Fusione a attenzione incrociata di caratteristiche acustiche tempo-frequenza per il riconoscimento di guasti di isolamento in apparecchiature di alimentazione utilizzando un sistema a matrice di microfoni

Sommario

Questo protocollo descrive un metodo senza contatto per riconoscere guasti di isolamento nelle apparecchiature elettriche estraendo e fondendo caratteristiche acustiche nel dominio del tempo e della frequenza per la classificazione automatica dei guasti.

Abstract

L'obiettivo di questo protocollo è fornire un metodo senza contatto per riconoscere i guasti di isolamento nelle apparecchiature di alimentazione estraendo e fondendo caratteristiche acustiche nel dominio del tempo e della frequenza per la classificazione automatica dei guasti. Le impronte acustiche generate da faglie di isolamento mostrano caratteristiche non lineari e non gaussiane, il che può limitare l'efficacia degli approcci convenzionali di estrazione di caratteristiche a dominio singolo. Per affrontare questa sfida, questo protocollo presenta un quadro di estrazione e fusione delle caratteristiche tempo-frequenza basato su un meccanismo di attenzione incrociata (CA) per l'identificazione di quattro tipi di guasti di isolamento. Le caratteristiche nel dominio del tempo vengono inizialmente estratte utilizzando una rete convoluzionale temporale abbinata a un autoencoder per catturare variazioni dinamiche nei segnali acustici sequenziali. Parallelamente, le caratteristiche nel dominio della frequenza vengono estratte dagli spettrogrammi Mel utilizzando un modulo di attenzione a blocchi convoluzionali per migliorare la rappresentazione delle caratteristiche spettrali. Viene quindi impiegato un meccanismo CA per fondere in modo adattativo le caratteristiche temporali e spettrali, rafforzando le relazioni tra i due domini delle caratteristiche. La rappresentazione delle caratteristiche fuse viene successivamente inserita in una rete neurale convoluzionale unidimensionale ottimizzata utilizzando l'algoritmo Cuckoo Search per la classificazione dei guasti. I risultati rappresentativi dimostrano che questo quadro caratterizza efficacemente le complesse impronte acustiche e raggiunge alte prestazioni di classificazione rispetto agli approcci convenzionali di estrazione delle caratteristiche. Il protocollo fornisce una strategia robusta senza contatto per la diagnosi dei guasti di isolamento e il monitoraggio delle condizioni delle apparecchiature elettriche.

Introduzione

L'identificazione precoce dei guasti di isolamento nelle apparecchiature elettriche è fondamentale per garantire la sicurezza e la stabilità della rete elettrica 1,2,3,4. Le statistiche indicano che circa il 60% dei guasti alle apparecchiature elettriche è direttamente associato al degrado dell'isolamento⁵. I metodi convenzionali di monitoraggio elettrico, tuttavia, spesso soffrono di risposta ritardata, scarse capacità anti-interferenza e della necessità di installazioni invasive basate su^contatto. Recentemente, il riconoscimento delle impronte acustiche si è rivelato un promettente approccio diagnostico senza contatto grazie alla sua rapida risposta e facilità di^{implementazione 6,7}. Tuttavia, i segnali di guasto dell'isolamento sono intrinsecamente non lineari e non^{gaussiani 8}. Le loro caratteristiche acustiche sono spesso mascherate dal rumore ambientale e dalle vibrazioni strutturali, rendendo difficile per i metodi tradizionali di estrazione a dominio singolo (nel tempo o nella frequenza) nel catturare le caratteristiche essenziali della faglia.

La ricerca attuale sull'estrazione di caratteristiche acustiche affronta due sfide principali. Innanzitutto, l'analisi nel dominio del tempo, come le velocità di energia a breve tempo o di incrocio a zero, riflette le fluttuazioni del segnale ma spesso perde dettagli spettrali a grana fine. In secondo luogo, i metodi nel dominio della frequenza, come la Trasformata di Fourier Veloce (FFT) e le trasformate wavelet, possono estrarre caratteristiche spettrali ma faticano a catturare l'evoluzione temporale dinamica del segnale. Studi precedenti hanno tentato di colmare questo divario. Ad esempio, Dai et ^al.9 hanno utilizzato la trasformata di Fourier a breve tempo (STFT) per generare mappe tempo-frequenza bidimensionali. Tuttavia, a causa del principio di incertezza, la risoluzione dello STFT è vincolata dalla larghezza della finestra, costringendo a un compromesso tra localizzazione temporale e risoluzione in frequenza. Altri approcci, come i coefficienti cepstrali a frequenza Mel (MFCC) e i coefficienti cepstrali a frequenza gamma (GFCC)¹⁰, spesso portano a rappresentazioni delle caratteristiche troppo sempliciste per mantenere la robustezza in condizioni di alta interferenza. Sebbene le distribuzioni avanzate e le caratteristiche basate sull'entropia¹¹ abbiano raggiunto un'elevata accuratezza in dataset specifici, spesso mancano di generalizzazione a causa delle dimensioni limitate dei campioni. Inoltre, la semplice concatenazione di caratteristiche nel dominio temporale e della frequenza non riesce a stabilire un meccanismo di correlazione intrinseco, spesso portando a un'elevata ridondanza e a una discriminabilità insufficiente. I modelli tradizionali di apprendimento automatico sono anche soggetti a sovrafitting quando si trattano delle caratteristiche di piccolo campione e alto rumore tipiche dei dataset di guasti^{di isolamento 12}. Gli sviluppi recenti sono passati dai descrittori artigianali convenzionali e rappresentazioni tempo-frequenza a estrazione di caratteristiche basate su reti neurali profonde e strategie di fusione guidata dall'attenzione. Tuttavia, molti approcci esistenti elaborano ancora informazioni temporali e spettrali in modo indipendente o le combinano tramite semplice concatenazione di caratteristiche, limitando la loro capacità di catturare relazioni cross-domain all'interno di segnali acustici complessi.

Per affrontare queste limitazioni, questo protocollo presenta una metodologia sinergica di estrazione e fusione delle caratteristiche tempo-frequenza centrata su un meccanismo di attenzione incrociata (CA). L'obiettivo principale di questo metodo è stabilire un modello di correlazione cross-modale che assegni in modo adattativo pesi a caratteristiche critiche, riducendo così la diluizione delle informazioni comunemente associata alle strategie tradizionali di concatenazione. Il protocollo impiega un'architettura di rete convoluzionale temporale accoppiata (TCN) e autoencoder (AE) per costruire un percorso di elaborazione nel dominio del tempo, utilizzando convoluzioni causali dilatate per catturare dipendenze a lungo raggio all'interno delle sequenze acustiche. Contemporaneamente, è progettata un'architettura parallela di Mel-spettrogramma e modulo di attenzione a blocchi convoluzionali (CBAM) per migliorare le caratteristiche spettrali locali e l'attenzione canale per canale. Centrale in questo approccio è l'introduzione di un meccanismo CA, che impiega interazioni query–key–value per modellare le interdipendenze tra i domini temporale e di frequenza. Concetti simili di fusione basati sull'attenzione sono stati segnalati in macchinari rumorosi e compiti acustici-diagnostici, dove i pesi di attenzione enfatizzano regioni temporali o spettrali discriminative sotto interferenza; tuttavia, la maggior parte dei classificatori a scarica parziale esistenti si basa ancora su rappresentazioni a dominio singolo o fusione tardiva, motivando l'attuale progetto CA. Infine, viene impiegata una rete neurale convoluzionale unidimensionale (1D-CNN), ottimizzata utilizzando l'algoritmo Cuckoo Search (CS), per la classificazione robusta dei guasti.

