简介这是一份讲解RBF-BP复合神经网络在变压器故障诊断中应用的PDF论文适合电力系统运维人员、神经网络与故障诊断方向的研究者及学生参考。文档从变压器故障诊断的工程痛点出发介绍将BP网络的预测能力与RBF网络的非线性逼近能力相结合的五层复合网络结构并给出以油中溶解气体含量为输入的仿真试验过程包含网络训练误差曲线与实际输出数据表能帮助读者理解该方法的建模思路与实现效果并可作为相关实验设计的参考模板。整个压缩包仅含1个PDF文件大小1.23MB文档结构清晰包含摘要、原理分析、结构图、样本训练与检验等完整内容便于快速阅读和复现。目前已有117人学习浏览适合希望快速掌握RBF-BP组合模型应用方法的入门及进阶学习者。1. RBF-BP复合神经网络不是把两个网络叠起来那么简单变电检修现场最常见的场景是一台主变油色谱在线监测数据波动了几天运维人员把 DGA油中溶解气体分析报表调出来面对 H₂、CH₄、C₂H₂、C₂H₆、C₂H₄ 那一串体积分数一时拿不准该按过热的思路查还是按放电的思路查。三比值法能划出大致边界但落到边界案例上编码组合对不上、产气速率又处于临界状态时误判率会明显上抬。变压器故障诊断本质上是一个多组分气体到故障模式的非线性分类问题神经网络做这类映射本身不新鲜新在为什么要用 RBF 和 BP 两种网络复合而不是直接加深某一类网络的层数。RBF 擅长局部刻画BP 擅长全局分类面拟合复合结构能在样本量不大、噪声不小的实际数据上拿到比单一网络更稳的诊断结果。本文按「单网络为什么不够 → 特征怎么构建 → 复合网络怎么搭 → 结果怎么验证」这条线把一套可直接落地的方案讲透。2. BP 和 RBF 各自的短板恰好是对方的长处2.1 BP 在变压器故障诊断里的三个具体痛点BP 网络是典型的多层前馈结构误差反向传播更新权值。对变压器故障诊断来说它的问题是结构性的不是调参能完全解决的。第一个痛点是收敛慢。DGA 特征输入往往是 5 到 7 维隐含层节点一多权值数量跟着涨每个样本都要走一轮正向计算加一轮反向传播。变压器故障样本通常只有几百条到上千条网络容量大了就过拟合容量小了又学不到位这个剪刀差在 BP 上表现得最明显。第二个痛点是易陷入局部极小。BP 的误差曲面在权值空间里是非凸的不同的随机初始化会收敛到完全不同的诊断精度。同一个数据集换一个随机种子测试集准确率可能差 5 到 8 个百分点这对工程交付很难接受。第三个痛点是样本分布不均衡时的偏向性。变压器故障类型里中低温过热和正常样本往往占大多数高能放电和局部放电样本稀少。BP 用梯度下降更新权值时多数类贡献的梯度更大网络会倾向把少数类也判成多数类表面准确率不低但真正需要抓的放电故障反而漏掉。2.2 RBF 的局部逼近能力与规模限制RBF 网络的结构是输入层、隐藏层径向基神经元、线性输出层。每个隐藏神经元的激活值由输入向量与该神经元中心之间的欧氏距离决定经过径向基函数通常用高斯函数映射后输出。这带来一个和 BP 本质不同的行为输入离某个中心越近这个神经元响应越强离得远响应趋近于零。整体上是局部逼近不像 BP 那样所有节点同时参与计算。这个特性的工程价值在于变压器故障样本在特征空间里往往是聚团的同一类故障的数据点分布相对集中RBF 的局部感受野天然适合刻画这种聚团结构。但它有两个边界问题。第一中心数量怎么定没有解析解中心太少局部刻画粗糙中心太多过拟合噪声点。第二RBF 输出层是线性的对复杂的非线性分类边界拟合能力有限单独使用时在故障重叠区域的判别力不足。2.3 复合连接的常见结构串行特征重标定还是并行决策融合RBF-BP 复合网络没有唯一的接法实践中两种结构最常见。一种是串行结构。RBF 层放在前面把输入的 DGA 特征向量映射到高维径向基空间RBF 层的输出每个神经元对该样本的响应值拼接或直接作为 BP 层的输入。这样 BP 看到的不是原始气体浓度而是经过局部相似度刻画的中间表征。相当于 RBF 先做了一次非线性的特征重标定BP 在这个重标定后的空间里学分类面。这个结构的优点是两级网络分工清晰RBF 负责「这组数据像哪几类已知模式」BP 负责「这些模式组合起来对应什么故障」。另一种是并行结构。RBF 网络和 BP 网络分别接收原始特征或不同子特征各自的输出向量拼接后送到一个融合层做最终决策。并行结构的好处是两类网络的特征视角互不干扰缺点是参数量大样本少时融合层容易过拟合。变压器故障诊断的样本规模通常撑不起并行结构的参数量所以我一般建议走串行方案下面各章的实现和参数讨论也都以串行结构为主线。复合之后网络的行为发生了本质变化RBF 层用无监督方式先学数据分布结构BP 层在局部响应特征之上学判别边界两类误差互补诊断结果不再对单个网络的初始化那么敏感。特性BPRBF复合网络串行逼近方式全局逼近局部逼近局部刻画 全局分类收敛速度慢依赖学习率快中心确定后接近线性两阶段整体可控对初始化敏感度高中低样本量需求较多中中分类边界拟合强较弱强可解释性弱中中心可视中用串行复合结构等于用 RBF 把数据先做了一次非线性变换BP 再在这个变换空间里做线性到非线性的映射两个网络各自的缺陷都被对方的特性对冲掉。这就是复合网络在变压器故障诊断场景下值得用、而且能见效的根本原因。3. 