마이크 배열 시스템을 이용한 전력 장비의 절연 고장 인식을 위한 시간-주파수 음향 특징의 교차 주의 융합

요약

이 프로토콜은 시간 및 주파수 영역의 음향 특징을 추출 및 융합하여 자동 고장 분류를 위해 전력 장비의 절연 결함을 비접촉적으로 인식하는 방법을 설명합니다.

초록

이 프로토콜의 목표는 자동 고장 분류를 위해 시간 및 주파수 영역의 음향 특징을 추출하고 융합하여 전력 장비의 절연 결함을 비접촉적으로 인식하는 방법을 제공하는 것입니다. 절연 결함에 의해 생성된 음향 지문은 비선형적이고 비가우시안 특성을 가지므로, 기존의 단일 영역 특징 추출 접근법의 효과가 제한될 수 있습니다. 이 문제를 해결하기 위해 이 프로토콜은 네 가지 절연 결함 유형을 식별하기 위한 교차 주의(CA) 메커니즘을 기반으로 한 시간-주파수 특징 추출 및 융합 프레임워크를 제시합니다. 시간 영역 특징은 먼저 시간적 합성곱 네트워크와 오토인코더를 결합하여 순차적 음향 신호의 동적 변화를 포착하여 추출합니다. 동행적으로, 합성곱 블록 주의 모듈을 사용하여 Mel 스펙트로그램에서 주파수 영역 특징을 추출하여 스펙트럼 특징 표현을 향상시킵니다. 그 후 CA 메커니즘을 사용하여 시간적 특징과 스펙트럼적 특징을 적응적으로 융합하여 두 특징 영역 간의 관계를 강화합니다. 융합된 특징 표현은 이후 Cuckoo Search 알고리즘을 사용해 최적화된 1차원 합성곱 신경망에 입력됩니다. 대표적인 결과는 이 프레임워크가 복잡한 음향 지문을 효과적으로 특성화하고 기존의 특징 추출 접근법에 비해 높은 분류 성능을 달성함을 보여줍니다. 이 프로토콜은 전력 장비의 절연 결함 진단 및 상태 모니터링을 위한 견고한 비접촉 전략을 제공합니다.

서론

전력 장비의 절연 결함을 조기에 식별하는 것은 전력망 ^1,2,3,4의 안전성과 안정성을 보장하는 데 매우 중요합니다. 통계에 따르면 전력 장비 고장의 약 60%가 절연 열화와 직접적으로 연관되어 있습니다^. 그러나 기존의 전기 모니터링 방법은 종종 반응 지연, 간섭 방지 능력 부족, 침습적이고 접촉^{기반 설치가} 필요하다는 점이 문제입니다. 최근에는 음향 지문 인식이 신속한 대응과 구현의 용이성 덕분에 유망한 비접촉 진단 방법으로 부상하고 있습니다 ^6,7. 그럼에도 불구하고, 절연 결함 신호는 본질적으로 비선형적이며 가우시안⁸이 아닙니다. 이들의 음향적 특징은 환경 소음과 구조적 진동에 자주 가려져 전통적인 단일 영역(시간 또는 주파수 영역) 추출 방법이 단층의 본질적인 특성을 포착하기 어렵습니다.

현재 음향 특징 추출 연구는 두 가지 주요 과제에 직면해 있습니다. 첫째, 단시 에너지 또는 제로 크로싱 속도와 같은 시간 영역 분석은 신호 변동을 반영하지만 종종 미세한 스펙트럼 세부사항을 잃습니다. 둘째, 고속 푸리에 변환(FFT)과 같은 주파수 영역 기법은 스펙트럼 특징을 추출할 수 있지만 신호의 동적 시간 변화를 포착하는 데 어려움을 겪습니다. 이전 연구들은 이 간극을 메우려 시도해 왔습니다. 예를 들어, Dai 등은 단시 푸리에 변환(STFT)^{을 이용해} 2차원 시빈도 맵을 생성했습니다. 그러나 불확실성 원리로 인해 STFT의 해상도는 윈도우 폭에 의해 제한되어 시간 국소화와 주파수 해상도 사이의 균형을 맞출 수 있습니다. 멜 주파수 셉스트럴 계수(MFCC)와 감마톤 주파수 셉스트럴 계수(GFCC)^와 같은 다른 접근법은 종종 고간섭 조건에서 견고성을 유지하기 어렵게 너무 단순한 특징 표현을 초래합니다. 고급 분포와 엔트로피 기반 특징¹¹ 은 특정 데이터셋에서 높은 정확도를 달성했지만, 표본 크기가 제한되어 일반화가 어려운 경우가 많습니다. 더불어, 시간 및 주파수 영역 특징을 단순히 연결하는 것은 내재적 상관 메커니즘을 확립하지 못해 종종 높은 중복성과 충분한 분별 가능성을 초래합니다. 전통적인 머신러닝 모델은 절연 결함 데이터셋에서 흔히 볼 수 있는 소표본, 고잡음 특성을 다룰 때 과적합에 취약^합니다. 최근 발전은 기존의 수제 기술자와 시간-주파수 표현에서 심층 신경망 기반 특징 추출과 주의 중심 융합 전략으로 발전했습니다. 그럼에도 불구하고 많은 기존 접근법은 여전히 시간적 및 스펙트럼 정보를 독립적으로 처리하거나 단순한 특징 연결 방식으로 결합하여 복잡한 음향 신호 내에서 교차 도메인 관계를 포착하는 데 한계가 있습니다.

이러한 한계를 해결하기 위해 본 프로토콜은 교차 주의(CA) 메커니즘을 중심으로 시너지 효과를 가진 시간-빈도 특징 추출 및 융합 방법론을 제시합니다. 이 방법의 주요 목적은 중요한 특징에 가중치를 적응적으로 할당하여 전통적인 연결 전략에서 흔히 발생하는 정보 희석을 줄이는 교차 모달 상관 모델을 구축하는 것입니다. 이 프로토콜은 결합된 시간 합성곱 네트워크(TCN)와 오토인코더(AE) 아키텍처를 사용하여 시간 영역 처리 경로를 구축하며, 확장된 인과 합성곱을 이용해 음향 시퀀스 내 장거리 의존성을 포착합니다. 동시에, 병렬 멜 스펙트로그램과 합성곱 블록 주의 모듈(CBAM) 아키텍처가 국소 스펙트럼 특징과 채널별 주의를 향상시키도록 설계되었습니다. 이 접근법의 핵심은 시간 영역과 주파수 영역 간의 상호 의존성을 모델링하기 위해 쿼리–키–값 상호작용을 사용하는 CA 메커니즘의 도입입니다. 유사한 주의력 기반 융합 개념은 소음이 많은 기계와 음향 진단 과제에서도 보고되었으며, 주의 가중치가 간섭 아래 구별적인 시간적 또는 스펙트럼 영역을 강조합니다; 그러나 대부분의 기존 부분 방전 분류기는 여전히 단일 도메인 표현이나 후기 융합에 의존하여 현재의 CA 설계를 동기로 하고 있습니다. 마지막으로, Cuckoo Search(CS) 알고리즘을 사용해 최적화한 1차원 합성곱 신경망(1D-CNN)이 견고한 결함 분류를 위해 사용됩니다.

