基于多源特征信息融合的油浸式變壓器故障智能診斷模型

李騰飛，郝玉杰，袁 方，孫 鍇，馬 晶，劉 俊，彭 鑫

(1.國網(wǎng)陜西省電力有限公司超高壓公司，陜西 西安 710000；2.西安交通大學(xué)電氣工程學(xué)院，陜西 西安 710049)

1 引言

電力變壓器是電力系統(tǒng)能量傳輸和轉(zhuǎn)換中應(yīng)用最廣泛的核心設(shè)備之一，其運(yùn)行的健康狀態(tài)密切關(guān)系著系統(tǒng)的安全可靠運(yùn)行[1]。然而變壓器在運(yùn)行過程中，由于繞組變形、主絕緣老化等原因可能會(huì)發(fā)生故障。近年來，變壓器故障引發(fā)的事故時(shí)有發(fā)生，如：2019年特高壓泉城站變壓器發(fā)生爆燃引起火災(zāi)及人員傷亡、2019年昭沂直流±800 kV輸電工程沂南換流站極II低端Y/Y-C相換流變壓器故障著火等。因此，如何有效進(jìn)行變壓器的故障診斷是目前國內(nèi)外亟待解決的問題。

油浸式變壓器在發(fā)生故障時(shí)，由于變壓器油的分解、固體絕緣材料的分解以及一些其他原因[2]，會(huì)分解產(chǎn)生一些氣體，如：氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)等。基于對(duì)上述氣體進(jìn)行成分分析形成的油中溶解氣體分析法(Dissolved Gases Analysis，DGA)是常用的變壓器故障診斷手段。近年來，基于DGA已形成多種變壓器故障診斷方法，如大衛(wèi)三角法[3]、改良三比值法[4]等。但上述方法都存在信息來源單一、編碼邊界過于絕對(duì)等問題，易出現(xiàn)誤診斷的情況。

近年來，人工智能技術(shù)快速發(fā)展，越來越多學(xué)者將神經(jīng)網(wǎng)絡(luò)[5-7]、貝葉斯網(wǎng)絡(luò)[8，9]、支持向量機(jī)[10-13]等機(jī)器學(xué)習(xí)算法運(yùn)用到變壓器故障診斷中，并取得了不錯(cuò)的效果。文獻(xiàn)[14]利用卡方檢驗(yàn)篩選重要特征氣體、剔除冗余氣體，然后采用不同學(xué)習(xí)器進(jìn)行診斷分析，得到最優(yōu)分類器和最佳特征氣體組合。文獻(xiàn)[15]利用仿真得到的電氣量模擬變壓器的故障特征，利用小波分析提取電氣量的頻域故障特征并進(jìn)行信息融合，最終采用反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。文獻(xiàn)[16]在對(duì)比后選擇最優(yōu)的診斷算法進(jìn)行特征子集選擇，利用診斷算法和特征子集訓(xùn)練多個(gè)模型，最終在模型間進(jìn)行選擇性融合。文獻(xiàn)[17]以歸一化后的DGA數(shù)據(jù)建立了基于XGBoost的故障診斷模型,并采用遺傳算法對(duì)模型中的多個(gè)超參數(shù)同時(shí)進(jìn)行優(yōu)化。文獻(xiàn)[18]利用DBSCAN聚類算法建立了變壓器故障診斷模型,將DGA數(shù)據(jù)作為模型的輸入得到多種故障的典型聚類簇并進(jìn)行驗(yàn)證。文獻(xiàn)[19]使用托梅克鏈接移除和自適應(yīng)樣本合成的方法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，隨后建立了多種類型的SVM模型進(jìn)行對(duì)比分析。

然而，以上研究都只是利用來源單一的信息對(duì)變壓器故障進(jìn)行分類，而變壓器又存在較為繁雜的故障機(jī)理，僅僅依靠油中溶解氣體等單一信息無法在宏觀上體現(xiàn)變壓器的所有故障[20]。為此，本文提出一種基于多源信息融合技術(shù)[21]和卷積神經(jīng)網(wǎng)絡(luò)[22]的油浸式變壓器故障智能診斷模型。

2 多源信息數(shù)據(jù)預(yù)處理

本文通過西北某省檢修公司獲取到大量的油浸式變壓器故障匯編案例和數(shù)據(jù)，經(jīng)整理得到一個(gè)包含油色譜分析、高壓套管紅外檢測圖譜、放電超聲波檢測圖譜以及特高頻局部放電檢測圖譜的多源異構(gòu)信息變壓器故障數(shù)據(jù)集。

