黄思源1，胡海敏1，李登淑1，宋人杰2，孟  鑫2，虞晓巍2

（1.国网上海市电力公司， 上海 200080；2.上海久隆电力（集团）有限公司, 上海 200436）

摘要：本文作者针对气体绝缘变压器（Gas Insulated Transformer, GIT）中循环离心风机的故障诊断需求，开展其振动特性及运行状态诊断研究。通过对比分析变压器本体与风机的振动频谱特征，

辨识了风机振动信号中源于变压器本体的干扰成分。为解决振动信号非线性、非平稳特性带来的诊断难题，利用基于格拉姆角场（Gramian Angular Field, GAF）与卷积神经网络（Convolutional 

Neural Network, CNN）相结合的故障诊断模型。该方法将一维振动信号转换为二维GAF图像，以充分保留信号的时间依赖性与非线性特征，并结合CNN强大的图像特征提取能力进行故障模式的

智能识别。结果表明，该方法能有效分离风机与变压器的振动特征，并可实现风机运行状态诊断。

关键词：气体绝缘变压器；循环离心风机；振动特性；故障诊断；格拉姆角场；卷积神经网络

中图分类号：ＴＭ４22+.2      文献标识码：Ｂ      文章编号：１００１－８４２５（２０26）10－００23－17

作者简介：

黄思源1992-，女，贵州贵阳人，工程师，主要研究方向为电力系统及其自动化。

胡海敏1979-，男，上海人，高级工程师，主要研究方向为电气工程。