이 방법은 복잡한 전자기 환경에서 고성능, 비접촉식 솔루션을 제공함으로써 기존 진단 접근법에 비해 상당한 장점을 제공합니다. 성과 지표는 절제 연구와 최종 분류 모델별로 별도로 보고됩니다. 절제 연구는 CA 구성에서 98.2%의 정확도를 달성했으며, 최종 분류 모델은 전체 정확도 99.05%(3962/4000)를 기록했고, 클래스별 인식률은 98.6%에서 99.4% 사이였습니다. 접촉 기반 감지가 비현실적인 10 kV 스위치기어 또는 유사한 전력 분배 장비의 자동 모니터링을 구현하려는 연구자와 엔지니어에게 특히 적합합니다. 이 프로토콜을 따르면 사용자는 복잡한 음향 지문을 효과적으로 특성화하고 높은 배경 잡음 조건에서 신뢰할 수 있는 고장 식별을 달성할 수 있습니다. 오디오 스펙트로그램 트랜스포머(AST) 아키텍처를 포함한 트랜스포머 기반 음향 모델은 장거리 분광시간 맥락 모델링에 유망합니다; 그러나 이용 가능한 데이터셋이 비교적 작고, 제안된 프레임워크가 안정적인 학습, 낮은 계산 비용, 해석 가능한 시간 및 주파수 영역 처리 분기를 우선시하기 때문에 본 프로토콜에는 선정되지 않았습니다. 트랜스포머 기반 아키텍처 평가는 향후 연구의 중요한 방향을 제시합니다.

프로토콜

이 연구에는 인간 참가자, 척추동물, 생물학적 표본이 포함되지 않았습니다. 따라서 기관 윤리 승인, 동물 사용 승인, 인간-피실험자 승인은 필요하지 않았습니다.

그림 1 은 TCN 아키텍처에서 사용되는 확장된 인과 합성곱 구조를 보여줍니다. 그림 2 는 시간적 특징 추출 중에 사용되는 잔류 연결 구조를 보여줍니다. 그림 3 은 특징 차원 축소에 사용되는 AE 아키텍처를 보여줍니다. 그림 4 는 스펙트럼 특징 추출에 사용되는 CBAM 아키텍처를 보여줍니다. 그림 5 는 시간-주파수 특징 융합에 사용되는 CA 메커니즘을 보여줍니다.

그림 1: 확장된 인과 합성곱 구조. 인과 및 확장된 컨볼루션을 사용한 시간 컨볼루션 네트워크(TCN) 아키텍처의 도식적 설명. 네트워크 깊이가 깊어질수록 확장 계수는 수용 필드를 확장하고 음향 신호의 장거리 시간 의존성을 포착하기 위해 증가합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2: 잔류 연결 구조. TCN 아키텍처에서 사용되는 잔류 블록의 도면. 이 블록은 인과 합성, 가중치 정규화, ReLU 활성화 함수, 드롭아웃 계층, 잔류 연결을 포함하여 안정적인 딥 네트워크 훈련을 촉진하고 그라디언트 열화를 완화합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 오토인코더(AE) 아키텍처. 특징 차원 축소에 사용되는 AE의 회로도 표현. 인코더는 입력된 음향 특징을 잠재 표현으로 압축하고, 디코더는 압축된 표현에서 원래의 특징 공간을 재구성합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4: 컨볼루션 블록 주의 모듈(CBAM) 아키텍처. 주파수 영역 기능 향상을 위해 사용되는 CBAM의 워크플로우. 이 모듈은 채널 주의 및 공간 주의 메커니즘을 순차적으로 적용하여 멜 스펙트로그램에서 추출한 특징 표현을 정제합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 5: 교차 주의(CA) 특징 융합 메커니즘. 시간 및 주파수 영역 특징을 융합하는 데 사용되는 CA 모듈의 회로도 표현. 쿼리, 키, 값 행렬은 두 가지 특징 모달리티로부터 생성되어 교차 모달 의존성을 모델링하고 융합된 특징 표현을 생성합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

