Cross-attention fusie van tijd-frequentie akoestische kenmerken voor isolatiefoutherkenning in stroomapparatuur met behulp van een microfoonarraysysteem

Samenvatting

Dit protocol beschrijft een contactloze methode om isolatiefouten in stroomapparatuur te herkennen door tijd- en frequentiedomein-akoestische kenmerken te extraheren en te fuseren voor geautomatiseerde foutclassificatie.

Samenvatting

Het doel van dit protocol is om een contactloze methode te bieden voor het herkennen van isolatiefouten in stroomapparatuur door tijd- en frequentiedomein-akoestische kenmerken te extraheren en te fuseren voor geautomatiseerde foutclassificatie. Akoestische vingerafdrukken die door isolatiefouten worden gegenereerd, vertonen niet-lineaire en niet-Gaussische kenmerken, wat de effectiviteit van conventionele enkeldomein-feature-extractiemethoden kan beperken. Om deze uitdaging aan te pakken, presenteert dit protocol een kader voor het extractie en fusie van tijd-frequentiekenmerken gebaseerd op een cross-attention (CA) mechanisme voor de identificatie van vier isolatiefouttypes. Tijddomeinkenmerken worden eerst geëxtraheerd met behulp van een temporeel convolutioneel netwerk gekoppeld aan een autoencoder om dynamische variaties in sequentiële akoestische signalen vast te leggen. Parallel worden frequentiedomeinkenmerken geëxtraheerd uit Mel-spectrogrammen met behulp van een convolutionele blokaandingsmodule om de spectrale kenmerkerepresentatie te verbeteren. Vervolgens wordt een CA-mechanisme gebruikt om temporele en spectrale kenmerken adaptief te fuseren, waardoor de relaties tussen de twee featuredomeinen worden versterkt. De fused feature-representatie wordt vervolgens ingevoerd in een eendimensionaal convolutioneel neuraal netwerk dat is geoptimaliseerd met het Cuckoo Search-algoritme voor foutclassificatie. Representatieve resultaten tonen aan dat dit kader complexe akoestische vingerafdrukken effectief karakteriseert en hoge classificatieprestaties behaalt ten opzichte van conventionele benaderingen voor feature-extractie. Het protocol biedt een robuuste niet-contactstrategie voor isolatiefoutdiagnose en conditiemonitoring van elektrische stroomapparatuur.

Inleiding

Vroege identificatie van isolatiefouten in stroomapparatuur is cruciaal voor de veiligheid en stabiliteit van het elektriciteitsnet 1,2,3,4. Statistieken geven aan dat ongeveer 60% van de storingen van stroomapparatuur direct verband houdt met isolatiedegradatie⁵. Conventionele elektrische monitoringsmethoden hebben echter vaak last van vertraagde respons, slechte anti-interferentiemogelijkheden en de noodzaak van invasieve contactgebaseerde installatie⁵. Recentelijk is akoestische vingerafdrukherkenning naar voren gekomen als een veelbelovende non-contact diagnostische aanpak dankzij de snelle respons en het gemak van implementatie ^6,7. Desalniettemin zijn isolatiefoutsignalen van nature niet-lineair en niet-Gaussiaans⁸. Hun akoestische kenmerken worden vaak gemaskeerd door omgevingsgeluid en structurele trillingen, waardoor het voor traditionele enkeldomein (tijd- of frequentiedomein) extractiemethoden moeilijk is om de essentiële kenmerken van de breuk vast te leggen.

