دمج الانتباه المتقاطع لميزات الصوت الزمني والتردد للتعرف على أعطال العزل في معدات الطاقة باستخدام نظام مصفوفة الميكروفونات

ملخص

يصف هذا البروتوكول طريقة غير تلامسية للتعرف على أعطال العزل في معدات الطاقة عن طريق استخراج ودمج ميزات صوتية في مجال الزمن والتردد لتصنيف الأعطال الآلي.

الملخص

هدف هذا البروتوكول هو توفير طريقة غير تلامسية للتعرف على أعطال العزل في معدات الطاقة عن طريق استخراج ودمج ميزات صوتية في مجال الزمن والتردد لتصنيف الأعطال الآلي. تظهر البصمات الصوتية الناتجة عن عيوب العزل خصائص غير خطية وغير غاوسية، مما قد يحد من فعالية أساليب استخراج الميزات التقليدية ذات المجال الواحد. لمعالجة هذا التحدي، يقدم هذا البروتوكول إطار عمل استخلاص ودمج ميزات الزمن والتردد يعتمد على آلية الانتباه المتقاطع (CA) لتحديد أربعة أنواع من عطل العزل. يتم استخراج ميزات المجال الزمني أولا باستخدام شبكة التفافية زمنية مقترنة بمشفر ذاتي لالتقاط التغيرات الديناميكية في الإشارات الصوتية المتسلسلة. بالتوازي، يتم استخراج ميزات مجال التردد من مخططيات ميل باستخدام وحدة انتباه كتلة الالتفافية لتعزيز تمثيل الخصائص الطيفية. ثم يستخدم آلية CA لدمج الميزات الزمنية وطيفية بشكل تكيفي، مما يعزز العلاقات بين مجالي الميزة. يتم إدخال تمثيل الميزات المدمجة لاحقا في شبكة عصبية الالتفافية أحادية البعد تحسنت باستخدام خوارزمية بحث الوقواق لتصنيف الأخطاء. تظهر النتائج التمثيلية أن هذا الإطار يصف بصمات الصوت المعقدة بفعالية ويحقق أداء تصنيفا عاليا مقارنة بطرق استخراج الميزات التقليدية. يوفر البروتوكول استراتيجية قوية غير تلامسية لتشخيص أعطال العزل ومراقبة حالة معدات الطاقة الكهربائية.

المقدمة

التعرف المبكر على أعطال العزل في معدات الطاقة أمر بالغ الأهمية لضمان سلامة واستقرار شبكة الطاقة 1,2,3,4. تشير الإحصائيات إلى أن حوالي 60٪ من أعطال معدات الكهرباء مرتبطة مباشرة بتدهور العزل⁵. ومع ذلك، غالبا ما تعاني طرق المراقبة الكهربائية التقليدية من استجابة متأخرة، وضعف قدرات مكافحة التداخل، والحاجة إلى تركيب غازي قائم على التلامس⁵. مؤخرا، برز التعرف على بصمة الصوتيات كنهج تشخيصي واعد غير تلامسي بسبب الاستجابة السريعة وسهولة التنفيذ ^6,7. ومع ذلك، فإن إشارات عطل العزل بطبيعتها غير خطية وغير غاوسية⁸. غالبا ما تخفي ميزاتها الصوتية بالضوضاء البيئية والاهتزازات الهيكلية، مما يصعب على طرق الاستخراج التقليدية ذات المجال الواحد (الزمني أو المجال الترددي) التقاط الخصائص الأساسية للصدع.

تواجه الأبحاث الحالية في استخراج الخصائص الصوتية تحديين رئيسيين. أولا، تحليل المجال الزمني، مثل معدلات الطاقة القصيرة أو معدلات العبور الصفري، يعكس تقلبات الإشارة لكنه غالبا ما يفقد التفاصيل الطيفية الدقيقة. ثانيا، طرق مجال التردد، مثل تحويل فورييه السريع (FFT) وتحويلات المويجات، يمكنها استخراج ميزات طيفية لكنها تكافح لالتقاط التطور الزمني الديناميكي للإشارة. حاولت دراسات سابقة سد هذه الفجوة. على سبيل المثال^{، استخدم} داي وآخرون تحويل فورييه قصير الوقت (STFT) لإنشاء خرائط زمنية وترددية ثنائية الأبعاد. ومع ذلك، وبسبب مبدأ عدم اليقين، فإن دقة STFT مقيدة بعرض النافذة، مما يفرض مقايضة بين تحديد الموقع الزمني ودقة التردد. طرق أخرى، مثل معاملات سيبستريل بتردد ميل (MFCCs) ومعاملات سيبستريل بتردد جاماتون (GFCCs)¹⁰، غالبا ما تؤدي إلى تمثيلات ميزات بسيطة جدا للحفاظ على المتانة تحت ظروف التداخل العالي. بينما حققت التوزيعات المتقدمة والميزات القائمة على الإنتروبيا¹¹ دقة عالية في مجموعات بيانات محددة، إلا أنها غالبا ما تفتقر إلى قابلية التعميم بسبب حجم العينات المحدود. علاوة على ذلك، فإن الربط البسيط لميزات مجال الزمن والتردد يفشل في إنشاء آلية ارتباط جوهرية، مما يؤدي غالبا إلى تكرار عالي وعدم كفاية التمييز. نماذج التعلم الآلي التقليدية معرضة أيضا لزيادة التركيب عند التعامل مع خصائص العينات الصغيرة وعالية الضوضاء النموذجية لمجموعات بيانات عطل العزل¹². تطورت التطورات الحديثة من الأوصاف التقليدية اليدوية والتمثيلات الزمنية والترددية إلى استخراج الميزات المعتمدة على الشبكات العصبية العميقة واستراتيجيات الدمج الموجهة بالانتباه. ومع ذلك، لا تزال العديد من الأساليب الحالية تعالج المعلومات الزمنية والطيفية بشكل مستقل أو تجمعها من خلال ربط ميزات بسيط، مما يحد من قدرتها على التقاط العلاقات عبر المجال داخل الإشارات الصوتية المعقدة.

لمعالجة هذه القيود، يقدم هذا البروتوكول منهجية تآزرية لاستخراج ميزات الوقت والتردد تركز على آلية الانتباه المتقاطع (CA). الهدف الأساسي من هذه الطريقة هو إنشاء نموذج ارتباط متعدد الوسائط يخصص أوزانا تكيفية للميزات الحرجة، مما يقلل من تخفيف المعلومات المرتبط عادة باستراتيجيات الربط التقليدية. يستخدم البروتوكول شبكة الالتفاف الزمني المتصلة (TCN) وبنية التشفير الذاتي (AE) لبناء مسار معالجة في المجال الزمني، باستخدام التداخلات السببية المتوسعة لالتقاط التبعيات طويلة المدى داخل التسلسلات الصوتية. في الوقت نفسه، تم تصميم مطياف ميل المتوازي ووحدة الانتباه الكتل الالتفافية (CBAM) لتعزيز الميزات الطيفية المحلية والانتباه على مستوى القناة. العنصر الأساسي في هذا النهج هو إدخال آلية CA، التي تستخدم تفاعلات الاستعلام والمفتاح والقيم لنمذجة الاعتمادات المتبادلة بين مجالات الزمن والتردد. تم الإبلاغ عن مفاهيم اندماج معتمدة على الانتباه مماثلة في الآلات الصاخبة والمهام التشخيصية الصوتية، حيث يؤكد وزن الانتباه على المناطق الزمنية أو الطيفية المميزة تحت التداخل؛ ومع ذلك، لا تزال معظم مصنفات التفريغ الجزئي القائمة تعتمد على تمثيلات أحادية المجال أو الاندماج المتأخر، مما يحفز التصميم الحالي للتفريغ الجزئي. أخيرا، يستخدم شبكة عصبية الالفافية أحادية البعد (1D-CNN)، تم تحسينها باستخدام خوارزمية Cuckoo Search (CS)، لتصنيف الأعطال المتينة.

