图1 先验知识指导的傅里叶特征学习网络
Fig.1 Fourier feature learning network guided by prior knowledge
摘要 针对实际场景中故障样本稀缺、标注不足以及机理约束缺失导致的特征表达与泛化不足等问题，该文旨在无标签小样本条件下实现高精确率且具物理机制约束的高压断路器机械故障诊断。为此，提出一种融合先验知识约束的自监督对比域适应学习框架，用于无标签小样本条件下的高压断路器机械故障诊断。首先，构建先验知识指导的傅里叶特征学习网络，结合物理先验引导从幅值与相位谱提取并细化频域特征，显著提升模型在强噪声下的鲁棒性。其次，设计新颖的对比域适应策略，在源域与目标域同时引入对比学习，增强类内特征的紧凑性与类间特征的可分性，从而显著提升无标签小样本下的特征表征能力。最后，在自主搭建的两个高压断路器诊断平台上进行验证。实验结果表明，该方法在诊断精确率、召回率和F1值上分别达到97.36%、95.28%和94.89%，在噪声干扰与样本不平衡条件下依然保持较高的稳定性与泛化能力。将物理先验知识与自监督对比域适应相结合，显著提升了模型的诊断性能，验证了所提方法的有效性与工程应用潜力。
关键词：高压断路器 故障诊断 先验知识 对比域适应 傅里叶特征学习
高压断路器作为电力系统中的关键保护和控制设备，其运行稳定性直接关系到电网的安全与可靠。随着特高压和智能电网的快速发展，高压断路器的开合操作频率增加，运行环境复杂化，长期运行导致的机械磨损、部件老化及装配偏差等问题易引发机械故障，威胁输配电系统的稳定性[1]。因此，开展高压断路器机械故障诊断与状态评估技术研究，对于保障电力系统安全运行具有重要意义。
振动信号可直观反映断路器操作机构的运行状态，通过分析开合过程中的振动特征，可以识别机械部件的潜在故障[2]。现有方法主要包括基于信号处理和基于数据驱动两类：前者结合傅里叶变换、小波分析等技术及浅层模型实现诊断，依赖专家经验；后者借助深度学习实现从大规模监测数据中自动提取特征，提升了诊断自动化和准确率[3-4]。然而，深度学习模型依赖大量故障样本进行训练，而在实际场景中断路器长期处于正常状态，故障数据稀缺，导致模型泛化能力不足，难以满足工程应用需求[5]。
为解决小样本问题，域适应、元学习、度量学习等方法被广泛研究[6-7]。其中，域适应因能缓解源域与目标域数据分布差异，在断路器故障诊断中表现突出[8-9]。然而现有方法多侧重对齐特征分布，忽视了源、目标域样本的可分性；对抗式域适应虽然通过“迷惑判别器”实现分布对齐，但对提升类内紧凑性与类间分离度作用有限。更重要的是，现场断路器早期微弱故障常发生于带电运行状态，停机确认困难，导致获得的多数故障样本无标签，进一步制约了模型性能。
近年来，对比学习作为一种无监督特征学习方法[10]，通过最小化嵌入空间中相似样本的距离、最大化不相似样本的距离，实现类内紧凑、类间分离的低维表征，已在轴承机械故障诊断[11-13]、气体绝缘开关设备（Gas Insulated Switchgear, GIS）局部放电模式识别[14]和视频异常检测[15]等任务中取得良好效果。然而，在高压断路器机械故障诊断中，对比学习与域适应的联合应用尚少，如何在无标签小样本条件下实现高精确率、高可分性的跨域特征对齐仍是亟待解决的问题。
此外，现有高压断路器机械故障诊断模型多依赖数据驱动，缺乏对设备物理机理的约束，导致模型可解释性差，难以在工程实践中获得充分信任。相比之下，领域专家在诊断中会综合利用机械故障机理、特征提取规则和经验知识，这些来源于仿真与机理分析的先验知识具有较高的可信度和可解释性，为模型引入机理约束提供了有力依据[16]。
基于此，本文提出一种融合先验知识约束与对比域适应学习的高压断路器机械故障诊断方法。构建了先验知识指导的傅里叶特征学习网络，结合断路器物理先验引导即先验知识指导特征提取，提升强噪声下的特征鲁棒性。同时，提出基于对比损失的域适应策略，通过在源、目标域引入对比学习，增强类内紧凑性和类间可分性，提高无标签小样本下的跨域诊断性能。实验结果表明，该方法在强噪声、小样本条件下实现了高准确率、可靠的断路器机械故障诊断，为AI赋能的状态评估提供了新思路。
为实现无标记小样本高压断路器机械故障的高精确率、高泛化诊断，模型开发需重点解决以下两大问题：①构建基于先验知识约束的高压断路器机械故障特征学习网络，以增强模型在高噪声工况下的容错能力，实现深层次故障特征的有效提取；②设计针对无标签小样本场景的诊断策略，实现故障表征特征的自适应学习及小样本条件下的精准分类。为此，本文提出一种先验知识约束对比域适应学习模型。其由先验知识约束的傅里叶特征学习网络和对比域适应学习策略两个核心部分组成。
为获取更加丰富且具备针对性的高压断路器机械故障表征特征，本文提出了一种先验知识约束的傅里叶特征学习网络，整体结构如图1所示。该网络由先验特征提取和傅里叶特征学习两部分组成。在结构设计上，先验特征向量被直接输入到深度学习网络的全连接层，与傅里叶特征学习网络学习到的高维深度特征共同参与分类决策。先验特征提取通过引入基于故障激励-响应机理的物理先验信息，有效削弱了模型对大规模样本的依赖，同时利用物理特征对深度特征学习过程进行约束与引导，为模型提供更为可靠的监督信号，达到模型物理可解释性的目的。在傅里叶特征重构部分，针对高压断路器振动信号易受强噪声干扰，导致关键特征被淹没进而引发模型性能波动的问题，本文提出从幅值谱与相位谱两个维度对信号进行联合建模与特征细化，充分挖掘机械故障在频域的判别性信息。