Huidig onderzoek naar akoestische feature-extractie staat voor twee hoofduitdagingen. Ten eerste weerspiegelt tijdsdomeinanalyse, zoals kortetijdenergie of nuldoorkruisingsfrequenties, signaalfluctuaties maar verliest vaak fijnmazige spectrale details. Ten tweede kunnen frequentiedomeinmethoden, zoals Fast Fourier Transform (FFT) en wavelettransformaties, spectrale kenmerken extraheren, maar worstelen ze met het vastleggen van de dynamische temporele evolutie van het signaal. Eerdere studies hebben geprobeerd deze kloof te overbruggen. Zo maakten Dai et ^al.9 gebruik van de korte-tijd Fouriertransformatie (STFT) om tweedimensionale tijd-frequentiekaarten te genereren. Door het onzekerheidsprincipe wordt de resolutie van STFT echter beperkt door de vensterbreedte, waardoor een afweging wordt gemaakt tussen tijdslokalisatie en frequentieresolutie. Andere benaderingen, zoals Mel-frequentie cepstrale coëfficiënten (MFCC's) en gammatoonfrequentie cepstralcoëfficiënten (GFCC's)¹⁰, resulteren vaak in feature-representaties die te eenvoudig zijn om robuustheid te behouden onder omstandigheden met hoge interferentie. Hoewel geavanceerde verdelingen en entropie-gebaseerde kenmerken¹¹ een hoge nauwkeurigheid hebben behaald in specifieke datasets, missen ze vaak generaliseerbaarheid vanwege beperkte steekproefgroottes. Bovendien slaagt eenvoudige concatenatie van tijd- en frequentiedomeinkenmerken er niet in een intrinsiek correlatiemechanisme te vestigen, wat vaak leidt tot hoge redundantie en onvoldoende onderscheidbaarheid. Traditionele machine learning-modellen zijn ook gevoelig voor overfitting bij het omgaan met de kleine, ruisrijke eigenschappen die typisch zijn voor isolatiefoutdatasets¹². Recente ontwikkelingen zijn geëvolueerd van conventionele, handgemaakte beschrijvingen en tijd-frequentierepresentaties naar het extraheren van kenmerken op diepe neurale netwerken en aandachtgerichte fusiestrategieën. Desalniettemin verwerken veel bestaande benaderingen nog steeds temporele en spectrale informatie onafhankelijk of combineren deze via eenvoudige kenmerkconcatenatie, waardoor hun vermogen om cross-domeinrelaties binnen complexe akoestische signalen vast te leggen beperkt wordt.

Om deze beperkingen aan te pakken, presenteert dit protocol een synergetische methodologie voor het extractie van tijd-frequentiekenmerken en fusie die is gecentreerd op een cross-attention (CA) mechanisme. Het primaire doel van deze methode is het opzetten van een cross-modaal correlatiemodel dat adaptief gewichten toekent aan kritieke kenmerken, waardoor de informatieverdunning die vaak wordt geassocieerd met traditionele concatenatiestrategieën wordt verminderd. Het protocol maakt gebruik van een gekoppelde temporele convolutioneel netwerk (TCN) en een autoencoder (AE) architectuur om een tijddomeinverwerkingsroute te construeren, waarbij gebruikgemaakt wordt van gedilateerde causale convoluties om langeafstandsafhankelijkheden binnen akoestische sequenties vast te leggen. Tegelijkertijd is een parallelle Mel-spectrogram en convolutionele blok aandachtmodule (CBAM) architectuur ontworpen om lokale spectrale kenmerken en kanaalgewijze aandacht te verbeteren. Centraal in deze aanpak staat de introductie van een CA-mechanisme, dat query–key–value interacties gebruikt om onderlinge afhankelijkheden tussen het tijds- en frequentiedomein te modelleren. Vergelijkbare aandachtgebaseerde fusieconcepten zijn gerapporteerd in lawaaierige machines en akoestisch-diagnostische taken, waarbij aandachtsgewichten de nadruk leggen op discriminerende temporele of spectrale gebieden onder interferentie; de meeste bestaande partial-discharge classifiers vertrouwen echter nog steeds op single-domain representaties of late fusie, wat het huidige CA-ontwerp motiveert. Ten slotte wordt een eendimensionaal convolutioneel neuraal netwerk (1D-CNN), geoptimaliseerd met het Cuckoo Search (CS) algoritme, gebruikt voor robuuste foutclassificatie.

