图1 IWGAN-GP故障诊断流程
Fig.1 Fault diagnosis flowchart of IWGAN-GP
摘要 针对断路器故障样本稀缺导致诊断模型在不平衡数据下识别能力不足的问题，该文提出一种基于带有梯度惩罚的改进型Wasserstein生成对抗网络（IWGAN-GP）的断路器故障诊断方法。IWGAN-GP利用梯度惩罚机制提升训练稳定性，并深度融合卷积神经网络提取振动信号的深层特征，有效生成了多样且接近真实的故障样本。利用生成数据扩充训练样本集后，所构建的故障诊断模型在测试中达到了98.00%的准确率，性能显著优于仅使用原始不平衡数据训练的模型。该方法为故障数据稀缺情况下的断路器智能诊断提供了鲁棒性更强的解决方案。
关键词：带有梯度惩罚的改进型Wasserstein生成对抗网络（IWGAN-GP） 卷积神经网络 不平衡数据 振动信号 故障诊断
断路器是电力系统中确保电力设备安全运行的关键电气设备，主要功能是在正常运行时连接或断开电路，并在电路发生故障时切断故障电流，从而防止故障进一步扩大，确保电力系统的安全和稳定。因此，对断路器的运行状态进行实时监测以确保其可靠运行是保障电力系统安全与稳定的关键[1]。
准确的故障诊断可以及时识别潜在问题，防止系统停运和设备损坏。随着人工智能技术的快速发展，基于数据驱动的故障诊断方法能够自动识别故障类型与故障程度，在实现断路器运行状态的快速判别与可用时长预测方面有着巨大的前景。尽管这种方法在受控的实验室环境中表现出优越的性能，但在实际工程应用中仍面临诸多阻碍，首要问题就是故障数据的严重不足[2]。
断路器在稳定环境下运行发生故障的频率较低，因此故障样本数据相对稀缺，这导致在建立故障诊断模型时难以均衡正常数据和故障数据对判别准则的影响，造成故障数据难以有效识别的问题[3-4]。具体来说，正常数据和故障数据的不平衡问题会使传统数据驱动模型出现算法过拟合、泛化能力低、训练不稳定的问题，进而导致整体的预测正确率尤其是故障状态的预测正确率降低。为此，学者们提出了多种数据生成方法来平衡数据分布，其中包括欠采样技术、过采样技术[5]。然而由于在生成或删除数据时缺乏有效的指导，过采样可能会生成噪声数据，欠采样则可能会删除重要的数据[6-8]。
近年来，深度学习技术，尤其是生成对抗网络（Generative Adversarial Network, GAN），因其优秀的数据生成能力而被广泛研究[9]。GAN通过生成器和判别器的对抗训练，能够生成高质量的数据。在不平衡数据场景下，其能够有效生成与真实故障数据类似的合成数据，以此来平衡数据集，进而提高故障诊断模型的泛化能力和故障检测的性能[10]。GAN网络通过联合判别器的反馈学习机制，能够从少量样本中挖掘其隐含特征，并在潜变量空间中进行分布建模，逐步拟合目标类别的分布特征。
尽管如此，传统GAN在训练过程中仍可能面临梯度消失、模式崩溃问题，这限制了其在复杂故障诊断场景下的应用。为解决以上问题，M. Arjovsky等提出的Wasserstein生成对抗网络（Wasserstein Generative Adversarial Network, WGAN），引入了Wasserstein距离来替代Jensen-Shannon（JS）散度，以更有效地度量真实数据分布和生成数据分布之间的距离[11]。然而，尽管该方法在理论上表现出色，但在应用到断路器故障诊断方面仍存在一些缺陷：
（1）在WGAN中，为了保证判别器满足1- Lipschitz连续性，通常会通过权重裁剪的方式将权重限制在一个较小的范围内。权重裁剪可能导致训练过程中振荡或不稳定，尤其是在处理断路器振动信号这样复杂的时间序列数据时，训练可能无法收敛到最优解[12]。
（2）在处理振动信号的高维特征空间时，WGAN由于权重裁剪的限制，判别器的表达能力受到约束，难以充分捕捉到数据中的复杂模式和故障特征，特别是在信号中的微小异常变化，导致故障诊断的敏感性不足[13]。
针对以上问题，本文提出了一种带有梯度惩罚的改进型Wasserstein 生成对抗网络（Improved Wasserstein Generative Adversarial Network with Gradient Penalty, IWGAN-GP），并将其应用至断路器故障诊断。IWGAN-GP通过引入梯度惩罚机制，解决了WGAN在对断路器振动信号处理时的权重裁剪限制和训练不稳定问题。同时在生成器与判别器之中加入卷积神经网络（Convolutional Neural Network, CNN），用于提取输入样本的深层特征，解决了模型对信号样本中的微小异常变化不敏感的问题，提高了模型生成质量。
本文所提故障诊断方法如图1所示，主要包含数据处理、梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients, MFCC）提取、数据增强、验证诊断准确率等部分，具体流程如下：
图1 IWGAN-GP故障诊断流程
Fig.1 Fault diagnosis flowchart of IWGAN-GP
（1）对振动信号原始数据进行预加重、加窗、分帧及快速傅里叶变换等处理，将断路器时域振动信号转换为频域信号。
（2）对断路器频域振动信号进行特征提取，采用MFCC方法，将频域信号转换为频谱图的形式，以捕捉信号中的频率和时间特征。
