《Engineering Applications of Artificial Intelligence》：Transforming transformer diagnostics: Zero-shot learning powered by symptom descriptions and information fusion
编辑推荐：
•一种用于电力变压器故障诊断的零样本学习框架。•异构特征图使得框架能够处理多样化的故障场景。•故障症状描述有助于实现特征与症状之间的跨域映射。•实验结果表明，该方法在基准数据集上展现出优异的故障诊断性能。引言电力变压器是电网中的关键设备，确保电力在广阔网络中高效、稳定地传输。
- •
一种用于电力变压器故障诊断的零样本学习框架。
- •
异构特征图使得框架能够处理多样化的故障场景。
- •
故障症状描述有助于实现特征与症状之间的跨域映射。
- •
实验结果表明，该方法在基准数据集上展现出优异的故障诊断性能。
引言
电力变压器是电网中的关键设备，确保电力在广阔网络中高效、稳定地传输。其核心功能——电压变换——对于满足发电、输电和配电各环节的不同需求至关重要。然而，变压器在运行中面临多种风险，包括电应力、热退化、机械磨损以及环境影响。这些因素使其容易发生故障，从轻微异常到可能导致电力系统中断并造成重大经济损失的严重失效不等。因此，准确诊断变压器故障的能力对于减少停机时间、降低维护成本并确保电网长期稳定运行具有重要意义。
多年来，变压器故障诊断技术取得了长足进步。早期诊断方法主要基于专家知识、常规检查和基于启发式规则的系统。随着技术的进步，这些方法逐步与数据驱动的方法相结合，例如状态监测系统（Zahra 等，2025；Zhong 等，2023）、振动分析（Jiang 等，2021；Zhao 等，2024）以及红外热成像技术（Darwish 等，2024；Xing 和 He，2024），这些方法为评估变压器健康状态提供了有价值的信息。这些进展无疑提高了故障诊断的效率和可靠性。然而，它们也面临若干局限性。最显著的是，现有方法严重依赖大量带标签的训练数据，并且通常需要预定义的故障类别或模式。在实际应用中，故障数据的可获得性有限，尤其是对于罕见或此前未曾出现的故障类型。这对传统故障诊断系统的适应性和可扩展性提出了重大挑战，特别是在面对训练集中未曾出现的新颖故障场景时。
无法可靠诊断未见过的故障类型并非变压器所独有的问题，而是许多工业故障检测系统普遍存在的固有难题。而零样本学习（ZSL）恰恰为这一问题提供了一条有前景的解决途径。ZSL是一种机器学习范式，它使模型能够从已见类别向未见类别迁移知识，从而无需针对特定故障的带标签示例即可实现故障诊断。ZSL的核心理念在于利用先验知识——无论是来自已遇故障类型的知识还是外部来源——并基于新故障在特征或根本原因方面的相似性来识别未知故障。ZSL在图像识别（Li 等，2022；Wu 等，2024）、自然语言处理（Kocoń 等，2023；Xie 和 Virtanen，2021）以及工业故障检测（Hu 等，2023；Liu 等，2025；Wei 等，2022）等领域受到了越来越多的关注。与传统的有监督诊断不同，基于ZSL的故障诊断方法通常尝试在测量信号与故障类别之间建立可迁移的中间表示（Feng 和 Zhao，2021），例如语义属性、机理知识或生成的辅助表示。例如，Oh 和 Jung（2026）开发了一种用于轴承复合故障诊断的通用ZSL框架，其中构建了类别感知的语义表示来描述单一故障和复合故障状态。该研究表明，语义表示有助于将诊断知识从已见故障组合迁移至未见故障组合。Chu 等（2026）通过引入机理标记和掩码重建来研究变工况柴油机故障的零样本预警，证明机理相关信息在故障样本不可用时仍可支持故障识别。Wang 等（2026）提出了一种基于生成对抗网络和多元属性向量融合的轴承故障零样本迁移学习方法，进一步证明了丰富属性信息在跨故障类别知识迁移中的实用价值。