تقدم هذه الطريقة مزايا كبيرة مقارنة بالأساليب التشخيصية التقليدية من خلال توفير حل عالي الأداء وغير تلامسي يظل فعالا في البيئات الكهرومغناطيسية المعقدة. يتم الإبلاغ عن مقاييس الأداء بشكل منفصل لدراسة الاستئصال ونموذج التصنيف النهائي. حققت دراسة الاستئصال دقة 98.2٪ لتكوين CA، في حين حقق نموذج التصنيف النهائي دقة إجمالية بلغت 99.05٪ (3962/4000)، مع معدلات تعرف على مستوى الفئة تتراوح بين 98.6٪ و99.4٪. وهي مناسبة بشكل خاص للباحثين والمهندسين الذين يسعون لتنفيذ مراقبة آلية لمفاتيح 10 كيلوفولت أو معدات توزيع الطاقة المشابهة حيث يكون الاستشعار القائم على التلامس غير عملي. باتباع هذا البروتوكول، يمكن للمستخدمين توصيف بصمات الأصابع الصوتية المعقدة بفعالية وتحقيق تحديد موثوق للأعطال تحت ظروف ضوضاء خلفية مرتفعة. تعد النماذج الصوتية المعتمدة على المحولات، بما في ذلك معماريات محول الطيف الصوتي (AST)، واعدة لنمذجة السياق الطيفي بعيد المدى؛ ومع ذلك، لم يتم اختيارها للبروتوكول الحالي لأن مجموعة البيانات المتاحة صغيرة نسبيا، والإطار المقترح يعطي الأولوية للتدريب المستقر، وانخفاض التكلفة الحاسوبية، وفروع المعالجة القابلة للتفسير في مجالات الوقت والتردد. يمثل تقييم البنى المعتمدة على المحولات اتجاها مهما للدراسات المستقبلية.

البروتوكول

لم تشمل هذه الدراسة مشاركين بشريين أو حيوانات فقارية أو عينات بيولوجية. لذلك، لم تكن الموافقة على أخلاقيات المؤسسات، أو الموافقة على استخدام الحيوانات، أو موافقة البشر.

يوضح الشكل 1 بنية الالتفاف السببي المتوسعة المستخدمة في بنية TCN. يوضح الشكل 2 بنية الاتصال المتبقية المستخدمة أثناء استخراج الميزات الزمنية. يوضح الشكل 3 بنية AE المستخدمة في تقليل أبعاد الميزات. يوضح الشكل 4 بنية CBAM المستخدمة لاستخراج الميزات الطيفية. يوضح الشكل 5 آلية CA المستخدمة في اندماج ميزات الزمن والتردد.

الشكل 1: بنية الالتفاف السببي المتوسعة. توضيح تخطيطي لبنية شبكة الالتفاف الزمني (TCN) باستخدام الالتفافات السببية والمتسعة. يزداد عامل التمدد مع عمق الشبكة لتوسيع مجال الاستقبال والتقاط الاعتمادات الزمنية طويلة المدى في الإشارات الصوتية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 2: بنية الاتصال المتبقية. مخطط للكتلة المتبقية المستخدمة في بنية TCN. تتضمن الكتلة الالتفافات سببية، وتطبيع الوزن، ووظائف تنشيط ReLU، وطبقات الانقطاع، واتصال متبقي لتسهيل التدريب المستقر على الشبكات العميقة والتخفيف من تدهور التدرج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3: بنية الترميز الذاتي (AE). تمثيل تخطيطي ل AE المستخدم في تقليل أبعاد الميزة. يقوم المشفر بضغط الميزات الصوتية المدخلة إلى تمثيل كامن، ويعيد فك التشفير بناء فضاء الميزات الأصلي من التمثيل المضغوط. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4: بنية وحدة الانتباه للكتلة الالتفافية (CBAM). سير عمل CBAM المستخدم لتعزيز ميزات مجال التردد. تطبق الوحدة بشكل متسلسل آليات الانتباه للقناة والانتباه المكاني لتحسين تمثيلات الميزات المستخرجة من مخططات ميل. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5: آلية اندماج الانتباه المتقاطع (CA). تمثيل تخطيطي لوحدة CA المستخدمة لدمج الميزات الزمنية وميزات المجال الترددي. يتم توليد مصفوفات الاستعلام، والمفتاح، والقيم من نمطي الميزتين لنمذجة التبعيات متعددة الوسائط وإنتاج تمثيلات ميزات مدمجة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

