电力变压器的声纹等振动信号,对于诊断铁芯夹件松动、绕组变形等机械类故障具有特殊的优势。研究了针对电力变压器振动信号的异常检测技术,既能识别潜在的隐患和故障、实现智能变电站无人运维;又可结合专家先验知识删选,用于收集、扩充带标签的变压器故障与异常声纹数据库。与此同时,越来越多的研究表明,深度学习在挖掘数据高级抽象特征方面,具有传统浅层模型不具备的优势。变压器振动产生、传递机理复杂,越来越多的研究人员选择采用深度学习等数据驱动方法。但这些研究往往只使用深度学习提取特征,或者只用来作为分类器。基于此背景,本文的研究工作摘要如下:研究了用无监督深度学习提取变压器的振动信号特征,并用传统方法作为分类器。采用样本合成和高通滤波的方法来研究算法在可控条件下的表现。结果表明,与传统特征提取算法相比,深度学习方法提取的特征受分类器类型的影响较大,受信号切分方式影响较小,对多种异常类型有更好的识别能力。给出了原理介绍、实验结果和分析比较。研究了完全采用无监督深度学习的方法,使用生成对抗网络实现端到端的异常分数学习,不仅检测准确率高,对超参数敏感度低,且检测速度快,适合应用于低计算资源的边缘计算场景。研究并比较了这些方法的抗噪性,比较了这些方法在检测不同类型异常信号时的性能。实现了 adGAN算法的检测部分在嵌入式微控制单元的移植,初步实现了项目的边缘计算架构。方案与原有项目代码耦合度低,无需做侵入式修改,便于项目持续维护。设计智能屏界面,配合声纹采集终端,可视化地展示振动波形与健康分数。