Questo metodo offre vantaggi significativi rispetto agli approcci diagnostici convenzionali, fornendo una soluzione ad alte prestazioni senza contatto che rimane efficace in ambienti elettromagnetici complessi. Le metriche di performance sono riportate separatamente per lo studio di ablazione e per il modello finale di classificazione. Lo studio di ablazione ha raggiunto una precisione del 98,2% per la configurazione CA, mentre il modello finale di classificazione ha raggiunto un'accuratezza complessiva del 99,05% (3962/4000), con tassi di riconoscimento per classe che variano dal 98,6% al 99,4%. È particolarmente adatta a ricercatori e ingegneri che desiderano implementare il monitoraggio automatizzato di apparecchiature a 10 kV o apparecchiature simili per la distribuzione di energia quando il rilevamento basato su contatti è impraticabile. Seguendo questo protocollo, gli utenti possono caratterizzare efficacemente impronte acustiche complesse e ottenere un'identificazione affidabile dei guasti in condizioni di rumore di fondo elevate. I modelli acustici basati su trasformatori, incluse le architetture audio spectrogram transformer (AST), sono promettenti per la modellazione spettrotemporale a lungo raggio; tuttavia, non sono stati selezionati per il protocollo attuale perché il dataset disponibile è relativamente piccolo e il framework proposto dà priorità all'addestramento stabile, a costi computazionali inferiori e a rami interpretabili di elaborazione nei domini del tempo e della frequenza. La valutazione delle architetture basate su trasformatori rappresenta una direzione importante per studi futuri.

Protocollo

Questo studio non ha coinvolto partecipanti umani, animali vertebrati o esemplari biologici. Pertanto, non erano richieste l'approvazione etica istituzionale, l'approvazione per l'uso di animali e l'approvazione per i soggetti umani.

La Figura 1 illustra la struttura di convoluzione causale dilatata utilizzata nell'architettura TCN. La Figura 2 illustra la struttura di connessione residua utilizzata durante l'estrazione delle caratteristiche temporali. La Figura 3 illustra l'architettura AE utilizzata per la riduzione delle dimensioni delle caratteristiche. La Figura 4 illustra l'architettura CBAM utilizzata per l'estrazione delle caratteristiche spettrali. La Figura 5 illustra il meccanismo CA utilizzato per la fusione delle caratteristiche tempo-frequenza.

Figura 1: Struttura della convoluzione causale dilatata. Illustrazione schematica dell'architettura della rete temporale convoluzionale (TCN) che impiega convoluzioni causali e dilatate. Il fattore di dilatazione aumenta con la profondità della rete per espandere il campo recettivo e catturare le dipendenze temporali a lungo raggio nei segnali acustici. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Struttura di connessione residua. Diagramma del blocco residuo utilizzato all'interno dell'architettura TCN. Il blocco incorpora convoluzioni causali, normalizzazione del peso, funzioni di attivazione di ReLU, strati di dropout e una connessione residua per facilitare un addestramento stabile in rete profonda e mitigare il degrado del gradiente. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Architettura Autoencoder (AE). Rappresentazione schematica dell'AE utilizzata per la riduzione delle dimensioni delle caratteristiche. L'encoder comprime le caratteristiche acustiche in ingresso in una rappresentazione latente, e il decodificatore ricostruisce lo spazio delle caratteristiche originale dalla rappresentazione compressa. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Architettura del modulo di attenzione convoluzionale a blocchi (CBAM). Flusso di lavoro del CBAM utilizzato per il miglioramento delle caratteristiche nel dominio della frequenza. Il modulo applica sequenzialmente meccanismi di attenzione al canale e di attenzione spaziale per perfezionare le rappresentazioni delle caratteristiche estratte dagli spettrogrammi Mel. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 5: Meccanismo di fusione delle caratteristiche di attenzione incrociata (CA). Rappresentazione schematica del modulo CA utilizzato per fondere caratteristiche temporali e di dominio della frequenza. Le matrici di query, key e value vengono generate dalle due modalità di feature per modellare dipendenze cross-modali e produrre rappresentazioni di feature fuse. Clicca qui per visualizzare una versione più grande di questa figura.