Deze methode biedt aanzienlijke voordelen ten opzichte van conventionele diagnostische methoden door een hoogpresterende, contactloze oplossing te bieden die effectief blijft in complexe elektromagnetische omgevingen. Prestatie-metrics worden afzonderlijk gerapporteerd voor de ablatiestudie en het definitieve classificatiemodel. De ablatiestudie behaalde 98,2% nauwkeurigheid voor de CA-configuratie, terwijl het uiteindelijke classificatiemodel een algehele nauwkeurigheid van 99,05% (3962/4000) behaalde, met klasse-gewijze herkenningspercentages variërend van 98,6% tot 99,4%. Het is bijzonder geschikt voor onderzoekers en ingenieurs die geautomatiseerde monitoring van 10 kV schakelapparatuur of vergelijkbare stroomdistributieapparatuur willen implementeren waar contactgebaseerde detectie onpraktisch is. Door dit protocol te volgen, kunnen gebruikers complexe akoestische vingerafdrukken effectief karakteriseren en betrouwbare foutidentificatie bereiken onder verhoogde achtergrondgeluidsomstandigheden. Transformer-gebaseerde akoestische modellen, waaronder audiospectrogramtransformatoren (AST)-architecturen, zijn veelbelovend voor langeafstandsspectrotemporal contextmodellering; ze zijn echter niet geselecteerd voor het huidige protocol omdat de beschikbare dataset relatief klein is en het voorgestelde framework prioriteit geeft aan stabiele training, lagere rekenkosten en interpreteerbare tijd- en frequentiedomeinverwerkingstakken. De evaluatie van transformator-gebaseerde architecturen vormt een belangrijke richting voor toekomstige studies.

Protocol

Deze studie betrof geen menselijke deelnemers, gewervelde dieren of biologische monsters. Daarom waren institutionele ethische goedkeuring, goedkeuring voor diergebruik en goedkeuring voor menselijke proefpersonen niet vereist.

Figuur 1 illustreert de gedilateerde causale convolutiestructuur die binnen de TCN-architectuur wordt gebruikt. Figuur 2 illustreert de residuele verbindingsstructuur die wordt gebruikt tijdens het extractie van temporele kenmerken. Figuur 3 illustreert de AE-architectuur die wordt gebruikt voor feature-dimensie-reductie. Figuur 4 illustreert de CBAM-architectuur die wordt gebruikt voor het extraheren van spectrale kenmerken. Figuur 5 illustreert het CA-mechanisme dat wordt gebruikt voor tijd-frequentie kenmerk fusie.

Figuur 1: Gedilateerde Causale Convolutiestructuur. Schematische illustratie van de temporele convolutioneel netwerk (TCN) architectuur met gebruik van causale en gedilateerde convoluties. De dilatatiefactor neemt toe met de netwerkdiepte om het receptieve veld uit te breiden en langeafstands-temporele afhankelijkheden in akoestische signalen vast te leggen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Residuele verbindingsstructuur. Diagram van het residuele blok dat binnen de TCN-architectuur wordt gebruikt. Het blok bevat causale convoluties, gewichtsnormalisatie, ReLU-activatiefuncties, dropoutlagen en een residuele verbinding om stabiele diepe-netwerktraining te faciliteren en gradiëntdegradatie te beperken. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Auto-encoder (AE) architectuur. Schematische weergave van de AE gebruikt voor feature-dimensie-reductie. De encoder comprimeert de akoestische ingangskenmerken tot een latente representatie, en de decoder reconstrueert de oorspronkelijke featureruimte vanuit de gecomprimeerde representatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Convolutionele Blok Aandachtmodule (CBAM) Architectuur. Werkwijze van de CBAM gebruikt voor verbetering van frequentiedomeinfuncties. De module past kanaal-aandacht en ruimtelijke aandacht-mechanismen sequentieel toe om feature-representaties te verfijnen die uit Mel-spectrogrammen zijn geëxtraheerd. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5: Cross-Attention (CA) Feature Fusiemechanisme. Schematische weergave van de CA-module die wordt gebruikt om temporele en frequentiedomeinkenmerken te combineren. Query-, Key- en Value-matrices worden gegenereerd uit de twee featuremodaliteiten om cross-modale afhankelijkheden te modelleren en samengevoegde feature-representaties te produceren. Klik hier om een grotere versie van deze figuur te bekijken.

