1.一种基于振动信号和领域知识的牵引变压器故障诊断方法，其特征在于，结合牵引变压器的振动信号与故障诊断领域知识对牵引变压器进行故障诊断，包括以下步骤：

1)通过牵引变压器中的加速度传感器采集正常状态以及N种故障状态下的变压器振动信号，单组振动信号记为f，f＝{f1(t),f2(t),…,fK(t)}，fk(t)为第k个传感器采集获得的振动信号，fk(t)＝[xk(1),xk(2),…,xk(T)]，k表示传感器编号，k＝1,2,…,K，K为总的传感器数量，t表示振动信号的时间序列，t＝1,2,…,T，T表示信号采样的数量，xk(t)为第k个传感器在t时刻测量得到的具体幅值；对采集到的信号f进行归一化处理，归一化范围为(0，

255)，归一化公式如下所示：

式中，xk(t)′为xk(t)归一化后的值，xkmax、xkmin分别为fk(t)中的最大值和最小值，round()为round函数；归一化后的振动信号记为 使用长度为w、步长为w的滑动窗口在振动信号 上滑动取值，由 可以得到k个(w，w)的2维向量，则单组振动信号可表示成大小为(k，w，w)的向量，记为

2)牵引变压器故障诊断领域知识包括振动信号产生机理、变压器设备健康信息以及设备历史监测数据等，结合领域知识和牵引变压器运行数据构建变压器振动信号的领域信息图G，并对G进行归一化处理得到 G中各个位置的值可由下式计算得到：其中Gij为G中坐标(i，j)处的灰度值，i，j为领域信息图中的坐标位置，0≤i,j＜w，v为振动信号fk采集时间段内的列车平均运行速度，Af为牵引变压器正常情况下的基频振动幅值，p为牵引变压器负载率，HI为设备健康指数，具体计算方式为 其中B表示老化系数，HI0为设备初始健康指数，T1与T0分别表示当前时刻与设备初始投运时刻；

n

由归一化后的振动信号和领域信息图可得到单个数据样本Dr ， 表示

牵引变压器第n种运行状态下的第r个数据样本，大小为(k+1，w，w)，其中r＝1,2,…,R，R为第n种运行状态下的数据样本总数，n＝1,2,…,N，当n＝0时表示正常状态，n≥1时表示不同的故障状态，所有数据样本构成故障诊断模型数据集，并将数据集按照4：1的比例随机划分为训练集与测试集；

3)构建基于神经网络的故障诊断模型，神经网络以残差网络为基础，包括输入层、卷积层、残差块、批归一化层、全连接层和Softmax层，由2)建立的训练集作为训练数据输入故障诊断模型，经过卷积层和残差块提取特征后输入至全连接层，再由Softmax层进行分类，输出预测的牵引变压器故障状态；故障诊断网络中优化模型使用的目标函数为交叉熵损失函数，交叉熵损失的计算公式如下：其中H(p，q)为交叉熵损失，p(xi)代表样本xi的真实概率分布，q(xi)代表模型对xi预测的概率分布；模型训练优化器为Adam优化器，初始学习率为0.001，模型训练中droprate＝

0.5，激活函数为Relu，在每一个训练回合结束后将测试集数据输入模型进行测试并得到模型在测试集上的准确率acc，当acc<σ时模型继续训练，σ为设定的准确率阈值，acc≥σ时则结束训练并保存此时的模型参数，得到训练好的牵引变压器故障诊断模型；

4)将实时采集的列车牵引变压器振动信号数据和运行数据通过前述1)、2)步骤处理后输入3)中训练好的变压器故障诊断模型中，得到牵引变压器故障诊断结果。