1. Configurazione della piattaforma di impronte acustiche per guasti di isolamento e acquisizione dati

1. Costruire una piattaforma di rilevamento a matrice di microfoni senza contatto all'interno del laboratorio. Assemblare il sistema utilizzando un circuito di prova ad alta tensione, un armadietto di prova contenente modelli di difetti, un sistema di prova a tensione di terra transitoria (TEV) e il sistema a matrice di microfoni. Il sistema TEV era utilizzato come canale di riferimento elettrico per la verifica delle scarico.
   NOTA: Assicurarsi che il circuito ad alta tensione includa un autotrasformatore (T1), un trasformatore di prova (T2), una resistenza protettiva (R) da 200 kΩ e un condensatore di accoppiamento (Cx) da 1 nF. Consulta la Figura 6 per la disposizione dello schema.
   ATTENZIONE: I test ad alta tensione comportano un rischio di scosse elettriche. Segui le procedure di sicurezza elettrica istituzionale e assicurati che tutti i componenti ad alta tensione siano adeguatamente isolati e messi a terra prima dell'uso.
2. Configurare quattro modelli distinti di guasti di isolamento all'interno dell'armadio di prova per simulare difetti operativi comuni: scarica superficiale, scarica sospesa, scarica interna e scarica puntuale (Figura 7).
3. Prepara i modelli di guasto dell'isolamento per il test.
   1. Fabbricare tutti i modelli su piastre isolanti in resina epossidica da 100 mm × 100 mm × 5 mm utilizzando elettrodi lucidati.
   2. Preparare il modello a scarica superficiale fissando due elettrodi a striscia di rame da 20 mm × 10 mm × 1 mm sulla superficie superiore con un gap di creepage di 15 mm. Lascia esposta la superficie epossidica intermedia.
   3. Preparare il modello a scarica sospesa montando un elettrodo a barra di rame di 2 mm di diametro 5 mm sopra una piastra di rame messa a terra (40 mm × 40 mm × 1 mm) utilizzando un supporto epossidico. Tieni l'elettrodo dell'asta elettricamente isolato dalla placca.
   4. Preparare il modello a scarica interna fondendo un blocco epossidico contenente un vuoto d'aria artificiale cilindrico (10 mm di diametro × 2 mm di altezza) centrato tra due lastre di rame (40 mm × 40 mm × 1 mm). Posizionare il centro del vuoto circa 2,5 mm sotto la superficie superiore.
   5. Preparare il modello a scarica puntuale posizionando un elettrodo a ago in acciaio inossidabile con un raggio di punta di circa 0,5 mm di fronte a una piastra di rame messa a terra attraverso un gap d'aria di 10 mm.
   6. Pulisci tutti gli elettrodi con etanolo e asciugali completamente prima dell'assemblaggio.
   7. Assemblare la geometria elettrodo-difetto nell'armadietto di prova e verificare tutte le spaziature tra elettrodi usando un calibro prima di ogni prova di tensione.
4. Installare il sensore a matrice microfonica che impiega una struttura a spirale anulare modificata composta da 112 canali. Consulta la Figura 8 per la distribuzione delle coordinate.
5. Imposta la frequenza di campionamento a 200 kHz e configura la lunghezza del campione a 8192 punti per fotogramma. Consulta la Tabella 1 per i parametri del sensore.
6. Configura l'hardware dell'array microfonico.
   1. Montare i 112 microfoni a filo sul telaio spirale anulare modificato nelle posizioni di coordinate mostrate nella Figura 8. Mantenere la distanza tra elementi definita dal file di coordinate dell'array, che varia da 10 mm a 25 mm.
   2. Posizionare un calibratore acustico portatile e una sorgente di riferimento ultrasonica a 40 kHz a 300 mm dal centro dell'array di microfoni.
   3. Calibrare tutti i canali microfonici attivi prima di ogni sessione di acquisizione utilizzando un segnale di riferimento acustico da 94 dB, 1 kHz acustico e un segnale di riferimento ultrasonico da 40 kHz.
   4. Registra 5 secondi di segnali di calibrazione da ogni canale del microfono.
   5. Calcola la sensibilità RMS e la risposta di fase di ciascun canale rispetto al canale centrale dell'array.
   6. Mantenere solo canali con deviazione di sensibilità entro ±2 dB a 1 kHz, entro ±3 dB a 40 kHz, e senza clipping o un'elevazione anomala del rumore del fondo.
   7. Escludere i canali che non soddisfano i criteri di accettazione dall'analisi successiva.
   8. Ripeti la procedura di calibrazione dopo qualsiasi sostituzione del microfono o movimento dell'array di microfoni.
7. Configura il sistema di acquisizione dati multicanale per eseguire campionamenti simultanei su tutti i canali attivi del microfono.
   1. Configura il sistema DAQ per l'acquisizione simultanea di tutti i 112 canali microfonici utilizzando un clock di campionamento condiviso a 200 kHz.
   2. Imposta la risoluzione di acquisizione a 16 bit, configura l'accoppiamento AC e acquisisci 8192 punti per frame.
   3. Distribuire un trigger hardware di avvio a tutti i moduli di acquisizione tramite un bus di trigger TTL a bordo positivo comune.
   4. Memorizza tutti i canali microfonici all'interno dello stesso frame record e conserva il timestamp del trigger e l'indice dei canali per ogni acquisizione.
   5. Ispezionare i primi 100 frame acquisiti per eventuali campioni persi, saturazione del canale e deriva di clock prima di iniziare la raccolta formale dei dati.
8. Giustifica la configurazione dell'array di microfoni. L'array a 112 canali è stato scelto per migliorare la densità di campionamento spaziale per la formazione del fascio e la stima del ritardo GCC-PHAT, aumentando così la soppressione del rumore ambientale fuori asse rispetto a un array scarso a basso numero di canali. Sebbene circa quattro canali possano essere sufficienti per la localizzazione geometrica 3D, il protocollo attuale utilizza un campionamento spaziale denso per il potenziamento del segnale e la stabilità delle caratteristiche piuttosto che solo la localizzazione. Le versioni a canale ridotto dovrebbero essere validate separatamente prima della distribuzione sul campo sensibile ai costi.
9. Applicare alta tensione al circuito di prova per indurre fenomeni di scarica parziale tra i modelli.
10. Mantenere l'ambiente sperimentale durante i test.
    1. Mantenere il laboratorio a 22°C ± 2°C, umidità relativa 45%–55% e pressione atmosferica di 101 ± 2 kPa durante l'acquisizione dei dati.
    2. Misura il rumore acustico di fondo prima di attivare il sistema ad alta tensione.
    3. Procedere con l'acquisizione dati solo quando il livello di rumore di fondo ponderato A è ≤40 dB(A).
    4. Verifica che il rumore di fondo a ultrasuoni di ciascun canale microfonico attivo sia almeno 20 dB sotto il livello di scarica-impulso osservato durante i test pilota.
    5. Tieni porte e finestre chiuse e disattiva le attrezzature rotanti non essenziali durante la raccolta dati.
    6. Mettere a terra il telaio ad alta tensione e il telaio DAQ prima dell'acquisizione.
    7. Impedire il movimento del personale vicino all'array microfonico durante la registrazione.
11. Monitora continuamente l'attività di scarica utilizzando il sensore TEV collegato a un terminale PC.
    1. Imposta la soglia di monitoraggio TEV a 6 dB sopra il livello di rumore di fondo pre-test e non inferiore a un livello di ingresso equivalente di 10 mV.
    2. Configura il canale di riferimento TEV con una larghezza di banda analogica di 3–100 MHz e un guadagno di 40 dB.
    3. Registra l'attività degli impulsi TEV utilizzando il registro di inviluppo e impulsi sul terminale PC.
    4. Configura il sistema TEV per utilizzare l'attivazione hardware a bordo positivo.
    5. Usa lo stesso valore soglia sia per il monitoraggio TEV che per la generazione dei trigger.
    6. Accettare un frame acustico solo quando l'attività di impulsi TEV avviene all'interno della finestra di acquisizione corrispondente e viene ripetuta su frame consecutivi alla tensione selezionata.
12. Regola progressivamente la tensione tra 4 e 12 kV.
13. Registra i segnali acustici una volta osservato un fenomeno di guasto isolante distinto e stabile per un modello specifico. Definire un fenomeno di guasto distinto e stabile come uno stato di scarica in cui l'attività TEV e i modelli di impulso acustico vengono osservati ripetutamente alla tensione target senza evidenti estinzioni intermittenti, saturazione del canale acustico, rumore meccanico non correlato o rumore di impatto esterno. Mantieni la tensione finché il pattern di scarica non rimane stabile per almeno 60 secondi prima di registrare i fotogrammi acustici.
14. Raccogli 1000 insiemi di dati validi per ciascuno dei quattro tipi di guasto. Classificare un frame campione come valido solo quando il riferimento TEV indica attività di scarica, il canale acustico non è saturo, il frame non contiene alcun impatto esterno evidente o rumore di manipolazione, e l'etichetta del campione corrisponde al modello di difetto attivo. Escludere i fotogrammi con saturazione acustica, assenza di conferma TEV, etichettatura di guasti incoerente, estinzione intermittente di scarica, impatto meccanico esterno o rumore di fondo instabile.
15. Sincronizza il sistema TEV e il sistema di acquisizione acustica durante la raccolta dei dati.
    1. Collega l'uscita del trigger TEV all'ingresso acustico DAQ tramite il bus condiviso del trigger TTL.
    2. Usa l'uscita impulsi TEV come trigger hardware per l'acquisizione dei dati acustici.
    3. Registra il segnatore di innesco come un canale di temporizzazione digitale nel file di dati acustici.
    4. Eseguire l'allineamento iniziale dei flussi TEV e di acquisizione acustica utilizzando il timestamp del trigger.
    5. Stima i ritardi residui tra microfoni usando GCC-PHAT prima della formazione del fascio.
    6. Verifica che l'accuratezza della sincronizzazione TEV-acustica sia entro ±1 campione acustico, corrispondente a ≤5 μs a una frequenza di campionamento di 200 kHz.