（3）构建IWGAN-GP模型，通过生成器和判别器网络学习并模拟振动信号的复杂分布特征。
（4）将生成的样本输入CNN中进行训练与预测。
在电气设备实际运行与数据采集过程中，振动信号经过传感器等多级环节。这些设备因本身的电气、机械特性，会对高频成分产生一定的衰减影响。因此，本文通过预加重来尽可能补偿这种衰减，在进行MFCC特征提取时，经过预加重的信号可以提供更加清晰的高频特征[14-15]。初始振动信号分布情况如图2所示。
图2展示了断路器振动信号在不同频段的能量分布，尤其是低中频段占主导地位，而预加重通过增强高频成分，能够有效提升高频特征，改善MFCC特征提取的效果，增强信号的时域与频域表现。
预加重通过一阶高通滤波器实现，用于增强振动信号中的高频成分并抑制低频缓变成分，该过程可表示为
图2 高低频信号能量分布
Fig.2 Energy distribution of signals at high and low frequencies
（1）
式中，s[n]为时间域信号的第n个样本；s[n-1]为时间域信号的第n-1个样本；s′[n]为预加重后的信号；a为预加重系数，通常介于0.9～0.97之间，本文选择a=0.9。对预加重之后的振动信号进行快速傅里叶变换，将每一帧的时域信号转换到频域上面，有
（2）
式中，S[k]为频域中第k个频率分量的复数结果；k为频率索引；N为原信号长度。
MFCC是语音信号处理和振动信号分析中常用的一种特征提取方法。MFCC通过模拟人耳的听觉感知机制，能够有效地提取信号的频谱特征，并将其转化为倒谱特征，这些特征能够更好地反映信号的音频模式和变化。
MFCC通过梅尔滤波器突出信号的高频成分，原理简单且鲁棒性好，适合故障诊断。相比之下，小波变换适用于多分辨率分析，但在处理信号的低频和高频结合时不如MFCC稳定，且特征可能冗余。因此，本文选择MFCC作为特征参数，因其能有效提取振动信号中的高频特征，提高了故障诊断的准确性和效率。
将通过快速傅里叶变换得到的线性频域信号通过梅尔滤波器转变为梅尔频率，有
（3）
式中，P[m]为第m个梅尔滤波器的输出能量；Hm(k)为第m个梅尔滤波器在第k个频率分量的增益；K为频域离散采样点总数。
随后对得到的梅尔频率进行对数运算，使非线性特征更加明显，可以更清晰地反映断路器振动信号的复杂动态行为。这一处理有助于增强不同运行状态下特征参数的可分性。之后对梅尔对数进行离散余弦变换来减少特征之间的相关性以简化数据，得到最终的特征参数MFCC。离散余弦变换为
（4）
式中，C[i]为第i个MFCC系数；L[m]为第m个梅尔滤波器组输出的对数能量值；M为滤波器组的总数。
由于断路器多数时间处于正常运行状态，断路器故障数据稀缺，导致针对故障诊断的模型训练不稳定以及识别准确率降低等问题，常采用数据填充等方法来对不平衡数据进行处理。但传统的方法会导致模型对少数类样本过拟合，这是由于这些方法通常直接复制或微调少数类样本，使得生成的新样本与原始样本非常相似。
相较于传统数据填充方法，GAN能够学习并捕捉故障数据的复杂且潜在的分布，从而生成多样化的故障样本。这不仅有效地缓解了因简单复制导致的过拟合风险，也大幅降低了对稀缺故障样本进行人工标注的依赖。
GAN由生成器和判别器组成。其核心在于生成器与判别器的对抗性训练：生成器生成足以“欺骗”判别器的样本，而判别器则不断提升其区分生成样本与真实样本的能力。这种动态博弈最终驱使生成器捕捉并建模真实数据的潜在分布。在GAN的框架中，生成器和判别器都可以由神经网络构成。生成器接受一个从先验分布中采样的噪声向量z作为输入，并生成一个生成器数据样本G(z)，其目的是使生成的样本尽可能地接近真实数据的分布。判别器则接受一个数据样本x作为输入，输出一个标量值D(x)，该值表示输入数据来自真实数据的概率。判别器的目标是尽可能地区分真实样本和生成样本。这个过程可以表示为
（5）
式中，
表示生成对抗网络中判别器与生成器对抗优化目标函数，
为在训练过程中判别器以最大化目标函数为优化方向，
为生成器以最小化目标函数为优化方向；
为对于真实样本的期望值，表示判别器正确识别真实样本的概率；
为对于生成样本的期望值，表示判别器正确识别生成样本的概率。生成器试图最小化这个目标函数，以使得D(G(z))尽可能接近1，从而使得判别器更难区分生成样本和真实样本。而判别器则试图最大化这个目标函数，以更好地区分生成样本和真实样本[16]。
原始GAN模型在训练过程会有模式崩溃、训练不稳定性、梯度消失等问题。主要原因在于其使用了Kullback-Leibler（KL）散度和JS散度来度量真实样本与生成样本之间的差异[17]。为了解决这些问题，WGAN引入了Wasserstein距离W(Pdata, Pg) 来取代JS散度，Pdata为真实样本分布，Pg为生成样本分布，Wasserstein距离的表达式为
（6）
式中，sup为最小上界；
、
分别为x从Pdata、Pg中获取的期望；f(x)为一个任意的Lipschitz连续函数；R为Lipschitz常数；
为函数f的Lipschitz范数被限制在R内。
函数f由神经网络表示，并通过权重裁剪限制f中所有参数不超过确信范围以确保R的存在。但是，权重裁剪使得判别器权重矩阵的结构被破坏，以致WGAN收敛速度较慢。