2.1 高壓套管紅外檢測圖譜

紅外熱像(Infra-Red，IR)技術(shù)廣泛用于工業(yè)檢測領(lǐng)域，近年來，已逐漸成為電力設(shè)備監(jiān)測、普查、及時(shí)發(fā)現(xiàn)隱患、及時(shí)搶修、杜絕惡性突發(fā)性設(shè)備事故的一種手段[23]。

物體的溫度變化會(huì)引起輻射能量變化，故被測目標(biāo)的溫度可以通過圖像信號(hào)幅度計(jì)算得出，紅外測溫儀的探測器輸出圖像信息信號(hào)的幅度US表達(dá)式為：

(1)

在一定范圍內(nèi)，k1為一常數(shù)，由系統(tǒng)增益決定；F(T)由黑體的溫度決定。如此，就可以將溫度信號(hào)轉(zhuǎn)變?yōu)殡娦盘?hào)，通過電信號(hào)的幅值大小判斷物體表面的溫度高低，進(jìn)而繪制紅外圖像。根據(jù)顏色的亮暗可以判斷變壓器套管的溫度分布，越亮的圖片整體溫度越高，變壓器發(fā)生過熱故障的概率也越大。

2.2 放電超聲波檢測圖譜

電力設(shè)備內(nèi)部產(chǎn)生局部放電時(shí)，同時(shí)產(chǎn)生沖擊的振動(dòng)機(jī)械波。放電超聲波(Acoustic Emission，AE)檢測法通過在設(shè)備腔體外壁上安裝超聲波傳感器來測量局部放電信號(hào)[24]。

局部放電產(chǎn)生的聲強(qiáng)與放電釋放的能量成比例，如下所示：

I=μE

(2)

式中，I為聲強(qiáng)；E為放電能量；μ為比例系數(shù)。

若不考慮空氣密度和聲速的變化，聲強(qiáng)I與聲壓P有如下關(guān)系：

(3)

式中，ρ為空氣密度；υ為聲速。

根據(jù)式(2)、式(3)可知，通過測量超聲波聲壓信號(hào)的大小，可以推測出局部放電的強(qiáng)弱，進(jìn)而能夠繪制如圖1(b)所示超聲波檢測圖譜。根據(jù)波形的幅值大小可以判斷變壓器內(nèi)部放電的強(qiáng)弱，幅值越大，則變壓器發(fā)生高能放電的概率也越大。

2.3 特高頻局部放電檢測圖譜

特高頻(Ultra-High Frequency，UHF)法檢測技術(shù)具有頻段高、抗干擾能力強(qiáng)、檢測靈敏度高等優(yōu)點(diǎn)，可用于電力設(shè)備局部放電類缺陷的檢測、定位和故障類型識(shí)別等[24]。

UHF檢測法利用特高頻傳感器對(duì)電力設(shè)備中局部放電所產(chǎn)生的電磁波信號(hào)進(jìn)行檢測，進(jìn)而推斷出局部放電的位點(diǎn)和放電強(qiáng)弱。該方法可有效抑制背景噪聲，如空氣中電暈產(chǎn)生的電磁波干擾噪聲。

如圖1(c)所示的局部放電脈沖相位分布(Phase Resolved Partial Discharge，PRPD)圖譜，橫軸表示局部放電的相位信息，縱軸表示幅值，放電的密度用平面圖上點(diǎn)的顏色深淺來表示。通過PRPD可直觀地觀測出信號(hào)的相位變化、幅值變化、放電密度等參數(shù)，放電位點(diǎn)越多，則說明變壓器發(fā)生局部放電的可能性越大。