Figura 6: Piattaforma di rilevamento guasti isolanti con array microfonico. Configurazione sperimentale utilizzata per il rilevamento di guasti in isolamento acustico. La piattaforma è composta da un circuito di prova ad alta tensione, un armadietto di prova per guasti di isolamento, un sistema di microfoni a matrice, un sensore TEV e un sistema di monitoraggio computerizzato per l'acquisizione e la verifica dei dati. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 7: Modelli di guasto di isolamento costruiti in laboratorio. Modelli rappresentativi di isolamento e guasto utilizzati per l'acquisizione dei dati. (A) Modello a scarica superficiale. (B) Modello a scarica sospesa. (C) Modello a scarica interna. (D) Modello a scarica puntuale. I modelli sono stati costruiti per simulare quattro condizioni comuni di guasto di isolamento in condizioni di laboratorio controllate. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 8: Distribuzione dell'array di microfoni. Disposizione spaziale dell'array microfonico a 112 canali che impiega una configurazione a spirale anulare modificata. La distribuzione delle coordinate illustra la posizione dei sensori utilizzata per l'acquisizione del segnale acustico e la successiva analisi della formazione del fascio. Clicca qui per visualizzare una versione più grande di questa figura.

Tipo di parametro	Valore del parametro
Struttura dell'array	Spirale anulare modificata
Numero di canali	112
Frequenza di campionamento	200 kHz
Punti campione per frame	8192

Tabella 1: Parametri dell'array di microfoni. Specifiche tecniche del sistema di microfoni utilizzato per l'acquisizione del segnale acustico durante esperimenti di guasto in isolamento. La tabella riassume la geometria dell'array, il numero di canali, la frequenza di campionamento e il numero di punti campionamento acquisiti per fotogramma. Clicca qui per scaricare questa tabella.

2. Estrazione delle caratteristiche nel dominio temporale tramite TCN-AE

1. Inserire i dati acustici pre-processati delle serie temporali nel TCN per catturare variazioni temporali^{dinamiche 13,14}. Dopo la fusione del segnale, normalizza ogni frame acustico di 8192 punti utilizzando la procedura di normalizzazione applicata durante l'addestramento del modello e inserisci la sequenza 1D normalizzata nel TCN.
2. Configura l'architettura TCN.
   1. Costruire il TCN utilizzando tre blocchi residui disposti sequenzialmente per l'estrazione temporale delle caratteristiche.
   2. Assegnare 64 filtri convoluzionali a ciascun blocco residuo e impostare la dimensione del nucleo convoluzionale a 3.
   3. Implementare convoluzioni causali dilatate e configurare i fattori di dilatazione come d = 1, 2 e 4 per espandere progressivamente il campo recettivo temporale.
   4. Applicare la funzione di attivazione ReLU dopo ogni operazione convoluzionale.
   5. Applica un tasso di abbandono di 0,20 dopo ogni blocco residuo per ridurre il sovrafitting durante l'addestramento.
   6. Eseguire la normalizzazione del peso come metodo di regolarizzazione all'interno di ogni blocco residuo.
   7. Incorporare connessioni residue in tutta la rete e utilizzare proiezioni convoluzionali 1 × 1 ogni volta che necessario per abbinare le dimensioni delle caratteristiche tra i percorsi residui e quelli trasformati.
3. Applicare convoluzioni causali alla sequenza di input. Adatta lo zero-padding prima della sequenza in base alla dimensione del kernel per garantire che l'output in un dato passo temporale dipenda strettamente dagli input correnti e precedenti.
4. Esegui la convoluzione causale usando il peso del nucleo (_{w i}) e la dimensione del nucleo (K) come segue (Equazione 1):
   (1)
5. Implementare convoluzioni dilatate per espandere il campo ricettivo della rete senza aumentare il numero di parametri. Aumentare esponenzialmente il fattore di dilatazione d man mano che la profondità della rete avanza per catturare le dipendenze temporali a lungo raggio.
6. Calcola la convoluzione dilatata usando il fattore di dilatazione (d) come segue (Equazione 2). Utilizzare la progressione del fattore di dilatazione d = 1, 2 e 4 durante l'addestramento TCN per espandere progressivamente il campo recettivo temporale senza aumentare il numero di punti campionati in ciascun sistema acustico.
   (2)
7. Integrare connessioni residue per mitigare i gradienti di nullità durante l'addestramento profondo della rete.
8. Fai passare la sequenza di input attraverso il blocco di convoluzione causale dilatata. Eseguire regolarizzazione del peso e applicare un'attivazione non lineare ReLU seguita da uno strato Dropout.
9. Aggiungi direttamente l'output elaborato alla sequenza di input originale (Figura 2). Applicare la normalizzazione del peso all'interno di ogni blocco residuo e utilizzare un tasso di dropout di 0,20 prima di effettuare l'aggiunta residua. Utilizzare una proiezione convoluzionale 1 × 1 quando necessario per abbinare le dimensioni delle caratteristiche tra i percorsi residui e quelli trasformati.
10. Inserire le caratteristiche temporali ad alta dimensione estratte dal TCN in un'AE per la riduzione delle dimensioni delle caratteristiche¹⁵.
11. Configura l'architettura AE.
    1. Costruisci l'encoder usando tre strati completamente connessi con dimensioni rispettivamente 512, 256 e 128 neuroni.
    2. Definisci la rappresentazione nello spazio latente usando un vettore di caratteristiche a 128 dimensioni.
    3. Costruire il decodificatore utilizzando tre strati completamente connessi con dimensioni rispettivamente 128, 256 e 512 neuroni.
    4. Applica la funzione di attivazione ReLU dopo ogni livello completamente connesso sia nell'encoder che nel decoder.
    5. Configura l'AE per ricostruire la rappresentazione delle caratteristiche in input dal vettore dello spazio latente e ottimizzare la ricostruzione usando la funzione di perdita dell'errore quadratico medio (MSE) descritta nello Passo 2.16.
12. Comprimere i dati di input in una rappresentazione dello spazio latente di dimensione inferiore tramite l'encoder.
13. Ricostruisci i dati originali usando il decoder (Figura 3).
14. Eseguire le trasformazioni di codifica e decodifica utilizzando la funzione di attivazione di ReLU (σ), le matrici di pesi (W₁ e W₂) e i termini di bias (b₁ e b₂) come riportati dalle Equazioni 3 e 4.
    (3)
    (4)
15. Addestra l'AE a preservare le informazioni critiche minimizzando l'errore di ricostruzione.
16. Utilizzare l'errore quadratico medio (MSE) come funzione di perdita e calcolare l'errore di ricostruzione usando l'Equazione 5.
    1. Addestra l'AE usando l'ottimizzatore Adam con una velocità di apprendimento di 0,001.
    2. Imposta la dimensione del lotto a 50 e addestra la rete per un massimo di 100 epoche.
    3. Monitora la perdita di validazione durante l'addestramento e applica l'arresto anticipato con un valore di pazienza di 10 epoche.
    4. Usa la partizione fissa del dataset composta da 2400 campioni di addestramento, 400 campioni di validazione e 400 campioni di test.
    5. Eseguire l'addestramento del modello nell'ambiente di deep-learning basato su Python riassunto nella Tabella dei Materiali.
    6. Calcola l'errore di ricostruzione usando l'Equazione 5.
       (5)