梯度惩罚项是本文IWGAN-GP模型中引入的关键部分，用于替代WGAN中的权重裁剪[18]。它通过惩罚梯度的偏离，确保判别器满足1-Lipschitz连续性。梯度惩罚的公式为
（7）
式中，GP为梯度惩罚项；
为在真实数据xreal和生成数据xfake之间随机插值得到的样本；
为判别器对样本
的输出；
为判别器输出关于输入样本的梯度；
为判别器对插值样本的输出关于输入样本的梯度的L2范数。
因此，生成器（G）与判别器（D）的损失函数分别为
（8）
（9）
式中，
为生成数据通过判别器后的期望输出；
为真实数据通过判别器后的期望输出；
为梯度惩罚项的权重系数，用于控制梯度惩罚的强度。梯度惩罚项GP用于确保判别器满足Lipschitz连续性[19]。
传统WGAN采用全连接结构，难以有效提取输入数据的空间结构和局部相关性，这是因为WGAN-GP模型的生成器和判别器结构简单，无法有效捕捉图像的复杂特征[20]。
针对此问题，本文提出将CNN引入生成器和判别器中，通过卷积操作充分挖掘输入数据中的空间分布特征和局部相关性，极大地增强了模型的特征提取能力。
生成器的基本流程：①从随机噪声向量开始；②通过一系列转置卷积层逐步上采样；③每一层之后应用批量归一化和激活函数以引入非线性特征。
生成器中引入CNN结构后，能够更精准地还原真实样本的局部与全局特性，使得生成的数据在整体分布上更加接近真实样本，显著提升了合成图像的质量和多样性。在判别器部分，CNN可以自动捕捉输入样本中的局部结构和重要特征，提高了对真实样本与生成样本之间差异的辨识能力。IWGAN- GP模型的训练流程如图3所示。
图3 IWGAN-GP训练流程
Fig.3 Training flowchart of IWGAN-GP
在基于CNN的生成器中，使用了反卷积层来逐步上采样输入噪声最终生成高分辨率的图像。反卷积为
（10）
式中，q和u分别为输出特征图的行、列索引；t和l分别为卷积核的行、列索引；O(q, u)为输出特征图在位置 (q, u) 处的像素值；K(t, l)为卷积核矩阵在第t行、第l列处的元素值；
为输入特征图对应位置处的像素值；kh和kw分别为卷积核的高度和宽度。
判别器的任务是区分真实图像和生成图像。在基于CNN的判别器中，通过卷积层逐步下采样输入图像，从而提取图像特征并进行分类。卷积层能够有效地捕捉图像中的局部特征和边缘信息，这对于判别图像的真实性至关重要。判别器的基本流程：①输入真实图像或生成图像；②通过一系列卷积层逐步下采样，提取图像的深层次特征；③在每一层后应用激活函数和损失层；④最终全连接层输出一个判别结果。
为验证本文所提方法的有效性，以一台35 kV CT14型弹簧操作机构断路器为研究对象，搭建了实验平台，考虑到数据获取的稳定性和便利性，安装加速传感器应遵循两个原则：①加速传感器不会影响高压断路器的操作；②加速传感器的安装位置接近主要关注的结构。在此实验中，需要选择尽可能靠近操动机构的位置，因此将加速度传感器安装在靠近操作机构的梁上，实验平台如图4所示。
图4 CT14型断路器振动信号采集
Fig.4 Vibration signal acquisition diagram of CT14 circuit breaker
实验设备包括：35 kV CT14型断路器、加速度传感器（DY313型）、高压开关动态特性测试仪、触发装置、数据采集设备、上机位。
通过改变断路器工作时的机械状态来模拟不同故障下的工况，除正常工作状态外，还模拟了五种故障状态：基座螺钉松动故障、缓冲弹簧疲劳故障、传动机构故障、合闸弹簧疲劳故障和分闸弹簧疲劳故障。除正常状态外，五种故障运行状态的模拟方式如下：
（1）基座螺钉松动。通过人工松动断路器底座处的4个固定螺栓，使整个结构在操作过程中产生局部松动，从而引发不规则机械振动。
（2）缓冲弹簧疲劳。通过调节缓冲弹簧的张紧力，逐步降低弹簧的预紧程度，模拟弹簧在长期运行中弹性退化所造成的缓冲能力衰减，从而在振动信号中体现出缓冲迟滞和冲击响应增强的疲劳特征。
（3）传动机构故障。通过在操作传动轴内嵌入异物，制造传动不畅和冲击延迟现象，进而模拟卡涩、打滑等运行异常。
（4）合/分闸弹簧疲劳。通过松动固定弹簧螺母，弱化弹簧释放冲击力，模拟长期磨损后弹簧性能退化情形。
为研究故障数据对诊断结果的影响，正常运行状态数据采集60组，每类故障数据分别采集30组。各类型数据采集情况以及模拟故障情况见表1。
表1 工作状态设置
Tab.1 Operational state settings
工况名称模拟方式样本数 正常状态—60 基座螺钉松动松动基座螺钉30 缓冲弹簧疲劳调节缓冲弹簧紧张力30 传动机构故障在传动轴放置卡涩障碍物30 合闸弹簧疲劳减小弹簧释放冲击力30 分闸弹簧疲劳30
采集得到的高压断路器六种状态合闸时域振动信号如图5所示。
图5 各种工况下振动信号
Fig.5 Vibration signal segments under various operating conditions
六种工况断路器的振动信号在时域波形上存在一定差异。正常运行状态下，振动信号波形相对平稳，能量分布集中且具有较好的对称性。而在故障状态下，信号差异表现在幅值的增减、主峰位置的提前或滞后、振动持续时间的变化以及波形尖锐程度的不同。