从 DGA 原始浓度到输入向量特征构建决定诊断上限3.1 特征气体与故障类型的关系不能靠直觉变压器油中溶解气体的来源不同对应的故障模式也不同。常见做法是取 H₂、CH₄、C₂H₆、C₂H₄、C₂H₂ 五种特征气体再加上 CO 和 CO₂ 用于区分固体绝缘过热。泛泛地把七种气体浓度直接喂进网络效果往往不理想。原因一是浓度绝对值受变压器油量、负荷率影响大同一故障在不同设备上数值可能差一个数量级二是网络要花大量容量去学「数值大小」这个与故障无关的信息。所以在构建输入向量前先要把浓度数据做两层变换。第一层是比值变换把绝对浓度转成气体之间的相对关系这也是三比值法和罗杰斯法的核心思想第二层是归一化把比值映射到网络激活函数比较灵敏的区间。3.2 比值编码与归一化的代码实现这里给出一段可直接用于数据预处理的 Python 代码。假设从油色谱在线监测系统导出 CSV 文件字段包含氢气、甲烷、乙烷、乙烯、乙炔的体积分数单位 μL/L。import pandas as pd import numpy as np df pd.read_csv(dga_data.csv, encodinggbk) # 原始七组分浓度字段 gas_cols [H2, CH4, C2H6, C2H4, C2H2, CO, CO2] # 加一个极小值避免除零 eps 1e-6 for col in gas_cols: df[col] df[col].replace(0, eps) # 第一层比值变换这是诊断信息最集中的部分 ratio_cols {} ratio_cols[CH4_H2] df[CH4] / (df[H2] eps) ratio_cols[C2H2_C2H4] df[C2H2] / (df[C2H4] eps) ratio_cols[C2H4_C2H6] df[C2H4] / (df[C2H6] eps) ratio_cols[CO2_CO] df[CO2] / (df[CO] eps) ratio_df pd.DataFrame(ratio_cols) # 第二层对数压缩 标准化抑制长尾分布 log_ratio np.log1p(ratio_df.values) # log1p 避免负无穷 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X scaler.fit_transform(log_ratio) # 聚类用的原始特征也保留后面 RBF 中心初始化和联合特征会用到 X_raw df[gas_cols].values X_raw_scaled scaler.fit_transform(np.log1p(X_raw))这段代码的关键逻辑有三个一是用eps处理零浓度。实际 DGA 数据里 C₂H₂ 经常是 0直接用除法会产生除零错误替换成极小值后比值变成极大数但后续log1p会把它压缩回有限区间不影响特征稳定性。二是比值选择。CH₄/H₂ 主要区分热性故障和电性故障C₂H₂/C₂H₄ 是判断放电严重程度最关键的比值C₂H₄/C₂H₆ 反映热分解温度区间CO₂/CO 用于判断固体绝缘老化程度。这四个比值覆盖了变压器故障诊断最主要的判据维度。三是先取对数再标准化。变压器气体的比值分布呈典型的对数正态特征少数样本会落在几十甚至上百的量级直接标准化后这些样本会占据特征空间极端位置RBF 的局部响应会全部塌向零导致网络退化。对数压缩把长尾拉回来RBF 中心才有意义。提示不要直接对原始浓度做标准化后送进网络。原始浓度里的设备差异信息会被网络当作「分类特征」学习导致模型对新设备的数据泛化能力明显下降。3.3 样本不均衡的工程处理变压器故障诊断数据集里正常状态和过热故障样本往往占大头放电类故障样本稀少。直接用原始分布训练复合网络会学到偏向多数类的决策边界。常见的处理办法有两种可以叠加使用。第一种是对稀少类别做数据合成。SMOTE 或其变体在特征空间里对少数类样本做插值生成合成样本。注意要在比值变换和归一化之后做合成不要用原始浓度做否则合成样本可能落在不合理的物理区间。第二种是调整损失函数的类别权重。PyTorch 里直接在交叉熵损失里传weight参数权重与样本数成反比即可。这样不需要生成额外样本也避免了合成数据引入的噪声。数据层面的工作做到这里才能保证后面复合网络学到的东西不是由数据分布偏差主导的。特征构建是变压器故障诊断里最花时间、也最容易被低估的一步网络结构反而是相对标准化的部分。4. 搭建 RBF-BP 复合网络结构设计、参数与训练策略4.1 用 K-Means 初始化 RBF 层的中心与宽度RBF 层的关键参数是中心矩阵和宽度。中心的数量和位置直接决定局部感受野的分布形态。常见做法是使用 K-Means 聚类在训练集特征空间里找到 K 个簇中心以簇中心作为 RBF 神经元的中心。这里给出基于 PyTorch 的实现方式。import torch import torch.nn as nn from sklearn.cluster import KMeans class RBFLayer(nn.Module): def __init__(self, in_features, num_centers, sigma_init1.0): super().