仪器仪表学报

作者：孙曙光，赵恩泽，胡雨辰，王景芹，崔玉龙

单位：孙曙光,河北工业大学人工智能与数据科学学院天津300130,,赵恩泽,河北工业大学人工智能与数据科学学院天津300130,,胡雨辰,中国铁路设计集团有限公司天津300142,,王景芹,河北工业 大学智能配用电装备与系统全国重点实验室天津300130,,崔玉龙,北京化工大学信息科学与技术学院北京100029,2003500070@buct.edu.cn,

关键词：断路器;机械特性;辛几何模态分解;深度学习;声音事件检测

基金：河北省中央引导地方科技发展资金（246Z2101G）、河北省教育厅科学研究（CXZX2026047）项目资助

针对声音信号在万能式断路器机械状态监测中存在模态分解需人工设定参数、可解释性差以及短时分析法适用性有限的问题，提出了一种结合改进辛几何模态分解(ISGMD)和时频注意力机制(TFA)的声音事件检测模型。该方法通过同步采集断路器动作过程中的声音信号、主轴角位移及触头电压信号，对合分闸事件进行时频关联分析；利用ISGMD对声音信号进行自适应分解，克服无效分量干扰以及物理意义不明确的局限，再经S变换构建时频图，凸显信号时频分布规律，以此构建后续模型训练所需的数据集；最后，通过构建深度学习网络，在特征提取部分嵌入时频注意力机制，使网络能够动态聚焦于与合分闸事件相关的频率区间，结合双向长短期记忆网络(Bi?LSTM)深入挖掘声音事件前后序列中的长时依赖关系，从而实现事件边界的准确定位，有效降低误判与漏判概率。结果表明：所提方法识别准确率、召回率及F1分数均达93%左右；对不同传声器位置与距离的数据，测量均方根误差(RMSE)＜0.44ms；对于不同设备的RMSE<0.57ms，展示出良好的泛化能力与稳定性。ISGMD从物理机理层面提供可解释的信号分解，深度学习则从数据层面驱动复杂事件特征的自动学习。两者协同构成的方法实现了声音事件毫秒级定位，为断路器机械状态智能诊断提供了可靠支撑。

来源：2026年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第2期