为了进一步提取信号中潜在的频域结构信息，将采集到的不同状态下时域信号进行快速傅里叶变化，得到的频域信号输入梅尔滤波器组中，计算其对应的MFCC系数矩阵，提取前4个倒谱系数以描述主要频谱信息，每一个MFCC维度捕捉的是不同频带特征的能量变化，低维MFCC通常表示整体能量轮廓，用于描述信号的平稳趋势与基频特征。
中高维MFCC则对频谱的细节变化、非平稳冲击成分及局部扰动特征更敏感，可有效捕捉不同故障状态下的高频响应与瞬态特性；之后分别对MFCC系数和其一阶差分（DMFCC）计算帧级统计特征，包括均值与标准差，从而获得具有代表性的MFCC全局特征向量。从MFCC特征参数值可以得出，不同振动状态在频谱特征上存在差异。正常状态的MFCC均值波动相对较小。不同运行状态下振动信号的MFCC特征参数见表2。
为进一步直观展示不同类别振动信号在MFCC特征空间中的差异性，本文对各组信号的MFCC系数进行了可视化处理。将每一帧的MFCC系数按时间顺序绘制为二维彩图，横轴为帧序号，纵轴为倒谱系数编号，颜色图柱表示MFCC系数的数值大小，色彩深浅反映系数数值的变化情况，结果如图6 所示。
表2 各类振动状态下MFCC特征参数
Tab.2 MFCC feature parameter values under various vibration conditions
维度MFCC均值MFCC标准差DMFCC标准差 正常状态10.333.270.54 2-0.020.230.25 3-0.020.20.22 40.050.160.18 基座螺钉松动10.523.10.56 2-0.020.250.24 3-0.010.20.22 40.030.160.18 缓冲弹簧疲劳10.43.180.56 2-0.040.230.25 3-0.020.20.22 40.030.160.18 传动机构故障10.740.60.29 2-0.02-0.03-0.02 3-0.04-0.02-0.01 40.040.040.05 合闸弹簧疲劳13.043.253.42 20.230.230.25 30.210.20.2 40.160.160.16 分闸弹簧疲劳10.540.560.55 20.250.250.25 30.220.230.22 40.190.190.18
通过分析断路器振动信号的MFCC特征图，可以看出不同状态下的MFCC特征存在微小差异。正常状态下，MFCC特征图整体稳定，分布均匀；相较于正常状态，基座螺钉松动故障下的MFCC特征图低频段出现明显的偏差，表现为特征图中频率成分的异常分布，显示出额外的振动影响；缓冲弹簧疲劳故障下的MFCC特征图则主要在中高频段显示出显著变化，暗示弹簧阻尼效果减弱；传动机构故障下的MFCC特征图在低频段和高频段均表现出明显的异常，反映出传动机构内的机械故障对信号特性的广泛影响；合闸弹簧疲劳主要影响中频段的MFCC特征，可能是弹簧性能下降导致的能量损失所致，而分闸弹簧疲劳则表现为在不同频段的特征变化，表明分闸过程中的机械振动特性发生了变化。
图6 各种状态下MFCC特征图
Fig.6 MFCC feature graphs under various conditions
根据所需生成数据和输入数据的规模，经过多次实验得出最优结构与参数见表3。
如表3所示，生成器使用4个反卷积层，卷积核大小为 (5, 5)，步长为 (2, 2)，激活函数为Leaky ReLU，用于扩展特征图。输出层激活函数为tanh。为保证稳定的训练过程，生成器使用了RMSprop优化器，学习率设置为0.000 05。判别器使用了4个卷积层，卷积核大小为 (5, 5)，步长为 (2, 2)，激活函数为Leaky ReLU，其能够有效防止模型训练过程中的梯度消失问题，从而加速网络的训练过程。在训练过程中，梯度惩罚函数的权重系数设为10。
表3 生成器与判别器CNN网络结构参数
Tab.3 Parameters of the CNN network structure for generator and discriminator
网络层尺寸卷积核大小滤波器个数激活函数 生成器输入层100——— 反卷积层116×165×5512Leaky ReLU 232×325×5256 364×645×5128 4128×1285×564 输出层256×256—3Tanh 判别器输入层256×256—3— 卷积层1128×1285×564Leaky ReLU 264×645×5128 332×325×5256 416×165×5512 输出层1———
将上文所得到的MFCC图作为IWGAN-GP中判别器的输入，考虑到坐标轴等冗余信息对于判别任务并无实际贡献，且可能干扰模型对核心特征的学习，因此去除图像中的坐标轴等信息，仅保留纯粹的MFCC特征图像。裁剪处理后的图像更为紧凑且信息集中，能够有效减少判别器训练过程中的计算负担，并有助于模型能更专注于信号本身的时频特征分布。为量化模型训练过程中的优化效果与收敛特性，本文在训练500轮内引入并监测以下评价指标：生成器损失值、判别器损失值、梯度惩罚项以及分类准确率。生成器、判别器的损失值公式以及梯度惩罚系数公式如式（7）～式（9）所示。模型训练500轮后输出结果，训练过程中生成器与判别器的损失情况与梯度变化如图7所示。