1. 절연 결함 음향 지문 플랫폼 설치 및 데이터 수집

1. 실험실 내에 비접촉식 마이크 배열 탐지 플랫폼을 구축하세요. 고전압 시험 회로, 결함 모델이 담긴 시험 캐비닛, 과도 지구 전압(TEV) 시험 시스템, 그리고 마이크 배열 시스템을 사용하여 시스템을 조립합니다. TEV 시스템은 방전 검증을 위한 전기 참조 채널로 작동했습니다.
   참고: 고전압 회로에는 자동 변압기(T1), 테스트 변압기(T2), 200 kΩ 보호 저항기(R), 1 nF 결합 커패시터(Cx)가 포함되어야 합니다. 회로도 배치는 그림 6 을 참고하세요.
   주의: 고전압 시험은 감전 위험이 있습니다. 기관 전기 안전 절차를 준수하고 모든 고전압 부품이 제대로 절연되고 접지되었는지 확인하여 작동 전에 반드시 확인해야 합니다.
2. 테스트 캐비닛 내에 네 가지 서로 다른 절연 결함 모델을 구성하여 일반적인 작동 결함을 시뮬레이션합니다: 표면 방전, 현탁 방전, 내부 방전, 그리고 점 방전(그림 7).
3. 절연 결함 모델을 시험 준비하세요.
   1. 모든 모델을 100mm × 100mm × 5mm 에폭시-수진 절연판으로 광택 전극을 사용해 제작하세요.
   2. 표면 방전 모델을 준비하려면 상부 표면에 20mm× 10mm× 1mm 구리 스트립 전극 두 개를 15mm 크리페이지 갭을 두어 설치합니다. 중간 에폭시 표면은 노출된 상태로 두세요.
   3. 에폭시 지지대를 사용해 접지된 구리판 위 5mm 위에 직경 2mm의 구리 막대 전극을 장착하여 부전전 모델을 준비합니다(40 mm × 40 mm × 1 mm). 막대 전극을 플레이트와 전기적으로 격리해 두세요.
   4. 내부 방전 모델을 준비하는데, 원통형 인공 공기 공간(직경 10mm× 높이 2mm)이 두 개의 구리판(40mm × 40mm × 1mm) 사이에 위치해 있습니다. 공중 중심을 상부 표면에서 약 2.5mm 아래에 위치시키세요.
   5. 포인트 방전 모델을 준비하면, 약 0.5 mm 팁 반경의 스테인리스 스틸 니들 전극을 접지된 구리판 맞은편에 10mm 공기 간격을 가로질러 배치합니다.
   6. 조립 전에 모든 전극을 에탄올로 깨끗이 청소하고 완전히 건조하세요.
   7. 각 전압 시험 전에 전극 결함 형상을 테스트 캐비닛에서 조립하고, 캘리퍼를 사용해 모든 전극 간격을 확인하세요.
4. 112채널로 구성된 수정된 환형 나선형 구조를 사용하는 마이크 배열 센서를 배치하세요. 좌표 분포는 그림 8 을 참조하세요.
5. 샘플링 속도를 200 kHz로 설정하고 샘플 길이를 프레임당 8192점으로 설정하세요. 센서 매개변수는 표 1 을 참조하십시오.
6. 마이크 어레이 하드웨어를 설정하세요.
   1. 112개의 마이크를 수정된 환형 나선형 프레임에 그림 8에 표시된 좌표 위치에 맞춰 장착하세요. 배열 좌표 파일에서 정의한 요소 간 간격을 유지하며, 10mm에서 25mm 범위 범위입니다.
   2. 휴대용 음향 교정기와 40kHz 초음파 기준 소스를 마이크 배열 중앙에서 300mm 떨어진 곳에 배치하세요.
   3. 각 획득 세션 전에 94 dB SPL, 1 kHz 음향 참조 신호, 40 kHz 초음파 참조 신호를 사용하여 모든 활성 마이크로폰 채널을 보정합니다.
   4. 각 마이크 채널에서 5초 보정 신호를 녹음하세요.
   5. 각 채널의 RMS 감도와 위상 응답을 배열 중심 채널에 대해 계산합니다.
   6. 1 kHz에서 ±2 dB 이내, 40 kHz에서 ±3 dB 이내, 클리핑이나 비정상적인 노이즈 플로어 상승 없이 감도 편차가 있는 채널만 유지합니다.
   7. 수용 기준을 충족하지 못하는 채널은 이후 분석에서 제외합니다.
   8. 마이크 교체나 마이크 배열 이동 후 교정 절차를 반복하세요.
7. 멀티채널 데이터 획득 시스템을 모든 활성 마이크 채널에서 동시에 샘플링하도록 설정하세요.
   1. DAQ 시스템을 200 kHz 샘플링 클럭을 사용해 112개 마이크 채널을 동시 획득하도록 설정하세요.
   2. 획득 해상도를 16비트로 설정하고, AC 결합을 설정하며, 프레임당 8192포인트를 획득합니다.
   3. 공통 양극 엣지 TTL 트리거 버스를 통해 모든 획득 모듈에 하드웨어 시작 트리거를 분배합니다.
   4. 모든 마이크 채널을 동일한 프레임 레코드 내에 저장하고, 각 획득마다 트리거 타임스탬프와 채널 인덱스를 유지하세요.
   5. 정식 데이터 수집을 시작하기 전에 처음 100개의 획득된 프레임에서 샘플 손실, 채널 포화, 클럭 드리프트 여부를 점검하세요.
8. 마이크 배열 구성을 정당화하세요. 112채널 배열은 빔포밍과 GCC-PHAT 지연 추정을 위한 공간 샘플링 밀도를 개선하기 위해 선택되었으며, 이를 통해 희소하고 채널 수가 적은 배열에 비해 축 밖 환경 잡음 억제를 강화했습니다. 기하학적 3D 위치 지정에는 약 4개의 채널이 충분하지만, 현재 프로토콜은 신호 강화와 특징 안정성을 위해 조밀한 공간 샘플링을 사용하며, 단지 위치 지정만을 위한 것이 아닙니다. 채널 축소 버전은 비용 민감한 현장 배치 전에 별도로 검증되어야 합니다.
9. 테스트 회로에 고전압을 가해 모델 전반에 부분 방전 현상을 유도합니다.
10. 시험 중에는 실험 환경을 유지하세요.
    1. 데이터 수집 중에는 실험실을 22°C± 2°C, 상대습도 45%–55%, 대기압 101± 2kPa로 유지하세요.
    2. 고전압 시스템에 전원을 공급하기 전에 배경 음향 잡음을 측정하세요.
    3. A 가중 배경 잡음 수준이 ≤40 dB(A)일 때만 데이터 수집을 진행하세요.
    4. 각 활성 마이크로폰 채널의 초음파 잡음 바닥이 파일럿 테스트 중 관찰된 방전 임펄스 레벨보다 최소 20dB 낮은지 확인하세요.
    5. 데이터 수집 중에는 문과 창문을 닫고 필수적이지 않은 회전 장비를 꺼주세요.
    6. 획득 전에 고전압 프레임과 DAQ 섀시를 접지하세요.
    7. 녹음 중 마이크 배열 근처에서 인원의 움직임을 방지하세요.
11. PC 단자에 연결된 TEV 센서를 이용해 방전 활동을 지속적으로 모니터링하세요.
    1. TEV 모니터링 임계값을 사전 시험 배경 잡음 바닥보다 6dB 높게 설정하고, 10 mV 이상의 등가 입력 레벨 이하로 설정하세요.
    2. TEV 기준 채널을 3–100 MHz의 아날로그 대역폭과 40 dB의 이득으로 설정하세요.
    3. PC 단말기에서 엔벨로프 및 펄스 로깅을 사용하여 TEV 펄스 활동을 기록합니다.
    4. TEV 시스템을 양의 엣지 하드웨어 트리거링으로 설정하세요.
    5. TEV 모니터링과 트리거 생성 모두에 동일한 임계값을 사용하세요.
    6. TEV 펄스 활동이 해당 획득 창 내에서 발생하고, 선택한 전압에서 연속된 프레임에 걸쳐 반복될 때만 음향 프레임을 받아들입니다.
12. 전압을 4kV에서 12kV 사이로 점진적으로 조절하세요.
13. 특정 모델에 대해 뚜렷하고 안정적인 절연 결함 현상이 관찰되면 음향 신호를 기록하세요. 명확한 간헐적 소멸, 음향 채널 포화, 관련 없는 기계적 잡음, 외부 충격 잡음 없이 TEV 활동과 음향 임펄스 패턴이 목표 전압에서 반복적으로 관찰되는 방전 상태로 구별되고 안정적인 고장 현상을 정의하라. 방전 패턴이 최소 60초 이상 안정적으로 유지될 때까지 전압을 유지한 후 음향 프레임을 기록하세요.
14. 네 가지 고장 유형 각각에 대해 1000세트의 유효 데이터를 수집하세요. 샘플 프레임을 유효하다고 분류하는 것은 TEV 기준이 방전 활동을 나타내고, 음향 채널이 포화 상태가 아니며, 프레임에 명백한 외부 충격이나 취급 소음이 없고, 샘플 라벨이 활성 결함 모델과 일치할 때만 해당됩니다. 음향 채널 포화, TEV 확인 부재, 불일치 결함 라벨링, 간헐적 방전 소멸, 외부 기계적 충격, 불안정한 배경 잡음이 있는 프레임은 제외합니다.
15. 데이터 수집 중에 TEV 시스템과 음향 획득 시스템을 동기화하세요.
    1. TEV 트리거 출력을 공유 TTL 트리거 버스를 통해 음향 DAQ 트리거 입력에 연결합니다.
    2. TEV 펄스 출력을 음향 데이터 수집의 하드웨어 트리거로 사용하세요.
    3. 트리거 마커를 음향 데이터 파일에 디지털 타이밍 채널로 기록하세요.
    4. 트리거 타임스탬프를 사용하여 TEV와 음향 획득 스트림의 초기 정렬을 수행합니다.
    5. 빔포밍 전에 GCC-PHAT을 사용해 잔류 마이크로폰 간 지연을 추정합니다.
    6. TEV와 음향 동기화 정확도가 ±1 음향 샘플 내에 있는지, 즉 200 kHz 샘플링 속도에서 ≤5 μs에 해당하는지 확인하세요.