图1 先验知识指导的傅里叶特征学习网络
Fig.1 Fourier feature learning network guided by prior knowledge
在先验特征提取部分，为充分利用专家经验与领域知识，本文从时域与频域两个维度提取高压断路器机械振动信号特征，构建用于模型学习的先验知识[17]。即基于断路器机械故障的激励-响应机理，将振动信号的时域统计特征与频域特征作为先验约束引入模型。这些先验约束来源于实际的物理过程与机理分析，基于断路器机械动作过程中典型故障机理所对应的特征敏感环节，能够与深度学习自动提取的特征形成互补，从而避免了完全依赖“黑盒”式的数据驱动。
具体而言，首先选取高压断路器机械故障诊断中常用的12项统计特征作为时域先验表征，包括均值、标准差、平方根幅值、绝对平均值、偏度、峭度、方差、峭度指标、峰值指标、波形指标、脉冲指标和偏度指标。这些特征能够分别从不同角度刻画高压断路器机械振动信号的整体水平、离散程度、能量大小、对称性、尖锐度及冲击特征等，是振动信号在故障诊断中被广泛采用的重要时域指标。随后利用快速傅里叶变换对振动信号进行频谱分析，从频域提取12项频域特征，用于描述机械振动的频域分布与能量特性，时域与频域特征的具体指标见表1。值得注意的是，pia为第ia个原始特征值，x(n)为第n个输入振动信号，N为样本总数，s(n)为xn经过快速傅里叶变换后的频域表示，fia为第ia个频率分量对应的频率值。
考虑到实际采集的振动信号来自不同电压等级、不同运行工况下的高压断路器，本文对上述24项特征进行标准化处理，以确保其在模型中的统一尺度和可比性。标准化过程为
表1 构建的先验知识
Tab.1 The constructed prior knowledge
指 标计算公式 时域均值 标准差 平方根幅值 绝对平均值 偏度 峭度 方差 峭度指标 峰值指标 波形指标 脉冲指标 偏度指标 频域均值 方差 偏度 峭度 重心频率 标准差 方均根值
（续）
指 标计算公式 频域平均频率 规整度 变异系数 八阶矩 十六阶矩
（1）
式中，mean(pi)和std(pi)分别为特征在样本集中的均值与标准差；
为标准化后的特征值。
随后，将这24个先验特征沿特征维度进行线性拼接，形成一个24维的完整先验特征向量，在拼接前对每个特征进行标准化处理，确保各特征具有可比性，并将其嵌入特征学习网络中，作为单一向量输入全连接层，实现先验知识引导的特征融合和学习过程。这种基于先验知识的引导机制，不仅能够有效提升模型在跨场景、小样本条件下的泛化能力，还能增强特征提取的稳定性与可靠性。
为实现强背景噪声条件下的高压断路器机械故障特征有效提取，本文引入傅里叶特征学习网络[18]，赋予模型在频域中对故障特征进行深度学习与噪声抑制的能力。在该网络中，卷积神经网络[19]首先承担自动特征学习的任务，其作用是通过多层卷积与非线性映射，从输入振动信号中提取潜在的时域模式与局部结构，而非直接对应均值、方差、峭度等具体物理指标。所获得的初步时域特征表示
可视为高维潜在表征，为后续频域特征建模提供输入支撑。
随后，引入离散傅里叶变换，将其转换至频域，以捕获高压断路器机械振动信号在不同频段上的能量分布与特征模式，从而增强模型对噪声与故障信号的区分能力，实现基于深度学习的自适应特征重构与噪声抑制。具体而言，重点提取0～5 000 Hz范围内的特征分量（覆盖断路器操作过程中主要机械振动频段），并在低频段（0～500 Hz）、中频段（500～2 000 Hz）和高频段（2 000～5 000 Hz）分别计算能量与相位特征，从而捕获机械冲击、运动摩擦与结构共振等不同类型的振动模式。这种设计使得模型在物理先验约束的基础上，同时具备数据驱动的强表征能力和跨域泛化性能。该过程可表示为
（2）
式中，l为序列长度；
为输入特征
的第m个通道在时域中第l个采样点的取值；
为第m个通道的第v个离散傅里叶系数；m为通道数，m∈{1,…, M}。
在对每个通道执行离散傅里叶变换后，得到的频域特征仍保持
的矩阵形状，但其元素为复数形式，同时包含信号的幅值和相位信息。为了便于后续建模与特征学习，这些复数元素被进一步分解为幅值分量和相位分量，并在3个预设频段内计算能量谱密度、主频率及相位偏移等指标，形成幅值特征集合与相位特征集合，以分别表征振动信号在频域中的能量分布与相位特性。由于输入特征的元素为实数，幅值分量和相位分量可通过以下公式进行计算。
（3）
（4）
（5）
式中，
和
分别为实部和虚部；j为虚数单位；
和
分别为幅值和相位。
接下来，将幅值分量A和相位分量分别与其对应的可学习特征优化器进行逐元素相乘，以实现基于频域的特征自适应提取与优化，可表示为
（6）
（7）
式中，
为逐元素相乘；
和
为权重；
和
量值的大小表示了相关频率的重要程度。这种设计的核心思想在于：不同类型的机械故障通常对应特定的特征频率。通过增强与故障相关的频率分量并抑制无关频率分量，能够有效突出关键故障特征，减少噪声干扰，从而提升模型对故障模式的识别能力和诊断准确率。
最后，优化后的分量重构方式为
（8）
并将优化后的特征逐通道通过逆离散傅里叶变换转换回时域，可表示为
（9）
傅里叶特征重构学习能够在频域空间中对输入信号进行多尺度表征，而引入先验特征则可在特征提取过程中为模型提供具有物理机理支撑的参考信息，从而在特征空间中形成更具判别性和物理意义的表示。