對(duì)于以上四類來自不同信息源的數(shù)據(jù)，分別進(jìn)行以下處理：對(duì)于DGA數(shù)據(jù)，其屬于數(shù)值型數(shù)據(jù)，可參考行業(yè)標(biāo)準(zhǔn)[2]，選擇H2、CH4、C2H6、C2H4以及C2H2這5類特征氣體的絕對(duì)含量，歸一化后作為輸入信息；另外三類數(shù)據(jù)均屬于圖像型數(shù)據(jù)，對(duì)于IR數(shù)據(jù)，為了避免對(duì)樣本圖片進(jìn)行復(fù)雜且無必要的整體性識(shí)別，將RGB+alpha四通道彩色圖片轉(zhuǎn)變成單通道的灰度圖，并分割出同等大小、只包含高壓套管的部分作為IR圖像數(shù)據(jù)的輸入信息，如圖1(a)所示；對(duì)于AE數(shù)據(jù)，為了避免圖片坐標(biāo)區(qū)周圍的無用信息產(chǎn)生干擾，本文僅截取包含AE波形圖譜的坐標(biāo)區(qū)域，并將其轉(zhuǎn)換成灰度圖作為AE波形圖譜的輸入信息，如圖1(b)所示；對(duì)于UHF數(shù)據(jù)，本文舍棄在二維圖片上難以分析識(shí)別的實(shí)時(shí)三維圖，僅選擇顯示直觀的PRPD平面分析圖譜作為輸入信息，如圖1(c)所示。三類圖片的預(yù)處理過程如圖1所示。

圖1 IR、AE、UHF三類圖像型數(shù)據(jù)的預(yù)處理示意圖Fig.1 Pretreatment diagram of IR,AE and UHF image data

3 基于多源特征信息融合的變壓器故障智能診斷模型的建立

3.1 特征提取、融合及網(wǎng)絡(luò)模型建立

經(jīng)過上述的數(shù)據(jù)預(yù)處理過程，得到的數(shù)據(jù)即可作為智能診斷模型的輸入信息，下一步就是采用機(jī)器學(xué)習(xí)算法建立智能診斷模型。

對(duì)于數(shù)值-圖像混合型數(shù)據(jù)，本文搭建包含DNN和CNN的混合型并聯(lián)網(wǎng)絡(luò)模型用作特征提取、融合和分類，過程如下：

(1) 首先建立DGA數(shù)據(jù)部分的DNN模型：

1) 向輸入層輸入歸一化后的DGA數(shù)據(jù)。

2) 輸入層后依次搭建4層神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)，其中每層神經(jīng)元個(gè)數(shù)分別為8、16、16、8。

3) 輸出得到一維向量F1。

(2) 建立圖像部分的CNN模型(以IR數(shù)據(jù)為例)：

1) 向輸入層輸入規(guī)范化后32×32大小的IR圖像數(shù)據(jù)。

2) 卷積層C1采用3×3大小、總數(shù)為32個(gè)的卷積核分別對(duì)輸入層的圖像進(jìn)行卷積運(yùn)算，得到維度為32×30×30的特征圖輸出到下一次層。

3) 池化層P1大小為 2×2，池化方式為最大池化。經(jīng)過池化處理后得到32×15×15的特征圖輸出到下一層。

4) 后續(xù)的卷積層C2、池化層P2操作步驟與重復(fù)步驟2)和步驟3)。

5) 全連接層F對(duì)P2輸出的特征圖進(jìn)行展開處理，得到一維的特征向量F2。

(3) 搭建處理AE圖像和UHF圖像的CNN模型，過程重復(fù)步驟(2)。

(4) 將上述過程得到的向量進(jìn)行融合。向量F2與同樣經(jīng)過CNN處理AE圖像和UHF圖像數(shù)據(jù)得到的特征向量F3、F4合并，再與向量F1合并，得到特征融合后的向量V。

(5) 向量V作為輸入，向后依次搭建4層NN，每層神經(jīng)元個(gè)數(shù)為16、32、32、16。最終輸入至分類層，輸出診斷結(jié)果。

綜上所述，本文所提出的多源特征信息融合的變壓器智能診斷模型的完整過程如圖2所示。

圖2 多源特征信息融合的變壓器智能診斷模型框架Fig.2 Transformer intelligent diagnosis model framework based on multi-source feature information fusion

3.2 決策診斷和評(píng)價(jià)指標(biāo)

變壓器故障主要包括過熱故障和放電故障兩大類，再參考行業(yè)標(biāo)準(zhǔn)，本文將故障類型細(xì)分為5類，加上無故障(No Fault，NF)的正常狀態(tài)，一共可以將樣本標(biāo)定為6類，分別見表1。

表1 變壓器故障分類標(biāo)簽Tab.1 Transformer fault classification label

本文所述多源信息中的IR圖像數(shù)據(jù)主要體現(xiàn)了變壓器的過熱故障，其在過熱故障類型中可以區(qū)分LT與HT；AE、UHF圖像數(shù)據(jù)主要體現(xiàn)了變壓器的放電故障，在放電故障類型中，AE圖像數(shù)據(jù)可以區(qū)分出LD與HD，而UHF圖像數(shù)據(jù)則重點(diǎn)區(qū)分出PD類故障。