그림 6: 마이크 배열을 갖춘 절연 결함 감지 플랫폼. 음향 절연 결함 탐지에 사용되는 실험 장치. 이 플랫폼은 고전압 시험 회로, 절연 결함 시험 캐비닛, 마이크 배열 시스템, TEV 센서, 데이터 수집 및 검증을 위한 컴퓨터 기반 모니터링 시스템으로 구성되어 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 7: 실험실에서 제작한 단열 단열 고장 모델. 데이터 수집에 사용되는 대표적인 절연-결함 모델. (A) 표면 배출 모델. (B) 정지 방전 모델. (C) 내부 방전 모델. (D) 점 방전 모델. 이 모델들은 통제된 실험실 조건에서 네 가지 일반적인 절연 결함 조건을 시뮬레이션하도록 제작되었습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 8: 마이크 배열 분포. 수정된 환형 나선형 구성을 사용한 112채널 마이크 배열의 공간적 배열. 좌표 분포는 음향 신호 획득 및 이후 빔포밍 분석에 사용되는 센서 배치를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

매개변수 유형	매개변수 값
배열 구조	수정된 고리 나선형
채널 수	112
샘플링 속도	200 kHz
프레임당 샘플 포인트	8192

표 1: 마이크 배열 파라미터. 절연 결함 실험 중 음향 신호 획득에 사용되는 마이크 배열 시스템의 기술 사양. 표는 배열 기하학, 채널 수, 샘플링 속도, 프레임당 획득한 샘플 포인트 수를 요약합니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

2. TCN-AE를 통한 시간 영역 특징 추출

1. 전처리된 시계열 음향 데이터를 TCN에 입력하여 동적 시간 변동을 포착합니다^13,14. 신호 융합 후, 모델 훈련 중 적용된 정규화 절차를 사용해 각 8192점 음향 프레임을 정규화하고, 정규화된 1차원 시퀀스를 TCN에 입력합니다.
2. TCN 아키텍처를 구성하세요.
   1. 시간적 특징 추출을 위해 순차적으로 배열된 세 개의 잔여 블록을 사용하여 TCN을 구성합니다.
   2. 각 잔차 블록에 64개의 합성곱 필터를 할당하고 합성곱 커널 크기를 3으로 설정합니다.
   3. 확장된 인과 합성곱을 구현하고 확장 계수를 d = 1, 2, 4로 설정하여 시간적 수용 필드를 점진적으로 확장합니다.
   4. 각 합성곱 연산 후에 ReLU 활성화 함수를 적용하세요.
   5. 훈련 중 과적합을 줄이기 위해 잔여 블록 후에는 0.20의 중도 낙하율을 적용하세요.
   6. 각 잔차 블록 내에서 가중치 정규화 방법으로 정규화를 수행하세요.
   7. 네트워크 전반에 잔여 연결을 포함하고, 잔차 경로와 변환된 경로 간의 특징 치수를 맞추기 위해 필요할 때마다 1× 1개의 합성곱 투영법을 사용합니다.
3. 입력 시퀀스에 인과 합성곱을 적용합니다. 커널 크기에 따라 시퀀스 앞의 제로 패딩을 조정하여 특정 시간 단계에서 출력이 현재 및 이전 입력에 엄격히 의존하도록 합니다.
4. 커널 가중치(w_i)와 커널 크기(K)를 사용하여 인과 합성곱을 다음과 같이 실행한다(식1):
   (1)
5. 파라미터 수를 늘리지 않고 네트워크의 수용 필드를 확장하기 위해 확장된 컨볼루션을 구현합니다. 네트워크 깊이가 진행됨에 따라 지연 계수 d를 기하급수적으로 증가시켜 장거리 시간적 의존성을 포착합니다.
6. 확장된 컨볼루션을 지연 인자 (d)를 사용하여 다음과 같이 계산합니다(식2). TCN 훈련 중 확장 계수 진행 d = 1, 2, 4를 사용하여 각 음향 프레임에서 샘플링 점의 수를 늘리지 않고 측두수용장을 점진적으로 확장합니다.
   (2)
7. 딥 네트워크 훈련 중 사라지는 구배를 완화하기 위해 잔류 연결을 통합하세요.
8. 입력 시퀀스를 확장된 인과 합성곱 블록을 통과시킵니다. 가중치 정규화를 수행하고 ReLU 비선형 활성화를 적용한 후 Dropout 레이어를 적용합니다.
9. 처리된 출력을 원본 입력 시퀀스에 직접 추가합니다(그림 2). 잔류 블록 내에 무게 정규화를 적용하고, 잔류 덧셈을 수행하기 전에 0.20의 드롭아웃 비율을 사용하세요. 잔류 경로와 변환된 경로 간의 특징 차원을 맞추기 위해 필요할 때 1 × 1 컨볼루션 투영법을 사용하세요.
10. TCN이 추출한 고차원 시간 특징을 AE에 입력하여 특징 차원 감소¹⁵.
11. AE 아키텍처를 구성하세요.
    1. 각각 512, 256, 128 뉴런의 차원을 가진 세 개의 완전 연결된 층을 사용하여 인코더를 구성합니다.
    2. 잠재 공간 표현을 128차원 특징 벡터를 사용해 정의합니다.
    3. 디코더는 각각 128, 256, 512 뉴런의 차원을 가진 세 개의 완전 연결 층으로 구성됩니다.
    4. 인코더와 디코더 모두에서 각 완전히 연결된 계층 후에 ReLU 활성화 기능을 적용하세요.
    5. AE를 설정하여 잠재공간 벡터에서 입력 특징 표현을 재구성하고, Step 2.16에서 설명한 평균 제곱 오차(MSE) 손실 함수를 사용하여 재구성을 최적화합니다.
12. 인코더를 통해 입력 데이터를 저차원 잠재공간 표현으로 압축합니다.
13. 디코더를 사용하여 원본 데이터를 재구성하세요(그림 3).
14. ReLU 활성화 함수(σ), 가중치 행렬(W₁ 및 W₂), 바이어스 항(b₁ 및 b₂)을 사용하여 인코딩 및 디코딩 변환을 실행하세요.
    (3)
    (4)
15. 재구성 오류를 최소화하여 중요한 정보를 보존하도록 AE를 훈련시키세요.
16. 평균 제곱 오차(MSE)를 손실 함수로 사용하고, 방정식 5를 사용해 재구성 오차를 계산하세요.
    1. 학습률 0.001의 Adam 옵티마이저를 사용해 AE를 훈련시키세요.
    2. 배치 크기를 50으로 설정하고 네트워크를 최대 100에포크까지 학습시키세요.
    3. 훈련 중 검증 손실을 모니터링하고, 인내심 값으로 10 에포크로 조기 중단을 적용하세요.
    4. 2400개의 학습 샘플, 400개의 검증 샘플, 400개의 테스트 샘플로 이루어진 고정 데이터셋 파티션을 사용하세요.
    5. Table of Materials에 요약된 Python 기반 딥러닝 환경에서 모델 학습을 수행합니다.
    6. 재구성 오차는 방정식 5를 사용해 계산합니다.
       (5)