1. Opzet van het Isolatiefout Akoestische Vingerafdrukplatform en gegevensverzameling

1. Bouw een non-contact microfoonarray detectieplatform binnen het laboratorium. Assembleer het systeem met behulp van een hoogspanningstestcircuit, een testkast met defectmodellen, een Transient Earth Voltage (TEV) testsysteem en het microfoonarraysysteem. Het TEV-systeem werd bediend als het elektrische referentiekanaal voor ontladingsverificatie.
   OPMERKING: Zorg ervoor dat het hoogspanningscircuit een autotransformator (T1), een testtransformator (T2), een 200 kΩ beschermweerstand (R) en een 1 nF koppelcondensator (Cx) bevat. Zie Figuur 6 voor de schematische indeling.
   VOORZICHTIG: Hoogspanningstesten brengt een risico op elektrische schokken met zich mee. Volg de institutionele elektrische veiligheidsprocedures en zorg ervoor dat alle hoogspanningscomponenten correct geïsoleerd en geaard zijn voordat ze in gebruik zijn.
2. Configureer vier verschillende isolatiefoutmodellen in de testkast om veelvoorkomende operationele defecten te simuleren: oppervlakteontlading, hangende ontlading, interne ontlading en puntontlading (Figuur 7).
3. Maak de isolatiefoutmodellen klaar voor test.
   1. Fabriceer alle modellen op 100 mm × 100 mm × 5 mm epoxyhars isolatieplaten met gepolijste elektroden.
   2. Bereid het oppervlakteontladingsmodel voor door twee koperen stripelektroden van 20 mm × 10 mm × 1 mm op het bovenoppervlak te bevestigen met een kruipopening van 15 mm. Laat het tussenliggende epoxy-oppervlak blootliggen.
   3. Bereid het model met hangende ontlading voor door een koperen staafelektrode van 2 mm diameter 5 mm boven een geaarde koperen plaat (40 mm × 40 mm × 1 mm) te monteren met behulp van een epoxy-ondersteuning. Houd de elektrode elektrisch gescheiden van de plaat.
   4. Bereid het model voor met interne ontlading door een epoxyblok te gieten met een cilindrische kunstluchtruimte (10 mm diameter × 2 mm hoogte) gecentreerd tussen twee koperen platen (40 mm × 40 mm × 1 mm). Plaats het midden van de ruimte ongeveer 2,5 mm onder het bovenvlak.
   5. Bereid het puntontladingsmodel voor door een roestvrijstalen naaldelektrode met een ongeveer 0,5 mm puntstraal tegenover een geaarde koperen plaat te plaatsen over een luchtspleet van 10 mm.
   6. Maak alle elektroden schoon met ethanol en droog ze volledig voordat je ze in elkaar zet.
   7. Assembleer de elektrodedefectgeometrie in de testkast en controleer alle elektrodeafstanden met een remklauw vóór elke spanningstest.
4. Zet de microfoonarraysensor uit met een aangepaste ringvormige spiraalstructuur bestaande uit 112 kanalen. Zie Figuur 8 voor de coördinatenverdeling.
5. Stel de samplefrequentie in op 200 kHz en configureer de samplelengte op 8192 punten per frame. Zie Tabel 1 voor de sensorparameters.
6. Configureer de hardware van de microfoonarray.
   1. Plaats de 112 microfoons vlak op het aangepaste ringvormige spiraalframe op de coördinatenposities die in Figuur 8 worden weergegeven. Houd de tussen-element afstand die door het array-coördinatenbestand wordt gedefinieerd, variërend van 10 mm tot 25 mm.
   2. Plaats een draagbare akoestische kalibrator en een 40 kHz ultrasone referentiebron 300 mm van het midden van de microfoonarray.
   3. Kalibreer alle actieve microfoonkanalen vóór elke acquisitiesessie met een 94 dB SPL, 1 kHz akoestisch referentiesignaal en een 40 kHz ultrasone referentiesignaal.
   4. Neem 5 s kalibratiesignalen op van elk microfoonkanaal.
   5. Bereken de RMS-gevoeligheid en faserespons van elk kanaal ten opzichte van het array-centerkanaal.
   6. Bebehoud alleen kanalen met een gevoeligheidsafwijking binnen ±2 dB bij 1 kHz, binnen ±3 dB bij 40 kHz, en zonder clipping of abnormale ruisvloerverhoging.
   7. Sluit kanalen uit die niet aan de acceptatiecriteria voldoen uit latere analyse.
   8. Herhaal de kalibratieprocedure na elke microfoonvervanging of verplaatsing van de microfoonarray.
7. Configureer het multikanaals data-acquisitiesysteem om gelijktijdige sampling uit te voeren over alle actieve microfoonkanalen.
   1. Configureer het DAQ-systeem voor gelijktijdige opname van alle 112 microfoonkanalen met behulp van een gedeelde 200 kHz sampleklok.
   2. Stel de acquisitieresolutie in op 16 bits, configureer AC-koppeling en verzamel 8192 punten per frame.
   3. Verdeel een hardware-starttrigger naar alle acquisitiemodules via een gemeenschappelijke positieve-rand TTL-triggerbus.
   4. Sla alle microfoonkanalen op binnen dezelfde framerecord en behoud de trigger-tijdstempel en kanaalindex voor elke opname.