針對(duì)本文的多分類機(jī)器學(xué)習(xí)問題，由于其樣本中6類樣本分布并不均勻，其中正常樣本和局部放電故障樣本數(shù)少于其余4類，因此本文采用帶改進(jìn)的交叉熵作為網(wǎng)絡(luò)訓(xùn)練時(shí)的損失函數(shù)，同時(shí)采用kappa系數(shù)作為模型效果的評(píng)價(jià)指標(biāo)。

(1) 改進(jìn)交叉熵?fù)p失函數(shù)

交叉熵(Cross Entropy，CE)是信息論中一個(gè)重要概念，也是神經(jīng)網(wǎng)絡(luò)中常用的損失函數(shù)，其計(jì)算為：

(4)

式中，k為第k類樣本；p為真實(shí)的類別分布；q為預(yù)測的標(biāo)記分布。

對(duì)于本文的不均衡樣本集，直接采用式(4)的損失函數(shù)會(huì)使模型趨于將樣本診斷為占比較大的類別，因此精度會(huì)大幅降低。為此，本文提出以下帶權(quán)重的改進(jìn)交叉熵CEω代替?zhèn)鹘y(tǒng)的交叉熵作為本文模型訓(xùn)練的損失函數(shù)，其表達(dá)式為：

(5)

式中，ω(k)為第k類樣本的權(quán)重。其計(jì)算為：

(6)

如此以來，通過給予占比小的樣本以更大的權(quán)重、占比大的樣本以更小的權(quán)重，可以有效緩解模型的錯(cuò)分傾向性。

(2)kappa系數(shù)

kappa系數(shù)常用于一致性檢驗(yàn)，也可用作衡量分類精度，其計(jì)算如下：

(7)

式中，po為預(yù)測正確的樣本數(shù)除以總樣本數(shù)，即總分類精度。

假設(shè)總類別數(shù)為m，每一類的真實(shí)樣本個(gè)數(shù)分別為a1,a2,…,am，而每一類的預(yù)測樣本個(gè)數(shù)分別為b1,b2,…,bm，總樣本個(gè)數(shù)為n，則有：

(8)

kappa系數(shù)能夠懲罰模型的“偏向性”，對(duì)于評(píng)估樣本不平衡的數(shù)據(jù)集有著獨(dú)特的優(yōu)勢。通常kappa的取值區(qū)間為[0,1]，其預(yù)測結(jié)果相比真實(shí)結(jié)果的一致性根據(jù)取值情況分為表2所示的5類。

表2 kappa系數(shù)的一致性檢驗(yàn)表Tab.2 Consistency test table of kappa coefficient

4 算例分析

在變壓器的故障檢測及診斷領(lǐng)域，油中溶解氣體檢測以及高壓套管紅外檢測已經(jīng)能夠?qū)崿F(xiàn)在線化，而超聲波檢測和局部放電檢測大多在變壓器出現(xiàn)故障后，作為輔助的故障診斷手段。因此，不同的檢測方法存在檢測周期不同的問題。本文從西北某省檢修公司獲取大量變壓器故障匯編案例和數(shù)據(jù)，對(duì)這些不同時(shí)間尺度的檢測數(shù)據(jù)進(jìn)行如下數(shù)據(jù)融合處理：①對(duì)于樣本油色譜檢測數(shù)據(jù)或者紅外檢測數(shù)據(jù)缺省的，剔除該樣本；②對(duì)于樣本超聲波檢測或者局部放電檢測數(shù)據(jù)缺省的，若該樣本存在歷史數(shù)據(jù)，則沿用最近一次檢測時(shí)的結(jié)果；否則，采用該樣本所屬故障類別其余樣本的均值代替缺省值。

經(jīng)過上述的處理，再剔除冗余和異常樣本后，經(jīng)過整理得到1 019個(gè)樣本，其中各種變壓器狀態(tài)在樣本集中的分布見表3。隨機(jī)選擇其中764(75%)個(gè)作為訓(xùn)練集，另外255(25%)個(gè)樣本作為測試。

