多分支多尺度CNN故障诊断模型

抗噪强、变工况稳

该模型集成多分支输入、多尺度残差学习与注意力融合，无需降噪即可在强噪声和波动工况下保持高诊断准确率，并已成功用于220 kV变压器四类状态识别。

Zhang, Binwen · Jiao, Fei · 仝杰 · 谈元鹏 · Zhang, Zhonghao · Shuang, Lin

CSEE Journal of Power and Energy Systems 2025

技术优势

无需降噪

模型在强噪声和波动工况下仍能保持故障特征区分能力，省去降噪预处理步骤。

收敛快速稳定

在220 kV变压器振动信号诊断中，模型收敛快速且稳定，减少训练时间与调参负担。

小样本可用

通过先在滚动轴承振动公共数据集上测试，模型在故障样本稀缺时仍能学习有效特征。

应用场景

• 电力设备状态监测：直接利用振动信号监测变压器状态，无需停机或拆解。
• 工业预测性维护：提前发现故障隐患，避免非计划停机造成的生产损失。
• 振动信号诊断：从振动信号中提取故障特征，区分不同运行状态。
• 变压器在线监测：在线识别变压器四种状态，辅助运维人员判断健康程度。