__init__() self.num_centers num_centers # 中心矩阵每一个中心是特征空间里的一个点 self.centers nn.Parameter(torch.randn(num_centers, in_features)) # 宽度参数每个中心独立一个 sigma self.log_sigma nn.Parameter(torch.log(torch.full((num_centers,), sigma_init))) def forward(self, x): # x: (batch, in_features) diff x.unsqueeze(1) - self.centers.unsqueeze(0) # (batch, num_centers, in_features) dist_sq (diff ** 2).sum(dim2) # (batch, num_centers) sigma torch.exp(self.log_sigma).unsqueeze(0) # (1, num_centers) return torch.exp(-dist_sq / (2.0 * sigma ** 2)) def init_centers_with_kmeans(rbf_layer, X, k): km KMeans(n_clustersk, random_state42, n_init10) km.fit(X) with torch.no_grad(): rbf_layer.centers.copy_(torch.tensor(km.cluster_centers_, dtypetorch.float32)) # 用各簇内样本到中心距离的中位数作为 sigma 初值 dists km.transform(X) # (n_samples, k) medians np.median(dists, axis0) rbf_layer.log_sigma.copy_(torch.log(torch.tensor(medians 1e-3, dtypetorch.float32)))这段代码里有两个细节值得注意。一个是中心参数用了nn.Parameter意味着后面反向传播时中心会继续被微调。K-Means 只负责提供一个好的初始状态防止训练初期梯度方向混乱训练后期 RBF 中心跟着分类损失一起优化局部感受野会向分类边界附近偏移这是复合网络精度超过纯静态 RBF 网络的原因之一。另一个是宽度 sigma 的初始化用了簇内距离中位数。如果 sigma 设得太大每个 RBF 神经元响应范围重叠严重局部性丧失设得太小所有样本的 RBF 输出都趋近于零梯度无法回传。用中位数做一个量级正确的起点再由网络自行调整是稳定性最高的方案。4.2 复合网络整体结构与参数速查表RBF 层输出的是每个样本对 K 个中心的相似度向量这个向量的维度就是 K。接下来接 BP 层。考虑到故障诊断任务的分类数通常是 5 到 7 类BP 部分保持一个隐含层就够用深度堆叠在这个样本规模下没有收益。class RBFBPModel(nn.Module): def __init__(self, in_features, num_centers, hidden_size, num_classes): super().__init__() self.rbf RBFLayer(in_features, num_centers) self.fc1 nn.Linear(num_centers, hidden_size) self.fc2 nn.Linear(hidden_size, num_classes) self.dropout nn.Dropout(0.3) def forward(self, x): r self.rbf(x) # 局部相似度特征 h torch.relu(self.fc1(r)) # BP 第一层 h self.dropout(h) return self.fc2(h) # 输出各类别 logitsRBF 层的 K 值、BP 隐含层宽度、dropout 系数、学习率和训练轮数这五个参数是这套方案的核心调节对象。逐项说明如下。参数推荐范围调节原则KRBF 中心数1040K 约等于故障类别数的 25 倍起步观察验证集确定BP 隐含层宽度1664超过 RBF 输出维度的 2 倍后收益递减dropout 系数0.20.4样本量低于 500 时取大值样本充足取小值学习率1e-31e-2RBF 层和 BP 层可以分开设置训练轮数100300用验证集早停不要盲目多训4.3 分阶段训练策略先固定 RBF再联合微调复合网络最忌讳的就是从零开始把所有参数一起随机梯度下降。原因在于 RBF 层的中心如果初始是随机的BP 层能学到的东西极其有限梯度回传到 RBF 层后会把中心推得乱七八糟网络直接失效。分阶段训练是保证稳定性的核心手段。