מיזוג קשב צולב של תכונות אקוסטיות בזמן ותדר לזיהוי תקלות בידוד בציוד כוח באמצעות מערכת מערך מיקרופונים

סיכום

פרוטוקול זה מתאר שיטה ללא מגע לזיהוי תקלות בידוד בציוד כוח על ידי חילוץ ומיזוג תכונות אקוסטיות בתחום הזמן והתדר לסיווג אוטומטי של תקלות.

תקציר

מטרת הפרוטוקול היא לספק שיטה ללא מגע לזיהוי תקלות בידוד בציוד כוח על ידי חילוץ ומיזוג תכונות אקוסטיות בתחום הזמן והתדר לסיווג אוטומטי של תקלות. טביעות אצבע אקוסטיות הנוצרות על ידי תקלות בידוד מציגות מאפיינים לא ליניאריים ולא גאוסיים, מה שעלול להגביל את היעילות של שיטות חילוץ תכונות חד-דומיין קונבנציונליות. כדי להתמודד עם אתגר זה, פרוטוקול זה מציג מסגרת חילוץ ומיזוג תכונות בזמן-תדר, המבוססת על מנגנון תשומת לב צולבת (CA) לזיהוי ארבעה סוגי תקלות בידוד. תכונות בתחום הזמן מופקות תחילה באמצעות רשת קונבולוציונית זמנית בשילוב עם אוטואנקודר כדי ללכוד שינויים דינמיים באותות אקוסטיים עוקבים. במקביל, תכונות בתחום התדר מופקות מספקטרוגרמות מל באמצעות מודול תשומת לב קונבולוציוני לשיפור ייצוג תכונות ספקטרליות. מנגנון CA מופעל לאחר מכן למיזוג אדפטיבי של תכונות זמן וספקטרליות, ומחזק את הקשרים בין שני תחומי התכונות. ייצוג התכונות הממוזגות מוזן לאחר מכן לרשת עצבית קונבולוציונית חד-ממדית, המותאמת באמצעות אלגוריתם Cuckoo Search לסיווג תקלות. תוצאות מייצגות מראות שמסגרת זו מאפיינת ביעילות טביעות אצבע אקוסטיות מורכבות ומשיגה ביצועי סיווג גבוהים בהשוואה לשיטות חילוץ תכונות קונבנציונליות. הפרוטוקול מספק אסטרטגיה חזקה ללא מגע לאבחון תקלות בידוד וניטור מצב ציוד החשמל.

מבוא

זיהוי מוקדם של תקלות בידוד בציוד כוח הוא קריטי להבטחת בטיחות ויציבות רשת החשמל 1,2,3,4. סטטיסטיקות מצביעות על כך שכ-60% מהתקלות בציוד החשמל קשורות ישירות לדליקת בידוד⁵. עם זאת, שיטות ניטור חשמליות קונבנציונליות סובלות לעיתים קרובות מתגובה מאוחרת, יכולות נגד הפרעות ירודות, ודרישה להתקנה פולשנית מבוססת מגע⁵. לאחרונה, זיהוי טביעת אצבע אקוסטית הפך לגישה אבחנתית מבטיחה ללא מגע בזכות התגובה המהירה והקלות ביישום ^6,7. עם זאת, אותות שקלה בבידוד הם מטבעם לא ליניאריים ולא-גאוסיאניים⁸. המאפיינים האקוסטיים שלהם מוסתרים לעיתים קרובות על ידי רעש סביבתי ורטט מבני, מה שמקשה על שיטות חילוץ מסורתיות של תחום יחיד (תחום זמן או תדר) ללכוד את המאפיינים החיוניים של השבר.

המחקר הנוכחי בתחום חילוץ תכונות אקוסטיות מתמודד עם שני אתגרים עיקריים. ראשית, ניתוח בתחום הזמן, כגון קצבי אנרגיה קצרים או קצבי חציית אפס, משקף תנודות אות אך לעיתים מאבד פרטים ספקטרליים מדויקים. שנית, שיטות בתחום התדר, כמו טרנספורם פורייה מהיר (FFT) וטרנספורמציות גלים, יכולות להפיק תכונות ספקטרליות אך מתקשות ללכוד את ההתפתחות הזמנית הדינמית של האות. מחקרים קודמים ניסו לגשר על הפער הזה. לדוגמה, דאי ואח^' השתמשו בטרנספורם פורייה קצר-זמן (STFT) ליצירת מפות זמן-תדר דו-ממדיות. עם זאת, בשל עקרון אי-הוודאות, הרזולוציה של STFT מוגבלת על ידי רוחב החלון, מה שמאלץ פשרה בין לוקליזציה בזמן לרזולוציית תדר. גישות אחרות, כמו מקדמי ספסטרל בתדר מל (MFCCs) ומקדמי ספסטרל בתדר גמאטון (GFCCs)¹⁰, לעיתים קרובות מובילות לייצוגי תכונות פשוטים מדי כדי לשמור על עמידות בתנאי הפרעות גבוהים. בעוד שהתפלגויות מתקדמות ותכונות מבוססות אנטרופיה¹¹ השיגו דיוק גבוה במערכי נתונים מסוימים, לעיתים קרובות חסרות להם הכללה בשל גודל מדגם מוגבל. יתרה מזאת, שרשור פשוט של תכונות בתחום הזמן והתדר נכשל ביצירת מנגנון קורלציה פנימי, מה שמוביל לעיתים קרובות לעודף גבוה וחוסר יכולת הבחנה מספקת. מודלים מסורתיים של למידת מכונה גם נוטים להתאמת יתר כאשר מתמודדים עם מאפיינים של מדגמים קטנים ורעשניים גבוהים, האופייניים למאגרי תקלות בידוד¹². פיתוחים אחרונים התקדמו מתיאורים מסורתיים בעבודת יד וייצוגי זמן-תדר לכיוון חילוץ תכונות מבוססי רשת עצבית עמוקה ואסטרטגיות מיזוג מונחה קשב. עם זאת, גישות רבות קיימות עדיין מעבדות מידע זמני וספקטרלי באופן עצמאי או משלבות אותם באמצעות שרשור תכונות פשוט, מה שמגביל את יכולתן ללכוד קשרים חוצי תחומים בתוך אותות אקוסטיים מורכבים.

כדי להתמודד עם מגבלות אלו, פרוטוקול זה מציג מתודולוגיית חילוץ ומיזוג סינרגטית של תכונות זמן-תדר, הממוקדת במנגנון תשומת לב חוצה (CA). המטרה העיקרית של שיטה זו היא להקים מודל קורלציה חוצה-מודאלית שמקצה משקלים באופן אדפטיבי לתכונות קריטיות, ובכך להפחית את דילול המידע המקושר בדרך כלל לאסטרטגיות שרשור מסורתיות. הפרוטוקול עושה שימוש בארכיטקטורת רשת קונבולוציונית זמנית (TCN) מקושרת וארכיטקטורה של מקודד אוטומטי (AE) כדי לבנות מסלול עיבוד בתחום הזמן, תוך שימוש בקונבולוציות סיבתיות מורחבות ללכידת תלויות ארוכות טווח בתוך רצפים אקוסטיים. במקביל, ארכיטקטורת ספקטרוגרמה מקבילה של מל ומודול קשב בלוקי קונבולוציוני (CBAM) מעוצבת כדי לשפר תכונות ספקטרליות מקומיות וקשב ערוץ. מרכזי בגישה זו הוא הכנסת מנגנון CA, המשתמש באינטראקציות שאילתה–מפתח–ערך כדי למודל תלות הדדית בין תחומי הזמן לתדר. רעיונות דומים של מיזוג מבוססי קשב דווחו במכונות רועשות ובמשימות אבחון אקוסטיות, שבהן משקלי תשומת הלב מדגישים אזורים זמניים או ספקטרליים מובחנים תחת הפרעה; עם זאת, רוב מסווגי הפריקה החלקית הקיימים עדיין מסתמכים על ייצוגים חד-תחומיים או מיזוג מאוחר, מה שמניע את עיצוב CA הנוכחי. לבסוף, רשת עצבית קונבולוציונית חד-ממדית (1D-CNN), שאופטימלית באמצעות אלגוריתם Cuckoo Search (CS), משמשת לסיווג תקלות עמיד.

