近年来,随着轨道交通系统的迅速发展,对其牵引供电系统安全稳定运行的要求日趋严格。牵引变压器由于负责电压变换和电能分配的重要功能,是轨道交通牵引供电系统的关键设备,因此变压器工况的有效诊断监测对整个轨道交通系统的安全可靠运行具有重要意义。变压器由于种类多、内部结构复杂和运行工况多样等特点,对其进行异常检测较为困难,而基于噪声分析的变压器故障智能诊断是一种简单有效的非侵入式监测方法,其不会影响变压器的正常运行,并能良好地反映变压器的各种工况。为此,本文根据噪声信号在时频上的不同特点,探讨研究了基于噪声分析的牵引变压器故障智能诊断系统中预处理、特征分析、特征提取和分类识别四个模块的各种方法,并针对牵引变压器噪声信号故障噪声稀少、干扰噪声复杂、特征数据规模维度大等特点,改进了基于深度学习的分类识别算法,以获得更为有效稳定的故障诊断性能。本文的具体工作可概括为:1.本文在故障诊断系统的预处理模块,使用小波阈值去噪作为牵引变压器噪声信号的滤波去噪方法,并对小波阈值去噪中小波基、分解层数和阈值选择规则等不同参数进行调整对比分析,通过调参优化实验得出适应牵引变压器噪声信号的小波阈值去噪参数,以最大程度滤除干扰噪声,达到更好的特征提取效果。2.在特征分析模块,分析对比了各类时频分析方法,使用短时傅里叶变换得到的声谱图结合时域图、频谱图联合分析变压器各工况噪声的时频特性,时频联合域分析清晰地描述噪声信号频率随时间变化关系,能更好地表征不同工况下变压器噪声信号的特征。3.在特征提取模块,分析对比了各类时域特征、频率特征和倒谱特征,并通过实验将各类特征进行可视化处理,随后根据牵引变压器噪声信号的特点,提出使用MFCC、LPCC和二者的组合作为特征向量输入到分类识别模块中的方案,以达到更好的分类识别效果。4.在分类识别模块,分析对比了各类机器学习算法,并根据牵引变压器噪声信号的特点,研究了基于深度学习算法的CNN-LSTM改进模型,通过调参实验、各输入特征对比实验和各分类识别算法对比实验,验证了在本文采集使用的牵引变压器噪声样本数据集上,该模型在牵引变压器噪声故障智能诊断的有效性。