从图7中可以看出，IWGAN-GP模型在训练过程中生成器与判别器的损失值变化以及梯度惩罚项的动态趋势，反映了模型训练的整体稳定性。训练初期，生成器和判别器的损失值迅速上升，表明网络尚处于快速调整阶段。随着训练的推进，两者的损失值逐渐趋于平稳，呈现出一定程度的动态平衡，说明生成器生成的样本质量不断提升，判别器辨别难度加大，博弈关系逐渐建立；梯度惩罚项在早期具有较大值，随后迅速衰减并稳定在较低水平，有效地抑制了训练中的梯度爆炸或消失问题。
图7 IWGAN-GP模型训练情况
Fig.7 IWGAN-GP model training conditions
IWGAN-GP的判别器准确率在训练初期快速提升并逐步趋于稳定。判别器初期的准确率上升说明其能够迅速学习到判别真假样本的能力。随着训练的深入，准确率的稳定说明生成器生成样本的分布已经逐步逼近真实分布，判别器判别难度增加，判别的准确率下降并稳定在50%左右，说明判别器已无法判别出输入图片的真伪。这种训练趋势说明引入梯度惩罚机制有助于提升模型的鲁棒性和训练效率，使网络在保持稳定学习的同时，实现生成与判别能力的同步提升。IWGAN-GP模型输出结果如图8所示。
对比图6与图8可以看出，IWGAN-GP模型生成的图片能够很好地保持原始特征图片中的主要形状、分布特征及整体结构。在MFCC特征提取中，生成图片与原始图在特征区域的整体布局上保持了一致性，说明IWGAN-GP模型能够成功捕捉到全局模式和形态。
图8 IWGAN-GP生成各类状态MFCC特征图
Fig.8 MFCC feature maps of various states generated by IWGAN-GP
为进一步定量评估不同数据增强方法下生成样本的质量优劣，本文采用Inception评分（Inception Score, IS）、Fréchet Inception距离（Fréchet Inception Distance, FID）、核Inception距离（Kernel Inception Distance, KID）指标，选择合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）、GAN、带有梯度惩罚的WGAN（Wasserstein Generative Adversarial Network with Gradient Penalty, WGAN-GP）三种数据填充方法与IWGAN-GP进行样本数据生成，并对生成样本进行质量评估。相关结果见表4。
表4 生成样本质量评估
Tab.4 Quality assessment of generated samples
数据增强方法ISFIDKID SMOTE3.6132.471.67 GAN5.3223.611.32 WGAN-GP7.9415.330.87 IWGAN-GP9.0112.960.69
从表4中可以看出，IWGAN-GP模型生成样本的IS值达到9.01，明显高于其他方法，表明其生成样本在多样性方面具有最优表现。同时，IWGAN-GP方法的FID和KID值分别为12.96和0.69，均远低于SMOTE、GAN以及WGAN-GP，说明IWGAN-GP生成样本的分布与真实数据分布最为接近，整体质量最高。
为验证IWGAN-GP模型的数据填充能力的优越性，本文选取SMOTE、GAN以及WGAN-GP来对同一批数据进行数据扩充，将原始数据、SMOTE填充数据、GAN填充数据、WGAN-GP填充数据以及IWGAN-GP填充的五组数据分别输入CNN模型之中来对其进行模型训练。为进一步提升CNN模型的分类性能，本文采用贝叶斯优化算法对CNN模型的关键超参数进行自动调优。
为体现现实工况下数据分布的不平衡性，设置原始数据的每种故障数据相对正常数据比例为4
1，即正常数据40组，每种故障数据各10组。利用SMOTE、GAN、WGAN-GP、IWGAN-GP四种方法对故障数据进行扩充，使得每种故障类型的数据量与正常数据量平衡，即CNN训练集中正常数据与故障数据各40组，以确保四种填充方法改善之后的数据集为平衡数据集。在实际工况下为确保训练模型预测准确，CNN预测模型的验证集数据全部使用采集到的真实数据，训练集数据均使用不同填充模型生成数据。五组数据的具体样本分布见表5。
为了评估不同数据填充方式对分类模型性能的影响，本文在构建CNN分类网络的基础上，监测其训练过程中的损失值变化情况。不同填充数据训练中损失值对比如图9所示，图中损失值即为模型在训练过程中的优化目标函数，其定义采用常用的交叉熵损失函数，表达式为
表5 各类数据分布情况
Tab.5 Distribution of various types of data
数据样本数训练集测试集 原始数据正常状态4020 各故障状态10 SMOTE填充4020 GAN填充4020 WGAN-GP填充4020 IWGAN-GP填充4020
图9 不同填充数据训练中损失值对比
Fig.9 Comparison of loss values in training with different augmented data
（11）
式中，NC为类别总数；
为真实标签的编码；
为模型输出的第i类预测概率。