from torch.utils.data import DataLoader, TensorDataset X_tensor torch.tensor(X, dtypetorch.float32) y_tensor torch.tensor(y, dtypetorch.long) # 阶段一只用 RBF 输出接一个线性分类头无监督学特征映射 model RBFBPModel(in_featuresX.shape[1], num_centers30, hidden_size32, num_classes6) init_centers_with_kmeans(model.rbf, X, 30) for param in model.rbf.parameters(): param.requires_grad False optimizer torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-2) loss_fn nn.CrossEntropyLoss() dataset TensorDataset(X_tensor, y_tensor) loader DataLoader(dataset, batch_size32, shuffleTrue) for epoch in range(50): for xb, yb in loader: optimizer.zero_grad() out model(xb) loss loss_fn(out, yb) loss.backward() optimizer.step() # 阶段二放开 RBF 层降低学习率联合微调 for param in model.rbf.parameters(): param.requires_grad True optimizer torch.optim.Adam([ {params: model.rbf.parameters(), lr: 1e-3}, {params: model.fc1.parameters(), lr: 1e-3}, {params: model.fc2.parameters(), lr: 1e-3}, ]) best_acc 0.0 for epoch in range(200): model.train() for xb, yb in loader: optimizer.zero_grad() out model(xb) loss loss_fn(out, yb) loss.backward() optimizer.step() # 验证集早停逻辑此处省略具体实现分阶段策略的设计逻辑是第一阶段 RBF 中心固定为 K-Means 结果BP 层实际上是在学「聚类响应到故障类别」的映射这一步收敛很快通常 3050 轮就够了。第二阶段把 RBF 中心、宽度和 BP 权值一起微调学习率降到第一阶段的十分之一让中心在分类损失引导下小幅移动修正 K-Means 纯无监督聚类造成的边界偏差。一个常见的坑K 值设置得过大比如超过 60。中心太多时每个中心覆盖的样本太少RBF 输出向量呈稀疏形态BP 层会集中依赖少数神经元dropout 失效测试集上的表现波动很大。判断 K 是否过拟合的方法是看 RBF 层输出矩阵的稀疏度如果大多数样本的 RBF 激活值里只有不到 3 个神经元大于 0.1说明 K 偏大需要下调。5. 验证与工程落地混淆矩阵、交叉验证与一个必须避开的坑5.1 评估指标不能只盯总体准确率变压器故障诊断里不同故障类别的重要性完全不对称。中低温过热误判成高温过热运维人员去查冷却系统可能白跑一趟但高能放电误判成过热可能直接错过一次严重绝缘缺陷。模型评估必须分故障类别逐个看召回率。用 sklearn 直接在测试集上计算混淆矩阵和分类别指标代码很标准。关键在读懂输出不要只看accuracy_score一个数。各类别召回率的列表比总准确率更能反映模型是否偏向多数类。在样本不均衡时宏平均 F1 分数是比准确率可靠得多的模型选择指标。5.2 交叉验证的划分方式影响结果可信度变压器 DGA 数据的一个天然特性是同一台设备在不同时间点采样会产生多条样本这些样本之间存在强相关性。如果随机划分训练集和验证集同一台设备的样本会被同时分到两边模型在验证集上的表现会虚高。交叉验证应该按设备分组切分。把所有样本按设备 ID 分组用GroupKFold代替普通的KFold保证训练集和验证集里出现的是完全不同的设备。这样评估出的精度才是模型面对新安装变压器时的真实表现。5.3 最后一个容易忽略的细节特征和标签的时间对齐变压器故障诊断建模中油色谱数据的时间点和故障类型标签的时间点经常存在错位。实际运维中故障不是瞬时发生的气体积累是一个过程。拿当前的气体浓度去匹配几个月后才确认的故障类型模型学到的映射关系就是混乱的。正确做法是取故障确诊时刻之前一段窗口内的气体数据作为特征并做多时间点平均或取变化速率作为补充特征。这个细节对模型在真实运维场景中的效果影响往往比网络结构的调整大得多。特征构建与标签对齐是这类诊断项目里最值得花时间的环节RBF-BP 复合网络只是最后承接这些工程判断的分类器。参数可以调结构可以换但数据层面没对齐换什么网络都救不回来。本文还有配套的精品资源点击获取 RBF-BP复合神经网络：变压器DGA故障诊断的工程实现