שיטה זו מציעה יתרונות משמעותיים על פני שיטות אבחון קונבנציונליות בכך שהיא מספקת פתרון ביצועים גבוהים, ללא מגע, שנשאר יעיל בסביבות אלקטרומגנטיות מורכבות. מדדי הביצועים מדווחים בנפרד עבור מחקר האבלציה ומודל הסיווג הסופי. מחקר האבלציה השיג דיוק של 98.2% בתצורת CA, בעוד שמודל הסיווג הסופי השיג דיוק כולל של 99.05% (3962/4000), עם שיעורי זיהוי לפי מחלקות שנעו בין 98.6% ל-99.4%. היא מתאימה במיוחד לחוקרים ומהנדסים המעוניינים ליישם ניטור אוטומטי של מתגי 10 קילו-וולט או ציוד חלוקת חשמל דומה, כאשר חישה מבוססת מגע אינה מעשית. באמצעות יישום פרוטוקול זה, המשתמשים יכולים לאפיין ביעילות טביעות אצבע אקוסטיות מורכבות ולהשיג זיהוי תקלות אמין בתנאי רעש רקע גבוהים. מודלים אקוסטיים מבוססי שנאי, כולל ארכיטקטורות טרנספורמטור ספקטרוגרם אודיו (AST), מבטיחים למידול הקשר ספקטרוטמפורלי לטווח ארוך; עם זאת, הם לא נבחרו לפרוטוקול הנוכחי משום שמאגר הנתונים הזמין קטן יחסית והמסגרת המוצעת נותנת עדיפות לאימון יציב, עלות חישוב נמוכה יותר וענפי עיבוד תחום זמן ותדירות ניתנים לפענוח. הערכת ארכיטקטורות מבוססות שנאי מהווה כיוון חשוב למחקרים עתידיים.

פרוטוקול

מחקר זה לא כלל משתתפים אנושיים, בעלי חוליות או דגימות ביולוגיות. לכן, לא נדרשו אישור אתיקה מוסדית, אישור שימוש בבעלי חיים ואישור של נבדקים אנושיים.

איור 1 ממחיש את מבנה הקונבולוציה הסיבתית המורחבת המשמש בארכיטקטורת TCN. איור 2 ממחיש את מבנה החיבור השאריתי המשמש במהלך חילוץ תכונות זמניות. איור 3 ממחיש את ארכיטקטורת AE המשמשת לצמצום ממדי תכונות. איור 4 ממחיש את ארכיטקטורת CBAM המשמשת לחילוץ תכונות ספקטרליות. איור 5 ממחיש את מנגנון CA המשמש למיזוג תכונות זמן-תדר.

איור 1: מבנה קונבולוציה סיבתית מורחב. איור סכמטי של ארכיטקטורת רשת קונבולוציונית זמנית (TCN) המשתמש בקונבולוציות סיבתיות ומורחבות. גורם ההתרחבות עולה עם עומק הרשת כדי להרחיב את שדה הקבלה וללכוד תלות זמן ארוכת טווח באותות אקוסטיים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2: מבנה חיבור שאריתי. דיאגרמה של הבלוק השארי המשמש בארכיטקטורת TCN. הבלוק משלב קונבלוקציות סיבתיות, נרמול משקל, פונקציות הפעלה של ReLU, שכבות נשריפה, וחיבור שאריתי כדי להקל על אימון יציב ברשת עמוקה ולהפחתת הידרדרות גרדיאנט. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 3: ארכיטקטורת Autoencoder (AE). ייצוג סכמטי של ה-AE המשמש להפחתת ממד תכונה. המקודד דוחס את התכונות האקוסטיות הקלטיות לייצוג סמוי, והמפענח משחזר את מרחב התכונות המקורי מהייצוג הדחוס. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4: ארכיטקטורת מודול קשב בלוק קונבולוציוני (CBAM). זרימת העבודה של ה-CBAM משמשת לשיפור תכונות בתחום התדרים. המודול מיישם באופן רציף מנגנוני קשב ערוץ ותשומת לב מרחבית כדי לחדד ייצוגי תכונות שמופקים מספקטרוגרמות מל. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 5: מנגנון היתוך של תכונת קשב צולב (CA). ייצוג סכמטי של מודול CA המשמש למיזוג תכונות זמן ותחום התדר. מטריצות שאילתה, מפתח וערכים נוצרות משני מודאליות התכונות כדי למודל תלות חוצת מודלים ולייצר ייצוגי תכונות מאוחדות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