已有若干研究也探索了与ZSL相关的思想在电力变压器故障诊断中的应用。Li 等（2023）采用经验模态分解和模糊聚类技术建立了变压器状态评估的数字孪生模型，为将信号分解与状态表示相结合应用于变压器诊断提供了一次有益尝试。Lei 等（2024）提出了一种将残差网络与余弦相似度度量相结合的深度ZSL方法，用于检测新型变压器故障类型，证明了通过基于属性的匹配来识别未见变压器故障类别的可行性。在此基础上，本研究提出了一种基于症状的信息融合零样本诊断（SIFZ）框架，其中症状级知识在溶解气体分析（DGA）数据与故障类别之间建立了可解释的桥梁。所提出的症状描述思想建立在类别级属性和语义原型背后的通用语义迁移原理之上，如 TransZero（Chen 等，2022）和 VADS（Hou 等，2024）中所使用的方法。在此基础上，SIFZ进一步将变压器特有的症状学习与DGA信息的异构融合相结合。
与现有主要关注特征到属性的映射或基于相似度的故障匹配的变压器诊断ZSL研究相比，SIFZ将故障症状描述和异构DGA信息融合同时引入零样本诊断过程。具体而言，数据匹配层构建多种气体相关关系，空间和时序分支提取互补特征信息，融合后的异构特征图用于学习DGA特征与症状描述之间的映射。预测出的症状向量再与预定义的故障症状描述进行匹配，从而诊断未见过的故障类型。SIFZ的创新之处不仅在于将症状描述作为可迁移的语义知识加以利用，还在于将症状学习与面向DGA的异构信息融合相结合，用于电力变压器的零样本故障诊断。本文的主要贡献如下：
- (1)
提出了一种基于症状描述的ZSL方法用于电力变压器诊断，仅使用已见故障作为训练数据即可实现对未见故障类型的诊断，从而提升了模型对新故障场景的泛化能力。
- (2)
将变压器特有的故障症状描述（FSD）作为辅助语义信息，用于支持DGA特征表示与故障类型之间的映射。
- (3)
提出了一种统一特征提取与融合方法来处理变压器油中气体数据。该方法利用数据匹配层建立气体浓度之间的关系（比值、乘积、和值与差值），然后将空间和时序特征融合为异构特征图（HFMs），并通过多分支学习器同时处理多种输入类型。该策略增强了特征表示能力并提高了模型在零样本故障诊断中的鲁棒性。
本文的结构安排如下：第2节详细介绍所提出的方法，描述SIFZ框架的关键组成部分。第3节介绍实验设置，包括所提方法与当前先进技术的对比分析。最后，第4节讨论实验结果、得出结论并提出未来研究方向。
章节摘要
整体框架
所提出的基于症状的信息融合零样本诊断（SIFZ）方法包含四个关键模块：信息提取模块、信息融合模块、症状学习与迁移模块以及基于症状的诊断模块。SIFZ的整体工作流程如图1所示。
信息提取模块
变压器故障诊断通常基于DGA进行，通过分析溶解气体浓度的比值来确定故障类型。随着机器学习的
结论
本文提出了一种面向电力变压器故障诊断的新型零样本学习框架（SIFZ），该框架集成了症状描述与信息融合。SIFZ解决了将诊断知识泛化至训练集中未涵盖的故障类型这一难题。通过融合异构特征——时序特征、空间特征和症状相关特征——SIFZ在不同诊断任务中同时提升了准确性和泛化能力。
SIFZ的一个关键特性是其能够利用
CRediT作者贡献声明
Q. Yang：撰写——审阅与编辑，撰写——原稿撰写，监督指导，项目管理，研究方法，资金获取，形式化分析，数据管理，概念构思。Y. Lin：撰写——审阅与编辑，撰写——原稿撰写，可视化，验证，软件实现。J. Ruan：资金获取，概念构思。X. Xue：撰写——审阅与编辑，验证。J. Xie：撰写——审阅与编辑，验证。
利益冲突声明
作者声明，不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
Q. Yang | Y. Lin | J. Ruan | X. Xue | J. Xie
