本文档属于类型a，即报告了一项原创性研究的学术论文。以下是对该研究的详细介绍：
第一，研究作者及其单位、发表期刊和时间
本研究的作者包括Qi Wang（IEEE会员）、Kaipu Zhang和Sheng Lin（IEEE高级会员），他们分别来自西南交通大学国家轨道交通电气化与自动化工程技术研究中心和国网河南电力公司许昌供电公司。论文发表于IEEE Transactions on Industry Applications期刊，2023年第59卷第5期。
第二，学术背景
高压隔离开关（High-Voltage Disconnector）是电力系统中常用的开关设备，其故障诊断一直是一个具有挑战性的问题。大多数高压隔离开关故障属于非自显性故障，难以通过传统方法检测和诊断。这些故障通常由风、霜、雨、雪等自然条件侵蚀或制造监控条件不足导致，常见故障类型包括卡滞、三相位置不同步、操作未完成和机构松动等。目前，高压隔离开关的故障诊断面临两大挑战：一是非自显性故障难以被发现；二是故障原因难以明确。为此，本研究提出了一种基于深度学习的高压隔离开关故障诊断方法，旨在通过融合振动信号和扭矩信号来解决上述问题。
第三，研究流程
本研究的技术框架包括四个主要阶段：实验平台搭建、特征提取、诊断模型构建和现场应用验证。
实验平台搭建
研究首先搭建了高压隔离开关的现场测试平台，模拟了多种典型的机械故障和正常状态。通过实验平台，采集了隔离开关在正常和故障状态下的振动信号和扭矩信号。振动信号通过加速度传感器采集，安装在隔离开关的中间相梁上；扭矩信号通过步进电机驱动手动操作机构完成开合操作，并由扭矩传感器采集。
特征提取
根据振动信号和扭矩信号的不同特性，研究采用了不同的特征提取方法。对于振动信号，由于其具有复杂的频率成分和强非线性特征，采用小波包变换（Wavelet Packet Transform）提取其时频能量矩阵；对于扭矩信号，由于其波形简单且具有明显的时域特征，采用时域分析提取其时域波形特征矩阵。具体而言，振动信号通过三层小波包分解，分为8个不同频带的信号分量，并在时域上均匀分为8段，计算每个时频分量的能量；扭矩信号则根据时域特征提取了8个时域指标，包括峰值、平均值、方差、均方根、峰度、偏度、波形因子和脉冲因子。
诊断模型构建
特征提取后，研究构建了基于卷积神经网络（CNN）和Dempster-Shafer（D-S）证据理论的诊断模型。具体而言，将振动信号的时频能量矩阵和扭矩信号的时域波形特征矩阵分别输入两个并行的CNN模型（CNN1和CNN2）进行训练，并通过D-S证据理论对两个CNN的输出结果进行决策融合。通过参数调优，确定了CNN模型的最佳参数配置，包括卷积层、池化层的数量和卷积核的大小。
现场应用验证
为验证模型的有效性，研究基于现场实验数据进行了测试和对比实验。通过混淆矩阵和对比实验，评估了模型在不同故障状态下的诊断准确率。结果表明，该模型在诊断高压隔离开关故障方面表现出显著优势。
第四，研究结果
1. 特征提取结果
通过小波包变换和时域分析，振动信号和扭矩信号的时频能量矩阵及时域波形特征矩阵被成功提取。这些矩阵能够有效反映隔离开关在不同状态下的特征变化。
诊断模型结果
CNN模型通过对振动信号和扭矩信号的并行处理，能够有效识别不同类型的故障。D-S证据理论的决策融合进一步提高了模型的诊断准确率，特别是在单信号模型误判时能够进行纠正。
整体性能
通过混淆矩阵和对比实验，研究证明了该模型在诊断高压隔离开关故障方面的高准确率和强鲁棒性。与单信号模型及其他传统方法相比，该模型在诊断准确率上展现出显著优势，特别是在处理多源信号融合时表现尤为突出。
第五，研究结论
本研究提出了一种基于深度学习的高压隔离开关故障诊断方法，通过融合振动信号和扭矩信号，显著提高了故障诊断的准确率和鲁棒性。研究的主要贡献包括：提出了一种新颖的深度学习方案，通过二维特征提取和映射方法，充分挖掘了振动信号和扭矩信号的潜在特征；采用D-S证据理论进行决策融合，充分利用了多源信号的互补性，进一步提高了诊断模型的性能。该方法在实际应用中具有广阔的前景，可用于开发高压隔离开关的在线监测与诊断系统，为电力系统的维护提供智能化的故障诊断解决方案。
第六，研究亮点
1. 创新性方法
本研究首次将深度学习与D-S证据理论相结合，提出了一种新颖的高压隔离开关故障诊断方法，显著提高了诊断准确率。
多源信号融合
通过融合振动信号和扭矩信号，研究克服了单信号模型的局限性，实现了对多类型故障的精准识别。
高适用性
研究基于现场实验数据验证了模型的有效性，证明了其在实际应用中的高适用性和推广价值。
第七，其他有价值内容
研究还对振动信号和扭矩信号的特征提取方法进行了详细分析，特别是指出了不同信号在不同故障类型下的适用性。例如，振动信号在识别松动故障方面表现优异，而在识别三相位置不同步和未完成操作故障方面表现较差；扭矩信号则对卡滞故障和三相位置不同步故障具有较高的识别能力，但对松动故障的识别效果较差。这些分析为后续研究提供了重要参考。