高压断路器故障诊断：基于注意力机制的少样本迁移学习（FSTL）方法详解

1. 引言

高压断路器（HVCB）作为电力系统中关键的保护和控制设备，其正常运行对整个电网的安全稳定至关重要。传统的数据驱动方法在断路器故障诊断中取得了显著成果，但面临两个主要挑战：​对大量数据的依赖性和小样本场景下的性能下降。本文提出了一种创新的少样本迁移学习（FSTL）方法，结合注意力机制（AM），有效解决了现场小样本条件下的故障诊断问题。

2. 方法原理

2.1 整体框架

FSTL方法包含三个核心组成部分：

• ​特征提取器​：一维注意力CNN（1DACNN）

• ​故障分类器​：域共享分类器

• ​域适应训练​：子域自适应对齐

2.2 一维注意力CNN（1DACNN）

2.2.1 1DCNN基础结构

与传统2DCNN不同，1DCNN直接处理一维振动信号，保留了时间细粒度信息。其核心运算包括：

​卷积层计算​：