1. إعداد منصة بصمة الصوتيات لعطل العزل وجمع البيانات

1. إنشاء منصة كشف مصفوفة ميكروفونات غير تلامسية داخل المختبر. قم بتجميع النظام باستخدام دائرة اختبار عالية الجهد، وخزانة اختبار تحتوي على نماذج العيوب، ونظام اختبار جهد الأرض العابر (TEV)، ونظام مصفوفة الميكروفونات. تم تشغيل نظام TEV كقناة مرجعية كهربائية للتحقق من التفريغ.
   ملاحظة: تأكد من أن دائرة الجهد العالي تتضمن محول تلقائي (T1)، ومحول اختبار (T2)، ومقاومة واقية بقوة 200 كيلو أوم (R)، ومكثف اقتران بقوة 1 nF (Cx). راجع الشكل 6 للتخطيط التخطيطي.
   تحذير: اختبار الجهد العالي يشكل خطر الصدمة الكهربائية. اتبع إجراءات السلامة الكهربائية المؤسسية وتأكد من أن جميع مكونات الجهد العالي معزولة ومؤرضة بشكل صحيح قبل التشغيل.
2. قم بتكوين أربعة نماذج مميزة لعطل العزل داخل خزانة الاختبار لمحاكاة العيوب التشغيلية الشائعة: التصريف السطحي، التفريغ المعلق، التفريغ الداخلي، والتفريغ النقطي (الشكل 7).
3. جهز نماذج عطل العزل للاختبار.
   1. تصنيع جميع النماذج على ألواح عازلة بطول 100 مم × 100 مم × 5 مم باستخدام أقطاب كهربائية مصقولة.
   2. جهز نموذج التفريغ السطحي عن طريق تثبيت قطبين من شريط نحاسي بقطر 20 مم × 10 مم × 1 مم على السطح العلوي مع فجوة زحف 15 مم. اترك سطح الإيبوكسي الوسيط مكشوفا.
   3. جهز نموذج التفريغ المعلق عن طريق تركيب قطب قضيب نحاسي بقطر 2 مم على بعد 5 مم فوق صفيحة نحاسية مؤرضة (40 مم × 40 مم × 1 مم) باستخدام دعم إيبوكسي. حافظ على عزل قطب القضيب كهربائيا عن اللوحة.
   4. تحضير نموذج التفريغ الداخلي عن طريق صب كتلة إيبوكسي تحتوي على فراغ هواء صناعي أسطواني (قطر 10 مم × ارتفاع 2 مم) مركزه بين صفيحتين نحاسيتين (40 مم × 40 مم × 1 مم). ضع مركز الفراغ على بعد حوالي 2.5 مم تحت السطح العلوي.
   5. جهز نموذج التفريغ النقطي عن طريق وضع قطب إبرة من الفولاذ المقاوم للصدأ بنصف قطر رأس حوالي 0.5 مم مقابل صفيحة نحاسية مؤرضة عبر فجوة هوائية بطول 10 مم.
   6. نظف جميع الأقطاب الكهربائية بالإيثانول وجففها تماما قبل التجميع.
   7. قم بتجميع هندسة عيوب القطب في خزانة الاختبار وتحقق من جميع تباعدات الأقطاب الكهربائية باستخدام كاليبر قبل كل اختبار جهد.
4. نشر حساس مصفوفة الميكروفون باستخدام هيكل حلزوني حلقي معدل يتكون من 112 قناة. راجع الشكل 8 لتوزيع الإحداثيات.
5. اضبط معدل العينة على 200 كيلوهرتز وضبط طول العينة إلى 8192 نقطة لكل إطار. راجع الجدول 1 لمعرفة معلمات الحساس.
6. قم بتكوين أجهزة مصفوفة الميكروفون.
   1. قم بتركيب الميكروفونات ال112 بشكل مستقيم على الإطار الحلزوني الحلقي المعدل في المواقع الإحداثية الموضحة في الشكل 8. حافظ على التباعد بين العناصر الذي يحدده ملف إحداثيات المصفوفة، والذي يتراوح من 10 مم إلى 25 مم.
   2. ضع معايرا صوتيا محمولا ومصدر مرجعي فوق صوتي بتردد 40 كيلوهرتز على بعد 300 مم من مركز مصفوفة الميكروفون.
   3. معايرة جميع قنوات الميكروفون النشطة قبل كل جلسة اكتساب باستخدام SPL بتردد 94 ديسيبل، وإشارة مرجعية صوتية بتردد 1 كيلوهرتز، وإشارة مرجعية فوق صوتية بتردد 40 كيلوهرتز.
   4. سجل إشارات معايرة لمدة 5 ثوان من كل قناة ميكروفون.
   5. احسب حساسية RMS واستجابة الطور لكل قناة بالنسبة لقناة مركز المصفوفة.
   6. احتفظ فقط بالقنوات التي يكون فيها انحراف الحساسية ضمن ±2 ديسيبل عند 1 كيلوهرتز، وضمن ±3 ديسيبل عند 40 كيلوهرتز، ودون قص أو ارتفاع غير طبيعي في مستوى الضوضاء.
   7. استبعاد القنوات التي لا تستوفي معايير القبول من التحليل اللاحق.
   8. كرر إجراء المعايرة بعد أي استبدال للميكروفون أو حركة مصفوفة الميكروفون.
7. قم بتكوين نظام جمع البيانات متعدد القنوات لإجراء أخذ عينات متزامنة عبر جميع قنوات الميكروفون النشطة.
   1. قم بتكوين نظام DAQ لاكتساب جميع قنوات الميكروفون ال112 في نفس الوقت باستخدام ساعة عينة مشتركة بسرعة 200 كيلوهرتز.
   2. اضبط دقة الاستحواذ على 16 بت، وقم بتكوين اقتران التيار المتردد، واحصل على 8192 نقطة لكل إطار.
   3. توزيع مشغل بدء العتاد على جميع وحدات الاستحواذ عبر ناقل زناد TTL مشترك ذو الحافة الإيجابية.
   4. تخزين جميع قنوات الميكروفون ضمن نفس سجل الإطار واحتفظ بطابع الزمن للمشغل وفهرس القنوات لكل عملية اقتناء.
   5. افحص أول 100 إطار مكتسب بحثا عن العينات المفقودة، تشبع القنوات، وانحراف الساعة قبل بدء جمع البيانات الرسمي.
8. برر تكوين مصفوفة الميكروفون. تم اختيار مصفوفة 112 قناة لتحسين كثافة العينات المكانية لتشكيل الشعاع وتقدير تأخير GCC-PHAT، مما يزيد من قمع الضوضاء البيئية خارج المحور مقارنة بمصفوفة منخفضة القنوات ذات عدد قنوات. على الرغم من أن حوالي أربع قنوات قد تكون كافية للتموقع الهندسي ثلاثي الأبعاد، إلا أن البروتوكول الحالي يستخدم عينات مكانية كثيفة لتعزيز الإشارة واستقرار الميزات بدلا من التحديد الموقع فقط. يجب التحقق من صحة النسخ ذات القنوات المخفضة بشكل منفصل قبل نشر الميدانيين الحساس للتكلفة.
9. تطبيق جهد عالي على دائرة الاختبار لتحفيز ظواهر تفريغ جزئي عبر النماذج.
10. حافظ على بيئة التجربة أثناء الاختبار.
    1. حافظ على المختبر عند 22°C ±°C، ورطوبة نسبية بين 45٪–55٪، وضغط جوي 101 ± 2 كيلوباسكال أثناء جمع البيانات.
    2. قس الضوضاء الصوتية الخلفية قبل تشغيل نظام الجهد العالي.
    3. المضي قدما في جمع البيانات فقط عندما يكون مستوى الضوضاء الخلفية المرجحة بوزن A هو ≤40 ديسيبل(A).
    4. تحقق من أن مستوى الضوضاء فوق الصوتية لكل قناة ميكروفون نشطة أقل على الأقل بمقدار 20 ديسيبل من مستوى التفريغ-النبضة الذي لوحظ أثناء الاختبار التجريبي.
    5. حافظ على إغلاق الأبواب والنوافذ وإيقاف تشغيل المعدات الدوارة غير الأساسية أثناء جمع البيانات.
    6. قم بتأريض الإطار عالي الجهد وهيكل DAQ قبل الاستحواذ.
    7. منع حركة الأفراد بالقرب من مصفوفة الميكروفون أثناء التسجيل.
11. راقب نشاط التفريغ باستمرار باستخدام حساس TEV المتصل بجهاز كمبيوتر حاسوب.
    1. اضبط عتبة مراقبة TEV على 6 ديسيبل فوق مستوى الضوضاء الخلفية قبل الاختبار وليس أقل من مستوى إدخال مكافئ 10 مللي فولت.
    2. قم بتكوين قناة TEV المرجعية بعرض نطاق تناظري بين 3–100 ميجاهرتز وكسب 40 ديسيبل.
    3. سجل نشاط نبضات TEV باستخدام الغلاف وتسجيل النبضات على جهاز الكمبيوتر الشخصي.
    4. قم بتكوين نظام TEV لاستخدام تشغيل الأجهزة ذات الحافة الإيجابية.
    5. استخدم نفس قيمة العتبة لكل من مراقبة TEV وتوليد المحفزات.
    6. اقبل الإطار الصوتي فقط عندما يحدث نشاط نبضة TEV ضمن نافذة الاستحواذ المقابلة ويكرر عبر إطارات متتالية عند الجهد المختار.
12. قم بضبط الجهد تدريجيا بين 4 و12 كيلو فولت.
13. سجل الإشارات الصوتية بمجرد ملاحظة ظاهرة عطل عزل مميزة ومستقرة لنموذج معين. تعريف ظاهرة العطل المميزة والمستقرة بأنها حالة تفريغ يتم فيها ملاحظة نشاط TEV وأنماط النبضات الصوتية بشكل متكرر عند الجهد المستهدف دون حدوث انقراض متقطع واضح، أو تشبع في القناة الصوتية، أو ضوضاء ميكانيكية غير مرتبطة، أو ضوضاء صدمة خارجية. حافظ على الجهد حتى يبقى نمط التفريغ مستقرا لمدة لا تقل عن 60 ثانية قبل تسجيل الإطارات الصوتية.
14. اجمع 1000 مجموعة من البيانات الصالحة لكل نوع من أنواع الأعطال الأربعة. صنف إطار العينة كصالح فقط عندما يشير مرجع TEV إلى نشاط التفريغ، وأن القناة الصوتية غير مشبعة، ولا يحتوي الإطار على صدمات خارجية واضحة أو ضوضاء تعامل، وأن تسمية العينة تطابق نموذج العيب النشط. استبعد الإطارات التي تحتوي على تشبع القناة الصوتية، أو غياب تأكيد TEV، أو وضع علامات عطل غير متسقة، أو انقراض تفريغ متقطع، أو تأثير ميكانيكي خارجي، أو ضوضاء خلفية غير مستقرة.
15. مزامنة نظام TEV ونظام الاكتساب الصوتي أثناء جمع البيانات.
    1. قم بتوصيل مخرج مشغل TEV بمدخل مشغل DAQ الصوتي عبر ناقل مشغل TTL المشترك.
    2. استخدم مخرج نبضة TEV كمحفز مادي لجمع البيانات الصوتية.
    3. سجل علامة الزناد كقناة توقيت رقمية في ملف البيانات الصوتية.
    4. قم بمحاذاة أولية لتيارات TEV واكتساب الصوت باستخدام الطابع الزمني للزناد.
    5. تقدير التأخيرات المتبقية بين الميكروفونات باستخدام GCC-PHAT قبل تشكيل الشعاع.
    6. تحقق من أن دقة التزامن الصوتي ل TEV ضمن ±1 عينة صوتية، تتوافق مع ≤5 ميكروثانية بمعدل أخذ عينات 200 كيلوهرتز.

