近年来，数据驱动方法在高压断路器（HVCB）故障诊断领域得到了广泛的应用。然而，由于高压碳管的机械结构复杂，运行环境特殊，难以获得大量的故障样本，并穷尽所有故障类型。缺少故障样本和故障类型通常会导致诊断性能显著下降。为了解决这个问题，我们设计了一种名为R-MLL的新方法，用于零样本HVCB故障诊断。R-MLL仅通过训练可见的故障类型来识别未可见的故障类型。首先，为了关注HVCB机械振动信号的所有细节，利用小波变换对故障数据进行多尺度细化;其次，设计了一种基于卷积神经网络（RDSCNN）的新网络，该网络包含残差块和深度可分离卷积，用于提取多维特征。第三，设计了多标签属性学习网络，实现故障特征和属性的融合，并允许属性标签辅助故障诊断任务;大量实验表明，R-MLL在复合故障诊断中的平均准确率为86.2%，无需使用目标故障样本构建诊断模型。与许多最先进的技术的比较表明，所提出的方法在零射HVCB诊断方面的优越性。

 

介绍

国际能源署（IEA）在《2022年世界能源展望》中提到，解决能源危机的一个主要途径是提高效率和电气化。高压断路器（CB）作为最基本的电气设备，对于电力系统的稳定运行是必不可少的。与其他电气设备相比，HVCB 具有更多的机械部件，其正常运行取决于其机械系统的性能。国际大型电网大会（CIGRE）对高压电池进行了三次大规模调查，中国电力科学研究院也对高压电池故障进行了统计分析（Michaca et al.， 1985;Fletcher & Degen，1995 年;Janssen 等人，2014 年，Carvalho 等人，2012 年）。两者都表明，HVCB 的大多数故障都是由机械问题引起的。机械故障是断路器断开或合闸故障、机构卡住、部件损坏等故障的主要原因（Niu et al.， 2016， Xu et al.， 2022， Xu et al.， 2022， Rudsari et al.， 2019， 马 et al.， 2020， Yang et al.， 2023， Gao et al.， 2020， 马 et al.， 2019）。目前，检测 HVCB 中机械故障最常用的方法是定期维护（Gao 等人，2020 年）。但是，定期维护费时费力，难以设定合理的维护间隔，甚至可能损坏设备。这种传统的机械故障检测方法已不能满足电气化的需要。因此，建立稳定可靠的高压碳化电路机械故障诊断模型成为研究的主流方向。

 

应用于HVCB机械故障诊断的传统机器算法有：支持向量机（SVM）（Zhao and Wang， 2019， Rudsari et al.， 2019， Wan and Chen， 2019）、决策树（Zhao et al.， 2019， Lu and Li， 2020）、人工神经网络（Rong et al.， 2005）、随机森林（马 et al.， 2019）等。Huang et al. （2011） 提出了一种基于经验模态分解 （EMD） 增强能量熵的特征提取方法，并使用 SVM 作为分类器。Chen&Wan（2020）提出了一种改进的核极端学习机，将三角形全局对齐核引入极端学习机中，为样本提供灵活的相似度量。然而，传统的机器学习算法依赖于大量的数据或模型优化。随着HVCB设备的规模和复杂性的增加，要获得大量的机械故障样本并穷尽所有故障类型是一项艰巨的任务。为了克服这一困难，深度迁移学习被广泛用于从数据容易获得的源域学习，以识别难以收集数据的目标域（Lu et al.， 2022， Monea， 2022， Li et al.， 2020）。温等人（2017）提出了一种新方法，该方法使用三层稀疏自编码器提取数据特征和最大平均差项，以最小化训练集和测试集特征之间的差值惩罚。此外，也有一些研究也构建了基于对抗网络的迁移学习模型，如Zhang et al.， 2021， Zhang et al.， 2021提出了一种具有源类别和目标实例加权机制的选择性适应方法，使用额外的异常值标识符自动识别未知故障。Zhu et al. （2022） 提出了一种跨域开放集诊断方法，其中多个分类器引入一个加权模块来区分领域知识，可以很好地区分已知的目标实例和未知的目标实例。尽管可以在没有来自目标域的容错样本的情况下执行深度迁移学习，但目标域必须具有与源域具有相同标签的容错样本。HVCB 的复杂运行环境和发生的不可预测的故障类型可能导致无法从源域获得标签相同的故障样本。因此，深度迁移学习不能满足HVCB故障诊断的需求。

 

事实上，在图像识别领域，训练集和测试集没有相同标记的样本，并且测试集中的样本可以成功识别的想法被称为零样本学习（ZSL）（Wang et al.， 2019）。ZSL使用仅可见的类样本作为训练数据，实现对未可见类样本的分类。在ZSL的早期，研究人员提出了两种对看不见的类样本进行分类的方法，即直接属性预测（DAP）和间接属性预测（IAP）（Lampert等人，2009年，Lampert等人，2014年）。DAP 方法使用非线性 SVM 直接学习可见的类样本属性，最终预测不可见的类样本属性，而 IAP 方法间接学习属性并使用多属性分类器进行属性预测。ZSL的最新进展是直接从图像特征空间映射到语义空间（Huang et al.， 2021， Li and Zhao， 2023）。Kodirov等人（2017）提出了一种语义自动编码器，该编码器强制将全局视觉特征映射到语义空间以提高准确性。Verma等（2018）提出了一种基于变分自编码器的模型，该模型可以定义可见类和不可见类的属性，并通过大量的数据集实验获得了良好的结果。上述几项研究的实验对象几乎是动物和物体。然而，当它转向高压电路的故障诊断任务时，上述物体或动物的视觉属性不适用于高压电路的机械振动信号。因此，我们需要更具代表性的属性来辅助诊断。对于故障诊断问题，Feng & Zhao （2021）使用手动定义的故障属性描述（故障位置、原因）而不是数据故障类别，该方法验证了零样本方法的可行性，但手动定义的故障属性没有考虑故障之间的相关性。Xu et al.， 2022， Xu et al.， 2022 提出了一种零样本学习复合轴承故障诊断模型，并设计了一种表达单个故障和复合故障语义的编码方法，该方法考虑了故障之间的相关性，但需要大量的先验知识来保证提取的特征。

 

针对上述问题，结合前期研究（Yang et al.， 2020， Yang et al.， 2020， Yang et al.， 2019， Zheng et al.， 2023）的努力，提出了一种基于RDSCNN和多标签属性学习网络的零样本HVCBs机械故障诊断方法，即R-MLL。

 

本文的贡献总结如下。

 

1）本文探索了一种HVCB复合故障的零射故障诊断方法，为解决复杂电力设备零射机械复合故障诊断问题提供了新的途径。

 

2）提出了一种名为R-MLL的新型ZSL方法，该方法集成了RDSCNN和多标签属性学习网络，用于诊断HVCBs看不见的机械复合故障。R-MLL方法为每类故障提供故障辅助标签，这些标签由跨故障边界类定义的属性组成，这些属性可以由不同的故障共享。

 

3）为了应对零样本诊断任务中跨领域知识迁移的挑战，我们引入了多标签学习。增强了故障属性之间的关联性，实现了从故障特征空间到故障属性空间的跨域映射，进一步提高了零样本诊断模型的精度。

 

本文的其余部分组织如下。第2节综述了零样本学习和相应语义构造的相关工作。第3节介绍了初步情况。第4节是提出的R-MLL方法。第5节详细介绍了实验过程和结果。最后，第 6 节结束了本文。