简介这是一份讲解RBF-BP复合神经网络在变压器故障诊断中应用的PDF论文适合电力系统运维人员、神经网络与故障诊断方向的研究者及学生参考。文档从变压器故障诊断的工程痛点出发介绍将BP网络的预测能力与RBF网络的非线性逼近能力相结合的五层复合网络结构并给出以油中溶解气体含量为输入的仿真试验过程包含网络训练误差曲线与实际输出数据表能帮助读者理解该方法的建模思路与实现效果并可作为相关实验设计的参考模板。整个压缩包仅含1个PDF文件大小1.23MB文档结构清晰包含摘要、原理分析、结构图、样本训练与检验等完整内容便于快速阅读和复现。目前已有117人学习浏览适合希望快速掌握RBF-BP组合模型应用方法的入门及进阶学习者。1. RBF-BP复合神经网络不是把两个网络叠起来那么简单变电检修现场最常见的场景是一台主变油色谱在线监测数据波动了几天运维人员把 DGA油中溶解气体分析报表调出来面对 H₂、CH₄、C₂H₂、C₂H₆、C₂H₄ 那一串体积分数一时拿不准该按过热的思路查还是按放电的思路查。三比值法能划出大致边界但落到边界案例上编码组合对不上、产气速率又处于临界状态时误判率会明显上抬。变压器故障诊断本质上是一个多组分气体到故障模式的非线性分类问题神经网络做这类映射本身不新鲜新在为什么要用 RBF 和 BP 两种网络复合而不是直接加深某一类网络的层数。RBF 擅长局部刻画BP 擅长全局分类面拟合复合结构能在样本量不大、噪声不小的实际数据上拿到比单一网络更稳的诊断结果。本文按「单网络为什么不够 → 特征怎么构建 → 复合网络怎么搭 → 结果怎么验证」这条线把一套可直接落地的方案讲透。2. BP 和 RBF 各自的短板恰好是对方的长处2.1 BP 在变压器故障诊断里的三个具体痛点BP 网络是典型的多层前馈结构误差反向传播更新权值。对变压器故障诊断来说它的问题是结构性的不是调参能完全解决的。第一个痛点是收敛慢。DGA 特征输入往往是 5 到 7 维隐含层节点一多权值数量跟着涨每个样本都要走一轮正向计算加一轮反向传播。变压器故障样本通常只有几百条到上千条网络容量大了就过拟合容量小了又学不到位这个剪刀差在 BP 上表现得最明显。第二个痛点是易陷入局部极小。BP 的误差曲面在权值空间里是非凸的不同的随机初始化会收敛到完全不同的诊断精度。同一个数据集换一个随机种子测试集准确率可能差 5 到 8 个百分点这对工程交付很难接受。第三个痛点是样本分布不均衡时的偏向性。变压器故障类型里中低温过热和正常样本往往占大多数高能放电和局部放电样本稀少。BP 用梯度下降更新权值时多数类贡献的梯度更大网络会倾向把少数类也判成多数类表面准确率不低但真正需要抓的放电故障反而漏掉。2.2 RBF 的局部逼近能力与规模限制RBF 网络的结构是输入层、隐藏层径向基神经元、线性输出层。每个隐藏神经元的激活值由输入向量与该神经元中心之间的欧氏距离决定经过径向基函数通常用高斯函数映射后输出。这带来一个和 BP 本质不同的行为输入离某个中心越近这个神经元响应越强离得远响应趋近于零。整体上是局部逼近不像 BP 那样所有节点同时参与计算。这个特性的工程价值在于变压器故障样本在特征空间里往往是聚团的同一类故障的数据点分布相对集中RBF 的局部感受野天然适合刻画这种聚团结构。但它有两个边界问题。第一中心数量怎么定没有解析解中心太少局部刻画粗糙中心太多过拟合噪声点。第二RBF 输出层是线性的对复杂的非线性分类边界拟合能力有限单独使用时在故障重叠区域的判别力不足。2.3 复合连接的常见结构串行特征重标定还是并行决策融合RBF-BP 复合网络没有唯一的接法实践中两种结构最常见。一种是串行结构。RBF 层放在前面把输入的 DGA 特征向量映射到高维径向基空间RBF 层的输出每个神经元对该样本的响应值拼接或直接作为 BP 层的输入。这样 BP 看到的不是原始气体浓度而是经过局部相似度刻画的中间表征。相当于 RBF 先做了一次非线性的特征重标定BP 在这个重标定后的空间里学分类面。这个结构的优点是两级网络分工清晰RBF 负责「这组数据像哪几类已知模式」BP 负责「这些模式组合起来对应什么故障」。另一种是并行结构。RBF 网络和 BP 网络分别接收原始特征或不同子特征各自的输出向量拼接后送到一个融合层做最终决策。并行结构的好处是两类网络的特征视角互不干扰缺点是参数量大样本少时融合层容易过拟合。变压器故障诊断的样本规模通常撑不起并行结构的参数量所以我一般建议走串行方案下面各章的实现和参数讨论也都以串行结构为主线。复合之后网络的行为发生了本质变化RBF 层用无监督方式先学数据分布结构BP 层在局部响应特征之上学判别边界两类误差互补诊断结果不再对单个网络的初始化那么敏感。特性BPRBF复合网络串行逼近方式全局逼近局部逼近局部刻画 全局分类收敛速度慢依赖学习率快中心确定后接近线性两阶段整体可控对初始化敏感度高中低样本量需求较多中中分类边界拟合强较弱强可解释性弱中中心可视中用串行复合结构等于用 RBF 把数据先做了一次非线性变换BP 再在这个变换空间里做线性到非线性的映射两个网络各自的缺陷都被对方的特性对冲掉。这就是复合网络在变压器故障诊断场景下值得用、而且能见效的根本原因。3. 