3. 멜 스펙트로그램과 CBAM을 통한 주파수-영역 특징 추출

1. 원시 부분 방전 음향 신호에 사전 강조, 프레이밍, 윈도잉 기능을 적용합니다.
   1. 각 8192점 음향 프레임에서 DC 오프셋을 제거하세요.
   2. 사전 강조 적용 방법:
      
   3. DC 오프셋 제거 후 각 프레임의 절대 최대 진폭을 사용해 정규화합니다.
   4. 1024 샘플 해밍 윈도우를 사용해 각 프레임을 세그먼트합니다.
   5. 512 샘플의 홉 길이를 사용하며, 인접한 창 간 50% 중첩에 해당합니다.
   6. 1024점 FFT를 사용하여 단시 푸리에 변환(STFT)을 계산합니다.
   7. 하드웨어 프론트엔드 대역폭 제한과 위에서 설명한 프레임 품질 제외 기준을 넘어 추가적인 소프트웨어 밴드패스 필터링을 적용하지 마십시오.
2. 처리된 신호에 대해 푸리에 변환을 수행합니다.
3. 원래의 선형 주파수(f)를 멜 스케일로 변환합니다. 이 단계는 인간의 주파수 인식을 선형화하고 간섭 대역의 무게를 줄여줍니다.¹⁶.
4. 멜 스케일 주파수 (f_mel) 를 원래의 선형 주파수 (f) 를 사용해 계산합니다 (식6).
   (6)
5. 주파수를 삼각형 필터 뱅크의 연속으로 나누세요.
6. 각 필터 대역폭 내 모든 신호 진폭의 가중 합을 계산합니다. 출력에 로그 함수를 적용하여 진폭 변화에 대한 지각적 일관성을 높입니다.
7. 방정식 7을 사용하여 멜-필터-뱅크 출력을 계산합니다. 여기서 S(m)는 m번째 필터의 출력, k는 주파수 지수, H(k)는 삼각형 필터를 정의합니다.
   (7)
8. 멜 스펙트로그램을 생성하세요.
   1. FFT 크기가 1024인 단시 푸리에 변환을 계산합니다.
   2. 결과 주파수 스펙트럼에 256 멜 필터 뱅크를 적용합니다.
   3. 0–100 kHz 주파수 범위에서 멜 스펙트로그램을 생성합니다.
   4. 결과 Mel 스펙트로그램을 256× 256픽셀 특징 맵으로 크기 조정하거나 표현하여 후속 CBAM 처리를 수행합니다.
   5. 멜 파워 스펙트로그램을 데시벨 스케일로 변환하세요.
   6. 로그 압축된 멜 스펙트로그램 (S_dB)을 사용하여 각 스펙트로그램별 최소-최대값 정규화를 적용합니다:
      
   7. 각 256 × 멜 스펙트로그램 이미지에 대해 독립적으로 정규화를 수행합니다.
   8. 정규화된 값들을 범위 [0,1]로 클립한 후 스펙트로그램을 CBAM 분기에 입력하세요.
9. 생성된 멜 스펙트로그램을 CBAM에 입력하여 주요 스펙트럼 특성을 추출합니다¹⁷.
10. 순차적 채널 주의 및 공간적 주의 메커니즘을 통해 데이터를 처리합니다(그림 4).
11. CBAM 아키텍처를 구성하세요.
    1. 채널 감축 비율을 16으로 채널 어텐션 모듈을 구성하세요.
    2. 프로세스 입력 특징 맵은 256 × 256 × 64 크기입니다.
    3. 채널 디스크립터를 생성할 때 글로벌 평균 풀링과 글로벌 최대 풀링을 적용하세요.
    4. 풀된 디스크립터를 공유 다층 인식자에 통과시키고 Sigmoid 활성화 함수를 적용하여 채널 주의 가중치를 생성합니다.
    5. 3 × 3 합성 커널을 사용하여 연결된 평균 풀 및 최대 풀 공간 디스크립터에 적용하여 공간적 주의 가중치를 생성합니다.
    6. 시그모이드 활성화 함수를 적용하여 최종 공간-주의 지도를 생성합니다.
12. 채널-주의 가중치를 추출하세요.
13. 입력 특징 맵의 채널 차원에 걸쳐 전역 평균 풀링 과 글로벌 최대 풀링 을 적용합니다.
14. 생성된 전역 디스크립터 벡터를 완전 연결(FC) 계층을 통해 처리하여 채널 주의 가중치(M_c)를 얻습니다.
15. 채널 주의 가중치는 식8을 사용해 계산합니다. 여기서 M은 채널 주의 가중치, FC는 완전 연결된 층을, σ는 시그모이드 활성화 함수를 나타냅니다.
    (8)
16. 공간 주의 가중치를 추출하세요.
17. 채널 축을 따라 글로벌 최대 풀링 과 글로벌 평균 풀링 을 적용하세요.
18. 생성된 공간 디스크립터 맵을 연결하고 합성곱 계층을 통해 처리하여 공간-주의 가중치(M_s)를 생성합니다.
19. 방정식 9를 사용하여 공간적 주의 가중치를 계산합니다. 여기서 M은 공간적 주의 가중치, 는 전역 평균 풀링에 의해 생성된 공간 기술자, 는 전역 최대 풀링에 의해 생성된 공간 기술자입니다.
    (9)
    1. 채널 차원을 따라 평균 풀 공간 및 최대 풀 공간 디스크립터를 연결합니다.
    2. 스트라이드 = 1× 같은 패딩으로 3 3 합성 곱을 적용해 공간-주의 특징 맵을 생성합니다.
    3. 합성곱 출력에 시그모이드 활성화 함수를 적용하여 공간-주의 가중치를 얻습니다.
    4. 공간적 주의 가중치를 요소별로 입력된 특징 맵과 곱하여 정제된 공간 표현을 생성합니다.