الشكل 6: منصة كشف أعطال العزل مع مصفوفة الميكروفونات. إعداد تجريبي يستخدم لكشف العزل الصوتي للأعطال. تتكون المنصة من دائرة اختبار عالية الجهد، وخزانة اختبار أعطال العزل، ونظام مصفوفة الميكروفونات، وحساس TEV، ونظام مراقبة قائم على الحاسوب لجمع البيانات والتحقق. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7: نماذج عطل العزل المبنية في المختبر. نماذج العزل والعطل التمثيلية المستخدمة في جمع البيانات. (أ) نموذج التصريف السطحي. (ب) نموذج التفريغ المعلق. (ج) نموذج التصريف الداخلي. (د) نموذج التفريغ النقطي. تم بناء النماذج لمحاكاة أربع حالات شائعة لعطل العزل تحت ظروف مختبرية مضبوطة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 8: توزيع مصفوفة الميكروفون. الترتيب المكاني لمصفوفة الميكروفون ذات ال112 قناة يستخدم تكوين حلزوني حلقي معدل. توضح توزيع الإحداثيات وضع المستشعرات المستخدمة في اكتساب الإشارة الصوتية وتحليل تشكيل الحزمة اللاحق. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

نوع المعلمة	قيمة المعلمات
بنية المصفوفة	الحلزون الحلقي المعدل
عدد القنوات	112
معدل أخذ العينة	200 كيلوهرتز
نقاط العينة لكل إطار	8192

الجدول 1: معلمات مصفوفة الميكروفون. المواصفات التقنية لنظام مصفوفة الميكروفون المستخدم في اكتساب الإشارة الصوتية أثناء تجارب العزل والعطل. يلخص الجدول هندسة المصفوفة، وعدد القنوات، ومعدل أخذ العينات، وعدد نقاط العينة التي تم الحصول عليها في كل إطار. يرجى الضغط هنا لتحميل هذا الجدول.

2. استخراج الميزات من المجال الزمني عبر TCN-AE

1. إدخال بيانات الصوت الزمنية المعالجة مسبقا في TCN لالتقاط التغيرات الزمنية الديناميكية^13,14. بعد دمج الإشارة، يتم تطبيع كل إطار صوتي مكون من 8192 نقطة باستخدام إجراء التطبيع المطبق أثناء تدريب النموذج وإدخال التسلسل أحادي البعد المعياري في TCN.
2. قم بتكوين بنية TCN.
   1. بناء TCN باستخدام ثلاث كتل متبقية مرتبة بالتتابع لاستخراج الميزات الزمنية.
   2. قم بتعيين 64 مرشحا التفافيا لكل كتلة متبقية وتعيين حجم نواة الالتفاف إلى 3.
   3. تنفيذ الالتفافات السببية الموسعة وتكوين عوامل التوسع ك d = 1 و2 و4 لتوسيع مجال الاستقبال الزمني تدريجيا.
   4. طبق دالة تفعيل ReLU بعد كل عملية التفافية.
   5. طبق معدل انسحاب 0.20 بعد كل كتلة متبقية لتقليل الإفراط في التركيب أثناء التدريب.
   6. قم بتطبيع الوزن كطريقة تنظيم داخل كل كتلة متبقية.
   7. دمج الاتصالات المتبقية في جميع أنحاء الشبكة واستخدم الإسقاطات الالتفافية 1 × 1 كلما لزم الأمر لمطابقة أبعاد الميزات بين المسارات المتبقية والمتحولة.
3. تطبيق الالتفافات السببية على تسلسل الإدخال. قم بتكييف الحشو الصفري قبل التسلسل بناء على حجم النواة لضمان أن المخرج في أي خطوة زمنية معينة يعتمد بشكل صارم على المدخلات الحالية والسابقة.
4. نفذ الالتفاف السببي باستخدام وزن النواة (w_i) وحجم النواة (K) كما يلي (المعادلة 1):
   (1)
5. تنفيذ التفافيات موسعة لتوسيع مجال استقبال الشبكة دون زيادة عدد المعاملات. زد عامل التمدد d بشكل أسي مع تقدم عمق الشبكة لالتقاط الاعتمادات الزمنية طويلة المدى.
6. احسب الالتفاف الموسع باستخدام عامل التمدد (d) كما يلي (المعادلة 2). استخدم تقدم عامل التمدد d = 1 و2 و4 أثناء تدريب TCN لتوسيع مجال الاستقبال الزمني تدريجيا دون زيادة عدد النقاط المأخوذة في كل إطار صوتي.
   (2)
7. دمج الاتصالات المتبقية للتخفيف من التدرج المفقود أثناء التدريب العميق على الشبكة.
8. مرر تسلسل الإدخال عبر كتلة الالتفاف السببية المتوسعة. قم بتنظيم الوزن وتطبيق تفعيل غير خطي ل ReLU متبوعا بطبقة Dropout.
9. أضف المخرجات المعالجة مباشرة إلى تسلسل الإدخال الأصلي (الشكل 2). طبق تطبيع الوزن داخل كل كتلة متبقية واستخدم معدل انقطاع 0.20 قبل إجراء الجمع المتبقي. استخدم إسقاط التفافي 1 × 1 عند الحاجة لمطابقة أبعاد الميزات بين المسارات المتبقية والمتحولة.
10. تغذية الميزات الزمنية عالية الأبعاد التي يستخرجها TCN في AE لتقليل أبعاد الميزة¹⁵.
11. قم بتكوين بنية AE.
    1. قم ببناء المشفر باستخدام ثلاث طبقات متصلة بالكامل بأبعاد 512، 256، و128 عصبية عصبية على التوالي.
    2. تعريف تمثيل الفضاء الكامن باستخدام متجه ميزة بأبعاد 128.
    3. قم ببناء جهاز فك التشفير باستخدام ثلاث طبقات متصلة بالكامل بأبعاد 128، 256، و512 عصبية عصبية على التوالي.
    4. طبق دالة تفعيل ReLU بعد كل طبقة متصلة بالكامل في كل من المشفر وفك الترميز.
    5. قم بتكوين AE لإعادة بناء تمثيل ميزة الإدخال من متجه الفضاء الكامن وتحسين إعادة البناء باستخدام دالة فقدان متوسط تربيع الخطأ (MSE) الموضحة في الخطوة 2.16.
12. ضغط بيانات الإدخال إلى تمثيل فضاء كامن منخفض الأبعاد عبر المشفر.
13. أعد بناء البيانات الأصلية باستخدام جهاز فك التشفير (الشكل 3).
14. نفذ تحويلات الترميز وفك الترميز باستخدام دالة تفعيل ReLU (σ)، ومصفوفات الوزن (W₁ و W₂)، ومصطلحات التحيز (b₁ و b₂) كما هو موضح في المعادلتين 3 و4.
    (3)
    (4)
15. درب المهندس المعماري على حفظ المعلومات الحيوية من خلال تقليل خطأ إعادة البناء.
16. استخدم متوسط المربع الخطأ (MSE) كدالة خسارة وحساب خطأ إعادة البناء باستخدام المعادلة 5.
    1. درب ال AE باستخدام محسن آدم بمعدل تعلم 0.001.
    2. اضبط حجم الدفعة إلى 50 ودرب الشبكة ليصل إلى حد أقصى 100 فترة قصيرة.
    3. راقب فقدان التحقق أثناء التدريب وطبق التوقف المبكر بقيمة صبر تبلغ 10 فترات.
    4. استخدم قسم مجموعة البيانات الثابت الذي يتكون من 2400 عينة تدريب، و400 عينة تحقق، و400 عينة اختبار.
    5. أداء تدريب النماذج في بيئة التعلم العميق المبنية على بايثون الملخص في جدول المواد.
    6. احسب خطأ إعادة البناء باستخدام المعادلة 5.
       (5)