从 DGA 原始浓度到输入向量特征构建决定诊断上限3.1 特征气体与故障类型的关系不能靠直觉变压器油中溶解气体的来源不同对应的故障模式也不同。常见做法是取 H₂、CH₄、C₂H₆、C₂H₄、C₂H₂ 五种特征气体再加上 CO 和 CO₂ 用于区分固体绝缘过热。泛泛地把七种气体浓度直接喂进网络效果往往不理想。原因一是浓度绝对值受变压器油量、负荷率影响大同一故障在不同设备上数值可能差一个数量级二是网络要花大量容量去学「数值大小」这个与故障无关的信息。所以在构建输入向量前先要把浓度数据做两层变换。第一层是比值变换把绝对浓度转成气体之间的相对关系这也是三比值法和罗杰斯法的核心思想第二层是归一化把比值映射到网络激活函数比较灵敏的区间。3.2 比值编码与归一化的代码实现这里给出一段可直接用于数据预处理的 Python 代码。假设从油色谱在线监测系统导出 CSV 文件字段包含氢气、甲烷、乙烷、乙烯、乙炔的体积分数单位 μL/L。import pandas as pd import numpy as np df pd.read_csv(dga_data.csv, encodinggbk) # 原始七组分浓度字段 gas_cols [H2, CH4, C2H6, C2H4, C2H2, CO, CO2] # 加一个极小值避免除零 eps 1e-6 for col in gas_cols: df[col] df[col].replace(0, eps) # 第一层比值变换这是诊断信息最集中的部分 ratio_cols {} ratio_cols[CH4_H2] df[CH4] / (df[H2] eps) ratio_cols[C2H2_C2H4] df[C2H2] / (df[C2H4] eps) ratio_cols[C2H4_C2H6] df[C2H4] / (df[C2H6] eps) ratio_cols[CO2_CO] df[CO2] / (df[CO] eps) ratio_df pd.DataFrame(ratio_cols) # 第二层对数压缩 标准化抑制长尾分布 log_ratio np.log1p(ratio_df.values) # log1p 避免负无穷 from sklearn.preprocessing import StandardScaler scaler StandardScaler() X scaler.fit_transform(log_ratio) # 聚类用的原始特征也保留后面 RBF 中心初始化和联合特征会用到 X_raw df[gas_cols].values X_raw_scaled scaler.fit_transform(np.log1p(X_raw))这段代码的关键逻辑有三个一是用eps处理零浓度。实际 DGA 数据里 C₂H₂ 经常是 0直接用除法会产生除零错误替换成极小值后比值变成极大数但后续log1p会把它压缩回有限区间不影响特征稳定性。二是比值选择。CH₄/H₂ 主要区分热性故障和电性故障C₂H₂/C₂H₄ 是判断放电严重程度最关键的比值C₂H₄/C₂H₆ 反映热分解温度区间CO₂/CO 用于判断固体绝缘老化程度。这四个比值覆盖了变压器故障诊断最主要的判据维度。三是先取对数再标准化。变压器气体的比值分布呈典型的对数正态特征少数样本会落在几十甚至上百的量级直接标准化后这些样本会占据特征空间极端位置RBF 的局部响应会全部塌向零导致网络退化。对数压缩把长尾拉回来RBF 中心才有意义。提示不要直接对原始浓度做标准化后送进网络。原始浓度里的设备差异信息会被网络当作「分类特征」学习导致模型对新设备的数据泛化能力明显下降。3.3 样本不均衡的工程处理变压器故障诊断数据集里正常状态和过热故障样本往往占大头放电类故障样本稀少。直接用原始分布训练复合网络会学到偏向多数类的决策边界。常见的处理办法有两种可以叠加使用。第一种是对稀少类别做数据合成。SMOTE 或其变体在特征空间里对少数类样本做插值生成合成样本。注意要在比值变换和归一化之后做合成不要用原始浓度做否则合成样本可能落在不合理的物理区间。第二种是调整损失函数的类别权重。PyTorch 里直接在交叉熵损失里传weight参数权重与样本数成反比即可。这样不需要生成额外样本也避免了合成数据引入的噪声。数据层面的工作做到这里才能保证后面复合网络学到的东西不是由数据分布偏差主导的。特征构建是变压器故障诊断里最花时间、也最容易被低估的一步网络结构反而是相对标准化的部分。4. 搭建 RBF-BP 复合网络结构设计、参数与训练策略4.1 用 K-Means 初始化 RBF 层的中心与宽度RBF 层的关键参数是中心矩阵和宽度。中心的数量和位置直接决定局部感受野的分布形态。常见做法是使用 K-Means 聚类在训练集特征空间里找到 K 个簇中心以簇中心作为 RBF 神经元的中心。这里给出基于 PyTorch 的实现方式。import torch import torch.nn as nn from sklearn.cluster import KMeans class RBFLayer(nn.Module): def __init__(self, in_features, num_centers, sigma_init1.0): super().