表3 變壓器故障診斷數(shù)據(jù)集Tab.3 Transformer fault diagnosis data set

4.1 信息融合后模型性能對(duì)比

為了驗(yàn)證經(jīng)過多源特征信息融合后，模型的精度能夠得到顯著的提升，本文設(shè)置三種方案分別進(jìn)行建模分析，見表4。

表4 多源特征信息融合的變壓器故障診斷模型對(duì)比方案Tab.4 Comparison scheme of transformer fault diagnosis model based on multi-source feature information fusion

4.1.1 學(xué)習(xí)曲線和測試精度研究

針對(duì)以上三種方案，分別進(jìn)行建模分析后，訓(xùn)練過程中的學(xué)習(xí)曲線和最終測試精度如圖3和表5所示。

表5 多源特征信息融合的變壓器故障診斷模型精度對(duì)比Tab.5 Accuracy comparison of transformer fault diagnosis model based on multi-source feature information fusion

圖3 三種方案的訓(xùn)練曲線Fig.3 Training curves of three schemes

從各個(gè)模型的訓(xùn)練曲線可見，方案三即本文所提基于多源特征信息融合的變壓器故障智能診斷模型收斂速度更快，在前20輪已經(jīng)能夠到達(dá)超過90%的訓(xùn)練精度，說明其訓(xùn)練效率最高。此外，方案三最終的測試精度為96.47%，相比于方案一和方案二有著很大的提升。橫向?qū)Ρ确桨敢?、方案二、方案三可知，隨著輸入信息源的增加，模型的診斷效果也逐漸變好，這說明多源特征信息融合可以有效提高變壓器故障樣本的正確分類。

4.1.2 模型評(píng)價(jià)與優(yōu)化

對(duì)于多分類問題，混淆矩陣能夠清晰反映模型的預(yù)測結(jié)果。混淆矩陣的每列代表數(shù)據(jù)的預(yù)測類別，每行代表數(shù)據(jù)的真實(shí)類別，位于對(duì)角線上的數(shù)據(jù)為預(yù)測正確的樣本數(shù)。

三種方案預(yù)測結(jié)果的混淆矩陣如圖4所示。圖4中矩陣方格中的數(shù)字表示當(dāng)前類別的個(gè)數(shù)，例如圖4(a)第2行第2列的數(shù)字“33”表示真實(shí)故障為LT、預(yù)測結(jié)果為LT的樣本個(gè)數(shù)；右側(cè)尺度條顏色深淺表示樣本個(gè)數(shù)的多少，越深個(gè)數(shù)越多。

圖4 三種方案預(yù)測結(jié)果混淆矩陣Fig.4 Confusion matrix of prediction results of three schemes

由混淆矩陣可知，方案一由于缺少所有圖像數(shù)據(jù)，僅含有DGA數(shù)值型數(shù)據(jù)，每一類別的預(yù)測效果都不理想；方案二由于缺乏AE、UHF數(shù)據(jù)，對(duì)三類放電故障，即LD、HD、PD分類效果不佳；而方案三包含本文提出的所有數(shù)據(jù)信息，每一個(gè)類別的預(yù)測精度都很高，這再一次驗(yàn)證了多信息源數(shù)據(jù)融合對(duì)模型預(yù)測的提升效果。值得注意的是，方案三預(yù)測錯(cuò)誤的樣本主要集中在LT和HT，具體表現(xiàn)為：將4個(gè)實(shí)際為LT的樣本預(yù)測為HT，將3個(gè)實(shí)際為HT的樣本預(yù)測為LT，并且方案一、方案二也存在類似的問題。這說明CNN對(duì)于IR圖像的特征提取效果不及AE、UHF圖像，至于具體原因是IR圖像型數(shù)據(jù)自身的區(qū)分度不夠，還是網(wǎng)絡(luò)結(jié)構(gòu)的問題，還需要進(jìn)一步研究。

此外，三種方案kappa系數(shù)和其所屬級(jí)別見表6，可知方案三kappa系數(shù)遠(yuǎn)高于方案一和方案二，且其分類結(jié)果所屬級(jí)別為“幾乎完全一致”。

表6 三種方案的kappa系數(shù)及其一致性檢驗(yàn)結(jié)果對(duì)比Tab.6 Comparison of kappa coefficient and consistency test results of three schemes

