电力设备是关系到国计民生的重要设备,其运行状态的稳定对经济、安全影响严重。所以对电力设备运行状态的监测与故障诊断具有重要意义。由于电力设备现场环境复杂,在判断上存在较大困难。如何提取故障特征成为判断的关键。这些描述特征需要人为提取,适应性很差,并且在识别中需要丰富的信号处理专业知识,并且要求技术人员有较强的与设备故障相关的专业知识。另外,大量随机因素的存在导致误判可能性加大。为了提高识别率,减少故障诊断对人为因素的依赖,本文采用了卷积神经网络的Faster R-CNN,对电力设备信号直接进行特征提取和识别,并且对设备不同运行状态的故障进行测试,优于传统方法。主要研究工作和成果归纳如下:(1)针对信号采集中的噪声信号处理问题,本论文采用了一种交叉小波变换的提取方法。在时频域内获得了描述交叉谱图特性的特征参数,降低了噪声信号对识别的影响。(2)在Faster R-CNN的框架基础上研究了卷积神经网络,掌握其结构组成及卷积池化操作的过程和意义,实现一维时间序列的卷积操作。卷积池化结构稀疏连接,提取到更细致的故障特征表达。(3)传统训练方法需要样本数量大时间长,因此通过对训练方法进行改进,改善了上述问题。基于改进Faster R-CNN的状态识别模型可以提高了诊断的速度和正确率。