3. Estrazione di caratteristiche nel dominio della frequenza tramite spettrogramma Mel e CBAM

1. Applicare funzioni di pre-enfasi, inquadramento e finestra ai segnali acustici grezzi a scarica parziale.
   1. Rimuovi lo spostamento DC da ogni telaio acustico da 8192 punti.
   2. Applica la pre-enfasi utilizzando:
      
   3. Normalizzare ogni fotogramma usando la sua ampiezza assoluta di picco dopo la rimozione del DC-offset.
   4. Segmenta ogni fotogramma usando una finestra di Hamming da 1024 campioni.
   5. Usa una lunghezza di salpulo di 512 campioni, corrispondente al 50% di sovrapposizione tra finestre adiacenti.
   6. Calcolare la trasformata di Fourier a breve tempo (STFT) usando una FFT a 1024 punti.
   7. Non applicare filtraggio passa banda software aggiuntivo oltre alla limitazione di larghezza di banda hardware del front-end e ai criteri di esclusione della qualità dei fotogrammi descritti sopra.
2. Esegui una trasformata di Fourier sui segnali elaborati.
3. Converti la frequenza lineare originale (f) nella scala Mel. Questo passaggio linearizza la percezione della frequenza umana e riduce il peso delle bande di^{interferenza 16}.
4. Calcola la frequenza in scala Mel (f_mel) usando la frequenza lineare originale (f) (Equazione 6).
   (6)
5. Partizionare le frequenze in una sequenza di banchi di filtri triangolari.
6. Calcola la somma ponderata di tutte le ampiezza del segnale all'interno di ciascun filtro di larghezza di banda. Applicare una funzione logaritmica all'output per migliorare la coerenza percettiva riguardo alle variazioni di ampiezza.
7. Calcola l'uscita del filtro Mel usando l'Equazione 7. Qui, S(m) è l'uscita del filtro m-esimo, k è l'indice di frequenza e H_m(k) definisce il filtro triangolare.
   (7)
8. Genera gli spettrogrammi Mel.
   1. Calcolare la trasformata di Fourier a breve tempo usando una dimensione FFT pari a 1024.
   2. Applicare banchi di filtri da 256 Mel allo spettro di frequenza risultante.
   3. Generare spettrogrammi di Mel sulla gamma di frequenze da 0 a 100 kHz.
   4. Ridimensionare o rappresentare gli spettrogrammi Mel risultanti come mappe di caratteristiche da 256 × 256 pixel per l'elaborazione CBAM successiva.
   5. Converti lo spettrogramma di potenza Mel alla scala dei decibel.
   6. Applicare la normalizzazione min-max per spettrogramma usando lo spettrogramma Mel compresso logaritmicamente (S_dB):
      
   7. Esegui la normalizzazione indipendentemente per ogni immagine dello spettrogramma 256 × 256 Mel.
   8. Taglia i valori normalizzati nell'intervallo [0,1] prima di inserire lo spettrogramma nel ramo CBAM.
9. Inserire gli spettrogrammi Mel risultanti nel CBAM per estrarre le caratteristiche spettrali^{principali 17}.
10. Elaborare i dati tramite meccanismi sequenziali di attenzione canale e attenzione spaziale (Figura 4).
11. Configura l'architettura CBAM.
    1. Configura il modulo di attenzione al canale usando un rapporto di riduzione del canale di 16.
    2. Mappe di caratteristiche di input di processo con dimensioni di 256 × 256 × 64.
    3. Applica il global average pooling e il global max pooling per generare i descrittori dei canali.
    4. Passa i descrittori aggregati attraverso un perceptrone multistrato condiviso e applica una funzione di attivazione Sigmoid per generare pesi di attenzione al canale.
    5. Generare pesi di attenzione spaziale utilizzando un kernel convoluzionale 3 × 3 applicato ai descrittori spaziali concatenati a media-pooled e max-pooled.
    6. Applicare una funzione di attivazione Sigmoid per produrre la mappa spaziale finale dell'attenzione.
12. Estrai i pesi di attenzione al canale.
13. Applica il global average pooling e il global max pooling tra le dimensioni del canale della mappa delle caratteristiche di input.
14. Elaborare i vettori descrittori globali generati attraverso uno strato completamente connesso (FC) per ottenere il peso di attenzione al canale (M_c).
15. Calcola i pesi di attenzione al canale usando l'Equazione 8. Qui, M_c è il peso dell'attenzione del canale, FC indica lo strato completamente connesso, e σ rappresenta la funzione di attivazione Sigmoide.
    (8)
16. Estrai i pesi di attenzione spaziale.
17. Applica il pool globale max e il pool globale medio lungo l'asse del canale.
18. Concatena le mappe descrittive spaziali risultanti e le elabora attraverso uno strato convoluzionale per generare il peso di attenzione spaziale (M_s).
19. Calcola i pesi dell'attenzione spaziale usando l'Equazione 9. Qui, M_s è il peso dell'attenzione spaziale, è il descrittore spaziale generato dal pooling medio globale, ed è il descrittore spaziale generato dal pooling globale max.
    (9)
    1. Concatena i descrittori spaziali media-pooled e max-pooled lungo la dimensione del canale.
    2. Applicare una convoluzione 3 × 3 con passo = 1 e lo stesso imbottitura per generare la mappa di caratteristiche di attenzione spaziale.
    3. Applicare una funzione di attivazione Sigmoid all'uscita della convoluzione per ottenere i pesi di attenzione spaziale.
    4. Moltiplicare i pesi di attenzione spaziale elemento per elemento con la mappa di caratteristiche di input per generare la rappresentazione spaziale raffinata.

