diffusion Probabilistic Model，DDPM）的基本原理。研究人员指出，DDPM包括前向扩散与反向去噪两个过程。前向过程中，模型依据噪声调度参数??_t逐步向干净样本注入高斯噪声，使数据分布逐步逼近各向同性高斯分布；反向过程中，则通过可学习的神经网络近似后验分布，在各时间步逐步恢复原始信号。该部分的作用在于为后续时频扩散建模提供理论基础。论文还给出了噪声预测型训练目标，即最小化真实噪声与预测噪声之间的均方误差（MSE），说明其训练稳定且具备较高可扩展性。

二、ConvNeXt Model
在网络结构基础方面，论文总结了ConvNeXt模型的主要设计思想。研究人员说明，ConvNeXt综合了残差网络（ResNet）和Swin Transformer的若干优点，通过大卷积核、深度可分离卷积（depthwise separable convolution）、倒置瓶颈结构（inverted bottleneck）、层归一化（Layer Normalization）以及GELU激活函数等改进，增强了特征建模能力并降低了计算代价。该部分并非直接用于二维图像任务复现，而是作为后续构建一维时序版本ConvNeXt-1D的结构依据，表明研究人员希望在不进行信号成像转换的前提下直接处理原始一维故障信号，以避免时间信息损失。

三、Time–Frequency Diffusion Model
这是全文方法创新的核心之一。研究人员认为，传统扩散模型更多关注时域或空间域，而变压器故障信号中频域信息同样包含重要诊断特征，如谐波成分与特征频带。为此，论文将常规去噪扩散扩展到联合时频域，提出时频扩散框架。在前向扩散过程中，每一步先对信号进行傅里叶变换，再施加高斯卷积核实现频域模糊，以削弱谱结构信息；随后将模糊后的频谱逆变换回时域，并继续叠加高斯噪声，实现时域与频域的双重扰动。研究人员进一步利用卷积定理对该过程进行了简化推导，得到可在任意时间步高效采样的表达形式。通过这一设计，模型不仅破坏并重建信号的时间结构，也同步建模频谱细节，从而生成更具多样性、且更贴近真实故障分布的扩增样本。

四、Training of the Generative Model
在生成模型训练部分，研究人员说明了为何需要专门的数据增强策略。由于原始运行信号具有较强周期性，若直接按时间顺序划分训练集与测试集，模型容易学习时间位置相关的伪相关性，而非真实故障特征。此外，真实故障数据严重不足，正常样本与故障样本分布不平衡，也会削弱模型训练效果。针对这一问题，论文采用时频扩散模型对振动和超声信号分别进行样本扩增。生成网络采用U-Net结构，包含7级下采样和对应上采样路径，中间通过跳跃连接（skip connection）实现特征传递与融合；每级由两层Conv1D组成，并结合层归一化和残差连接以提高训练稳定性。网络输入为带噪信号及对应时间步的噪声方差，噪声方差通过正弦嵌入（sinusoidal embedding）映射到高维空间并通过Lambda层融合，以增强网络对不同扩散步长的感知能力。扩散调度采用余弦形式，使信噪比在扩散初末阶段变化更加平滑，有利于训练稳定。论文还指出，在一维信号场景中，核Inception距离（KID）和指数滑动平均（EMA）并不具备明显优势，因此采用MSE作为训练评价与优化目标，以兼顾数学一致性、优化稳定性、细节保持和计算效率。

五、ConvNeXt-1D Training Model
在判别模型部分，研究人员构建了适用于一维时间序列的ConvNeXt-1D。该模型遵循ConvNeXt设计理念，将四个阶段的堆叠块数设置为（1，1，3，1），保留卷积核尺寸7以扩大感受野并捕获长程时间依赖。模型采用AdamW优化器和warm-up学习率策略，提高训练初期稳定性；同时引入Scale Layer，通过可学习残差缩放因子gamma调节不同通道的响应强度，增强关键信息敏感性。针对多源信号异质性问题，论文为振动、超声和漏磁分别构建独立的ConvNeXt-1D特征提取分支，使每种信号都能在符合自身统计特性的路径中完成逐层抽象。随后，将不同分支的高维特征拼接并输入自注意力模块，通过Query、Key、Value之间的相关性计算实现跨源特征建模与权重自适应分配。该结果表明，模型可以根据不同故障类别自动突出更具判别力的信号来源，提升复杂故障识别的鲁棒性。