针对不同电压等级高压断路器在结构形式、操动机构上的差异，其采集到的振动信号在数据分布上往往存在显著差别。这种域间分布差异直接导致单一源域训练模型难以在目标域中保持诊断性能，传统方法难以实现有效泛化与类推。为解决该问题，近年来兴起的域自适应技术为跨域故障诊断提供了新的思路，其核心思想是通过特征分布对齐与迁移学习，使源域知识能够适用于目标域场景。
为实现无标签小样本条件下高压断路器机械故障的高精确率与高泛化诊断，本文提出了一种基于对比学习的无监督域自适应方法。与传统域自适应策略[20]相比，所开发的模型在源域与目标域均引入对比学习机制，使同类别样本在特征空间中分布更加紧凑，不同类别样本分布更加分离，从而显著增强了域内数据的可分性与判别性。
对比学习的关键在于构建合适的正匹配样本和负匹配样本对，从而学习到具有判别性和不变性的特征。在训练过程中，通过将同类别或相似样本作为正样本对，不同类别或不相似样本作为负样本对，模型能够在表征空间中自适应地调整特征分布，实现类内特征的紧凑聚合与类间特征的有效分离。常用的对比学习目标函数为InfoNCE损失[21]，其基本思想是在嵌入空间中最大化正样本对间的相似度，同时最小化负样本对间的相似度。该损失函数
可表示为
（10）
式中，q为锚点样本；
为与锚点相关的正样本，
为第i个负样本；和K为负样本数量；
为温度系数；函数
衡量样本间相似性。为了在嵌入空间中实现更优的特征对齐，本文采用了标准化点积作为相似性度量，以有效提升特征表示的区分性与稳定性，有
（11）
式中，k为与锚点样本进行相似性比较的对比样本特征向量。
然而，在无监督域适应问题中，源域Ds与目标域DT的数据分布存在显著差异，直接构建正负样本对可能导致语义不一致，甚至削弱模型的判别能力。因此，本文以类别信息为切入点，提出了一种跨域正负样本对构建策略，实现基于对比学习的跨域特征对齐。具体而言，无论其来自源域还是目标域，在嵌入空间中假设跨域同类样本应聚集，而跨域异类样本应分离。对比域适应学习训练策略如图2所示，即便同类样本在两个域中的分布差异较大，仍可通过对比学习在特征空间建立联系，缩小域间差距，实现分布对齐。
图2 对比域适应学习训练策略
Fig.2 Contrastive domain adaptation training strategy
在训练过程中，源域具有真实标签；而对于目标域，本文使用由网络预测得到的伪标签，即
（12）
式中，F和G分别表示分类和特征提取器；
为目标域中第u个样本。
基于此，
表示最大值索引运算；本文针为高压断路器机械故障诊断的域自适应问题提出了基于类别匹配的对比学习框架，通过先验知识约束的傅里叶特征学习网络提取的特征实现跨域对齐。值得注意的是，本文的方法是在文献[22]中提出的类别匹配对比学习思想的基础上，结合先验知识约束与傅里叶特征重构策略，构建了适用于高压断路器机械故障诊断的对比学习框架。具体地，将源域Ds中类别为c的样本
作为锚点，目标域中预测类别为c的样本作为其正样本，预测类别为C＼c的样本作为负样本，其中，c为某一具体故障类别，C为所有故障类别构成的集合，C＼c为除类别c之外的所有类别集合。与常规对比损失不同，该方法分母仅计算锚点与负样本的相似度。样本的对比损失
定义为
（13）
（14）
式中，
和
(
)分别为通过特征提取器G从样本和
中提取到的特征；
(
)为目标域DT中与属于相同（不同）类别的正（负）匹配样本集合；
为该集合中正匹配样本的数量；
为样本a与b之间的相似度度量函数（如余弦相似度）。由于每个锚点通常对应多个正样本，因此其对比损失是多个正样本配对损失的平均值。
最终，整个源域的对比损失
为
（15）
式中，ns为源域中的样本总数；
为所有源域输入样本组成的集合。
这种方法不仅能保持模型学习判别特征的能力，还能在特征空间中有效实现跨域对齐。考虑到本文的基本思想是通过实现实例级对比学习来解决域适应问题。整个框架的总损失仅包括源域的分类损失
[4]和跨域对比损失，其表达式为
（16）
（17）
式中，J为交叉熵损失函数；
为权衡参数。同时，通过对比域适应学习训练策略，将不同电压等级断路器在振动信号上的共性特征进行建模和对齐，保证了特征泛化与结果类推的合理性。
本文提出的先验知识约束对比域适应学习模型用于现场无标签小样本条件下的高压断路器机械故障诊断，整体流程如图3所示，具体包括以下步骤：
图3 机械故障诊断流程
Fig.3 Mechanical fault diagnosis process
（1）高压断路器故障诊断样本库建立与预处理。依托自主搭建的信号采集平台，获取高压断路器运行过程中的振动信号，选取10 kV真空断路器作为源域、252 kV SF6断路器作为目标域。采集到的信号通过归一化处理，以保障后续模型输入的一致性与有效性。实验中，源域样本集70%用于训练，剩余30%作为验证集用于模型性能评估。对于目标域样本，本文获得的无标签样本全部划分为训练集，获得的有标签样本充当测试集用于对模型性能评估。
（2）先验知识约束的傅里叶特征学习网络构建。以故障激励-响应机理为出发点，构建如图1所示的先验知识约束的傅里叶特征学习网络。通过引入先验物理特征提升模型物理可解释性，并从幅值与相位两个谱域提取和细化故障特征，实现对源域和目标域样本的深层关键特征融合与表征。
（3）基于对比学习的无监督域自适应训练。基于对比学习对样本数据进行数据增强与多轮训练，确保训练模型在实际运行状态下具有较强的适应能力；并基于类别匹配的对比学习框架，通过先验知识约束的傅里叶特征学习网络提取的特征实现跨域对齐。根据目标函数式（15）进行优化，经过指定迭代次数的学习，建立高压断路器机械故障模型。