4. CA를 이용한 교차 모달 특징 융합

1. 추출한 시간적 특징과 스펙트럼 특징을 합성하는 CA 메커니즘을 구현하세요.¹⁸. 자기 주의와 달리, 한 모달리티에서 맥락적 정보를 추출하여 다른 모달리티의 표현을 동적으로 강화합니다(그림 5).
2. CA 아키텍처를 구성하세요.
   1. 임베딩 차원을 128로 설정하세요.
   2. CA 모듈을 4개의 어텐션 헤드로 구성하세요.
   3. 쿼리, 키, 가치 투영 차원을 각각 128로 설정하세요.
   4. CA 모듈 내에서 0.10의 중도 탈락률을 적용하세요.
   5. 교차 주의 모듈 이후에는 주의 후 정규화 계층이나 피드 포워드 계층을 적용하지 마십시오.
   6. 모든 주의 헤드의 출력을 연결하세요.
   7. 중도 탈락률 0.10으로 신청하세요.
   8. 결과된 특징 표현을 평평하게 만듭니다.
   9. 평탄화된 특징 벡터를 1D-CNN 분류기로 직접 전송합니다.
3. 쿼리(Q), 키(K), 값(V) 행렬을 두 개의 서로 다른 입력 시퀀스(시간 및 주파수 영역 특징)로부터 초기화합니다.
4. Query 행렬을 계산하는데, 방정식 10을 사용하는데, 여기서 X₁은 TCN-AE 경로에 의해 생성된 시간적 특징 행렬을, W_Q를, b_Q는 각각 학습된 가중치 행렬과 편향 항을 나타냅니다.
   (10)
5. 키 행렬을 계산하는 방정식 11을 사용하는데, 여기서 X₂는 Mel-CBAM 경로에 의해 생성된 주파수 영역 특징 행렬, W_K, b_K는 각각 학습된 가중 행렬과 편향 항을 나타냅니다.
   (11)
6. 방정식 12를 사용하여 값 행렬을 계산합니다. 여기서 W_V와 b_V는 각각 학습된 가중치 행렬과 편향 항을 나타냅니다.
   (12)
7. 쿼리와 키 요소 간의 관계를 바탕으로 CA 상호작용을 계산합니다.
8. 식13을 사용하여 주의 가중 행렬을 계산합니다. 여기서 _{ij α ij}는 i번째 요소의 주의 가중치를 j번째 요소에 대해 나타내고, d_k는 키 벡터의 차원이다.
   (13)
9. 계산된 주의 가중치에 따라 가치 행렬의 가중 합을 계산하여 최종 특징 표현을 업데이트합니다.
10. 방정식 14를 사용하여 융합된 특징 표현을 계산합니다. 여기서 O_i는 절연 결함의 견고한 융합 시주파수 음향 지문을 나타내는 시퀀스 출력입니다.
    (14)
    1. 출력 차원 128의 융합 특징 표현을 생성합니다.
    2. 교차 시간과 교차 주파수의 주의 출력을 결합하세요.
    3. 분류 전에 융합된 표현을 평탄화하세요.
    4. 평탄화된 특징 표현을 그림 9에 보이는 1D-CNN과 완전 연결 Softmax 분류기에 전달합니다.

그림 9: 단열 고장 식별을 위한 전체 프레임워크. 제안된 절연-고장 식별 방법의 워크플로우. 원시 마이크 배열 신호를 융합 및 전처리한 후, TCN–AE 경로를 이용한 시간 영역 특징 추출, Mel 스펙트로그램과 CBAM을 이용한 주파수 영역 특징 추출, CA 기반 특징 융합, 그리고 1차원 합성곱 신경망을 이용한 최종 결함 분류가 이루어집니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

5. GCC-PHAT를 통한 마이크 배열 신호 정렬 및 퓨즈

1. 지연 추정을 위해 두 개의 마이크 신호를 선택하고 FFT를 사용해 주파수 영역으로 변환합니다.
   1. FFT 기반 GCC-PHAT 계산에는 200 kHz에서 획득한 전체 8192점 음향 프레임을 사용하세요.
   2. 선택된 각 마이크 신호에 FFT를 적용한 후 PHAT 가중 교차 전력 스펙트럼을 계산합니다.
   3. 그림 10에 표시된 PHAT 가중 교차 전력 스펙트럼과 IFFT 절차를 사용하여 선택한 기준 마이크로폰에 대한 채널 간 시간 지연을 추정합니다.
   4. 112개의 활성 마이크 채널을 모두 정렬하기 전에 선택한 기준 마이크에 대해 GCC-PHAT 적용하세요.
   5. FFT 처리 전에 8192점 음향 프레임 전체에 한윈도우를 적용하세요.
   6. GCC-PHAT 지연 추정 시 겹치는 창을 사용하지 마십시오.
   7. FFT와 IFFT 계산 전에 각 윈도우 프레임을 16,384점으로 제로 패드 처리합니다.
   8. 시간 지연 추정 시 지연-피크 해상도를 개선하기 위해 제로 패딩 신호를 활용하세요.
2. 선택한 마이크 신호의 주파수 영역 표현 을 얻습니다.
3. 두 신호 간의 유사성을 평가하기 위해 교차 전력 스펙트럼을 계산합니다.
4. 상변환(PHAT) 가중 함수를 도입하여 교차상관 피크를 선명하게 하고 잔향 효과를 완화합니다.
5. PHAT 가중 교차 전력 스펙트럼을 식 15를 사용하여 계산합니다. 여기서 와 는 두 마이크 신호의 주파수 영역 표현이며, 복소 켤레를 나타냅니다.
   (15)
6. IFFT를 적용하여 일반화 교차상관(GCC) 함수를 계산합니다.
7. GCC 함수의 피크를 찾아 시간 지연 변수 τ 를 식별합니다.
8. GCC 함수는 식16을 사용해 계산합니다. 여기서 는 일반화된 교차상관 함수이며, 추정된 시간 지연을 나타냅니다.
   (16)
9. 추정된 지연을 바탕으로 신호를 정렬하기 위해 시간 보상을 수행합니다.
10. 각 채널 을 기준 마이크와 비교하여 식17을 사용해 동기화합니다. 여기서 는 지연 보정 신호이고, τ_i는 기준 마이크로폰에 대한 추정 지연입니다.
    1. 어레이의 기하학적 중심에 가장 가까운 마이크를 기준 마이크로폰으로 선택하세요.
    2. 선택한 마이크가 1.6단계에서 설명한 보정 수용 기준을 충족하는지 확인하세요.
    3. 센터 마이크가 보정 기준을 충족하지 못하면, 기하학적 중심에 가장 가까운 보정된 마이크를 기준 마이크로폰으로 선택하세요.
    4. 선택된 기준 마이크에 대해 각 활성 마이크 채널의 지연 τ_i를 추정합니다.
    5. 빔포밍 전에 112개의 활성 마이크 채널을 모두 선택한 기준 마이크에 정렬하세요.
       (17)
11. 지연 및 합 빔포밍을 실행하여 공간 정보를 융합합니다.
12. 방 정식 18을 사용하여 주변 소음을 억제하면서 목표 방향에서 오는 신호를 증폭합니다. 여기서 y(t)는 빔포밍 출력 신호이고, i번째 마이크에서 나오는 지연 보상 신호이며, N 은 총 마이크 채널 수입니다.
    1. GCC-PHAT 지연 보상 후 지연 및 합 빔포밍을 수행합니다.
    2. 모든 활성 마이크 채널에 대해 동일한 가중치를 사용하세요.
    3. 획득 시 사용되는 112개의 활성 마이크 채널에 대해 N = 112로 설정하세요.
    4. 활성 결함 모델의 알려진 기하학적 위치를 마이크로폰 배열 중심에 대해 정의합니다.
    5. 신호 융합 중에 지연 및 합산 빔포머를 활성 결함 모델의 중심 쪽으로 유도합니다.
    6. 미리 정의된 테스트 캐비닛 기하학을 사용해 조향 방향을 결정하세요.
    7. 모델 훈련 또는 테스트 중에는 데이터 기반 목표 방향 추정을 수행하지 마십시오.
       (18)