4. Fusione di caratteristiche cross-modali usando CA

1. Implementare un meccanismo CA per sintetizzare le caratteristiche temporali estratte e le caratteristiche^{spettrali 18}. A differenza dell'auto-attenzione, estrarre informazioni contestuali da una modalità per migliorare dinamicamente la rappresentazione dell'altra (Figura 5).
2. Configura l'architettura CA.
   1. Imposta la dimensione di embedding a 128.
   2. Configura il modulo CA con 4 teste di attenzione.
   3. Imposta le dimensioni di proiezione Query, Key e Value a 128 ciascuna.
   4. Applica un tasso di abbandono di 0,10 all'interno del modulo CA.
   5. Non applicare strati di normalizzazione post-attenzione o livelli feed-forward dopo il modulo cross-attention.
   6. Concatena gli output da tutte le teste di attenzione.
   7. Candidati a abbandono con un tasso di 0,10.
   8. Appiattisci la rappresentazione delle caratteristiche risultante.
   9. Trasferire il vettore di caratteristiche appiattito direttamente al classificatore 1D-CNN.
3. Inizializzare le matrici Query (Q), Key (K) e Value (V) dalle due distinte sequenze di input (caratteristiche nel dominio del tempo e della frequenza).
4. Calcola la matrice di Query usando l'Equazione 10, dove X₁ indica la matrice temporale prodotta dal percorso TCN-AE, e W_Q, e b_Q indicano rispettivamente la corrispondente matrice di peso appreso e il termine di bias.
   (10)
5. Calcola la matrice Key usando l'Equazione 11, dove X₂ indica la matrice di caratteristiche nel dominio della frequenza prodotta dal percorso Mel-CBAM, e W_K, e b_K indicano rispettivamente la corrispondente matrice di peso appreso e il termine di bias.
   (11)
6. Calcola la matrice di valori usando l'Equazione 12. dove W_V e b_V indicano rispettivamente la matrice di pesi appresi apprese e il termine di bias.
   (12)
7. Calcola l'interazione con la CA basandosi sulla relazione tra la Query e gli elementi chiave.
8. Calcola la matrice di attenzione-peso usando l'Equazione 13. Qui, α_ij specifica il peso di attenzione dell'i-esimo elemento rispetto al j-esimo elemento, e d_k è la dimensionalità dei vettori chiave.
   (13)
9. Aggiornare la rappresentazione finale delle caratteristiche calcolando la somma ponderata della matrice di Valori secondo i pesi di attenzione calcolati.
10. Calcola la rappresentazione delle caratteristiche fuse usando l'Equazione 14. Qui, O_i è l'uscita di sequenza che rappresenta l'impronta acustica tempo-frequenza fusibile robusta del guasto di isolamento.
    (14)
    1. Genera la rappresentazione delle caratteristiche fuse con una dimensione di output pari a 128.
    2. Combina le uscite di attenzione cross-time e cross-frequenza.
    3. Appiattire la rappresentazione fusa prima della classificazione.
    4. Passa la rappresentazione delle caratteristiche appiattite al classificatore 1D-CNN e completamente connesso Softmax mostrato nella Figura 9.

Figura 9: Quadro generale per l'identificazione dei guasti di isolamento. Flusso di lavoro del metodo proposto di identificazione dei guasti in isolamento. I segnali grezzi della matrice microfonica vengono fusi e pre-elaborati, seguiti dall'estrazione delle caratteristiche nel dominio temporale tramite un percorso TCN–AE, dall'estrazione delle caratteristiche nel dominio della frequenza tramite spettrogrammi Mel e CBAM, dalla fusione delle caratteristiche basata su CA e dalla classificazione finale dei guasti tramite una rete neurale convoluzionale unidimensionale. Clicca qui per visualizzare una versione più grande di questa figura.

5. Allineare e fusare i segnali dell'array microfonico tramite GCC-PHAT

1. Seleziona due segnali microfonici per la stima del ritardo e convertili nel dominio della frequenza usando la FFT.
   1. Utilizzare l'intero telaio acustico a 8192 punti acquisito a 200 kHz per il calcolo GCC-PHAT basato su FFT.
   2. Applicare la FFT a ciascun segnale microfonico selezionato prima di calcolare lo spettro di potenza incrociato ponderato per PHAT.
   3. Stima il ritardo temporale intercanale rispetto al microfono di riferimento selezionato utilizzando la procedura PHAT ponderata di spettro di potenza incrociata e IFFT mostrata nella Figura 10.
   4. Applicare GCC-PHAT rispetto al microfono di riferimento selezionato prima di allineare tutti i 112 canali attivi del microfono.
   5. Applicare una finestra Hann all'intero telaio acustico a 8192 punti prima dell'elaborazione FFT.
   6. Non utilizzare finestre sovrapposte durante la stima del ritardo GCC-PHAT.
   7. Zero-pad ogni frame a finestra fino a 16.384 punti prima dei calcoli FFT e IFFT.
   8. Utilizzare il segnale a rifornimento zero per migliorare la risoluzione del picco di ritardo durante la stima del ritardo temporale.
2. Ottieni le rappresentazioni nel dominio della frequenza e dei segnali microfonici selezionati.
3. Calcola lo spettro di potenza incrociata per valutare la somiglianza tra i due segnali.
4. Introdurre la funzione di pesatura della trasformata di fase (PHAT) per affinare il picco di correlazione incrociata e mitigare gli effetti di riverberazione.
5. Calcola lo spettro di potenza incrociato ponderato in PHAT usando l'Equazione 15. Qui, e sono le rappresentazioni nel dominio della frequenza dei due segnali microfonici e denota il coniugato complesso.
   (15)
6. Applicare l'IFFT per calcolare la funzione di correlazione incrociata generalizzata (GCC).
7. Identifica la variabile di ritardo τ localizzando il picco della funzione GCC.
8. Calcola la funzione GCC usando l'Equazione 16. Qui, è la funzione di correlazione incrociata generalizzata e rappresenta il ritardo temporale stimato.
   (16)
9. Eseguire la compensazione temporale per allineare i segnali in base al ritardo stimato.
10. Sincronizza ogni canale rispetto al microfono di riferimento usando l'Equazione 17. Qui, è il segnale compensato dal ritardo e τ_i è il ritardo stimato rispetto al microfono di riferimento.
    1. Seleziona il microfono più vicino al centro geometrico dell'array come microfono di riferimento.
    2. Verifica che il microfono selezionato soddisfi i criteri di accettazione della calibrazione descritti nello Passo 1.6.
    3. Se il microfono centrale non soddisfa i criteri di calibrazione, si seleziona il microfono calibrato più vicino al centro geometrico come microfono di riferimento.
    4. Stima il ritardo τ_i per ogni canale attivo del microfono rispetto al microfono di riferimento selezionato.
    5. Allinea tutti i 112 canali microfonici attivi al microfono di riferimento selezionato prima della formazione del fascio.
       (17)
11. Esegui la beamforming a ritardo e somma per fondere le informazioni spaziali.
12. Potenziare il segnale proveniente dalla direzione del bersaglio sopprimendo il rumore ambientale usando l'Equazione 18. Qui, y(t) è il segnale di uscita a fascio, è il segnale compensato dal ritardo dal i-esimo microfono, e N è il numero totale di canali del microfono.
    1. Eseguire la formazione del fascio a ritardo e somma dopo la compensazione del ritardo GCC-PHAT.
    2. Usa un peso uguale per tutti i canali attivi del microfono.
    3. Imposta N = 112 per i 112 canali microfonici attivi utilizzati durante l'acquisizione.
    4. Definisci la direzione del bersaglio usando la posizione geometrica nota del modello attivo di difetto rispetto al centro della matrice microfonica.
    5. Guida il beamformer a ritardo e somma verso il centro del modello attivo di difetto durante la fusione del segnale.
    6. Usa la geometria predefinita dell'armadio di prova per determinare la direzione di sterzata.
    7. Non eseguire una stima della direzione del bersaglio basata sui dati durante l'addestramento o i test del modello.
       (18)