3. استخراج ميزات المجال الترددي عبر مطياف ميل وCBAM

1. تطبيق وظائف التأكيد المسبق، والتأطير، والنوافذ على الإشارات الصوتية الخام للتفريغ الجزئي.
   1. قم بإزالة إزاحة التيار المستمر من كل إطار صوتي مكون من 8192 نقطة.
   2. طبق التأكيد المسبق باستخدام:
      
   3. تطبيع كل إطار باستخدام أقصى سعة مطلقة بعد إزالة انحراف التيار المستمر.
   4. قم بتقسيم كل إطار باستخدام نافذة هامينغ مكونة من 1024 عينات.
   5. استخدم طول قفزة 512 عينة، مما يعادل تداخل بنسبة 50٪ بين النوافذ المتجاورة.
   6. احسب تحويل فورييه قصير الوقت (STFT) باستخدام تحويل فورييه قصير الأجل (FFT) بزاوية 1024 نقطة.
   7. لا تطبق تصفية تمرير النطاق البرمجية الإضافية تتجاوز حد عرض النطاق الترددي للواجهة الأمامية ومعايير استبعاد جودة الإطار الموضحة أعلاه.
2. قم بإجراء تحويل فورييه على الإشارات المعالجة.
3. حول التردد الخطي الأصلي (f) إلى مقياس ميل. تقوم هذه الخطوة بخطية إدراك التردد البشري وتقلل من وزن نطاقات التداخل¹⁶.
4. احسب تردد مقياس ميل (f_mel) باستخدام التردد الخطي الأصلي (f) (المعادلة 6).
   (6)
5. قسم الترددات إلى تسلسل من بنوك المرشح المثلثة.
6. احسب المجموع المرجح لجميع سعات الإشارة ضمن عرض نطاق كل مرشح. تطبيق دالة لوغاريتمية على المخرجات لتعزيز الاتساق الإدراكي فيما يتعلق بتغيرات السعة.
7. احسب مخرجات بنك المرشح Mel باستخدام المعادلة 7. هنا، S(m) هو خرج مرشح m، وk هو مؤشر التردد، وH_m(k) يحدد المرشح المثلث.
   (7)
8. توليد مخططات Mel.
   1. احسب تحويل فورييه قصير الوقت باستخدام حجم FFT 1024.
   2. تطبيق بنوك مرشح 256 ميل على طيف التردد الناتج.
   3. توليد مخططيات ميل عبر نطاق تردد من 0–100 كيلوهرتز.
   4. قم بإعادة تكبير أو تمثيل مخططات Mel الناتجة ك 256 × خرائط ميزات 256 بكسل لمعالجة CBAM لاحقة.
   5. حول مطياف قوة ميل إلى مقياس الديسيبل.
   6. تطبيق الحد الأدنى لتطبيع الحد الأدنى لكل مخطط طيفي باستخدام مطياف ميل المضغوط لوغاريتميا (S_dB):
      
   7. قم بإجراء التطبيع بشكل مستقل لكل صورة طيفية 256 × 256 ميل.
   8. قم بقص القيم المطبعة إلى النطاق [0,1] قبل إدخال المخطط الطيفي في فرع CBAM.
9. إدخال مخططيات Mel الناتجة في CBAM لاستخراج الخصائص الطيفية الرئيسية¹⁷.
10. معالجة البيانات من خلال آليات الانتباه القناة والانتباه المكاني المتسلسلة (الشكل 4).
11. قم بتكوين بنية CBAM.
    1. قم بتكوين وحدة القناة والانتباه باستخدام نسبة تقليل القناة 16.
    2. خرائط ميزات إدخال العمليات بأبعاد 256 × 256 × 64.
    3. تطبيق تجميع المتوسط العالمي والتجميع الأقصى العالمي لتوليد واصفات القنوات.
    4. مرر الواصفات المجمعة عبر بيرسيبترون متعدد الطبقات مشترك وطبق دالة تفعيل سيجمويد لتوليد أوزان قناة-انتباه.
    5. توليد أوزان الانتباه المكاني باستخدام نواة الالتفافية 3 × 3 مطبقة على الواصفات المكانية المجمعة متوسطة والقصوى المتراكمة.
    6. تطبيق دالة تفعيل السيجمويد لإنتاج خريطة الانتباه المكانية النهائية.
12. استخرج أوزان الانتباه على القناة.
13. تطبيق تجميع المتوسط العالمي والتجميع الأقصى العالمي عبر أبعاد القنوات في خريطة ميزات الإدخال.
14. معالجة متجهات الواصف العالمية المولدة عبر طبقة متصلة بالكامل (FC) للحصول على وزن انتباه القناة (M_c).
15. احسب أوزان انتباه القناة باستخدام المعادلة 8. هنا، M_c هو وزن الانتباه القناة، FC يرمز إلى الطبقة المتصلة بالكامل، و σ يمثل دالة تنشيط السيجمويد.
    (8)
16. استخرج أوزان الانتباه المكاني.
17. طبق تجميع الحد الأقصى العالمي وتجميع المتوسط العالمي على محور القناة.
18. قم بربط خرائط الوصف المكاني الناتجة ومعالجتها عبر طبقة التفافية لتوليد وزن الانتباه المكاني (M_s).
19. احسب أوزان الانتباه المكاني باستخدام المعادلة 9. هنا، M_s هو وزن الانتباه المكاني، وهو الوصف المكاني الناتج عن التجميع المتوسط العام، وهو الوصف المكاني الناتج عن التجميع الأقصى العالمي.
    (9)
    1. قم بربط الواصفات المكانية المجمعة متوسطة والعظمى على طول بعد القناة.
    2. تطبيق التفاف 3 × 3 مع خطوة = 1 ونفس الحشو لتوليد خريطة الانتباه المكاني.
    3. تطبيق دالة تفعيل سيغمويد على خرج الالتفاف للحصول على أوزان الانتباه المكاني.
    4. ضرب أوزان الانتباه المكاني عنصريا في خريطة ميزة الإدخال لتوليد التمثيل المكاني المحسن.