그림 10: GCC-PHAT 신호 정렬 절차. 위상 변환과 관련된 일반화된 교차상관(GCC-PHAT) 알고리즘의 워크플로우. 주파수 영역 마이크로폰 신호는 교차 전력 스펙트럼과 가중치 함수를 얻기 위해 처리된 후, 역푸리에 변환을 통해 채널 간 시간 지연을 추정합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

6. CS 알고리즘을 통한 네트워크 최적화

1. CS 알고리즘 매개변수를 초기화하여 1D-CNN을 최적화합니다.
   1. 둥지 수에 해당하는 개체군 크기를 20으로 설정하세요.
   2. 발견 확률(Pa)을 0.25로 설정하세요.
   3. 최적화 반복 횟수를 최대 50회로 설정하세요.
   4. 재현성을 지원하려면 무작위 시드를 42로 설정하세요.
   5. 스텝 크기 스케일링 매개변수를 α 로 설정하세요.
   6. 표 2에 요약된 범위에 따라 하이퍼파라미터 탐색 경계를 정의합니다.
   7. 최대 반복 횟수에 도달하거나 검증-적합도 수렴이 달성되면 최적화를 종료합니다.
2. 뻐꾸기의 의무적 번식 기생 행동과 레비 비행을 결합하여 새로운 해를 생성합니다.
3. 레비 비행 특성에서 유도된 무작위 스텝 크기를 사용하여 현재 해(네스트 )를 업데이트합니다.
4. 식 19을 사용해 업데이트된 둥지 위치를 계산하세요. 여기서 α 는 스텝 크기 스케일링 매개변수이며 항목별 곱셈을 나타냅니다.
   1. 스텝 크기 스케일링 매개변수(α)를 0.01로 설정하세요.
   2. 레비 비행 매개변수(λ)를 1.5로 설정하세요.
   3. 각 후보 네스트를 합성곱 계층 구성, 커널 크기, 학습률, 배치 크기, 최적화 설정 등 1D-CNN 하이퍼파라미터 집합으로 인코딩합니다.
   4. Lévy-flight 업데이트를 사용하여 후보 네스트를 생성하고, 검증 집합 성능을 사용하여 각 후보를 평가합니다.
   5. 검증 적합도를 향상시키는 후보 솔루션을 유지하세요.
      (19)
5. 레비 비행의 확률 변수를 매개변수 σ에 따라 척도화된 표준 정규분포를 사용해 계산합니다.
6. 식20을 사용해 σ을 계산하세요. 여기서 는 감마 함수를 나타내며, β는 일반적으로 1.5로 설정됩니다.
   (20)
7. 5개의 합성곱 층, 커널 크기 3, ReLU 활성화, 확률적 기울기(SGD) 최적화, 초기 학습률 0.001, 배치 크기 50, 교차 엔트로피 손실 함수를 사용하여 1D-CNN을 훈련시킵니다.
8. 테스트 세트에서 최적화된 모델을 평가합니다.
   1. 인내심 값 10 에포크를 사용하여 검증-손실 조기 정지를 사용하여 최종 1D-CNN을 훈련합니다.
   2. 데이터셋 분할과 모델 학습을 위해 무작위 시드를 42로 설정하세요.
   3. 표 2에 요약된 고정 테스트 세트를 사용하여 최적화된 모델을 평가합니다.
   4. 전체 혼동 행렬 평가를 소작 결과와 별도로 보고하며, 전체 정확도는 99.05%(3962/4000)이고 클래스별 인식률은 98.6%에서 99.4% 사이입니다.

카테고리	매개변수	가치 / 배경
데이터셋 및 입력	총 음향 프레임	4,000
	결함 클래스	지표 배출; 정지 퇴역; 내부 방전; 포인트 방전
	샘플링 속도	200 kHz
	프레임 길이	프레임당 8,192점
	마이크 배열 채널	112
	모델 입력	교차 주의 융합 시-주파수 음향 특징 표현
데이터셋 분할	훈련 세트 크기	2,400 샘플
	검증 집합 크기	400 샘플
	테스트 세트 크기	400 샘플
	전체 혼동 행렬 평가 크기	4,000개의 샘플
	분할 전략	단일 고정 분할
	무작위 시드	42
TCN 아키텍처	잔차 블록의 수	3
	잔차 블록별 필터	64
	컨볼루션 커널 크기	3
	확장 일정	1, 2, 4
	중도 탈락률	0.20
오토인코더 아키텍처	인코더 계층 치수	512 → 256 → 128
	잠재 공간 차원	128
	디코더 계층 차원	128 → 256 → 512
오토인코더 훈련	옵티마이저	아담
	학습 속도	0.001
	배치 크기	50
	훈련 시기 수	100시대
	조기 정지 기준	검증 MSE; 인내심 = 20 에포크
멜 스펙트로그램 설정	FFT 크기	1,024점
	멜 필터의 수	256
	주파수 범위	0–100 kHz
	스펙트로그램 차원	256 × 256
CBAM 구성	채널 감소 비율	16
	특징지도 치수	256 × 256 × 64
교차 주의 구성	임베딩 차원	128
	주의 헤드 수	4
	쿼리 프로젝션 차원	총 128명; 1인당 32명
	주요 투영 차원	총 128명; 1인당 32명
	가치 투영 차원	총 128명; 1인당 32명
	중도 탈락률	0.10
1D-CNN 분류기	컨볼루션 층의 수	5
	컨볼루션 커널 크기	3
	활성화 함수	ReLU
	출력 계층	4급 소프트맥스
	손실 함수	교차 엔트로피 손실
교육 환경	옵티마이저	확률적 구배 하강(SGD)
	초기 학습률	0.001
	배치 크기	50
	최대 훈련 반복	1,000
	조기 정차	검증-손실 모니터링
	조기 인내심	100회 반복
	최종 훈련 패배	제공된 원고에는 제공되지 않음
	최종 검증 손실	제공된 원고에는 제공되지 않음
뻐꾸기 검색 최적화	최적화 목표	1D-CNN 하이퍼파라미터
	개체수 / 둥지 수	20
	발견 확률 (Pa)	0.25
	스텝 크기 스케일링 매개변수 (α)	0.01
	Lévy-flight parameter (β)	1.5
	Lévy-flight parameter (λ)	1.5
	최대 최적화 반복	50
	하이퍼파라미터 탐색 경계	변환 필터 {32, 64, 128, 256}; 핵 크기 {3, 5, 7}; 학습률 1×10⁻⁴–1×10⁻²; 배치 크기 {25, 50, 100}; 탈락률 0.10–0.50; 무게 감쇠 1×10⁻⁵–1×10⁻³
검증 및 보고	그림 13 CA 절제 정확도	98.20%
	표 2 혼동 행렬 정확도	99.05% (3,962/4,000)
	교차 검증 / 반복 실행	공연되지 않음