Figura 10: Procedura di allineamento del segnale GCC-PHAT. Workflow dell'algoritmo di correlazione incrociata generalizzata con la trasformata di fase (GCC-PHAT). I segnali microfonici nel dominio della frequenza vengono elaborati per ottenere lo spettro di potenza incrociata e la funzione di pesa, seguiti dalla trasformazione di Fourier inversa per stimare il ritardo temporale intercanale. Clicca qui per visualizzare una versione più grande di questa figura.

6. Ottimizzare la rete tramite l'algoritmo CS

1. Inizializzare i parametri dell'algoritmo CS per ottimizzare la 1D-CNN.
   1. Imposta la dimensione della popolazione, corrispondente al numero di nidi, a 20.
   2. Imposta la probabilità di scoperta (Pa) a 0,25.
   3. Imposta il numero massimo di iterazioni di ottimizzazione a 50.
   4. Imposta il seed casuale a 42 per supportare la riproducibilità.
   5. Imposta il parametro di scalabilità della dimensione del passo α a 0,01.
   6. Definire i limiti di ricerca degli iperparametri secondo gli intervalli riassunti nella Tabella 2.
   7. Terminare l'ottimizzazione quando si raggiunge il numero massimo di iterazioni o quando si raggiunge la convergenza validazione-fitness.
2. Generare nuove soluzioni simulando il comportamento obbligato di parassitismo della covata dei cuculi combinato con i voli di Lévy.
3. Aggiornare la soluzione corrente (nido) utilizzando una dimensione di passo casuale derivata dalla caratteristica di volo di Lévy.
4. Calcola la posizione aggiornata del nido usando l'Equazione 19. Qui, α è il parametro di scala della dimensione del passo e indica la moltiplicazione per entrata.
   1. Imposta il parametro di scalabilità della dimensione del passo (α) a 0,01.
   2. Imposta il parametro di volo di Lévy (λ) a 1,5.
   3. Codifica ogni nest candidato come un insieme di iperparametri 1D-CNN, inclusa configurazione a livello convoluzionale, dimensione del kernel, tasso di apprendimento, dimensione del batch e impostazione dell'ottimizzatore.
   4. Generare nidi candidati utilizzando aggiornamenti Lévy-flight e valutare ogni candidato utilizzando le prestazioni del set di validazione.
   5. Trattieni soluzioni candidate che migliorano la validazione della forma fisica.
      (19)
5. Calcola le variabili casuali per il volo di Lévy utilizzando una distribuzione normale standard scalata dal parametro σ.
6. Calcola σ usando l'Equazione 20. Qui, rappresenta la funzione Gamma e β è tipicamente impostato a 1,5.
   (20)
7. Addestrare la 1D-CNN utilizzando cinque strati convoluzionali, una dimensione del kernel di 3, attivazione ReLU, ottimizzazione stocastica per gradiente di discesa (SGD), un tasso di apprendimento iniziale di 0,001, una dimensione del lotto di 50 e una funzione di perdita di entropia incrociata.
8. Valuta il modello ottimizzato sul set di test.
   1. Addestrare l'ultimo 1D-CNN usando la validazione-perdita di fermata anticipata con un valore di pazienza di 10 epoche.
   2. Imposta il seed casuale a 42 per la partizione del dataset e l'addestramento del modello.
   3. Valuta il modello ottimizzato utilizzando il set di test fisso riassunto nella Tabella 2.
   4. Riportare la valutazione completa della matrice di confusione separatamente dal risultato dell'ablazione, con un'accuratezza complessiva del 99,05% (3962/4000) e tassi di riconoscimento per classe che vanno dal 98,6% al 99,4%.