1. הקמת פלטפורמת טביעת האצבע האקוסטית של תקלות בידוד ואיסוף נתונים

1. לבנות פלטפורמת זיהוי מערך מיקרופונים ללא מגע במעבדה. הרכיבו את המערכת באמצעות מעגל בדיקה במתח גבוה, ארון בדיקה המכיל דגמי פגמים, מערכת בדיקת מתח ארץ חולף (TEV) ומערכת מערך מיקרופונים. מערכת ה-TEV הופעלה כערוץ ייחוס חשמלי לאימות פריקות.
   הערה: ודא שמעגל המתח הגבוה כולל אוטוטרנספורמטור (T1), שנאי בדיקה (T2), נגד מגן (R) של 200 קילואום, וקבל קישור 1nF (Cx). עיין באיור 6 לפריסת הסכימה.
   אזהרה: בדיקות מתח גבוה מהוות סיכון להלם חשמלי. פעלו לפי נהלי בטיחות חשמלית מוסדיים וודאו שכל רכיבי המתח הגבוה מבודדים ומחוברים לאדמה כראוי לפני ההפעלה.
2. הגדר ארבעה מודלים נפרדים של תקלות בידוד בתוך ארון הבדיקה כדי לדמות פגמים תפעוליים נפוצים: פריקת פני השטח, פריקה מושהה, פריקה פנימית ופריקה נקודתית (איור 7).
3. הכן את מודלי תקלות הבידוד לבדיקה.
   1. ייצר את כל הדגמים על לוחות בידוד של 100 מ"מ × 100 מ"מ × 5 מ"מ עם אלקטרודות מלוטשות.
   2. הכינו את מודל פריקת פני השטח על ידי התקנת שתי אלקטרודות רצועת נחושת בקוטר 20 מ"מ × 10 מ"מ × 1 מ"מ על פני השטח העליון עם רווח זחילה של 15 מ"מ. השאירו את פני השטח האפוקסי שביניהם חשוף.
   3. הכינו את מודל הפריקה התלוי על ידי התקנת אלקטרודת מוט נחושת בקוטר 2 מ"מ 5 מ"מ מעל פלטת נחושת מוארקת (40 מ"מ × 40 מ"מ × 1 מ"מ) באמצעות תומך אפוקסי. שמור על בידוד חשמלי של אלקטרודת המוט מהפלטה.
   4. הכינו את מודל הפריקה הפנימית על ידי יציקת בלוק אפוקסי המכיל חלל אוויר מלאכותי גלילי (קוטר 10 מ"מ × גובה 2 מ"מ) במרכז בין שני לוחות נחושת (40 מ"מ × 40 מ"מ × 1 מ"מ). מקם את מרכז החלל כ-2.5 מ"מ מתחת לפני השטח העליון.
   5. הכינו את מודל הפריקה הנקודתית על ידי מיקום אלקטרודת מחט מנירוסטה עם רדיוס קצה של כ-0.5 מ"מ מול פלטת נחושת מוארקת לאורך מרווח אוויר של 10 מ"מ.
   6. נקה את כל האלקטרודות באתנול וייבש אותן לגמרי לפני ההרכבה.
   7. הרכיבו את גיאומטריית פגמי האלקטרודות בארון הבדיקה ובדקו את כל מרווחי האלקטרודות באמצעות קליפר לפני כל בדיקת מתח.
4. פרוס את חיישן מערך המיקרופונים באמצעות מבנה ספירלי טבעתי מותאם הכולל 112 ערוצים. עיין באיור 8 להתפלגות הקואורדינטות.
5. הגדר את קצב הדגימה ל-200 קילוהרץ והגדר את אורך הדגימה ל-8192 נקודות לכל פריים. עיין בטבלה 1 לפרמטרי החיישן.
6. הגדר את חומרת מערך המיקרופונים.
   1. התקן את 112 המיקרופונים ישר על מסגרת הספירלה הטבעתית המותאמת במיקומי הקואורדינטות המוצגים באיור 8. שמרו על המרווח בין האלמנטים המוגדר על ידי קובץ קואורדינטות המערך, הנע בין 10 מ"מ ל-25 מ"מ.
   2. מקם כיול אקוסטי נייד ומקור ייחוס אולטרסוני 40 קילוהרץ במרחק 300 מ"מ ממרכז מערך המיקרופון.
   3. כיייל את כל ערוצי המיקרופון הפעילים לפני כל סשן רכישה באמצעות SPL של 94 dB, אות ייחוס אקוסטי של 1 kHz ואות ייחוס אולטרסוני של 40 kHz.
   4. להקליט אותות כיול של 5 שניות מכל ערוץ מיקרופון.
   5. חשב את רגישות ה-RMS ותגובת הפאזה של כל ערוץ ביחס לערוץ מרכז המערך.
   6. לשמור רק על ערוצים עם סטיית רגישות בטווח של ±2 dB ב-1 kHz, בתוך ±3 dB ב-40 kHz, וללא חיתוך או גובה רעש לא תקין.
   7. החריגו ערוצים שאינם עומדים בקריטריוני הקבלה מניתוח מאוחר יותר.
   8. חזור על הליך הכיול לאחר כל החלפת מיקרופון או הזזת מערך המיקרופון.
7. הגדר את מערכת רכישת הנתונים הרב-ערוצית לביצוע דגימה סימולטנית בכל ערוצי המיקרופון הפעילים.
   1. הגדר את מערכת DAQ לרכישה סימולטנית של כל 112 ערוצי המיקרופון באמצעות שעון דגימה משותף של 200 קילוהרץ.
   2. הגדר את רזולוציית הרכישה ל-16 ביט, הגדר קישור AC, וקבל 8192 נקודות לכל פריים.
   3. הפצת טריגר התחלה חומרתית לכל מודולי הרכישה דרך אוטובוס טריגר TTL משותף עם קצה חיובי.
   4. אחסן את כל ערוצי המיקרופון בתוך אותו תיעוד פריים ושמור את חותמת הזמן של הטריגר ואינדקס הערוצים לכל רכישה.
   5. בדקו את 100 המסגרות הראשונות שנרכשו מבחינת דגימות שנפלו, רוויית ערוץ וסטיית שעון לפני תחילת איסוף הנתונים הרשמי.
8. הצדיק את תצורת מערך המיקרופונים. מערך 112 הערוצים נבחר לשיפור צפיפות הדגימה המרחבית לצורת קרן והערכת עיכוב GCC-PHAT, ובכך להגדיל את הדיכוי של רעש סביבתי מחוץ לציר ביחס למערך דליל עם מספר ערוצים נמוך. למרות שכארבעה ערוצים יכולים להספיק ללוקליזציה גאומטרית תלת-ממדית, הפרוטוקול הנוכחי עושה שימוש בדגימה מרחבית צפופה להעצמת האות ויציבות התכונות במקום לוקליזציה בלבד. יש לאמת גרסאות בערוץ מצומצם בנפרד לפני פריסה שטחית רגישה לעלות.
9. הפעילו מתח גבוה על מעגל הבדיקה כדי לגרום לתופעות פריקה חלקית בין המודלים.
10. שמור על סביבת הניסוי במהלך הבדיקות.
    1. שמרו על המעבדה בטמפרטורה של 22°C ±-2°C, לחות יחסית 45%–55%, ולחץ אטמוספרי של 101 ± 2 kPa במהלך איסוף הנתונים.
    2. מדדו את רעש הרקע האקוסטי לפני שמזינים את מערכת המתח הגבוה.
    3. המשך באיסוף נתונים רק כאשר רמת רעש הרקע המשוקללת A היא ≤40 dB(A).
    4. ודאו שרצפת הרעש האולטרסונית של כל ערוץ מיקרופון פעיל נמוכה לפחות ב-20 דציבל מרמת הפריקה-דחף שנצפתה במהלך ניסויי הפיילוט.
    5. שמרו על דלתות וחלונות סגורים וכבו ציוד מסתובב לא חיוני במהלך איסוף הנתונים.
    6. הארקה את שלדת המתח הגבוה ושלדת DAQ לפני הרכישה.
    7. מנעו תנועת אנשי צוות בקרבת מערך המיקרופונים במהלך ההקלטה.
11. יש לעקוב אחרי פעילות הפריקה באופן רציף באמצעות חיישן ה-TEV שמחובר לטרמינל מחשב.
    1. הגדר את סף ניטור ה-TEV ל-6 dB מעל רמת רעש הרקע לפני הבדיקה ולא נמוך מרמת קלט מקבילה של 10 mV.
    2. הגדר את ערוץ הייחוס TEV עם רוחב פס אנלוגי של 3–100 MHz ורווח של 40 dB.
    3. הקלטת פעילות פולס TEV באמצעות מעטפת ורישום פולסים בטרמינל המחשב.
    4. הגדר את מערכת ה-TEV לשימוש בהפעלת חומרה בקצה חיובי.
    5. השתמש באותו ערך סף גם למעקב TEV וגם ליצירת טריגרים.
    6. קבל מסגרת אקוסטית רק כאשר פעילות פולס TEV מתרחשת בתוך חלון הרכישה המתאים וחוזרת על פני פריימים עוקבים במתח הנבחר.
12. כוון את המתח בהדרגה בין 4 ל-12 קילו-וולט.
13. הקלט את האותות האקוסטיים לאחר שנצפתה תופעת תקלות בידוד מובחנת ויציבה עבור מודל מסוים. הגדר תופעת תקלה מובחנת ויציבה כמצב פריקה שבו פעילות TEV ודפוסי אימפולס אקוסטיים נצפים שוב ושוב במתח היעד, ללא הכחדה לסירוגין ברורה, רוויה בערוץ אקוסטי, רעש מכני לא קשור או רעש פגיעה חיצוני. שמור על המתח עד שתבנית הפריקה תישאר יציבה לפחות 60 שניות לפני הקלטת המסגרות האקוסטיות.
14. אסוף 1000 סטים של נתונים תקפים עבור כל אחד מארבעת סוגי התקלות. סווג מסגרת דגימה כתקפה רק כאשר ייחוס ה-TEV מציין פעילות פריקה, הערוץ האקוסטי אינו רווי, המסגרת אינה מכילה רעש פגיעה חיצוני ברור או רעש טיפול, ותווית הדגימה תואמת את מודל הפגם הפעיל. יש להוציא מסגרות עם רוויה בערוץ אקוסטי, היעדר אישור TEV, סימון תקלות לא עקבי, כיבוי פריקה לסירוגין, פגיעה מכנית חיצונית או רעש רקע לא יציב.
15. סנכרן את מערכת ה-TEV ומערכת הרכישה האקוסטית במהלך איסוף הנתונים.
    1. חבר את יציאת הטריגר של TEV לקלט הטריגר האקוסטי DAQ דרך אוטובוס הטריגר TTL המשותף.
    2. השתמש בפלט הפולס של TEV כטריגר חומרתי לרכישת נתונים אקוסטיים.
    3. רשם את סימן ההפעלה כערוץ תזמון דיגיטלי בקובץ הנתונים האקוסטי.
    4. בצע יישור ראשוני של זרמי ה-TEV ורכישת האקוסטיקה באמצעות חותמת הזמן של הטריגר.
    5. הערכת עיכובים שאריתיים בין מיקרופונים באמצעות GCC-PHAT לפני יצירת קרן.
    6. ודאו שדיוק הסינכרון האקוסטי של TEV נמצא בטווח ±1 דגימה אקוסטית, המקביל ל-≤5 מיקרו-שניות בקצב דגימה של 200 קילוהרץ.