표 2: 절연-결함 분류를 위한 데이터셋 구성, 모델 학습 매개변수 및 최적화 설정. 표는 제안된 결함 진단 프레임워크를 개발 및 평가하는 데 사용한 데이터셋 구성, 데이터 분할 전략, 1D-CNN 아키텍처, 학습 구성, 뻐꾸기 탐색 최적화 설정, 검증 지표, 매개변수 선택 고려사항을 요약합니다. 구현 특화 값이 누락된 경우는 재현성을 높이기 위해 최종 훈련 및 최적화 로그에서 보고되어야 합니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

결과

시간 및 주파수 영역 특징 추출 프레임워크

제안된 절연-단층 식별 방법은 시간적 및 스펙트럼적 특징 추출 경로를 통합하여 절연 결함으로 생성된 복잡한 음향 신호를 특성화합니다. 시간 영역 특징 추출은 확장된 인과 합성곱을 포함한 TCN을 사용하여 음향 시퀀스 내 장거리 시간적 의존성을 포착했습니다(그림 1). 잔류 연결은 TCN 아키텍처에 통합되어 안정적인 딥 네트워크 훈련과 여러 네트워크 계층에 걸친 효율적인 정보 전파를 가능하게 했습니다(그림 2). 추출된 시간적 특징들은 AE를 사용해 압축하여 저차원 잠재 표현을 생성하면서도 중요한 음향 정보를 유지했습니다(그림 3).

동행적으...

토론

이 방법 문서는 음향 지문 인식을 통해 전력 장비의 복잡한 절연 결함을 식별하기 위한 표준화된 비접촉 프로토콜을 설명합니다. TCN-AE와 Mel-CBAM이 처리한 Mel 스펙트로그램을 통합함으로써, 기존 파이프라인은 동적 시계열 변동과 국소화된 스펙트럼 특성을 모두 분리합니다. 이후 CA 메커니즘을 통한 교차 모달 융합은 단순한 특징 연결 시 발생하는 정보 희석을 줄이기 위한 것입니다. CS 기반 1D-CNN을 최적화한 이 진단 프레임워크는 본 연구에서 평가된 네 가지 절연-결함 범주에 대해 높은 분류 성능을 입증했습니다. 최종 분류기는 전체 정확도 99.05%를 달성했으며, CA 구성은 98.2%의 절제 정확도를 달성했습니다. 이 값들은 각각 최종 분류 분석과 소작 연구에서 얻은 서로 다른 평가 결과를 나타냅니다.

이 프로토콜에서 중요한 단계는 다중 채널 음향 데이터의 획득 및 동기화입니다. 성공적인 구현은 GCC-...

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
Autoencoder (AE)	사용자 정의 모델	특징 압축을 위한 인코더-디코더 아키텍처	특징 차원 감소
Cross-Attention 모듈	사용자 정의 모델	시간-주파수 특징 융합 모듈	크로스 모달 특징 융합
GCC-PHAT 알고리즘	사용자 정의 알고리즘	FFT/IFFT 기반 구현	시간 지연 추정 및 신호 정렬
고전압 테스트 회로	자체 제작된 실험실 플랫폼	자동 변압기 T1, 테스트 변압기 T2, 200 kΩ 보호 저항기, 1 nF 결합 커패시터; 작동 전압 4-12 kV	절연 결함 조건 생성
Mel 스펙트로그램 + CBAM	사용자 정의 모델	주의 강화를 통한 멜 주파수 스펙트럼 추출	주파수 영역 특징 추출
마이크로폰 어레이 시스템	자체 제작된 실험실 플랫폼	112 채널 수정된 고리형 나선형 어레이; 200 kHz 샘플링 속도; 프레임당 8192 포인트	음향 획득
마이크로폰 센서	자체 제작된 일치하는 초음파 마이크로폰 모듈	112 일치 채널; 감도 -38 +/- 3 dBV/Pa; 20 Hz-100 kHz 주파수 응답; 94 dB SPL/1 kHz 및 40 kHz에서 보정; 수용 한도: 1 kHz에서 +/-2 dB 및 40 kHz에서 +/-3 dB	음향 탐지
다중 채널 DAQ 시스템	자체 제작된 동기화된 DAQ 플랫폼	112 채널 동시 획득; 16 비트 ADC; 200 kHz/채널; 프레임당 8192 포인트; 공유 샘플링 클럭; 양의 에지 TTL 하드웨어 트리거	데이터 획득 및 동기화
1차원 CNN + CS 최적화	사용자 정의 모델	5개의 컨볼루션 층; 커널 크기 3; SGD; 학습률 0.001; 배치 크기 50	결함 분류
Python 훈련 환경	Python / PyTorch	Python 3.9; PyTorch 2.0; NumPy 1.24; scikit-learn 1.2; librosa 0.10; CUDA 11.8	모델 훈련 및 평가
시간 컨볼루션 네트워크 (TCN)	사용자 정의 모델	잔류 연결이 있는 확장된 인과 컨볼루션	시간 영역 특징 추출
결함 모델이 있는 테스트 캐비닛	자체 제작된 실험실 플랫폼	표면 방전, 부유 방전, 내부 방전 및 점 방전 모델	절연 결함 시뮬레이션
일시적 지상 전압 (TEV) 테스트 시스템	상용 TEV 모니터링 모듈	TEV 참조 채널; 3-100 MHz 아날로그 대역폭; 40 dB 이득; 양의 에지 TTL 트리거; 트리거 임계값은 배경 노이즈 플로어보다 6 dB 높거나 센서 입력에서 >=10 mV 등가로 설정	방전 활동 검증

```