关键词：GIS设备;缺陷诊断;图谱融合;负载电流自适应;GoogLeNet模型
摘 要：GIS设备机械振动缺陷信号复杂度高，针对负载电流动态变化导致基于振动信号分析的机械缺陷特征提取受限、识别准确度不高的突出问题，本文首先采用马尔科夫转移场、谱马尔可夫转移场、短时傅里叶变换法将一维时序振动信号依次转化为时域、频域、时频域振动图谱，采用多图谱融合方法将此三张振动图谱的特征信息进行融合，有效降低了数据处理复杂度；然后，采用自适应批量标准化算法改进GoogLeNet神经网络，构建了以融合图谱为输入的GIS机械缺陷负载电流自适应诊断模型，变负载电流下改进模型对典型机械缺陷具有高诊断准确度，平均诊断准确率为91.21%，相较未改进GoogLeNet模型的诊断准确率提高了28.14%，为现场负载电流动态变化下GIS设备机械振动缺陷诊断提供了有价值参考。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取