איור 6: פלטפורמת זיהוי תקלות בידוד עם מערך מיקרופונים. התקנה ניסיונית המשמשת לזיהוי תקלות בבידוד אקוסטי. הפלטפורמה כוללת מעגל בדיקה במתח גבוה, ארון בדיקת תקלות בידוד, מערכת מערך מיקרופונים, חיישן TEV ומערכת ניטור ממוחשבת לאיסוף ואימות נתונים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 7: מודלים של תקלות בידוד שנבנו במעבדה. מודלים מייצגים של בידוד והתקלות המשמשים לרכישת נתונים. (א) מודל פריקת שטח. (ב) מודל שחרור מושעה. (ג) מודל פריקה פנימית. (D) מודל פריקת נקודה. הדגמים נבנו כדי לדמות ארבעה תנאי בידוד נפוצים של תקלות בתנאי מעבדה מבוקרים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 8: התפלגות מערך מיקרופונים. סידור מרחבי של מערך המיקרופונים בן 112 הערוצים משתמש בתצורת ספירלה טבעתית מותאמת. התפלגות הקואורדינטות ממחישה את מיקום החיישן המשמש לרכישת אותות אקוסטיים ולניתוח צורת קרן לאחר מכן. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

סוג פרמטר	ערך הפרמטרים
מבנה המערך	ספירלה טבעתית מותאמת
מספר הערוצים	112
קצב דגימה	200 קילוהרץ
נקודות דגימה לכל פריים	8192

טבלה 1: פרמטרי מערך המיקרופון. מפרטים טכניים של מערכת מערך המיקרופונים המשמשת לרכישת אותות אקוסטיים במהלך ניסויי בידוד-תקלה. הטבלה מסכמת את גיאומטריית המערך, מספר הערוצים, קצב הדגימה ומספר נקודות הדגימה שנאספו לכל פריים. אנא לחצו כאן להורדת הטבלה הזו.

2. חילוץ תכונות בתחום הזמן באמצעות TCN-AE

1. הזן את הנתונים האקוסטיים בסדרת הזמן המעובדת מראש ל-TCN כדי ללכוד שינויים זמניים דינמיים^13,14. לאחר מיזוג האותות, נרמל כל מסגרת אקוסטית בת 8192 נקודות באמצעות הליך הנרמול שהוחל במהלך אימון המודל והזן את רצף הממד האחד המנורמל ל-TCN.
2. הגדר את ארכיטקטורת TCN.
   1. בנה את ה-TCN באמצעות שלושה בלוקים שאריתיים המסודרים ברצף לצורך הפקת תכונות זמניות.
   2. הקצה 64 מסננים קונבולוציונליים לכל בלוק שאריתי והגדר את גודל ליבת הקונבולוציה ל-3.
   3. מיישמים קונבולוציות סיבתיות מורחבות והגדרו את גורמי ההתרחבות כ-d = 1, 2 ו-4 כדי להרחיב בהדרגה את שדה הקבלה הזמנית.
   4. הפעילו את פונקציית ההפעלה של ReLU לאחר כל פעולה קונבולוציונית.
   5. יש להחיל שיעור נשירה של 0.20 לאחר כל בלוק שאריתי כדי להפחית התאמת יתר במהלך האימון.
   6. בצע נרמול משקל כשיטת הרגולריזציה בתוך כל בלוק שאריתי.
   7. שלבו חיבורים שאריתיים ברחבי הרשת והשתמשו בהקרנות קונבולוציונליות 1 × 1 כאשר נדרש כדי להתאים את ממדי התכונות בין המסלולים השאריים למסלולים המומרים.
3. הפעילו קונבולוציות סיבתיות על רצף הקלט. התאמו את ריפוד האפס לפני הרצף בהתבסס על גודל הליבה כדי להבטיח שהפלט בכל שלב זמן נתון תלוי אך ורק בקלטים הנוכחיים והקודמים.
4. בצע את הקונבולוציה הסיבתית באמצעות משקל הגרעין (w_i) וגודל הגרעין (K) כך (משוואה 1):
   (1)
5. מיישם קונבולוציות מורחבות להרחבת שדה הקליטה של הרשת מבלי להגדיל את מספר הפרמטרים. הגדילו את גורם ההתרחבות d באופן מעריכי ככל שעומק הרשת מתקדם כדי ללכוד תלות זמנית לטווח ארוך.
6. חשב את הקונבולוציה המורחבת באמצעות גורם ההתרחבות (d) כדלקמן (משוואה 2). השתמשו בהתקדמות גורם ההרחבה d = 1, 2, ו-4 במהלך אימון TCN כדי להרחיב בהדרגה את שדה הקליטה הזמני מבלי להגדיל את מספר הנקודות שנדגמו בכל מסגרת אקוסטית.
   (2)
7. שלבו חיבורים שאריתיים כדי לצמצם את ההיעלמות של שיפועים במהלך אימון רשת עמוק.
8. העבר את רצף הקלט דרך בלוק הקונבולוציה הסיבתית המורחב. בצע רגולריזציה של משקל ויישום הפעלה לא ליניארית של ReLU ואחריה שכבת Dropout.
9. הוסף את הפלט המעובד ישירות לרצף הקלט המקורי (איור 2). הפעילו נרמול משקל בתוך כל בלוק שאריתי והשתמשו בשיעור נשירה של 0.20 לפני ביצוע החיבור השאריתי. השתמשו בהקרנה קונבולוציונית של 1 × 1 כשנדרש כדי להתאים את ממדי התכונה בין המסלולים השאריים לנתיבי הטרנספורמציה.
10. הזן את התכונות הזמניות בממדים גבוהות שהופקו על ידי ה-TCN ל-AE להפחתת ממד תכונה¹⁵.
11. הגדר את ארכיטקטורת AE.
    1. בנה את המקודד באמצעות שלוש שכבות מחוברות במלואן בממדים 512, 256 ו-128 נוירונים, בהתאמה.
    2. הגדר את הייצוג במרחב החבוי באמצעות וקטור תכונות בעל 128 ממדים.
    3. בנו את המפענח באמצעות שלוש שכבות מחוברות במלואן עם ממדים 128, 256 ו-512 נוירונים, בהתאמה.
    4. הפעילו את פונקציית ההפעלה של ReLU לאחר כל שכבה מחוברת במלואה גם במקודד וגם במפענח.
    5. הגדר את ה-AE כדי לשחזר את ייצוג תכונת הקלט מתוך וקטור המרחב החבוי ולייעל את השחזור באמצעות פונקציית אובדן השגיאה בריבוע הממוצע (MSE) המתוארת בשלב 2.16.
12. דחסו את נתוני הקלט לייצוג מרחב סמוי מממד נמוך דרך המקודד.
13. לשחזר את הנתונים המקוריים באמצעות המפענח (איור 3).
14. בצע את הטרנספורמציות הקידוד והפענוח באמצעות פונקציית ההפעלה ReLU (σ), מטריצות משקל (W₁ ו-W₂), ומונחי הטיה (b₁ ו-b₂) כפי שניתן במשוואות 3 ו-4.
    (3)
    (4)
15. הדרכו את ה-AE לשמור מידע קריטי על ידי מזעור שגיאת השחזור.
16. נצל את השגיאה בריבוע הממוצע (MSE) כפונקציית ההפסד ומחשב את שגיאת השחזור באמצעות משוואה 5.
    1. תאמן את ה-AE באמצעות אופטימייזר אדם עם קצב למידה של 0.001.
    2. הגדר את גודל האצווה ל-50 והכין את הרשת למקסימום של 100 אפוקים.
    3. עקבו אחרי אובדן האימות במהלך האימון והחלו הפסקה מוקדמת עם ערך סבלנות של 10 אפוקים.
    4. השתמש במחלקת מערך הנתונים הקבוע הכוללת 2400 דגימות אימון, 400 דגימות אימות ו-400 דגימות בדיקה.
    5. בצע אימון מודלים בסביבת למידה עמוקה מבוססת פייתון שמסוכם בטבלת החומרים.
    6. חשב את שגיאת השחזור באמצעות משוואה 5.
       (5)