六、Fault Diagnosis Procedure
论文进一步给出了完整故障诊断流程。研究人员首先通过传感器按统一时间窗口采集漏磁、振动和超声信号，并根据模型输入要求对三类信号分别预处理，通过上采样或下采样对样本长度进行对齐。随后，数据被划分为训练集和测试集。训练阶段利用时频扩散模型生成扩增后的振动与超声样本，同时借助变压器仿真模型补充漏磁样本，形成平衡扩展数据集；之后将多源样本输入ConvNeXt-1D与自注意力融合网络完成故障分类；最后基于测试集验证样本生成和故障诊断的有效性，并进行可视化分析。

七、Experimental Platform
为验证方法有效性，研究人员在动态模型实验室搭建了实验平台。实验系统由变压器控制柜、三相三柱芯式变压器、负载箱及保护测量装置组成。实验变压器额定电压为1 kV，额定容量为50 kVA，额定电压比为1/0.4 kV，绕组匝数比为201/139，额定频率为50 Hz，接线组别为Ynd11。平台能够模拟三类典型高压绕组故障：高压绕组电弧故障、高压绕组匝间短路故障和高压绕组轴向变形故障。信号采集系统包括磁光传感器、压电加速度传感器和超声传感器，其中漏磁采样频率为1600 Hz，振动测量频率范围为0–10 kHz，超声测量频率范围为15–70 kHz，示波器通道采样频率为1 GHz。该实验平台为多源故障信号获取和后续模型验证提供了可靠基础。

八、Experimental Data Processing
在数据处理方面，论文设置了5种运行状态：正常运行、中部绕组匝间短路、下部绕组匝间短路、绕组轴向压缩变形和绕组电弧放电。每种状态构建560组样本，共2800组数据，并按照7:1.5:1.5划分训练集、验证集和测试集，其中测试集包含420组样本。每个样本包含三组时序信息：上、中、下三个位置的漏磁信号、一组振动信号和一组超声信号，统一预处理后每段长度均为2048个采样点。对于故障样本不足的问题，振动和超声样本通过时频扩散模型扩增，而漏磁信号则通过基于ANSYS 2021 R2建立的三维有限元模型进行补充。研究人员还将仿真得到的三个测点径向漏磁幅值与实验测量结果进行对比，发现变化趋势一致，三条曲线各采样点平均误差分别为5.96%、11.93%和7.12%，总体平均误差为8.33%，说明该仿真模型具备较高精度，可用于漏磁训练样本扩展。

九、Experimental Results Analysis
实验结果表明，所提模型具有优异的训练收敛性和分类性能。训练时批大小设为32，训练轮数为50，初始学习率为5 × 10^?4，前10%轮次采用warm-up策略，主训练阶段使用Reduce LR On Plateau调节学习率，损失函数为分类交叉熵。模型采用大核卷积设计，特征通道数从32逐步增加到256，结合Layer Normalization和DropPath以提升稳定性并抑制过拟合。结果显示，验证准确率在第21轮后接近100%并趋于稳定，验证损失在第28轮后基本无显著波动；最终训练集准确率为99.75%，验证集准确率为99.13%，平均准确率为99.44%。5折交叉验证平均准确率为99.23%，标准差仅0.29%，表明模型具有较强稳定性与可靠性。

研究人员进一步利用t-SNE对特征分布进行可视化分析。结果显示，原始输入特征在低维空间中存在明显类别重叠，而经过模型学习后，不同故障类别在低维嵌入空间中的边界明显分离，类内聚集性增强，说明模型有效提取了关键判别特征并提升了类别可分性。混淆矩阵结果进一步表明，单一信号源网络的诊断能力有限，仅依赖振动或超声信号时对部分故障类别区分不足；采用多源融合后，大多数样本均被正确分类，仅保留少量误判，表明多源互补显著增强了诊断性能。