4. دمج الميزات متعددة الوسائط باستخدام CA

1. تنفيذ آلية CA لتخليق الميزات الزمنية المستخرجة والخصائص الطيفية¹⁸. على عكس الانتباه الذاتي، استخرج المعلومات السياقية من طريقة واحدة لتعزيز تمثيل الآخر ديناميكيا (الشكل 5).
2. قم بتكوين بنية CA.
   1. اضبط بعد التضمين إلى 128.
   2. قم بتكوين وحدة CA مع 4 رؤوس انتباه.
   3. اضبط أبعاد الاستعلام، والمفتاح، وإسقاط القيمة إلى 128 لكل منها.
   4. طبق معدل التسرب 0.10 ضمن وحدة CA.
   5. لا تطبق طبقات تطبيع ما بعد الانتباه أو طبقات التغذية الأمامية بعد وحدة الانتباه المتقاطع.
   6. اجمع المخرجات من جميع رؤوس الانتباه.
   7. قدم طلب ترك الدراسة بمعدل 0.10.
   8. قم بتسطيح تمثيل الميزة الناتج.
   9. نقل متجه الميزة المسطحة مباشرة إلى مصنف 1D-CNN.
3. تهيئة مصفوفات الاستعلام (Q)، المفتاح (K)، والقيمة (V) من تسلسلين مدخلين مختلفين (ميزات مجال الزمن والتردد).
4. احسب مصفوفة الاستعلام باستخدام المعادلة 10، حيث X₁ تشير إلى مصفوفة الميزة الزمنية الناتجة عن مسار TCN-AE، وW_Q وb_Q تشير إلى مصفوفة الوزن المتعلمة ومصطلح التحيز المقابلة على التوالي.
   (10)
5. احسب مصفوفة المفتاح باستخدام المعادلة 11، حيث X₂ يدل على مصفوفة ميزات مجال التردد التي ينتجها مسار Mel-CBAM، وW_K، وb_K تشير إلى مصفوفة الوزن المتعلمة ومصطلح التحيز المقابل على التوالي.
   (11)
6. احسب مصفوفة القيم باستخدام المعادلة 12. حيث يشير W_V و b_V إلى مصفوفة الوزن المكتسب ومصطلح التحيز المقابل على التوالي.
   (12)
7. احسب تفاعل CA بناء على العلاقة بين الاستعلام والعناصر الرئيسية.
8. احسب مصفوفة وزن الانتباه باستخدام المعادلة 13. هنا، α_ij يحدد وزن الانتباه للعنصر i بالنسبة للعنصر j، وd_k هو أبعاد المتجهات الرئيسية.
   (13)
9. تحديث التمثيل النهائي للميزة بحساب المجموع المرجح لمصفوفة القيم وفقا لأوزان الانتباه المحسوبة.
10. احسب تمثيل الميزة المدمجة باستخدام المعادلة 14. هنا، O_i هو خرج التتابع الذي يمثل البصمة الصوتية القوية التي تدمج في الوقت والتردد لعطل العزل.
    (14)
    1. توليد تمثيل الميزة المدمجة ببعد إخراج 128.
    2. اجمع بين مخرجات الانتباه عبر الزمن والتردد المتقاطع.
    3. قم بتسطيح التمثيل المدمج قبل التصنيف.
    4. مرر تمثيل الميزة المسطحة إلى 1D-CNN ومصنف Softmax المتصلة بالكامل كما هو موضح في الشكل 9.

الشكل 9: الإطار العام لتحديد عطل العزل. سير عمل طريقة تحديد العزل-العطل المقترحة. يتم دمج ومعالجة إشارات مصفوفة الميكروفون الخام مسبقا، تليها استخراج الميزات في المجال الزمني باستخدام مسار TCN–AE، واستخراج ميزات مجال التردد باستخدام مخططيات Mel وCBAM، ودمج الميزات المعتمد على CA، والتصنيف النهائي للأعطال باستخدام شبكة عصبية الالتفافية أحادية البعد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

5. محاذاة ودمج إشارات مصفوفة الميكروفون عبر GCC-PHAT

1. اختر إشارتين للميكروفون لتقدير التأخير وحولهما إلى مجال التردد باستخدام FFT.
   1. استخدم الإطار الصوتي الكامل بقيمة 8192 نقطة المكتسب عند 200 كيلوهرتز لحساب GCC-PHAT المعتمد على FFT.
   2. تطبيق FFT على كل إشارة ميكروفون مختارة قبل حساب طيف القدرة المتقاطعة الموزون ب PHAT.
   3. تقدير تأخير الوقت بين القنوات بالنسبة للميكروفون المرجعي المختار باستخدام الطيف المتقاطع للطاقة المرجحة بوزن PHAT وإجراء IFFT الموضح في الشكل 10.
   4. تطبيق GCC-PHAT بالنسبة للميكروفون المرجعي المختار قبل محاذاة جميع قنوات الميكروفون النشطة ال 112.
   5. قم بتطبيق نافذة هان على الإطار الصوتي الكامل ذو 8192 نقطة قبل معالجة FFT.
   6. لا تستخدم نوافذ متداخلة أثناء تقدير تأخير GCC-PHAT.
   7. قم بعمل صفر وسادة لكل إطار نافذة إلى 16,384 نقطة قبل حساب FFT وIFFT.
   8. استخدم إشارة الصفر المبطنة لتحسين دقة ذروة التأخير أثناء تقدير التأخير الزمني.
2. الحصول على تمثيلات المجال الترددي وإشارات الميكروفون المختارة.
3. احسب طيف القدرة المتقاطعة لتقييم التشابه بين الإشارتين.
4. قدم دالة التحويل الطوري (PHAT) لزيادة حدة ذروة الارتباط المتقاطع وتقليل تأثيرات الصدى.
5. احسب طيف القوة المتقاطعة المرجح ب PHAT باستخدام المعادلة 15. هنا، و هما تمثيلان المجال الترددي لإشارتي الميكروفون و يرمز إلى الاقتران المركب.
   (15)
6. طبق IFFT لحساب دالة الارتباط المتقاطع المعمم (GCC).
7. تحديد متغير التأخير الزمني τ عن طريق تحديد ذروة دالة GCC.
8. احسب دالة GCC باستخدام المعادلة 16. هنا، هي دالة الارتباط المتقاطع المعممة وتمثل التأخير الزمني المقدر.
   (16)
9. قم بتعويض الوقت لمحاذاة الإشارات بناء على التأخير المقدر.
10. قم بمزامنة كل قناة بالنسبة للميكروفون المرجعي باستخدام المعادلة 17. هنا، هي الإشارة المعوضة بالتأخير وτ_i هو التأخير المقدر بالنسبة للميكروفون المرجعي.
    1. اختر الميكروفون الأقرب إلى مركز المصفوفة الهندسي كميكروفون مرجعي.
    2. تحقق من أن الميكروفون المختار يستوفي معايير قبول المعايرة الموضحة في الخطوة 1.6.
    3. إذا لم يستوف الميكروفون المركزي معايير المعايرة، اختر أقرب ميكروفون معاير إلى المركز الهندسي كميكروفون مرجعي.
    4. تقدير التأخير τ_i لكل قناة ميكروفون نشطة بالنسبة للميكروفون المرجعي المختار.
    5. قم بمحاذاة جميع قنوات الميكروفون النشطة ال 112 مع الميكروفون المرجعي المختار قبل تشكيل الشعاع.
       (17)
11. نفذ تشكيل الشعاع بتأخير وجمع لدمج المعلومات المكانية.
12. تعزيز الإشارة المنبعثة من اتجاه الهدف مع كبح الضوضاء المحيطة باستخدام المعادلة 18. هنا، y(t) هي إشارة الإخراج المشكل بالحزمة، وهي إشارة التأخير المعوضة من الميكروفون رقم i، وN هو إجمالي عدد قنوات الميكروفون.
    1. قم بتشكيل الشعاع بتأخير ومجموع بعد تعويض التأخير GCC-PHAT.
    2. استخدم وزنا متساويا لجميع قنوات الميكروفون النشطة.
    3. التعيين N = 112 ل 112 قناة ميكروفون نشطة استخدمت أثناء الاستحواذ.
    4. حدد اتجاه الهدف باستخدام الموقع الهندسي المعروف لنموذج العيب النشط بالنسبة لمركز مصفوفة الميكروفون.
    5. وجه محول شعاع التأخير والمجموع نحو مركز نموذج العيب النشط أثناء اندماج الإشارة.
    6. استخدم هندسة خزانة الاختبار المحددة مسبقا لتحديد اتجاه التوجيه.
    7. لا تقوم بإجراء تقدير اتجاه الهدف المعتمد على البيانات أثناء تدريب أو اختبار النماذج.
       (18)