（4）无标签小样本高压断路器机械故障诊断。利用上述训练完成的先验知识约束的傅里叶特征学习网络模型，对高压断路器的运行状态进行分类判断，实现对正常状态与多种典型机械故障状态的高精确率识别。最终，通过精确率、召回率与F1值等多维评价指标，综合评估模型在无标签小样本机械故障诊断任务中的性能表现。
本文采用两个不同电压等级下的高压断路器样本集分别作为源域和目标域用于模型的开发和验证。本实验采用VS1-ZN63A型12 kV真空断路器作为源域分析对象，所构建的高压断路器故障模拟系统如图4所示。实验中将CT1000L加速度传感器安装在离合闸弹簧最近的外壳上采集振动信号。CT1000L加速度传感器的电压灵敏度为5 mV/g，使用频率范围1～15 000 Hz，最大横向灵敏度小于5%，最大量程为1 000 g。
图4 VS1-ZN63A型高压断路器故障模拟系统
Fig.4 VS1-ZN63A high voltage circuit breaker fault simulation system
综合考虑高压断路器的常见故障类型及实验室的实际条件，本研究设置了四种不同的典型机械故障，其中包括传动导杆卡涩、铁心卡涩和工作电压波动（高、低）。不同类型故障设置细节如下：①故障1：传动连杆松动。高压断路器动作次数的增加会导致传动连杆松动，本实验通过拧松连杆螺母以模拟传动导杆的松动故障。②故障2：铁心卡涩。该故障是由于铁心污垢、铁心配合不合格等原因导致铁心阻力过大引起的，因此本实验通过向铁心中混入异物的方式模拟铁心卡涩故障。③故障3、4：工作电压波动。该故障由二次回路供电电源不稳导致，本实验通过控制操作电压U模拟操作电压波动，设置高电压工况为U=1.15Un，低电压工况为U=0.85Un，其中Un为额定电压。最终，获取源域包含正常状态以及每一类故障状态各250组数据构建源域样本库。
考虑到现场电压等级越高对设备的要求越高，其故障样本获取越为困难，为此以252 kV SF6断路器样本作为目标样本。所构建的252 kV高压断路器故障模拟系统如图5所示。
图5 252 kV SF6断路器故障模拟系统
Fig.5 The 252 kV SF6 circuit breaker fault simulation system
为了全面捕捉合闸过程中机械振动信号在空间中的分布特征，加速度传感器分别安装在操作机构及传动部件的关键位置，对应于空间直角坐标系的x、y、z三个方向，以获取不同安装方向下的振动响应信号并进行对比分析。实验结果表明，x方向的传感器布置更接近弹簧机构的主要振源位置，其采集到的信号在时域冲击特征和频域能量分布上与12 kV真空断路器单方向采集信号最为接近；而y、z两个方向的信号中则存在较多局部噪声干扰与低幅度响应，与典型机械故障模式的关联性相对较弱。基于上述分析，本文最终选择x方向信号作为目标域的输入数据，以保证源域与目标域在数据空间维度上的一致性，从而避免因传感器安装维度差异带来的偏差，确保跨域对比实验的可比性与可靠性。此时，故障类型设置与真空断路器上的故障类型设置相同。各类工况下振动加速度信号波形如图6所示。
如图6所示，不同工况下的高压断路器振动信号在时域波形上呈现出显著差异。正常状态下，振动信号整体幅值较小，波形分布集中，x、y、z三个方向的响应幅值均处于较低水平，能够较好地反映断路器在健康状态下的稳定机械特性；在传动连杆松动故障情况下，振动波形在动作瞬间出现明显的幅值突增与不规则波动，且在x、z方向上的表现尤为突出，这是由于连杆松动导致机构冲击加剧、机械耦合不稳定所引起的；在铁心卡涩故障情况下，振动信号表现为持续时间显著延长、能量高度集中，且衰减速度明显减缓，其主要原因在于铁心运动阻力增大，使得振动能量耗散不均匀；在工作电压波动故障下，振动波形特征随电压水平的变化而表现不同：当操作电压为高电压（115%Un）时，振动信号幅值显著增大，动作冲击更加明显，而在低电压（85%Un）条件下，振动幅值减小，但波形拖尾现象加重，表现为动作过程不完全、能量释放不足，这表明操作电压对机构动作速度及能量传递效率具有直接影响。在机械故障诊断尤其是高压断路器场景下，受限于实验条件与运行安全，难以获得大规模标注数据。为此，通过预处理，得到五种机械状态信号各50组。
图6 各类工况下振动信号波形
Fig.6 Vibration signal waveforms under various working conditions
本文所有实验均在配备Intel Core i7-10700F处理器、NVIDIA RTX 3080Ti GPU和32 GB内存的计算机上完成。模型基于Python 3.8、PyTorch 1.8.1与CUDA 10.2实现，采用Adam优化器进行训练，初始学习率设为0.000 1，批量大小为128，训练轮次为500，网络权重初始化采用Glorot正态分布。为全面评估模型在高压断路器机械故障诊断中的性能，选取精确率（Precision）、召回率（Recall）和F1分数（F1-score）作为评价指标。