__init__() self.num_centers num_centers # 中心矩阵每一个中心是特征空间里的一个点 self.centers nn.Parameter(torch.randn(num_centers, in_features)) # 宽度参数每个中心独立一个 sigma self.log_sigma nn.Parameter(torch.log(torch.full((num_centers,), sigma_init))) def forward(self, x): # x: (batch, in_features) diff x.unsqueeze(1) - self.centers.unsqueeze(0) # (batch, num_centers, in_features) dist_sq (diff ** 2).sum(dim2) # (batch, num_centers) sigma torch.exp(self.log_sigma).unsqueeze(0) # (1, num_centers) return torch.exp(-dist_sq / (2.0 * sigma ** 2)) def init_centers_with_kmeans(rbf_layer, X, k): km KMeans(n_clustersk, random_state42, n_init10) km.fit(X) with torch.no_grad(): rbf_layer.centers.copy_(torch.tensor(km.cluster_centers_, dtypetorch.float32)) # 用各簇内样本到中心距离的中位数作为 sigma 初值 dists km.transform(X) # (n_samples, k) medians np.median(dists, axis0) rbf_layer.log_sigma.copy_(torch.log(torch.tensor(medians 1e-3, dtypetorch.float32)))这段代码里有两个细节值得注意。一个是中心参数用了nn.Parameter意味着后面反向传播时中心会继续被微调。K-Means 只负责提供一个好的初始状态防止训练初期梯度方向混乱训练后期 RBF 中心跟着分类损失一起优化局部感受野会向分类边界附近偏移这是复合网络精度超过纯静态 RBF 网络的原因之一。另一个是宽度 sigma 的初始化用了簇内距离中位数。如果 sigma 设得太大每个 RBF 神经元响应范围重叠严重局部性丧失设得太小所有样本的 RBF 输出都趋近于零梯度无法回传。用中位数做一个量级正确的起点再由网络自行调整是稳定性最高的方案。4.2 复合网络整体结构与参数速查表RBF 层输出的是每个样本对 K 个中心的相似度向量这个向量的维度就是 K。接下来接 BP 层。考虑到故障诊断任务的分类数通常是 5 到 7 类BP 部分保持一个隐含层就够用深度堆叠在这个样本规模下没有收益。class RBFBPModel(nn.Module): def __init__(self, in_features, num_centers, hidden_size, num_classes): super().__init__() self.rbf RBFLayer(in_features, num_centers) self.fc1 nn.Linear(num_centers, hidden_size) self.fc2 nn.Linear(hidden_size, num_classes) self.dropout nn.Dropout(0.3) def forward(self, x): r self.rbf(x) # 局部相似度特征 h torch.relu(self.fc1(r)) # BP 第一层 h self.dropout(h) return self.fc2(h) # 输出各类别 logitsRBF 层的 K 值、BP 隐含层宽度、dropout 系数、学习率和训练轮数这五个参数是这套方案的核心调节对象。逐项说明如下。参数推荐范围调节原则KRBF 中心数1040K 约等于故障类别数的 25 倍起步观察验证集确定BP 隐含层宽度1664超过 RBF 输出维度的 2 倍后收益递减dropout 系数0.20.4样本量低于 500 时取大值样本充足取小值学习率1e-31e-2RBF 层和 BP 层可以分开设置训练轮数100300用验证集早停不要盲目多训4.3 分阶段训练策略先固定 RBF再联合微调复合网络最忌讳的就是从零开始把所有参数一起随机梯度下降。原因在于 RBF 层的中心如果初始是随机的BP 层能学到的东西极其有限梯度回传到 RBF 层后会把中心推得乱七八糟网络直接失效。分阶段训练是保证稳定性的核心手段。