从图9损失值可以看到，IWGAN-GP填充数据的损失值在初期迅速下降，且收敛速度最快，最终趋于非常低且稳定的状态，显示出优异的收敛性和稳定性。SMOTE填充数据、GAN填充数据与IWGAN-GP填充数据的损失下降速度较慢，显示出其在生成有效数据方面存在一些不足。原始数据的损失值下降速度最慢，且在一段轮数内变化很慢，最终趋于稳定。
为了全面评估不同数据填充策略对分类模型判别性能的影响，本文对CNN网络在测试集上的预测准确率随训练轮次的变化趋势进行监测。准确率用于衡量模型对样本的正确分类能力，其计算公式为
（12）
式中，TP为真实为正类且预测为正类的样本数；TN为真实为负类且预测为负类的样本数；FP和FN分别为假阳性和假阴性样本数。不同填充数据预测准确率对比如图10所示。
图10 不同填充数据预测准确率对比
Fig.10 Comparison of prediction accuracy with different augmented data
从图10正确率曲线中可以看到训练正确率随训练轮数的变化趋势。IWGAN-GP的数据生成方法在训练初期正确率迅速上升，并保持高水平，表现出最佳的学习效果和稳定性。WGAN-GP填充数据在训练中的正确率也较快上升，最终正确率在95%左右。GAN与SMOTE填充数据的正确率在前期的上升较IWGAN-GP模型较慢，但最终能稳定在91%和85%，正确率高于原始数据的正确率。原始数据正确率上升速度最慢，且在训练初期波动较大，整体效果不如其他四种数据。因此可以看出，IWGAN-GP生成的数据在训练中的表现最为优异，而原始数据则在损失和准确率方面表现稍差。五组数据的预测正确率见表6。
表6 各类数据的正确率
Tab.6 Accuracy of various data （%）
正确率原始数据SMOTEGANWGAN- GPIWGAN- GP 正常状态100.0091.6795.8395.8398.23 基座螺钉松动68.0080.0088.0096.0097.18 缓冲弹簧疲劳84.62100.0085.00100.0099.12 传动机构故障75.0080.00100.0090.0097.43 合闸弹簧疲劳85.7190.4895.24100.0099.01 分闸弹簧疲劳88.2482.3582.3588.2497.30 整体83.3386.6790.8395.0098.00
比较不同训练数据集驱动下诊断结果可以看出，基于原始数据训练的诊断模型预测结果的正确率最低。采用SMOTE过采样和GAN生成数据进行训练后，模型诊断结果表明，数据扩充在一定程度上改善了诊断效果，但仍存在较多误判。相比之下，使用IWGAN-GP生成数据训练的模型，其诊断结果正确率最高，表明该方法在数据增强和特征提取方面效果最佳，显著提升了模型的整体诊断精度。这说明IWGAN-GP能有效提升诊断模型的诊断性能，在处理那些难以区分的状态类别时，其优势更为突出。从表6中可以看出，IWGAN-GP填充数据的正确率达到98.00%，相比于其他四种数据正确率提高了3.00～14.67个百分点，验证了本文所提方法的优越性。
本文提出了一种基于IWGAN-GP的断路器故障诊断方法，旨在解决因故障数据稀缺导致的诊断模型准确率低、泛化能力弱的问题，并通过35 kV断路器实验平台进行了充分验证。实验结果表明，该方法在处理不平衡数据下的断路器故障诊断方面表现出优异的性能，主要结论如下：
1）通过引入梯度惩罚机制与卷积神经网络结构，IWGAN-GP模型有效地解决了传统WGAN在训练中的不稳定性以及特征提取能力不足的问题，实现了高质量故障样本的生成，提升了生成数据的多样性与真实性。
2）基于IWGAN-GP生成数据训练的CNN模型在故障分类任务中的整体准确率达到98.00%，性能显著优于使用原始不平衡数据、SMOTE填充数据、GAN填充数据以及WGAN-GP填充数据训练的模型，诊断准确率提高了3.00～14.67个百分点，验证了本文所提方法在复杂工况下的优越性。
3）本文方法不仅提高了诊断模型对故障的识别能力，还提高了训练过程模型的收敛速度，增强了模型在小样本条件下的实用性，为断路器智能故障诊断提供了一种有效的技术路径。
参考文献
[1] Chen Lei, Wan Shuting, Dou Longjiang. Improving diagnostic performance of high-voltage circuit breakers on imbalanced data using an oversampling method[J]. IEEE Transactions on Power Delivery, 2022, 37(4): 2704-2716.
[2] 王钰洁, 赖冬明, 王立军, 等. 基于多任务学习组合模型的万能式断路器故障诊断方法[J]. 高电压技术, 2025, 51(5): 2394-2403.
Wang Yujie, Lai Dongming, Wang Lijun, et al. Fault diagnosis method for conventional circuit breakers based on multi-task learning combination model[J]. High Voltage Engineering, 2025, 51(5): 2394-2403.