3. חילוץ תכונות בתחום התדר באמצעות ספקטרוגרם מל ו-CBAM

1. יש להחיל פונקציות הדגשה מוקדמת, מסגור וחלון על אותות אקוסטיים גולמיים של פריקה חלקית.
   1. הסר את ההיסט DC מכל מסגרת אקוסטית עם 8192 נקודות.
   2. הדגישו מוקדם באמצעות:
      
   3. נרמל כל פריים באמצעות המשרעת האבסולוטית השיא שלה לאחר הסרת הסטת DC.
   4. חלקו כל פריים באמצעות חלון Hamming עם 1024 דוגמאות.
   5. השתמש באורך קפיצה של 512 דגימות, המתאים לחפיפה של 50% בין חלונות סמוכים.
   6. חשב את טרנספורמציית פורייה לזמן קצר (STFT) באמצעות FFT של 1024 נקודות.
   7. אין להחיל סינון פס תוכנה נוסף מעבר מעבר למגבלת רוחב הפס של החומרה ולקריטריוני אי-איכות הפריימים שתוארו לעיל.
2. בצע טרנספורם פורייה על האותות המעובדים.
3. המרו את התדר הליניארי המקורי (f) לסולם מל. שלב זה הופך את תפיסת התדרים האנושית לליניארית ומפחית את משקל תחומי ההפרעות¹⁶.
4. חשב את תדירות קנה מידה מל (f_mel) באמצעות התדר הליניארי המקורי (f) (משוואה 6).
   (6)
5. חלק את התדרים לרצף של בנקים משולשים של מסננים.
6. חשב את הסכום המשוקלל של כל אמפליטודות האות בתוך כל רוחב פס של מסנן. הפעילו פונקציה לוגריתמית על הפלט כדי לשפר את העקביות התפיסתית לגבי שינויים בעוצמה.
7. חשב את פלט בנק המסננים של מל באמצעות משוואה 7. כאן, S(m) הוא פלט המסנן m-th, k הוא אינדקס התדר, ו-H_m(k) מגדיר את המסנן המשולש.
   (7)
8. יצר את ספקטרוגרמות מל.
   1. חשב את טרנספורם פורייה קצר הזמן באמצעות גודל FFT של 1024.
   2. יש להחיל בנקים של מסננים של 256 מל על ספקטרום התדרים המתקבל.
   3. יצירת ספקטרוגרמות מל בטווח תדרים של 0–100 קילוהרץ.
   4. שינוי גודל או ייצוג ספקטרוגרמות Mel המתקבלות כ-256 × מפות תכונות של 256 פיקסלים לעיבוד CBAM עתידי.
   5. להמיר את ספקטרוגרם ההספק של מל לסולם דציבלים.
   6. החלו נרמול מינימ-מקסימום לכל ספקטרוגרם באמצעות ספקטרוגרמה מל דחוסה לוגריתם (S_dB):
      
   7. בצע את הנרמול באופן עצמאי עבור כל תמונה ספקטרוגרמה של 256 × 256 מל.
   8. העבר את הערכים המנורמלים לטווח [0,1] לפני הכנסת הספקטרוגרם לענף CBAM.
9. הזן את ספקטרוגרמות מל המתקבלות ל-CBAM כדי להפיק מאפיינים ספקטרליים עיקריים¹⁷.
10. לעבד את הנתונים באמצעות מנגנוני קשבת ערוץ ותשומת לב מרחבית סדרתיים (איור 4).
11. הגדר את ארכיטקטורת ה-CBAM.
    1. הגדר את מודול הערוץ-תשומת לב באמצעות יחס הפחתת ערוץ של 16.
    2. מפות תכונות קלט תהליכי במידות 256 × 256 × 64.
    3. החלו איגוד ממוצע גלובלי ואגרוף מקסימום גלובלי ליצירת תיאורי ערוצים.
    4. העבר את התיאורים המאוגדים דרך פרספטרון רב-שכבתי משותף ומיישם פונקציית הפעלה של סיגמואיד ליצירת משקלי ערוץ-תשומת לב.
    5. יצירת משקלים של תשומת לב מרחבית באמצעות גרעין קונבולוציוני של 3 × 3 המופעל על התיאורים המרחביים הממוצעים המאוגדים והמקסימום המקושרטים.
    6. הפעילו פונקציית הפעלה של סיגמואיד כדי להפיק את מפת תשומת הלב המרחבית הסופית.
12. להוציא את משקלי הערוץ-קשב.
13. הפעילו איגוד ממוצע גלובלי ואגרוף מקסימום גלובלי על ממדי הערוץ של מפת התכונות הקלט.
14. עבד את וקטורי התיאור הגלובליים שנוצרו דרך שכבת FC מחוברת במלואה כדי לקבל את משקל תשומת הלב של הערוץ-(M_c).
15. חשב את משקלי הערוץ-תשומת לב באמצעות משוואה 8. כאן, M_c הוא משקל הערוץ-תשומת לב, FC מציין את השכבה המחוברת במלואה, ו-σ מייצג את פונקציית ההפעלה של סיגמואיד.
    (8)
16. להוציא את משקלי תשומת הלב המרחבית.
17. הפעילו איגוד מקסימום גלובלי ואיגוד ממוצע גלובלי לאורך ציר הערוץ.
18. מחברים את מפות התיאורים המרחביים המתקבלות ומעבדים אותן דרך שכבת קונבולוציה ליצירת משקל תשומת לב מרחבית (M_s).
19. חשב את משקלי תשומת הלב המרחבית באמצעות משוואה 9. כאן, M_s הוא משקל תשומת הלב המרחבית, הוא המתאר המרחבי שנוצר על ידי איגוד ממוצע גלובלי, והוא התיאור המרחבי שנוצר על ידי איגוד מקסימום גלובלי.
    (9)
    1. לאחד את התיאורים המרחביים הממוצעים והמקסימליים לאורך ממדי הערוץ.
    2. הפעילו קונבולוציה של 3 × 3 עם צעד = 1 ואותו ריפוד כדי ליצור את מפת תכונת תשומת הלב המרחבית.
    3. החלו פונקציית הפעלה סיגמואידי על פלט הקונבולוציה כדי לקבל את משקלי תשומת הלב המרחבית.
    4. הכפלו את משקלי תשומת הלב המרחבית לאלמנט במפת תכונות הקלט ליצירת הייצוג המרחבי המעודן.