为了验证本文提出的先验知识约束对比域适应学习网络（Prior-knowledge-constrained Contrastive Domain Adaptation Network, PCDAN）的优势，本文选择如下模型进行对比：①卷积神经网络（Con- volutional Neural Network, CNN）；②傅里叶特征重构网络（Fourier Feature Reconstruction Network, FFRN）；③域适应迁移学习（Domain Adaptation Transfer Learning, DATL）；④特征融合度量学习网络（Feature Fusion Metric-learning Network, FFMN）[23]；⑤对比学习（Contrastive Learning, CL）[14]。同时构建了如下的消融实验：①无先验知识约束对比域适应学习网络（Contrastive Domain Adaptation Network without prior-knowledge, CDAN）；②先验知识约束卷积对比域适应学习网络（Prior-knowledge-constrained Convolutional Contrastive Domain Adaptation Net- work, PCCDAN）：用卷积神经网络代替本文的傅里叶特征重构；③传统对比域适应（Conventional Contrastive Domain Adaptation, CCDA）：用传统的对比学习替代本文的基于类别匹配的对比学习框架。
在实验中，本文首先对24个先验特征的排列顺序进行了敏感性测试，以评估特征顺序对模型性能的影响。具体做法为：随机打乱特征向量的排列顺序，并在3个不同顺序下分别训练模型，记录模型在验证集上的主要指标，结果见表2。从表2中可以看出，无论特征排列顺序如何变化，模型性能指标的波动均在±0.5%以内，召回率和F1值的变化也非常有限。这说明网络在训练过程中能够自动学习特征之间的相对关系，对特征顺序的依赖性较低。因此，采用固定拼接顺序主要是为了保证实验可重复性及代码实现的规范性。
表2 特征排列顺序敏感性测试结果
Tab.2 Feature order sensitivity test results
特征排列顺序诊断结果(%) 精确率召回率F1 原始固定顺序97.3695.2894.89 随机顺序197.2895.3194.36 随机顺序296.8995.0994.91 随机顺序397.3894.8794.19
不同方法的高压断路器机械故障诊断结果见表3。从表3可以看出，CNN和FFRN在小样本和跨域条件下的诊断性能较低，精确率分别为30.54%和35.63%，F1值分别为29.85%和31.58%。这说明单纯依赖浅层卷积特征或频域特征重构，难以有效捕捉高压断路器机械振动信号中的关键故障模式，也无法克服跨域分布差异带来的性能下降。引入DATL后，精确率和F1值明显提升（分别为86.57%和84.15%），说明源域知识在目标域的迁移有效缓解了分布差异，但仍存在对小样本噪声敏感和特征判别能力不足的问题。进一步引入FFMN或CL后，模型增强了类内紧凑性和类间可分性，F1值分别达到91.23%和85.69%，显示对比约束有助于提升共享特征的判别性，但仍未充分利用先验知识信息。
表3 不同方法的高压断路器机械故障诊断结果
Tab.3 Diagnosis results of mechanical faults of high-voltage circuit breakers using different methods
方法诊断结果(%) 精确率召回率F1 CNN30.5430.2529.85 FFRN35.6332.3531.58 DATL86.5783.2684.15 FFMN92.3690.5991.23 CL89.9588.6785.69 CDAN90.6788.1789.05 PCCDAN95.2991.4590.87 CCDA92.5489.6390.53 PCDAN97.3695.2894.89
消融实验结果进一步验证了先验知识约束的重要作用。CDAN去掉了先验知识约束，其F1值为89.05%，低于完整的PCDAN（94.89%），说明仅依靠对比域适应无法充分提取跨域共享的判别特征。PCCDAN在保持先验约束的同时用卷积网络替代傅里叶特征重构，F1值为90.87%，表明傅里叶域特征对于振动信号的频谱细化和机理映射具有重要贡献。CCDA使用传统对比学习替代类别匹配对比框架，F1值为90.53%，进一步验证了类别匹配机制在跨域判别中可有效增强类间可分性和类内紧凑性。综上所述，PCDAN在精确率（97.36%）、召回率（95.28%）和F1值（94.89%）上均优于其他方法，显示了先验知识约束与傅里叶特征学习、对比域适应的有机结合在捕捉机械故障关键模式、抑制噪声干扰以及提升跨域泛化能力方面的显著优势。这进一步表明，先验特征不仅能提供物理解释性，还能显著增强模型在小样本和跨域条件下的诊断性能。
现场运行的高压断路器运行情况复杂，在振动信号采集过程中不可避免地受到噪声的干扰，对噪声的容错能力也是模型能够实际应用的关键。为此，在现有振动信号中加入不同信噪比的噪声以验证模型对噪声的应变能力。图7给出了不同信噪比下的高压断路器机械故障诊断结果。可以看出，随着信噪比的减小，所有方法的精确率、召回率和F1都明显降低。在-5 dB的强噪声下，PCDAN仍然可以达到96.89%的精确率，显著高于其他方法。可见，在不经过任何降噪处理的情况下所提PCDAN依旧表现出优越的抗噪性能和泛化性能。究其根本原因是由于强背景噪声的存在导致部分振动信号淹没在背景噪声中，傅里叶特征重构网络通过赋予模型频域学习的能力，从幅值和相位谱的角度来提取和细化高压断路器机械振动信号频域特征，增强与故障诊断相关的分量特征，实现了强背景噪声下高压断路器机械振动信号特征的可靠学习，从而提升了高压断路器机械故障诊断的精确率。