الشكل 10: إجراء محاذاة إشارة GCC-PHAT. سير عمل خوارزمية الارتباط المتقاطع المعمم مع تحويل الطور (GCC-PHAT). تتم معالجة إشارات الميكروفون في مجال التردد للحصول على طيف القدرة المتقاطعة ودالة الوزن، تليها تحويل فورييه العكسي لتقدير تأخير الزمن بين القنوات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

6. تحسين الشبكة عبر خوارزمية CS

1. تهيئة معلمات خوارزمية CS لتحسين 1D-CNN.
   1. اضبط حجم السكان، الذي يتوافق مع عدد الأعشاش، إلى 20.
   2. اضبط احتمال الاكتشاف (Pa) إلى 0.25.
   3. اضبط الحد الأقصى لعدد تكرارات التحسين إلى 50.
   4. اضبط البذرة العشوائية على 42 لدعم قابلية التكرار.
   5. اضبط معامل مقياس حجم الخطوة α إلى 0.01.
   6. حدد حدود البحث عن المعاملات الفائقة وفقا للنطاقات الملخصة في الجدول 2.
   7. إنهاء التحسين عند الوصول إلى الحد الأقصى من التكرارات أو عند تحقيق تقارب التحقق والملاءمة.
2. توليد حلول جديدة من خلال محاكاة سلوك الطفيليات الإلزامية للحضنة لدى الوقواق مع رحلات ليفي.
3. تحديث الحل الحالي (nest) باستخدام حجم خطوة عشوائي مشتق من خاصية طيران ليفي.
4. احسب موقع العش المحدث باستخدام المعادلة 19. هنا، α هو معامل تكبير حجم الخطوة ويدل على الضرب الداخلي.
   1. اضبط معامل تحجيم حجم الخطوة (α) إلى 0.01.
   2. اضبط معامل الطيران في ليفي (λ) إلى 1.5.
   3. ترميز كل عش مرشح كمجموعة من المعلمات الفائقة 1D-CNN، بما في ذلك تكوين الطبقة الالتفافية، حجم النواة، معدل التعلم، حجم الدفعة، وإعداد المحسن.
   4. توليد أعشاش المرشحين باستخدام تحديثات Lévy-flight وتقييم كل مرشح باستخدام أداء مجموعة التحقق.
   5. احتفظ بالحلول المرشحة التي تحسن اللياقة الصحيحة.
      (19)
5. احسب المتغيرات العشوائية لرحلة ليفي باستخدام توزيع طبيعي معياري مدرج حسب المعامل σ.
6. احسب σ باستخدام المعادلة 20. هنا، تمثل دالة غاما وعادة ما يتم تعيين β إلى 1.5.
   (20)
7. تدريب 1D-CNN باستخدام خمس طبقات التفافية، وحجم نواة 3، وتنشيط ReLU، وتحسين النزول التدرج العشوائي (SGD)، ومعدل تعلم ابتدائي 0.001، وحجم دفعة 50، ودالة فقدان الإنتروبيا المتقاطعة.
8. قيم النموذج الأمثل على مجموعة الاختبار.
   1. درب الشبكة النهائية 1D-CNN باستخدام التوقف المبكر مع قيمة صبر 10 عصرات.
   2. اضبط البذرة العشوائية على 42 لتقسيم مجموعات البيانات وتدريب النماذج.
   3. قيم النموذج الأمثل باستخدام مجموعة الاختبار الثابتة الملخصة في الجدول 2.
   4. أبلغ عن التقييم الكامل لمصفوفة الالتباس بشكل منفصل عن نتيجة الاستئصال، بدقة إجمالية تبلغ 99.05٪ (3962/4000) ومعدلات التعرف حسب الفئة تتراوح بين 98.6٪ إلى 99.4٪.

الفئة	المعلمة	القيمة / البيئة
مجموعة البيانات والمدخلات	الإطارات الصوتية الكلية	4,000
	فئات الصدع	التصريف السطحي؛ تسريح معلق؛ التفريغ الداخلي؛ تفريغ نقاط
	معدل أخذ العينة	200 كيلوهرتز
	طول الإطار	8,192 نقطة لكل إطار
	قنوات مصفوفة الميكروفون	112
	مدخلات النموذج	تمثيل الميزات الصوتية الزمنية والترددية المدمج عبر الانتباه
تقسيم مجموعة البيانات	حجم مجموعة التدريب	2400 عينة
	حجم مجموعة التحقق	400 عينة
	حجم مجموعة الاختبار	400 عينة
	حجم تقييم مصفوفة الالتباس الكامل	4,000 عينة
	استراتيجية الانقسام	تقسيم ثابت واحد
	البذرة العشوائية	42
بنية TCN	عدد الكتل المتبقية	3
	المرشحات لكل كتلة متبقية	64
	حجم نواة الالتفاف	3
	جدول التوسع	1, 2, 4
	معدل التسرب	0.20
بنية الترميز الذاتي	أبعاد طبقة المشفر	512 → 256 → 128
	بعد الفضاء الكامن	128
	أبعاد طبقة فك الترميز	128 → 256 → 512
تدريب الترميز الذاتي	المحسن	آدم
	معدل التعلم	0.001
	حجم الدفعة	50
	عدد فترات التدريب	100 حقبة
	معيار التوقف المبكر	التحقق MSE؛ الصبر = 20 حقبة
إعدادات مقياس طيف ميل	حجم FFT	1,024 نقطة
	عدد مرشحات ميل	256
	نطاق التردد	0–100 كيلوهرتز
	أبعاد الطيف	256 × 256
تكوين CBAM	نسبة تقليل القناة	16
	أبعاد خريطة الميزات	256 × 256 × 64
تكوين الانتباه المتقاطع	بعد التضمين	128
	عدد رؤوس الانتباه	4
	بعد الإسقاط الاستعلامي	128 إجمالا؛ 32 لكل فرد
	بعد الإسقاط الرئيسي	128 إجمالا؛ 32 لكل فرد
	بعد إسقاط القيمة	128 إجمالا؛ 32 لكل فرد
	معدل التسرب	0.10
مصنف 1D-CNN	عدد الطبقات الالفافية	5
	حجم نواة الالتفاف	3
	دالة التفعيل	ReLU
	طبقة الإخراج	سوفتماكس من أربع فئات
	دالة الخسارة	فقدان الإنتروبيا المتقاطع
إعدادات التدريب	المحسن	الانحدار التدرج العشوائي (SGD)
	معدل التعلم الأولي	0.001
	حجم الدفعة	50
	أقصى تكرارات التدريب	1,000
	التوقف المبكر	مراقبة التحقق والفقدان
	الصبر المبكر	100 تكرار
	الخسارة النهائية في التدريب	غير متوفر في المخطوطة المرفقة
	خسارة التحقق النهائية	غير متوفر في المخطوطة المرفقة
تحسين البحث في Cuckoo	هدف التحسين	المعاملات الفائقة 1D-CNN
	حجم السكان / عدد الأعشاش	20
	احتمال الاكتشاف (Pa)	0.25
	معامل تحجيم حجم الخطوة (α)	0.01
	معامل الطيران في السطح (β)	1.5
	معامل الطيران السريع (λ)	1.5
	أقصى تكرارات التحسين	50
	حدود البحث عن المعاملات الفائقة	Conv filters {32, 64, 128, 256}; حجم النواة {3, 5, 7}; معدل التعلم 1×10⁻⁴–1×10⁻²; حجم الدفعة {25، 50، 100}؛ انسحاب 0.10–0.50؛ تدهور الوزن 1×10⁻⁵–1×10⁻³
التحقق والتقارير	الشكل 13 دقة الاستئصال في CA	98.20%
	الجدول 2 دقة مصفوفة الالتباس	99.05% (3,962/4,000)
	التحقق المتقاطع / التكرار	لم يتم أداء