4. מיזוג תכונות חוצ-מודאליות באמצעות CA

1. מיישם מנגנון CA לסינתזת התכונות הזמניות והספקטרליות שהופקו¹⁸. בניגוד לתשומת לב עצמית, יש להפיק מידע הקשרי ממודאליות אחת כדי לשפר באופן דינמי את הייצוג של השני (איור 5).
2. הגדר את ארכיטקטורת CA.
   1. הגדר את ממד ההטמעה ל-128.
   2. הגדר את מודול CA עם 4 ראשי תשומת לב.
   3. הגדר את מידות השאילתה, המפתח וההקרנת ערך ל-128 כל אחת.
   4. הפעיל שיעור נשירה של 0.10 בתוך מודול CA.
   5. אין להחיל שכבות נרמול לאחר קשב או שכבות הזנה קדימה לאחר מודול הקשב החוצה.
   6. לאחד את הפלטים מכל ראשי תשומת הלב.
   7. הגיש בקשה לנשירה עם שיעור של 0.10.
   8. שטח את ייצוג התכונה המתקבל.
   9. העבר את וקטור התכונה השטוח ישירות למסווג 1D-CNN.
3. אתחול את מטריצות השאילתות (Q), המפתח (K) והערך (V) משני רצפי הקלט המובחנים (תכונות בתחום הזמן והתדר).
4. חשב את מטריצת השאילתות באמצעות משוואה 10, כאשר X₁ מציין את מטריצת התכונות הזמנית שנוצרה על ידי מסלול TCN-AE, ו-W_Q ו-b_Q מציינים את מטריצת המשקל הנלמדת ואת מונח ההטיה המתאימים, בהתאמה.
   (10)
5. חשב את מטריצת המפתח באמצעות משוואה 11, כאשר X₂ מציין את מטריצת התכונות בתחום התדר שנוצרה על ידי מסלול מל-CBAM, ו-W_K ו-b_K מציינים את מטריצת המשקל הנלמדת ואת מונח ההטיה המתאימים, בהתאמה.
   (11)
6. חשב את מטריצת הערכים באמצעות משוואה 12. כאשר W_V ו-b_V מציינים את מטריצת המשקל הנלמדת ואת מונח ההטיה המתאימים, בהתאמה.
   (12)
7. חשב את האינטראקציה עם CA בהתבסס על הקשר בין אלמנטים של השאילתה למפתח.
8. חשב את מטריצת הקשב-משקל באמצעות משוואה 13. כאן, _{α ij} מגדיר את משקל תשומת הלב של האיבר ה-i ביחס לאלמנט ה-j, ו-d_k היא הממדיות של וקטורי המפתח.
   (13)
9. עדכן את ייצוג התכונות הסופי על ידי חישוב הסכום המשוקלל של מטריצת הערך לפי משקלי הקשב המחושבים.
10. חשב את ייצוג התכונות המאוחות באמצעות משוואה 14. כאן, O_i הוא פלט הרצף המייצג את טביעת האצבע האקוסטית החזקה של תקלה בידוד, מותכת בזמן-תדר.
    (14)
    1. יצר את ייצוג התכונה המותכת עם מימד פלט של 128.
    2. משלבים את יציאות הקשב של זמן חוצה ותדרים חוצים.
    3. שטח את הייצוג הממוזג לפני הסיווג.
    4. העבר את ייצוג התכונות השטוחות למסווג Softmax המחובר במלואו (1D-CNN) המוצג באיור 9.

איור 9: מסגרת כוללת לזיהוי תקלות בידוד. זרימת העבודה של שיטת זיהוי הבידוד המוצעת. אותות מערך מיקרופונים גולמיים מאוחדים ומעובדים מראש, ואחריהם חילוץ תכונות בתחום הזמן באמצעות מסלול TCN–AE, חילוץ תכונות בתחום התדר באמצעות ספקטרוגרמות מל ו-CBAM, מיזוג תכונות מבוסס CA, וסיווג תקלות סופי באמצעות רשת עצבית קונבולוציונית חד-ממדית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

5. יישור ומיזוג אותות מערך מיקרופון באמצעות GCC-PHAT

1. בחר שני אותות מיקרופון להערכת עיכוב והמיר אותם לתחום התדרים באמצעות ה-FFT.
   1. השתמש במסגרת האקוסטית המלאה של 8192 נקודות שנרכשה בתדר 200 קילוהרץ לחישוב GCC-PHAT המבוסס FFT.
   2. החלו את ה-FFT על כל אות מיקרופון שנבחר לפני חישוב ספקטרום ההספק הצולב המשוקלל לפי PHAT.
   3. הערכו את עיכוב הזמן בין הערוצים ביחס למיקרופון הייחוס שנבחר באמצעות ספקטרום הספק צולב משוקלל PHAT והליך IFFT המוצג באיור 10.
   4. החלו GCC-PHAT ביחס למיקרופון הייחוס הנבחר לפני יישור כל 112 ערוצי המיקרופון הפעילים.
   5. החלו חלון Hann על המסגרת האקוסטית המלאה של 8192 נקודות לפני עיבוד FFT.
   6. אין להשתמש בחלונות חופפים במהלך הערכת עיכוב GCC-PHAT.
   7. Zero-pad תעלה לכל פריים חלון ל-16,384 נקודות לפני חישוב FFT ו-IFFT.
   8. השתמש באות אפס מרופד כדי לשפר את רזולוציית שיא ההשהיה במהלך הערכת עיכוב זמן.
2. השגת ייצוגי תחום התדר ושל אותות המיקרופון הנבחרים.
3. חשב את ספקטרום ההספק הצולב כדי להעריך את הדמיון בין שני האותות.
4. הכנס את פונקציית המשקל של טרנספורם פאזה (PHAT) כדי לחדד את שיא הקורלציה הצולבת ולהפחית את אפקטי ההדהוד.
5. חשב את ספקטרום ההספק הצולב המשוקלל לפי PHAT באמצעות משוואה 15. כאן, ו - הם ייצוגי תחום התדר של שני אותות המיקרופון ומציין את הקונגוגט המרוכב.
   (15)
6. יישם את ה-IFFT כדי לחשב את פונקציית הקורלציה המוכללת (GCC).
7. זיהוי משתנה השהיית הזמן τ על ידי איתור השיא של פונקציית GCC.
8. חשב את פונקציית ה-GCC באמצעות משוואה 16. כאן, היא פונקציית המתאם הצולב המוכללת ומייצגת את עיכוב הזמן המשוער.
   (16)
9. בצע פיצוי זמן כדי ליישר את האותות בהתאם לעיכוב המשוער.
10. סנכרן כל ערוץ ביחס למיקרופון הייחוס באמצעות משוואה 17. כאן, הוא האות המפוצה על עיכוב ו-τ_i הוא העיכוב המשוער ביחס למיקרופון הייחוס.
    1. בחר את המיקרופון הממוקם הקרוב ביותר למרכז הגיאומטרי של המערך כמיקרופון ייחוס.
    2. ודאו שהמיקרופון הנבחר עומד בקריטריוני קבלת הכיול המתוארים בשלב 1.6.
    3. אם המיקרופון המרכזי אינו עומד בקריטריוני הכיול, בחר את המיקרופון המכויל הקרוב ביותר למרכז הגיאומטרי כמיקרופון ייחוס.
    4. הערכו את העיכוב τ_i עבור כל ערוץ מיקרופון פעיל ביחס למיקרופון הייחוס שנבחר.
    5. יישר את כל 112 ערוצי המיקרופון הפעילים למיקרופון הייחוס הנבחר לפני יצירת קרן.
       (17)
11. בצע עיצוב קרן עיכוב וסכום כדי למזג את המידע המרחבי.
12. שפר את האות שמקורו בכיוון היעד תוך דיכוי רעש סביבתי באמצעות משוואה 18. כאן, y(t) הוא אות הפלט שנוצר בקרן, הוא אות מפוצה על עיכוב מהמיקרופון ה-i, ו-N הוא מספר ערוצי המיקרופון הכולל.
    1. לבצע עיצוב קרן עיכוב וסכום לאחר פיצוי עיכוב GCC-PHAT.
    2. השתמש במשקל שווה לכל ערוצי המיקרופון הפעילים.
    3. הגדרה N = 112 עבור 112 ערוצי מיקרופון פעילים ששימשו במהלך הרכישה.
    4. הגדר את כיוון היעד באמצעות המיקום הגיאומטרי הידוע של מודל הפגם הפעיל ביחס למרכז מערך המיקרופון.
    5. לכוון את קרן ההשהיה והסכום למרכז מודל הפגם הפעיל במהלך מיזוג האות.
    6. השתמש בגאומטריית ארון הבדיקה המוגדרת מראש כדי לקבוע את כיוון ההיגוי.
    7. אין לבצע הערכת כיוון מטרה מונחית נתונים במהלך אימון או בדיקות מודל.
       (18)