from torch.utils.data import DataLoader, TensorDataset X_tensor torch.tensor(X, dtypetorch.float32) y_tensor torch.tensor(y, dtypetorch.long) # 阶段一只用 RBF 输出接一个线性分类头无监督学特征映射 model RBFBPModel(in_featuresX.shape[1], num_centers30, hidden_size32, num_classes6) init_centers_with_kmeans(model.rbf, X, 30) for param in model.rbf.parameters(): param.requires_grad False optimizer torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-2) loss_fn nn.CrossEntropyLoss() dataset TensorDataset(X_tensor, y_tensor) loader DataLoader(dataset, batch_size32, shuffleTrue) for epoch in range(50): for xb, yb in loader: optimizer.zero_grad() out model(xb) loss loss_fn(out, yb) loss.backward() optimizer.step() # 阶段二放开 RBF 层降低学习率联合微调 for param in model.rbf.parameters(): param.requires_grad True optimizer torch.optim.Adam([ {params: model.rbf.parameters(), lr: 1e-3}, {params: model.fc1.parameters(), lr: 1e-3}, {params: model.fc2.parameters(), lr: 1e-3}, ]) best_acc 0.0 for epoch in range(200): model.train() for xb, yb in loader: optimizer.zero_grad() out model(xb) loss loss_fn(out, yb) loss.backward() optimizer.step() # 验证集早停逻辑此处省略具体实现分阶段策略的设计逻辑是第一阶段 RBF 中心固定为 K-Means 结果BP 层实际上是在学「聚类响应到故障类别」的映射这一步收敛很快通常 3050 轮就够了。第二阶段把 RBF 中心、宽度和 BP 权值一起微调学习率降到第一阶段的十分之一让中心在分类损失引导下小幅移动修正 K-Means 纯无监督聚类造成的边界偏差。一个常见的坑K 值设置得过大比如超过 60。中心太多时每个中心覆盖的样本太少RBF 输出向量呈稀疏形态BP 层会集中依赖少数神经元dropout 失效测试集上的表现波动很大。判断 K 是否过拟合的方法是看 RBF 层输出矩阵的稀疏度如果大多数样本的 RBF 激活值里只有不到 3 个神经元大于 0.1说明 K 偏大需要下调。5. 验证与工程落地混淆矩阵、交叉验证与一个必须避开的坑5.1 评估指标不能只盯总体准确率变压器故障诊断里不同故障类别的重要性完全不对称。中低温过热误判成高温过热运维人员去查冷却系统可能白跑一趟但高能放电误判成过热可能直接错过一次严重绝缘缺陷。模型评估必须分故障类别逐个看召回率。用 sklearn 直接在测试集上计算混淆矩阵和分类别指标代码很标准。关键在读懂输出不要只看accuracy_score一个数。各类别召回率的列表比总准确率更能反映模型是否偏向多数类。在样本不均衡时宏平均 F1 分数是比准确率可靠得多的模型选择指标。5.2 交叉验证的划分方式影响结果可信度变压器 DGA 数据的一个天然特性是同一台设备在不同时间点采样会产生多条样本这些样本之间存在强相关性。如果随机划分训练集和验证集同一台设备的样本会被同时分到两边模型在验证集上的表现会虚高。交叉验证应该按设备分组切分。把所有样本按设备 ID 分组用GroupKFold代替普通的KFold保证训练集和验证集里出现的是完全不同的设备。这样评估出的精度才是模型面对新安装变压器时的真实表现。5.3 最后一个容易忽略的细节特征和标签的时间对齐变压器故障诊断建模中油色谱数据的时间点和故障类型标签的时间点经常存在错位。实际运维中故障不是瞬时发生的气体积累是一个过程。拿当前的气体浓度去匹配几个月后才确认的故障类型模型学到的映射关系就是混乱的。正确做法是取故障确诊时刻之前一段窗口内的气体数据作为特征并做多时间点平均或取变化速率作为补充特征。这个细节对模型在真实运维场景中的效果影响往往比网络结构的调整大得多。特征构建与标签对齐是这类诊断项目里最值得花时间的环节RBF-BP 复合网络只是最后承接这些工程判断的分类器。参数可以调结构可以换但数据层面没对齐换什么网络都救不回来。本文还有配套的精品资源点击获取