Categoria	Parametro	Valore / Ambientazione
Dataset e input	Fotogrammi acustici totali	4,000
	Classi di guasto	Scarica superficiale; congedo sospeso; scarica interna; Scarica puntuale
	Frequenza di campionamento	200 kHz
	Lunghezza del telaio	8.192 punti per frame
	Canali microfoni array	112
	Input del modello	Rappresentazione acustica a tempo e frequenza fusa a attenzione incrociata
Divisione del dataset	Dimensione del set di addestramento	2.400 campioni
	Dimensione del set di validazione	400 campioni
	Dimensione del set di test	400 campioni
	Dimensione completa della valutazione della matrice di confusione	4.000 campioni
	Strategia a spartizione	Scissione fissa singola
	Seme casuale	42
Architettura TCN	Numero di blocchi residui	3
	Filtri per blocco residuo	64
	Dimensione del nucleo della convoluzione	3
	Programma di dilatazione	1, 2, 4
	Tasso di abbandono	0.20
Architettura autoencoder	Dimensioni dello strato codificatore	512 → 256 → 128
	Dimensione dello spazio latente	128
	Dimensioni del decodificatore del layer	128 → 256 → 512
Addestramento autoencoder	Ottimizzatore	Adam
	Tasso di apprendimento	0.001
	Dimensione del lotto	50
	Numero di epoche di addestramento	100 epoche
	Criterio di arresto precoce	MSE di validazione; Pazienza = 20 epoche
Impostazioni dello spettrogramma mel-spettrogramma	Dimensione FFT	1.024 punti
	Numero di filtri Mel	256
	Gamma di frequenze	0–100 kHz
	Dimensioni dello spettrogramma	256 × 256
Configurazione CBAM	Rapporto di riduzione del canale	16
	Dimensioni della mappa delle caratteristiche	256 × 256 × 64
Configurazione a attenzione incrociata	Dimensione di incorporamento	128
	Numero di teste di attenzione	4
	Dimensione di proiezione della query	128 in totale; 32 per testa
	Dimensione di proiezione chiave	128 in totale; 32 per testa
	Dimensione di proiezione del valore	128 in totale; 32 per testa
	Tasso di abbandono	0.10
Classificatore 1D-CNN	Numero di strati convoluzionali	5
	Dimensione del nucleo della convoluzione	3
	Funzione di attivazione	ReLU
	Livello di uscita	Softmax 4-classe
	Funzione di perdita	Perdita di entropia incrociata
Contesti di allenamento	Ottimizzatore	Discesa Stocastica del Gradiente (SGD)
	Tasso di apprendimento iniziale	0.001
	Dimensione del lotto	50
	Iterazioni di addestramento massime	1,000
	Fermata anticipata	Monitoraggio delle perdite di validazione
	Pazienza che si ferma precocemente	100 iterazioni
	Perdita finale durante l'allenamento	Non disponibile nel manoscritto fornito
	Perdita finale di validazione	Non disponibile nel manoscritto fornito
Ottimizzazione per Cuckoo Search	Obiettivo di ottimizzazione	Iperparametri 1D-CNN
	Dimensione della popolazione / numero di nidi	20
	Probabilità di scoperta (Pa)	0.25
	Parametro di scalabilità della dimensione del passo (α)	0.01
	Parametro di volo di lévy (β)	1.5
	Parametro di volo di Lévy (λ)	1.5
	Iterazioni di massima ottimizzazione	50
	Limiti della ricerca per iperparametri	Filtri conv {32, 64, 128, 256}; dimensione del nucleo {3, 5, 7}; tasso di apprendimento 1×10⁻⁴–1×10⁻²; dimensione del lotto {25, 50, 100}; abbandono 0,10–0,50; decadimento del peso 1×10⁻⁵–1×10⁻³
Validazione e reportistica	Figura 13 Accuratezza dell'ablazione CA	98.20%
	Tabella 2 Accuratezza della matrice di confusione	99.05% (3,962/4,000)
	Validazione incrociata / esecuzioni ripetute	Non eseguito

Tabella 2: Configurazione del dataset, parametri di addestramento del modello e impostazioni di ottimizzazione per la classificazione dei guasti di isolamento (isolamento-fault). La tabella riassume la composizione del dataset, la strategia di partizionamento dei dati, l'architettura 1D-CNN, la configurazione di addestramento, le impostazioni di ottimizzazione Cuckoo Search, le metriche di validazione e le considerazioni sulla selezione dei parametri utilizzate per sviluppare e valutare il framework proposto per la diagnosi dei guasti. I valori specifici dell'implementazione mancanti dovrebbero essere segnalati dai log finali di addestramento e ottimizzazione per facilitare la riproducibilità. Clicca qui per scaricare questa tabella.

Risultati

Framework per l'estrazione delle caratteristiche nel dominio del tempo e della frequenza

Il metodo proposto di identificazione dei guasti di isolamento integra vie di estrazione temporali e spettrali per caratterizzare le complesse firme acustiche generate dai difetti di isolamento. L'estrazione delle caratteristiche nel dominio temporale è stata effettuata utilizzando un TCN che incorpora convoluzioni causali dilatate per catturare le dipende...

Discussione

Questo articolo sul metodo delinea un protocollo standardizzato senza contatto per identificare difetti complessi di isolamento nelle apparecchiature elettriche tramite il riconoscimento delle impronte acustiche. Integrando un TCN-AE insieme a uno spettrogramma Mel elaborato da un Mel-CBAM, la pipeline consolidata isola sia le fluttuazioni dinamiche delle serie temporali sia le caratteristiche spettrali localizzate. La successiva fusione cross-modale tramite un meccanismo CA è pensata pe...

Materiali

```html

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Autoencoder (AE)	Modello personalizzato	Architettura encoder-decoder per la compressione delle caratteristiche	Riduzione della dimensionalità delle caratteristiche
Modulo di attenzione incrociata	Modello personalizzato	Modulo di fusione delle caratteristiche tempo-frequenza	Fusione di caratteristiche cross-modale
Algoritmo GCC-PHAT	Algoritmo personalizzato	Implementazione basata su FFT/IFFT	Stima del ritardo temporale e allineamento del segnale
Circuito di prova ad alta tensione	Piattaforma di laboratorio autocostruita	Autotrasformatore T1, trasformatore di prova T2, resistore protettivo da 200 kΩ, condensatore di accoppiamento da 1 nF; tensione di esercizio 4–12 kV	Generazione di condizioni di guasto all'isolamento
Mel spettrogramma + CBAM	Modello personalizzato	Estrazione spettrale a frequenza mel con miglioramento dell'attenzione	Estrazione di caratteristiche nel dominio della frequenza
Sistema di array di microfoni	Piattaforma di laboratorio autocostruita	Array spirale anulare modificato a 112 canali; frequenza di campionamento 200 kHz; 8192 punti per frame	Acquisizione acustica
Sensori di microfono	Moduli di microfono ultrasonico abbinati autocostruiti	112 canali abbinati; sensibilità -38 +/- 3 dBV/Pa; risposta in frequenza 20 Hz-100 kHz; calibrati a 94 dB SPL/1 kHz e 40 kHz; limiti di accettazione: +/-2 dB a 1 kHz e +/-3 dB a 40 kHz	Rilevamento acustico
Sistema DAQ multicanale	Piattaforma DAQ sincronizzata autocostruita	Acquisizione simultanea a 112 canali; ADC a 16 bit; 200 kHz/canale; 8192 punti/frame; clock di campionamento condiviso; trigger hardware TTL a bordo positivo	Acquisizione e sincronizzazione dei dati
CNN unidimensionale + ottimizzazione CS	Modello personalizzato	Cinque livelli convoluzionali; dimensione del kernel 3; SGD; tasso di apprendimento 0.001; dimensione batch 50	Classificazione dei guasti
Ambiente di addestramento Python	Python / PyTorch	Python 3.9; PyTorch 2.0; NumPy 1.24; scikit-learn 1.2; librosa 0.10; CUDA 11.8	Addestramento e valutazione del modello
Rete convoluzionale temporale (TCN)	Modello personalizzato	Convoluzioni causali dilatate con connessioni residue	Estrazione di caratteristiche nel dominio del tempo
Armadio di prova con modelli difettivi	Piattaforma di laboratorio autocostruita	Modelli di scarica superficiale, scarica sospesa, scarica interna e scarica puntiforme	Simulazione di guasti all'isolamento
Sistema di test della tensione di terra transitoria (TEV)	Modulo di monitoraggio TEV commerciale	Canale di riferimento TEV; larghezza di banda analogica 3-100 MHz; guadagno 40 dB; trigger TTL a bordo positivo; soglia di attivazione impostata 6 dB sopra il livello di rumore di fondo o >=10 mV equivalenti all'ingresso del sensore	Verifica dell'attività di scarica

```