איור 10: הליך יישור אותות GCC-PHAT. תהליך העבודה של אלגוריתם המתאם הכללי עם טרנספורמציית פאזה (GCC-PHAT). אותות מיקרופון בתחום התדר מעובדים לקבלת ספקטרום ההספק הצולב ופונקציית המשקל, ואחריהם טרנספורמציית פורייה הפוכה להערכת עיכוב זמן בין-ערוצי. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

6. אופטימיזציה של הרשת באמצעות אלגוריתם CS

1. אתחול את פרמטרי אלגוריתם CS כדי לאופטימיזציה של 1D-CNN.
   1. הגדר את גודל האוכלוסייה, בהתאם למספר הקנים, ל-20.
   2. הגדר את הסתברות הגילוי (Pa) ל-0.25.
   3. הגדר את מספר האיטרציות המקסימלי לאופטימיזציה ל-50.
   4. הגדר את הזרע האקראי ל-42 כדי לתמוך בשחזור.
   5. הגדר את פרמטר קנה המידה של גודל הצעד α ל-0.01.
   6. הגדר את גבולות החיפוש של ההיפרפרמטרים לפי הטווחים המסוכמים בטבלה 2.
   7. סיימו אופטימיזציה כאשר מגיעים למספר המקסימלי של איטרציות או כאשר מושגת התכנסות אימות והתאמה.
2. ליצור פתרונות חדשים על ידי סימולציה של התנהגות הטפיל החובה של הקוקיות בשילוב עם טיסות לוי.
3. עדכן את הפתרון הנוכחי (nest) באמצעות גודל צעד אקראי שמקורו במאפיין טיסת לבי.
4. חשב את מיקום הקן המעודכן באמצעות משוואה 19. כאן, α הוא פרמטר הקנה מידה של גודל צעד ומציין כפל לפי כניסה.
   1. הגדר את פרמטר הקנה מידה של גודל הצעד (α) ל-0.01.
   2. הגדר את פרמטר טיסת Lévy (λ) ל-1.5.
   3. קודד כל קן מועמד כסט של היפרפרמטרים 1D-CNN, כולל תצורת שכבת קונבולוציונית, גודל הליבה, קצב למידה, גודל אצווה והגדרת אופטימייזר.
   4. יצר קיני מועמדים באמצעות עדכוני Lévy-flight והעריך כל מועמד באמצעות ביצועי סט אימות.
   5. שמרו פתרונות מועמדים שמשפרים את כושר האימות (validation fit).
      (19)
5. חשב את המשתנים האקראיים עבור טיסת לוי באמצעות התפלגות נורמלית סטנדרטית המוגדלת לפי הפרמטר σ.
6. חשב σ באמצעות משוואה 20. כאן, מייצג את פונקציית הגמא ו-β בדרך כלל מוגדר ל-1.5.
   (20)
7. אימן את 1D-CNN באמצעות חמש שכבות קונבולוציוניות, גודל גרעין של 3, הפעלת ReLU, אופטימיזציה של ירידת גרדיאנט סטוכסטית (SGD), קצב למידה התחלתי של 0.001, גודל אצווה של 50, ופונקציית אובדן אנטרופיה צולבת.
8. העריכו את המודל האופטימלי בקבוצת הבדיקות.
   1. למד את ה-1D-CNN הסופי באמצעות עצירה מוקדמת של אימות ואובדן עם ערך סבלנות של 10 אפוקים.
   2. הגדר את הזרע האקראי ל-42 לחלוקת מערכי נתונים ואימון מודלים.
   3. העריכו את המודל האופטימלי באמצעות קבוצת הבדיקות הקבועה המסוכמת בטבלה 2.
   4. יש לדווח על הערכת מטריצת הבלבול המלאה בנפרד מתוצאת האבלציה, עם דיוק כולל של 99.05% (3962/4000) ושיעורי זיהוי לפי קבוצה נעים בין 98.6% ל-99.4%.

קטגוריה	פרמטר	ערך / רקע
מערך נתונים וקלט	מסגרות אקוסטיות כוללות	4,000
	מחלקות שבר	פריקת פני השטח; שחרור מושעה; פריקה פנימית; פריקת נקודות
	קצב דגימה	200 קילוהרץ
	אורך המסגרת	8,192 נקודות לפריים
	ערוצי מערך מיקרופונים	112
	קלט מודל	ייצוג תכונות אקוסטיות עם מיזוג זמן-תדר בנקודת קשב צולבת
פיצול מערך הנתונים	גודל סט האימונים	2,400 דגימות
	גודל קבוצת האימות	400 דגימות
	בדיקת גודל הסט	400 דגימות
	גודל הערכת מטריצת בלבול מלאה	4,000 דגימות
	אסטרטגיית פיצול	פיצול קבוע יחיד
	זרע אקראי	42
ארכיטקטורת TCN	מספר הבלוקים השאריים	3
	מסננים לכל בלוק שאריתי	64
	גודל גרעין קונבולוציה	3
	לוח הזמנים להרחבה	1, 2, 4
	שיעור הנשירה	0.20
ארכיטקטורת אוטואנקודר	ממדים של שכבת המקודד	512 → 256 → 128
	ממד המרחב המאוחר	128
	ממדים של שכבת מפענח	128 → 256 → 512
הכשרת אוטואנקודר	אופטימייזר	אדם
	קצב למידה	0.001
	גודל אצווה	50
	מספר תקופות האימון	100 תקופות
	קריטריון עצירה מוקדמת	אימות MSE; סבלנות = 20 תקופות
הגדרות ספקטרוגרמה של מל	גודל FFT	1,024 נקודות
	מספר מסנני מל	256
	טווח תדרים	0–100 קילוהרץ
	ממדי ספקטרוגרמה	256 × 256
תצורת CBAM	יחס הפחתת ערוץ	16
	ממדי מפת תכונות	256 × 256 × 64
תצורת קשב צולב	ממד הטמעה	128
	מספר ראשי תשומת הלב	4
	ממד ההיטל של שאילתה	128 בסך הכל; 32 לראש
	ממד הקרנה מרכזי	128 בסך הכל; 32 לראש
	ממד הקרנת ערך	128 בסך הכל; 32 לראש
	שיעור הנשירה	0.10
מסווג 1D-CNN	מספר שכבות קונבולוציוניות	5
	גודל גרעין קונבולוציה	3
	פונקציית הפעלה	ReLU
	שכבת פלט	סופטמקס בארבעה מחלקות
	פונקציית אובדן	אובדן אנטרופיה חוצה
סביבות אימון	אופטימייזר	ירידת גרדיאנט סטוכסטית (SGD)
	קצב הלמידה ההתחלתי	0.001
	גודל אצווה	50
	איטרציות אימון מקסימליות	1,000
	עצירה מוקדמת	ניטור אובדן אימות
	סבלנות של עצירה מוקדמת	100 גרסאות
	אובדן אימונים סופי	לא זמין בכתב היד המצורף
	אובדן אימות סופי	לא זמין בכתב היד המצורף
אופטימיזציה של חיפוש קוקייה	יעד אופטימיזציה	היפרפרמטרים 1D-CNN
	גודל האוכלוסייה / מספר הקינים	20
	הסתברות גילוי (Pa)	0.25
	פרמטר קנה מידה של גודל צעד (α)	0.01
	פרמטר Lévy-flight (β)	1.5
	פרמטר Lévy-flight (λ)	1.5
	איטרציות אופטימיזציה מקסימליות	50
	גבולות חיפוש היפרפרמטרים	Conv filters {32, 64, 128, 256}; גודל ליבה {3, 5, 7}; קצב למידה 1×10⁻⁴–1×10⁻²; גודל אצווה {25, 50, 100}; נפילה 0.10–0.50; דעיכת משקל 1×10⁻⁵–1×10⁻³
אימות ודיווח	איור 13 דיוק אבלציה CA	98.20%
	טבלה 2 דיוק מטריצת בלבול	99.05% (3,962/4,000)
	אימות צולב / ריצות חוזרות	לא בוצעו