   5. Inspecteer de eerste 100 verkregen frames op afgebroken samples, kanaalverzadiging en klokdrift voordat je begint met formele dataverzameling.
8. Rechtvaardig de microfoonarray-configuratie. De 112-kanaals array werd geselecteerd om de ruimtelijke bemonsteringsdichtheid voor beamforming en GCC-PHAT vertragingsschatting te verbeteren, waardoor de onderdrukking van omgevingsruis buiten de as toeneemt ten opzichte van een schaars array met lage kanaalaantallen. Hoewel ongeveer vier kanalen voldoende kunnen zijn voor geometrische 3D-lokalisatie, gebruikt het huidige protocol dichte ruimtelijke sampling voor signaalversterking en feature-stabiliteit in plaats van alleen lokalisatie. Versies met beperkte kanalen moeten apart worden gevalideerd voordat ze kostengevoelig in het veld worden ingezet.
9. Zet een hoge spanning aan op het testcircuit om partiële ontladingsfenomenen over de modellen te induceren.
10. Onderhoud de experimentele omgeving tijdens het testen.
    1. Houd het laboratorium op 22°C ± 2°C, 45%–55% relatieve luchtvochtigheid en 101 ± 2 kPa atmosferische druk tijdens gegevensverzameling.
    2. Meet het achtergrondgeluid voordat het hoogspanningssysteem wordt ingeschakeld.
    3. Ga alleen door met gegevensverzameling wanneer het A-gewogen achtergrondruisniveau ≤40 dB(A) is.
    4. Controleer dat de ultrasone ruisvloer van elk actief microfoonkanaal minstens 20 dB lager ligt dan het ontlaadimpulsniveau dat tijdens pilotproeven is waargenomen.
    5. Houd deuren en ramen gesloten en schakel niet-essentiële roterende apparatuur uit tijdens het verzamelen van gegevens.
    6. Aard het hoogspanningsframe en het DAQ-chassis vóór de acquisitie.
    7. Voorkom beweging van personeel nabij de microfoonarray tijdens de opname.
11. Monitor de ontladingsactiviteit continu met behulp van de TEV-sensor die is aangesloten op een pc-terminal.
    1. Stel de TEV-monitoringdrempel in op 6 dB boven de achtergrondruisvloer vóór de test en niet lager dan een equivalent ingangsniveau van 10 mV.
    2. Configureer het TEV-referentiekanaal met een analoge bandbreedte van 3–100 MHz en een versterking van 40 dB.
    3. Registreer TEV-pulsactiviteit met behulp van envelope- en pulslogging op de pc-terminal.
    4. Configureer het TEV-systeem om positieve-edge hardware-triggering te gebruiken.
    5. Gebruik dezelfde drempelwaarde voor zowel TEV-monitoring als triggergeneratie.
    6. Accepteer een akoestisch frame alleen wanneer TEV-pulsactiviteit plaatsvindt binnen het overeenkomstige acquisitievenster en herhaald wordt over opeenvolgende frames bij de geselecteerde spanning.
12. Stel de spanning geleidelijk aan tussen 4 en 12 kV.
13. Registreer de akoestische signalen zodra er een duidelijk en stabiel isolatiefoutfenomeen is waargenomen voor een specifiek model. Definieer een duidelijk en stabiel foutfenomeen als een ontladingstoestand waarin TEV-activiteit en akoestische impulspatronen herhaaldelijk worden waargenomen bij de doelspanning zonder duidelijke intermitterende extinctie, akoestische kanaalverzadiging, niet-gerelateerde mechanische ruis of externe impactruis. Houd de spanning vast totdat het ontlaadpatroon stabiel blijft voor minstens 60 seconden voordat akoestische frames worden opgenomen.
14. Verzamel 1000 sets geldige gegevens voor elk van de vier fouttypes. Classificeer een sampleframe als geldig alleen wanneer de TEV-referentie ontlaadactiviteit aangeeft, het akoestische kanaal niet verzadigd is, het frame geen duidelijke externe impact- of behandelingsruis bevat, en het samplelabel overeenkomt met het actieve defectmodel. Sluit frames met akoestische kanaalverzadiging, afwezige TEV-bevestiging, inconsistente foutlabeling, intermitterende ontladingsextinctie, externe mechanische impact of onstabiele achtergrondruis uit.
15. Synchroniseer het TEV-systeem en het akoestische acquisitiesysteem tijdens het verzamelen van gegevens.
    1. Verbind de TEV-triggeruitgang via de gedeelde TTL-triggerbus met de akoestische DAQ-triggeringang.
    2. Gebruik de TEV-pulsuitgang als hardwaretrigger voor akoestische gegevensverzameling.
    3. Noteer de triggermarker als een digitaal timingkanaal in het akoestische databestand.
    4. Voer de initiële uitlijning uit van de TEV- en akoestische acquisitiestromen met behulp van de triggertijdstempel.
    5. Schat de resterende tussen-microfoon vertragingen met GCC-PHAT vóór beamforming.
    6. Controleer dat de TEV-akoestische synchronisatienauwkeurigheid binnen ±1 akoestische sample ligt, wat overeenkomt met ≤5 μs bij een bemonsteringsfrequentie van 200 kHz.