图7 不同信噪比下的高压断路器机械故障诊断结果
Fig.7 Fault diagnosis results under different signal-to-noise ratios
图8给出不同方法的混淆矩阵。可以看出，本文所提PCDAN模型在各类故障识别中均表现出优异的性能，除故障1外，其余状态的诊断精确率均超过95%，验证了PCDAN在多类别故障诊断中的可靠性与稳定性。进一步对比可见，与DATL、FFMN和CL方法相比，PCDAN在各类别故障上的诊断精确率均处于最高水平，体现了该方法在特征提取与特征对齐方面的优势。从故障误检与漏检角度分析，DATL、FFMN、CL和PCDAN将正常状态误判为异常的次数分别为3、3、2和1次，而在所有方法中，均未出现将故障误判为正常的情况（漏检次数为0）。这表明PCDAN在有效减少正常状态的误报率方面优于对比方法，同时保持了极低的故障漏检率，进一步凸显其在现场高压断路器机械故障诊断上的深远潜力。综上所述，PCDAN不仅在总体精确率上优于对比模型，还在降低误检率和防止漏检方面展现出显著的优势。
图8 不同方法的混淆矩阵
Fig.8 Confusion matrices of different methods
图9展示了不同方法的二维特征可视化结果，其中每个点对应一个振动样本，不同颜色代表不同类型的机械故障。从图9中可以观察到，采用本文所提PCDAN方法后，不同故障类别能够形成相对独立且紧密的聚类簇。虽然所有方法均存在一定的误聚类现象，但PCDAN的误聚类样本数量最少，表现出更优的类分离能力。相比之下，DATL、FFMN和CL方法在特定情况下会将部分高压断路器机械故障样本错误归入其他类别，导致类间边界模糊，聚类紧凑性和判别能力均不及PCDAN。此外，从聚类紧凑性来看，PCDAN方法所得的聚类簇内部结构更为紧密，类间间隔更为清晰，边界划分更为明显。可见，通过物理机理引导特征提取，结合对比域适应策略，模型能够捕捉跨域可迁移的共享特征，增强了类内紧凑性和类间可分性，从而显著提升了聚类精确率和诊断可靠性。
图9 不同方法的二维特征可视化结果
Fig.9 Two-dimensional feature visualization results of different methods
另外，现场运行的高压断路器故障概率很低，获取的样本大多为正常样本而导致故障样本稀缺。另外，由于不同类型故障出现概率的不同，样本类别间数量差异导致的不平衡性也是诊断模型鲁棒性的重要指标之一。图10给出了不同方法在样本不平衡性逐渐增强情况下的性能变化曲线，不平衡样本的构建方式见表4。从图10可以看出，随着样本不平衡程度的加剧，各模型的诊断精确率均有所下降，但本文提出的PCDAN的精确率下降幅度明显小于对比方法，表现出较好的鲁棒性。这表明该模型在样本类别分布不均时具有更强的稳定性。值得注意的是，在实验设计中，确保了样本数量最少类别的样本量仍高于模型的最低需求，以避免因极端数据不足而导致的性能劣化。综合来看，引入的先验知识指导与对比域适应学习有效地缓解了模型对大规模样本的依赖，使得模型在小样本和不平衡场景下仍能保持较高的诊断能力，体现了其在实际工程应用中的潜力。
图10 样本不平衡性逐渐增强情况下的性能变化曲线
Fig.10 Performance variation curves with increasing sample imbalance
表4 构建的非平衡样本集
Tab.4 The constructed unbalanced sample set
数据训练样本数量 正常故障1故障2故障3故障4 15050505050 25050505020 35050502520 45050302520 55025302520
本文以现场高压断路器机械故障诊断的实际场景为出发点，提出了一种基于先验知识约束和对比域适应学习的高压断路器机械故障诊断方法。通过故障先验知识约束以及融合傅里叶特征重构与类别匹配对比学习策略，实现了对多类别高压断路器机械故障的高精确率、强鲁棒性诊断，并在实验室自主搭建的实验平台上进行了验证。主要结论如下：
1）本文以高压断路器机械故障激励-响应机理为出发点，将先验知识引入特征建模，构建了傅里叶特征重构网络，使模型具备频域学习能力，能够从幅值和相位谱的角度增强故障特征分量，显著提升了在低信噪比条件下的诊断精确率和模型的物理可解释性。
2）所提对比域适应学习框架利用类别匹配构建跨域正负样本对，实现了源域与目标域特征的有效对齐，在无标签目标域数据和小样本条件下仍能学习到判别性特征，诊断精确率、召回率和F1值分别达到了97.36%、95.28%和94.89%，显著提高了模型在小样本高压断路器机械故障诊断任务中的泛化能力。
3）综合引入的先验知识约束与对比域适应策略，使PCDAN在多类别故障诊断中的精确率、召回率及F1值均显著优于对比方法，且在噪声干扰、样本不平衡等复杂条件下保持较高的鲁棒性与稳定性，表现出良好的现场高压断路器机械故障诊断的适用性。
参考文献
[1] 赵陈琛, 张国钢, 刘洁, 等. 基于物理信息和迁移网络的高压断路器弹簧操动机构机械参数辨识及故障诊断[J]. 电工技术学报, 2026, 41(6): 2073- 2085.
