变压器是智能电网中进行能量转换的关键设备，不仅数量众多，而且对可靠性要求高，因此开展变压器故障诊断和健康监测研究具有重要的工程价值和科学意义。变压器故障诊断常用的方法有振动法、油中气体分析法、局部放电法、恢复电压法、频率响应分析法以及红外诊断技术等。在变压器的故障诊断方法中，振动法因能有效地对变压器早期的潜在故障进行诊断，及早发现并排除故障，已日益受到研究者的重视。
　　该论文基于振动法对变压器箱体表面振动信号的特征进行提取，通过特征来训练故障诊断模型，并采用信息融合方法对故障诊断模型的输出进行分析，最终得到诊断结果。并将上述变压器故障诊断方法集成到变压器健康监测系统中，实现了变压器的健康监测。
　　该论文的具体研究内容如下：
　　①构建了希尔伯特黄变换、集成经验模态分解+希尔伯特变换、经验小波变换+希尔伯特变换算法模块，比较分析了三种方案对振动特征提取的优缺点，确定了经验小波变换+希尔伯特变换可以在不产生模态混叠的情况下快速地、自适应地提取特征。
　　②分别建立BP神经网络、RBF神经网络、极限学习机、概率神经网络与广义回归神经网络来训练故障诊断模型，并利用平均精度均值（Mean Average Precision，简称mAP）开展了各模型的性能评价研究。结果表明利用BP神经网络所训练出的故障诊断模型拥有更好的查全能力与查准能力。
　　③考虑到健康监测系统中单一传感器可能受到噪声干扰或发生故障出现误判情况，该论文提出采用多传感器信息融合方法提高变压器故障诊断的准确性。通过实验分别对比D_S融合规则、Murphy融合规则与主元融合规则的融合效果。结果表明主元融合规则可以更加有效避免因为错误信息所导致的判断不准确问题。
　　④基于所研究的故障诊断方法，结合Matlab Production Server与Kafka实现变压器健康监测系统的实时分析功能；基于HDFS与Hbase实现海量历史数据的管理功能；基于Zookeeper实现集群的高可用功能，并开发离线计算模块使得用户可以训练出针对特定型号变压器的故障诊断模型。最后通过该系统，在实际运行环境下对一台型号为SZ11-5000/110的变压器进行监测，测试结果表明该系统可以对变压器的运行参数进行实时监测与故障预警。