טבלה 2: תצורת מערך נתונים, פרמטרי אימון מודלים, והגדרות אופטימיזציה לסיווג בידוד-תקלות. הטבלה מסכמת את הרכב מערכי הנתונים, אסטרטגיית חלוקת הנתונים, ארכיטקטורת 1D-CNN, תצורת האימונים, הגדרות אופטימיזציה של חיפוש קוקו, מדדי אימות ושיקולי בחירת פרמטרים המשמשים לפיתוח והערכת מסגרת האבחון המוצעת. ערכים חסרים ספציפיים ליישום צריכים להיות מדווחים ביומני האימון והאופטימיזציה הסופיים כדי להקל על השחזוריות. אנא לחצו כאן להורדת הטבלה הזו.

תוצאות

מסגרת חילוץ תכונות בתחום הזמן והתדר

שיטת זיהוי תקלות בידוד מוצעת משלבת מסלולי חילוץ תכונות זמניות וספקטרליות כדי לאפיין את החתימות האקוסטיות המורכבות הנוצרות על ידי פגמים בבידוד. חילוץ תכונות בתחום הזמן בוצע באמצעות TCN המשלב קונבלוקציות סיבתיות מורחבות ללכידת תלות זמן ארוכות טווח בתוך הרצפים האקוסטיים (איור 1). חיבורים שאריתיים שולבו בארכיטקטורת TCN כדי להקל על אימון יציב ברשת עמוקה והפצת מידע יעילה בין שכבות רשת...

דיון

מאמר שיטה זה מגדיר פרוטוקול סטנדרטי, ללא מגע לזיהוי תקלות בידוד מורכבות בציוד חשמל באמצעות זיהוי טביעת אצבע אקוסטית. על ידי שילוב TCN-AE לצד ספקטרוגרם מל המעובד על ידי Mel-CBAM, הצינור הקיים מבודד הן תנודות דינמיות בסדרות זמן והן תכונות ספקטרליות מקומיות. המיזוג החוצה-מודלי הבא באמצעות מנגנון CA נועד להפחית את דילול המידע שלרוב מלווה את שרשור התכונות הפשוט. המסגרת האבחנתית, שאופטימלית באמצעות CNN חד-ממדי מונע CS, הדגימה ביצועי סיווג גבוהים לארבע קטגוריות הבידוד-תקלות שנבדקו במחקר זה. המס...

חומרים

```html

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
Autoencoder (AE	דגם מותאם אישית	ארכיטקטורת מקודד-פענוח להדחקת תכונות	הפחתת ממדי תכונה
מודול Cross-Attention	דגם מותאם אישית	מודול מיזוג תכונות תדר-זמן	מיזוג תכונות חוצה-מצבי
אלגוריתם GCC-PHAT	אלגוריתם מותאם אישית	יישום מבוסס FFT/IFFT	הערכת עיכוב זמן ויישר אותות
מעגל בדיקת מתח גבוה	פלטפורמת מעבדה מותאמת אישית	שנאי אוטומטי T1, שנאי בדיקה T2, נגד הגנה 200 kΩ, קבל צימוד 1 nF; מתח הפעלה 4–12 kV	ייצור תנאי תקלת בידוד
מל ספקטרוגרם + CBAM	דגם מותאם אישית	חילוץ תדר מל עם חיזוק קשב	חילוץ תכונות בתחום התדר
מערכת מערך מיקרופונים	פלטפורמת מעבדה מותאמת אישית	מערך ספירלי טבעתי שונה ב-112 ערוצים; קצב דגימה 200 kHz; 8192 נקודות למסגרת	רכישה אקוסטית
חיישני מיקרופון	מודולי מיקרופון אולטראסאונד מותאמים אישית	112 ערוצים תואמים; רגישות -38 +/- 3 dBV/Pa; תגובת תדר 20 Hz-100 kHz; כיול ב-94 dB SPL/1 kHz ו-40 kHz; מגבלות קבלה: +/-2 dB ב-1 kHz ו-+/3 dB ב-40 kHz	זיהוי אקוסטי
מערכת DAQ רב-ערוצית	פלטפורמת DAQ מסונכרנת מותאמת אישית	רכישה בו זמנית של 112 ערוצים; ADC 16-סיביות; 200 kHz/ערוץ; 8192 נקודות/מסגרת; שעון דגימה משותף; הפעלה חומרתית TTL קצה חיובי	רכישת נתונים וסינכרון
CNN חד-ממדי + אופטימיזצית CS	דגם מותאם אישית	חמישה רבדים קונבולוציוניים; גודל ליבה 3; SGD; קצב למידה 0.001; גודל מחזור 50	סיווג תקלות
סביבת אימון Python	Python / PyTorch	Python 3.9; PyTorch 2.0; NumPy 1.24; scikit-learn 1.2; librosa 0.10; CUDA 11.8	אימון והערכת מודל
רשת קונבולוציה זמנית (TCN)	דגם מותאם אישית	קונבולוציות סיביות מורחבות עם חיבורים שיורי	חילוץ תכונות בתחום הזמן
ארון בדיקה עם מודלי פגמים	פלטפורמת מעבדה מותאמת אישית	מודלי פריקה על פני השטח, פריקה מושעית, פריקה פנימית ופריקה נקודתית	הדמיית תקלות בידוד
מערכת בדיקת מתח קרקע חולף (TEV)	מודול ניטור TEV מסחרי	ערוץ ייחוס TEV; רוחב פס אנלוגי 3-100 MHz; רווח 40 dB; הפעלה חומרתית TTL קצה חיובי; סף הפעלה מוגדר 6 dB מעל רצפת רעש הרקע או >=10 mV מקביל בכניסת החיישן	אימות פעילות פריקה

```