Zhao Chenchen, Zhang Guogang, Liu Jie, et al. Mechanical parameter identification and fault diagnosis of spring operating mechanism of high- voltage circuit breaker based on physical information and transfer network[J]. Transactions of China Electrotechnical Society, 2026, 41(6): 2073-2085.
[2] 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]. Transactions of China Electrotechnical Society, 2025, 40(12): 3994-4003.
[3] Yan Jing, Wang Yanxin, Yang Zhou, et al. Few-shot mechanical fault diagnosis for a high-voltage circuit breaker via a transformer–convolutional neural net- work and metric meta-learning[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 1-11.
[4] 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]. Transactions of China Electrotechnical Society, 2025, 40(12): 3994- 4003.
[5] Yang Qiuyu, Wang Zixuan, Ruan Jiangjun, et al. Small-sample fault diagnosis method for high-voltage circuit breakers via data augmentation and deep learning[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 3537411.
[6] 王艳新, 闫静, 王建华, 等. 基于多级二阶注意力孪生网络的小样本GIS局部放电诊断方法[J]. 电工技术学报, 2023, 38(8): 2255-2264.
Wang Yanxin, Yan Jing, Wang Jianhua, et al. Few-shot partial discharge diagnosis for gas-insulated switchgear using a novel multi-level second-order attention Siamese network[J]. Transactions of China Electrotechnical Society, 2023, 38(8): 2255-2264.
[7] Wang Yanxin, Yan Jing, Qi Meirong, et al. A novel meta-learning and network architecture search approach for few-shot high-voltage circuit breaker fault diagnosis[C]//2023 IEEE 6th International Electrical and Energy Conference (CIEEC), Hefei, China, 2023: 122-127.
[8] Wang Yanxin, Yan Jing, Wang Jianhua, et al. A novel hybrid transfer learning approach for small-sample high-voltage circuit breaker fault diagnosis on-site[J]. IEEE Transactions on Industry Applications, 2023, 59(4): 4942-4950.
[9] Wang Yanxin, Yan Jing, Ye Xinyu, et al. Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis[J]. IEEE Transactions on Industry Applications, 2022, 58(3): 3353-3360.
[10] 阎光伟, 张云馨, 符哲源, 等. 基于改进集合预测网络的输变电设备故障知识图谱构建方法[J]. 电工技术学报, 2025, 40(15): 4976-4987.
Yan Guangwei, Zhang Yunxin, Fu Zheyuan, et al. The construction method of fault knowledge graph for transmission and transformation equipment based on improved set prediction network[J]. Transactions of China Electrotechnical Society, 2025, 40(15): 4976- 4987.
[11] 杨夏洁, 林子谦, 徐丹丹, 等. 基于联邦对比学习的航天器故障诊断[J]. 计算机应用研究, 2025, 42(8): 2467-2473.
Yang Xiajie, Lin Ziqian, Xu Dandan, et al. Spacecraft fault diagnosis based on federated comparative learning[J]. Application Research of Computers, 2025, 42(8): 2467-2473.
[12] An Yiyao, Zhang Ke, Chai Yi, et al. Domain adaptation network base on contrastive learning for bearings fault diagnosis under variable working con- ditions[J]. Expert Systems with Applications, 2023, 212: 118802.
[13] Yang Chaoying, Liu Jie, Xu Qi, et al. A generalized graph contrastive learning framework for few-shot machine fault diagnosis[J]. IEEE Transactions on Industrial Informatics, 2024, 20(2): 2692-2701.
[14] Wang Yanxin, Yan Jing, Jing Qianzhen, et al. Self- supervised representation learning for GIS partial discharge condition assessment[C]//Proceedings of the 1st Electrical Artificial Intelligence Conference, Nanjing, China, 2024: 332-342.
[15] Gao Honghao, Jiang Wangyang, Ran Q, et al. Vision- language interaction via contrastive learning for surface anomaly detection in consumer electronics manufacturing[J]. IEEE Transactions on Consumer Electronics, 2024, 70(3): 6119-6130.
[16] Zhou Yuhang, Zhang Qiang, Huang Ting, et al. Prior knowledge-augmented meta-learning for fine-grained fault diagnosis[J]. IEEE Transactions on Industrial Informatics, 2024, 20(6): 8115-8124.