[3] 范兴明, 许洪华, 张思舜, 等. 基于改进蜣螂优化算法深度混合核极限学习机的高压断路器故障诊断[J]. 电工技术学报, 2025, 40(12): 3994-4003.
Fan Xingming, Xu Honghua, Zhang Sishun, et al. Fault diagnosis of high voltage circuit breaker based on improved dung beetle optimizer algorithm deep hybrid kernel extreme learning machine[J]. Transac- tions of China Electrotechnical Society, 2025, 40(12): 3994-4003.
[4] 高伟, 饶俊民, 全圣鑫, 等. 不均衡小样本下多特征优化选择的生命体触电故障识别方法[J]. 电工技术学报, 2024, 39(7): 2060-2071.
Gao Wei, Rao Junmin, Quan Shengxin, et al. Biological electric-shock fault identification method based on multi-feature optimization selection under unbalanced small sample[J]. Transactions of China Electrotechnical Society, 2024, 39(7): 2060-2071.
[5] 李弈, 张金龙, 漆汉宏, 等. 基于变分深度嵌入-带有梯度惩罚的生成对抗网络的锂离子电池老化特性建模[J]. 电工技术学报, 2024, 39(13): 4226- 4239.
Li Yi, Zhang Jinlong, Qi Hanhong, et al. Ageing performance modeling of Li-ion batteries based on variational deep embedding-Wasserstein GAN with gradient penalty[J]. Transactions of China Electro- technical Society, 2024, 39(13): 4226-4239.
[6] 赵燕, 朱景伟, 任萍. 基于数据预处理的小样本开关磁阻电机智能方法建模[J]. 电机与控制学报, 2025, 29(2): 85-95.
Zhao Yan, Zhu Jingwei, Ren Ping. Modeling of switched reluctance motor by intelligent method with small samples and data pretreatment[J]. Electric Machines and Control, 2025, 29(2): 85-95.
[7] 李奎, 王鹏, 胡博凯, 等. 基于机械特性的微型断路器服役状态辨识方法[J]. 电工技术学报, 2025, 40(14): 4642-4654.
Li Kui, Wang Peng, Hu Bokai, et al. Service status identification method of miniature circuit breaker based on mechanical characteristics[J]. Transactions of China Electrotechnical Society, 2025, 40(14): 4642-4654.
[8] Zhang Han, Xu Tao, Li Hongsheng, et al. StackGAN: realistic image synthesis with stacked generative adversarial networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(8): 1947-1962.
[9] Wang Chaoyue, Xu Chang, Yao Xin, et al. Evolu- tionary generative adversarial networks[J]. IEEE Transactions on Evolutionary Computation, 2019, 23(6): 921-934.
[10] Tang Shengnan, Yuan Shouqi, Zhu Yong. Deep learning-based intelligent fault diagnosis methods toward rotating machinery[J]. IEEE Access, 2019, 8: 9335-9346.
[11] Arjovsky M, Chintala S, Bottou L. Wasserstein generative adversarial networks[C]//Proceedings of the 34th International Conference on Machine Learning, Sydney, 2017: 214-223.
[12] Luo Jia, Huang Jinying, Li Hongmei. A case study of conditional deep convolutional generative adversarial networks in machine fault diagnosis[J]. Journal of Intelligent Manufacturing, 2021, 32(2): 407-425.
[13] 邵阳, 武建文, 马速良, 等. 用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法[J]. 中国电机工程学报, 2021, 41(8): 2890-2901.
Shao Yang, Wu Jianwen, Ma Suliang, et al. Integrated SVM method with AM-Relief feature selection for mechanical fault diagnosis of high voltage circuit breakers[J]. Proceedings of the CSEE, 2021, 41(8): 2890-2901.
[14] 刘会兰, 许文杰, 赵书涛, 等. 面向高压断路器故障分类的电流-振动信号类聚几何敏感特征优选方法[J]. 电工技术学报, 2023, 38(1): 26-36.
Liu Huilan, Xu Wenjie, Zhao Shutao, et al. Optimi- zation method of clustering geometric sensitive features of current vibration signals for fault classification of high voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2023, 38(1): 26-36.
[15] 万书亭, 马晓棣, 陈磊, 等. 基于振动信号短时能熵比与DTW的高压断路器状态评估及故障诊断[J]. 高电压技术, 2020, 46(12): 4249-4257.
Wan Shuting, Ma Xiaodi, Chen Lei, et al. State evaluation and fault diagnosis of high-voltage circuit breaker based on short-time energy entropy ratio of vibration signal and DTW[J]. High Voltage Engin- eering, 2020, 46(12): 4249-4257.
[16] 郑含博, 胡钧浩, 李金恒, 等. 基于改进实例分割与深度神经网络温度拟合的电力设备热故障诊断研究[J]. 电机与控制学报, 2025, 29(2): 116-125.
Zheng Hanbo, Hu Junhao, Li Jinheng, et al. Thermal fault diagnosis of power equipment through improved instance segmentation and deep neural network temperature fitting[J]. Electric Machines and Control, 2025, 29(2): 116-125.
[17] Li Guoqiang, Wu Jun, Deng Chao, et al. Parallel multi-fusion convolutional neural networks based fault diagnosis of rotating machinery under noisy environments[J]. ISA Transactions, 2022, 128: 545- 555.