4.2 采用改進(jìn)交叉熵?fù)p失函數(shù)對(duì)模型的影響

考慮到變壓器的故障診斷存在數(shù)據(jù)集樣本不均衡的特點(diǎn)，本文提出了帶權(quán)重的改進(jìn)交叉熵代替?zhèn)鹘y(tǒng)的交叉熵作為本文模型訓(xùn)練的損失函數(shù)。為了驗(yàn)證其效果，分別采用改進(jìn)交叉熵和傳統(tǒng)交叉熵?fù)p失函數(shù)搭建模型，并作對(duì)比。由于無故障樣本數(shù)和局部放電故障(Partial Discharge，PD)樣本數(shù)較少，因此主要分析這兩類樣本的查準(zhǔn)率Prec和查全率Recall，二者可由分類問題混淆矩陣(見表7)計(jì)算得到。

表7 二分類問題混淆矩陣Tab.7 Confusion matrix of binary classification problem

(9)

(10)

最終，兩個(gè)模型的對(duì)比結(jié)果如圖5所示，圖5中Accuracy為模型總的預(yù)測精度。

圖5 采用改進(jìn)交叉熵?fù)p失函數(shù)對(duì)模型的影響Fig.5 Influence of improved cross entropy loss function on model

由圖5可見，采用改進(jìn)交叉熵作為損失函數(shù)后，模型對(duì)于NF、PD這兩類樣本較少的故障類型都有明顯的改善作用。同時(shí)，整個(gè)模型的準(zhǔn)確率也有提升，完全符合預(yù)期。

4.3 不同學(xué)習(xí)算法的對(duì)比

為了驗(yàn)證本文所提出方法在處理多源特征信息融合數(shù)據(jù)的應(yīng)用價(jià)值，選擇在多分類問題中常用的K近鄰(K-Nearest Neighbor，KNN)和隨機(jī)森林(Random Forest，RF)與本文所提方法進(jìn)行對(duì)比，結(jié)果見表8。

表8 不同學(xué)習(xí)算法的對(duì)比Tab.8 Comparison of different learning algorithms

由于這兩類算法無法直接處理圖像數(shù)據(jù)，因此對(duì)于IR等圖像數(shù)據(jù)，將其展開排列成一維向量并進(jìn)行歸一化，然后與DGA數(shù)據(jù)合并為總的向量作為輸入信息。此外，這兩種方法均采用網(wǎng)格搜索法和十折交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。計(jì)算得KNN的最佳近鄰個(gè)數(shù)為19、距離度量d為歐氏距離、權(quán)重ω為不均等權(quán)重(距離近的比距離遠(yuǎn)的影響大)；RF的最佳樹個(gè)數(shù)N為120、樹的最深深度MD為15、樹的最大特征數(shù)量MF為11。

最終結(jié)果表明這兩種算法的識(shí)別準(zhǔn)確率和kappa系數(shù)都低于本文所提出的方法。

5 結(jié)論

變壓器故障診斷技術(shù)是目前國內(nèi)外亟待解決的問題，現(xiàn)有研究普遍存在信息來源單一、診斷預(yù)測精度不高等問題，為此，本文提出一種基于多源信息融合技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障智能診斷模型。

(1)所提出的基于多源信息融合技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障智能診斷模型，可針對(duì)不同類型的輸入數(shù)據(jù)，分別利用DNN與CNN進(jìn)行特征提取和數(shù)據(jù)融合，最后的模型預(yù)測準(zhǔn)確率達(dá)到96.47%，具有很好的識(shí)別效果。

(2)為防止由于數(shù)據(jù)集樣本不均衡而造成的模型傾向性，本文提出帶權(quán)重的改進(jìn)交叉熵作為模型的損失函數(shù)。通過與采用傳統(tǒng)交叉熵的模型對(duì)比發(fā)現(xiàn)，在NF、PD這兩類樣本數(shù)較少的故障類型中，采用改進(jìn)交叉熵的模型效果提升明顯。同時(shí)，整個(gè)模型的精度也有提升。

(3)本文將所提出方法與KNN、RF兩種多分類算法對(duì)比，經(jīng)過參數(shù)尋優(yōu)和交叉驗(yàn)證后發(fā)現(xiàn)，本文所提出方法的識(shí)別準(zhǔn)確率和kappa系數(shù)都大幅高于其余兩類算法。這說明卷積神經(jīng)網(wǎng)絡(luò)在處理圖像類數(shù)據(jù)時(shí)表現(xiàn)出了更加優(yōu)越的性能，再一次驗(yàn)證了該模型的實(shí)用性和有效性。