الجدول 2: تكوين مجموعة البيانات، معلمات تدريب النماذج، وإعدادات التحسين لتصنيف العزل-الأعطال. يلخص الجدول تركيب مجموعات البيانات، واستراتيجية تقسيم البيانات، وبنية 1D-CNN، وتكوين التدريب، وإعدادات تحسين البحث من Cuckoo، ومقاييس التحقق، واعتبارات اختيار المعلمات المستخدمة لتطوير وتقييم إطار تشخيص الأخطاء المقترح. يجب الإبلاغ عن القيم الخاصة بالتنفيذ المفقودة من سجلات التدريب والتحسين النهائية لتسهيل إمكانية التكرار. يرجى الضغط هنا لتحميل هذا الجدول.

النتائج

إطار استخلاص ميزات مجال الزمن والتردد

تدمج طريقة تحديد العزل-العطل المقترحة مسارات استخراج الميزات الزمنية والطيفة لتوصيف التوقيعات الصوتية المعقدة الناتجة عن عيوب العزل. تم استخراج الميزات في المجال الزمني باستخدام TCN الذي يدمج التفافيات سببية متسعة لالتقاط الاعتمادات الزمنية طويلة المدى داخل التسلسلات الصوتية (الشكل 1). تم دمج الاتصالات المتبقية في بنية TCN لتسهيل التدريب المستقر على الشبكات العميقة وانتشار الم...

المناقشة

تحدد هذه المقالة بروتوكولا موحدا غير تلامسي لتحديد أعطال العزل المعقدة في معدات الطاقة الكهربائية من خلال التعرف على بصمة الصوت. من خلال دمج TCN-AE مع مخطط طيف Mel المعالج بواسطة Mel-CBAM، يعزل خط الأنابيب المأسو كل من التقلبات الديناميكية في السلاسل الزمنية والخصائص الطيفية المحلية. الدمج متعدد الوسائط اللاحق عبر آلية CA يهدف إلى تقليل تخفيف المعلومات الذي غالبا ما يصاحب ربط الميزات البسيط. تم تحسين الإطار التشخيصي باستخدام شبكة 1D-CNN المعتمدة على CS، وأظهر أداء تصنيفيا عاليا لفئات الع...

المواد

```html

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
Autoencoder (AE)	نموذج مخصص	بنية التشفير-فك التشفير لضغط الميزات	تقليل أبعاد الميزات
وحدة Cross-Attention	نموذج مخصص	وحدة دمج ميزات الزمن والتردد	دمج الميزات عبر النمط
خوارزمية GCC-PHAT	خوارزمية مخصصة	التنفيذ المستند إلى FFT/IFFT	تقدير التأخير الزمني ومحاذاة الإشارة
دارة اختبار الجهد العالي	منصة مختبرية مصممة ذاتيًا	محول تيار متردد T1، محول اختبار T2، مقاوم حماية 200 كيلو أوم، مكثف اقتران 1 نانو فاراد؛ جهد التشغيل 4-12 كيلو فولت	توليد حالات الأعطال العازلة
Mel spectrogram + CBAM	نموذج مخصص	استخراج الطيف بتردد ميل مع تعزيز الانتباه	استخراج الميزات في مجال التردد
نظام صفيف الميكروفون	منصة مختبرية مصممة ذاتيًا	صفيف حلقي حلزوني معدّل 112 قناة؛ معدل أخذ العينات 200 كيلو هرتز؛ 8192 نقطة لكل إطار	اكتساب الصوت
حساسات الميكروفون	وحدات ميكروفون فوق صوتي متوافقة مصممة ذاتيًا	112 قناة متوافقة؛ حساسية -38 +/- 3 dBV/Pa؛ استجابة التردد 20 هرتز-100 كيلو هرتز؛ معايرتها عند 94 ديسيبل SPL/1 كيلو هرتز و40 كيلو هرتز؛ حدود القبول: +/-2 ديسيبل عند 1 كيلو هرتز و+/-3 ديسيبل عند 40 كيلو هرتز	كشف الصوت
نظام DAQ متعدد القنوات	منصة DAQ متزامنة مصممة ذاتيًا	اكتساب متزامن لـ 112 قناة؛ ADC 16 بت؛ 200 كيلو هرتز/قناة؛ 8192 نقطة/إطار؛ ساعة أخذ العينات المشتركة؛ إشارة TTL إيجابية الحافة	اكتساب البيانات والمزامنة
شبكة CNN أحادية البعد + تحسين CS	نموذج مخصص	خمس طبقات تقارب؛ حجم النواة 3؛ SGD؛ معدل التعلم 0.001؛ حجم الدُفعة 50	تصنيف الأعطال
بيئة تدريب Python	Python / PyTorch	Python 3.9؛ PyTorch 2.0؛ NumPy 1.24؛ scikit-learn 1.2؛ librosa 0.10؛ CUDA 11.8	تدريب النموذج وتقييمه
شبكة التقارب الزمنية (TCN)	نموذج مخصص	التقاربات السببية الممتدة مع الوصلات المتبقية	استخراج الميزات في المجال الزمني
خزانة الاختبار بنماذج عيوب	منصة مختبرية مصممة ذاتيًا	نماذج التصريف السطحي، التصريف المعلق، التصريف الداخلي، والتفريغ النقطي	محاكاة أعطال العزل
نظام اختبار الجهد الأرضي العابر (TEV)	وحدة مراقبة TEV التجارية	قناة مرجعية TEV؛ عرض نطاق ترددي تناظري 3-100 ميغاهرتز؛ مكسب 40 ديسيبل؛ إشارة TTL إيجابية الحافة؛ تعيين عتبة الإشعال 6 ديسيبل فوق مستوى ضوضاء الخلفية أو ما يعادله 10 ملي فولت أو أكثر عند مدخل المستشعر	التحقق من نشاط التصريف

```