[18] 梁郑秋, 郝亮亮, 周艳真, 等. 基于卷积神经网络的核电多相无刷励磁系统旋转整流器故障诊断[J]. 电工技术学报, 2023, 38(20): 5458-5472.
Liang Zhengqiu, Hao Liangliang, Zhou Yanzhen, et al. Fault diagnosis of rotating rectifier in nuclear multi- phase brushless excitation system based on con- volutional neural network[J]. Transactions of China Electrotechnical Society, 2023, 38(20): 5458-5472.
[19] 肖进胜, 申梦瑶, 雷俊锋, 等. 基于生成对抗网络的雾霾场景图像转换算法[J]. 计算机学报, 2020, 43(1): 165-176.
Xiao Jinsheng, Shen Mengyao, Lei Junfeng, et al. Image conversion algorithm for haze scene based on generative adversarial networks[J]. Chinese Journal of Computers, 2020, 43(1): 165-176.
[20] Li Jie, Skinner K A, Eustice R M, et al. WaterGAN: unsupervised generative network to enable real-time color correction of monocular underwater images[J]. IEEE Robotics and Automation Letters, 2018, 3(1): 387-394.
Abstract Accurate and reliable fault diagnosis of high-voltage circuit breakers is critical to ensuring the safety and stability of modern power systems. However, in practical applications, circuit breakers operate under stable conditions for long periods, and actual fault events occur infrequently. As a result, the available fault samples are scarce and highly imbalanced compared to normal-operation data, significantly degrading the performance of data-driven diagnostic models. Conventional resampling strategies, such as oversampling and undersampling, have been used to mitigate imbalance. However, these strategies often lead to overfitting, noise amplification, or the loss of essential information. Generative Adversarial Networks (GANs) have emerged as powerful tools for data augmentation. However, standard GANs suffer from training instability, mode collapse, and limited feature learning capacity when applied to complex vibration signals. Therefore, this paper proposes an improved Wasserstein GAN with gradient penalty (IWGAN-GP) framework, integrated with a convolutional neural network (CNN).
In the proposed method, vibration signals collected from a 35 kV CT14 spring-operated circuit breaker are preprocessed using pre-emphasis, windowing, framing, and Fourier transformation. Mel-frequency cepstral coefficients (MFCC) are then extracted to capture both frequency and temporal characteristics of the signals and serve as input to the IWGAN-GP model, which employs CNN-based generator and discriminator architectures. The generator uses transposed convolutional layers to reconstruct high-resolution feature maps, while the discriminator applies convolutional operations to extract local patterns and distinguish between real and generated data. A gradient penalty term is introduced to ensure the discriminator's Lipschitz continuity and eliminate conventional WGANs’ instability and weight-clipping limitations.
Tests were conducted using six operating states, including normal conditions and five common fault scenarios: loose base screws, buffer spring fatigue, transmission mechanism fault, closing spring fatigue, and opening spring fatigue. For each fault type, 30 groups of vibration data were collected, while 60 groups were collected for the normal state. The IWGAN-GP model was trained to generate balanced fault datasets, which were then compared with data generated by SMOTE, conventional GANs, and WGAN-GP. Quantitative evaluations using the Inception Score (IS), Fréchet Inception Distance (FID), and Kernel Inception Distance (KID) showed that IWGAN-GP achieved the best balance between diversity and fidelity, with IS of 9.01, FID of 12.96, and KID of 0.69. Visual inspection of the generated MFCC feature maps confirmed that the IWGAN-GP model successfully captured both global patterns and subtle local variations in vibration signals.
To validate diagnostic performance, the augmented datasets were used to train CNN classifiers optimized through Bayesian hyperparameter tuning. The model trained on IWGAN-GP data achieved an overall accuracy of 98%, significantly higher than those trained on original imbalanced data, SMOTE, GAN, and WGAN-GP. Moreover, IWGAN-GP training exhibited faster convergence, lower loss, and improved robustness to small- sample limitations.
In conclusion, this research establishes IWGAN-GP for fault diagnosis under imbalanced data conditions. By integrating CNN feature extraction with gradient penalty stabilization, the method overcomes the limitations of traditional GAN-based augmentation and enables the generation of high-quality synthetic samples. The results confirm that IWGAN-GP significantly enhances classification accuracy, accelerates training convergence, and improves generalization performance in diagnosing multiple fault states of circuit breakers. These findings offer a promising pathway to advance intelligent monitoring and predictive maintenance for high-voltage power equipment.
keywords：Improved Wasserstein generative adversarial network with gradient penalty (IWGAN-GP), convolutional neural network, imbalanced data, vibration signal, fault diagnosis
DOI: 10.19595/j.cnki.1000-6753.tces.251057
中图分类号：TM561
国家自然科学基金（52275109）和山东省自然科学基金（ZR2023QE050）资助项目。
收稿日期 2025-06-17
改稿日期 2025-07-11
王震远 男，2000年生，硕士研究生，研究方向为高压断路器故障诊断。E-mail: 1213882401@qq.com
陈 磊 男，1993年生，讲师，硕士生导师，研究方向为电气设备故障诊断。E-mail: lei.chen@sdut.edu.cn（通信作者）
（编辑 崔文静）