十、Sensor Weight Analysis
为评估不同信号源对各类故障的贡献，研究人员对自注意力分支中的传感器权重进行了可视化。结果表明，在所有类别样本中，漏磁传感器普遍具有最高权重，振动传感器权重通常高于超声传感器，说明漏磁信号在绕组故障监测中总体更敏感。但不同故障类型下权重分布存在明显差异：在绕组变形检测中，振动传感器权重最高；在放电类故障检测中，超声传感器权重最高。这一结果说明自注意力机制能够根据故障特征差异自适应调整多源信息贡献，验证了多源融合设计的合理性。

十一、Comparison with Different Models and Data Composition Analysis
在与不同算法模型比较时，所提方法优于CNN、GRU、TCN和DRSN。论文给出的结果显示，CNN准确率为92.64%，GRU为96.68%，TCN为97.08%，DRSN为95.45%，而所提模型达到99.29%。这说明该方法在保持计算效率的同时，更有效地融合了一维时序故障诊断中的局部与全局特征。进一步地，研究人员考察了不同真实样本比例对诊断效果的影响。在保持训练样本总量不变的情况下，逐步减少真实样本比例后，模型准确率虽有所下降，但下降趋势平缓，且始终保持在90%以上；若将生成样本替换为简单加噪样本，准确率则显著降低。该结果直接证明，时频扩散生成样本相较于简单噪声注入更能保持故障特征一致性，对小样本诊断性能提升具有实质作用。

十二、讨论总结
综合全文，论文的核心价值在于构建了一个面向小样本、多源异构信号场景的变压器绕组故障诊断新框架。研究人员通过时频扩散建模弥补了真实故障样本不足的问题，并借助面向一维时序信号优化的ConvNeXt-1D以及自注意力融合机制，实现了多源信息的高效协同表征。实验结果显示，该框架在动态模型实验数据上取得了高精度、高稳定性的故障识别效果，体现出较强工程应用潜力。与此同时，论文也指出，该方法性能仍受传感器布置位置和运行条件一致性等因素影响，且整体方法偏数据驱动，可解释性仍有提升空间；此外，扩散模型生成过程计算量较大，对硬件资源要求较高。未来研究将进一步面向复杂工况开展验证，并考虑引入物理机理模型，以提升诊断结果的可解释性与可靠性。

结论翻译：本研究提出的基于时频扩散模型与ConvNeXt-1D的变压器绕组故障诊断方法，在多种故障工况下实现了较高的诊断准确率和稳定的识别性能，验证了该方法的有效性。具体而言，考虑到变压器监测信号主要为一维时间序列，研究人员构建了端到端的ConvNeXt-1D模型，采用多分支结构分别提取振动、超声和漏磁信号特征，并引入自注意力机制实现跨信号源自适应融合，充分挖掘多源信号间的互补信息，从而增强特征表征能力和故障判别性能。研究还将基于扩散的生成模型创新性地引入变压器故障诊断中，提出时频扩散生成策略，通过交替执行时域噪声注入与频域模糊操作，实现联合时频建模，在保持故障特征分布一致性的同时有效扩增有限训练数据，从而提升模型泛化能力。此外，论文提出了生成建模与判别网络之间的协同优化机制，扩散生成数据增强了数据分布表达能力，并与多分支ConvNeXt-1D特征提取及基于自注意力的自适应融合相结合，使数据增强与网络结构形成互补优势，从而在有限样本和多源信号条件下获得更高诊断精度和更稳定识别性能。本研究为变压器绕组故障诊断提供了新的技术路径，其高诊断精度和强泛化能力对于变压器在线状态监测和预测性维护具有实际工程价值。但需要注意的是，所提方法性能仍受传感器布置和运行工况一致性等因素影响，整体框架主要为数据驱动，可解释性仍有待提高；同时，扩散模型生成数据需要较大计算量，对硬件条件提出了较高要求。未来工作将聚焦于复杂运行工况下的进一步验证，并结合物理机理模型提升诊断结果的可解释性与可靠性。