[17] Zhang Tianci, Chen Jinglong, He Shuilong, et al. Prior knowledge-augmented self-supervised feature learning for few-shot intelligent fault diagnosis of machines[J]. IEEE Transactions on Industrial Electronics, 2022, 69(10): 10573-10584.
[18] Wang Huan, Luo Wenjun, Liu Zhiliang, et al. Fourier feature refiner network with soft thresholding for machinery fault diagnosis under highly noisy conditions[J]. IEEE Internet of Things Journal, 2024, 11(13): 22880-22891.
[19] Yan Jing, Wang Yanxin. High-voltage circuit breaker intelligent diagnosis technology for mechanical faults under power Internet of Things context[C]//2020 IEEE International Conference on High Voltage Engineering and Application (ICHVE), Beijing, China, 2020: 1-4.
[20] 王涛, 杨远, 申冰洁. 面向运行场景变化的判别式域适应暂态稳定评估[J]. 电工技术学报, 2025, 40(10): 3301-3314.
Wang Tao, Yang Yuan, Shen Bingjie. A discrimi- native domain-adaptive transient stability assessment framework for operating scenario variations[J]. Transactions of China Electrotechnical Society, 2025, 40(10): 3301-3314.
[21] 王艳新, 闫静, 王建华, 等. 基于域对抗迁移卷积神经网络的小样本GIS绝缘缺陷智能诊断方法[J]. 电工技术学报, 2022, 37(9): 2150-2160.
Wang Yanxin, Yan Jing, Wang Jianhua, et al. Intelligent diagnosis for GIS with small samples using a novel adversarial transfer learning in convolutional neural network[J]. Transactions of China Electro- technical Society, 2022, 37(9): 2150-2160.
[22] Ning Yujie, Peng Jiangtao, Liu Quanyong, et al. Contrastive learning based on category matching for domain adaptation in hyperspectral image classifica- tion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61: 5301814.
[23] 王艳新, 闫静, 王建华, 等. 基于特征融合度量学习的高压断路器机械故障诊断[J]. 仪器仪表学报, 2022, 43(9): 98-105.
Wang Yanxin, Yan Jing, Wang Jianhua, et al. Mechanical fault diagnosis for high voltage circuit breaker via a novel feature fusion metric learning[J]. Chinese Journal of Scientific Instrument, 2022, 43(9): 98-105.
Abstract Although data-driven models for mechanical fault diagnosis of high-voltage circuit breakers (HVCBs) have demonstrated the ability to extract health-related features from monitoring signals, their performance in practical field scenarios is often constrained by the scarcity of fault samples, insufficient labeling, and the lack of mechanistic constraints. These limitations lead to insufficient feature representation, limited generalization, and reduced interpretability, hindering the deployment of these models in engineering applications. This paper proposes a self-supervised contrastive domain adaptation framework that leverages prior knowledge to achieve high-precision mechanical fault diagnosis of HVCBs under small-sample, unlabeled conditions.
First, a Fourier feature learning network incorporating prior knowledge is developed to extract more informative, physically meaningful features. The network integrates insights into fault mechanisms derived from the excitation–response behavior of HVCB mechanical components, guiding the extraction and refinement of frequency-domain features from both the amplitude and phase spectra. It effectively enhances the model’s robustness to strong noise and reduces its dependence on large-scale labeled datasets. By fusing prior knowledge with deep Fourier features, the network achieves physically interpretable feature representations that accurately reflect the underlying fault mechanisms.
Second, a contrastive domain adaptation strategy is introduced to address distributional differences between the source and target domains, which may arise from variations in voltage levels, structural configurations, and operating mechanisms across different HVCBs. The proposed strategy employs contrastive learning to simultaneously align features in the source and target domains. By constructing positive and negative sample pairs based on class correspondence, the model enhances intra-class compactness and inter-class separability. This approach enables effective feature representation and cross-domain generalization even with unlabeled target data and small sample sizes. Multi-round training with data augmentation further strengthens the model's adaptability to real-world operating conditions.
The proposed framework integrates Fourier feature learning, guided by prior knowledge, and contrastive domain adaptation into a unified model. The model is validated on two independently developed HVCB diagnostic platforms, covering multiple mechanical fault types and normal operating states. The results demonstrate that the proposed approach achieves diagnostic accuracy, recall, and F1 scores of 97.36%, 95.28%, and 94.89%, respectively. Notably, the model maintained high performance under strong noise and sample imbalance. A comparative analysis with baseline and conventional methods confirms that integrating prior knowledge and contrastive domain adaptation significantly improves diagnostic performance across multiple fault categories.
In conclusion, by combining physically guided Fourier feature extraction with domain-adaptive contrastive learning, the proposed framework not only achieves high-precision fault recognition but also ensures interpretability and practical applicability. The experimental results highlight its potential for deployment in real-world engineering environments, providing a reliable and robust tool for intelligent monitoring and predictive maintenance of HVCBs.
keywords：High-voltage circuit breaker, fault diagnosis, prior knowledge, contrastive domain adaptation, Fourier feature learning
DOI: 10.19595/j.cnki.1000-6753.tces.251430
中图分类号：TM561; TP18
收稿日期 2025-08-15
改稿日期 2025-08-29
王艳新 男，1995年生，助理教授，研究方向为电力设备在线检测与故障诊断技术。E-mail: yanxinwang@xjtu.edu.cn
闫 静 男，1973年生，副教授，研究方向为新型开关电器理论与技术、电力设备监测与诊断。E-mail: yanjing@xjtu.edu.cn（通信作者）
（编辑 崔文静）