Figuur 6: Isolatiefoutdetectieplatform met microfoonarray. Experimentele opstelling gebruikt voor het opsporen van akoestische isolatiefouten. Het platform bestaat uit een hoogspanningstestcircuit, een isolatiefouttestkast, een microfoonarraysysteem, een TEV-sensor en een computergebaseerd monitoringsysteem voor gegevensverzameling en verificatie. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7: In het laboratorium gebouwde isolatiefoutmodellen. Representatieve isolatiefoutmodellen gebruikt voor gegevensverzameling. (A) Oppervlakteontladingsmodel. (B) Hangend ontladingsmodel. (C) Intern ontladingsmodel. (D) Puntontladingsmodel. De modellen werden gebouwd om vier veelvoorkomende isolatiefoutcondities onder gecontroleerde laboratoriumomstandigheden te simuleren. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8: Microfoonarray-verdeling. Ruimtelijke opstelling van de 112-kanaals microfoonarray met een aangepaste annulaire spiraalconfiguratie. De coördinatenverdeling illustreert de sensorplaatsing die wordt gebruikt voor akoestische signaalacquisitie en daaropvolgende beamforming-analyse. Klik hier om een grotere versie van deze figuur te bekijken.

Parametertype	Parameterwaarde
Arraystructuur	Gemodificeerde ringvormige spiraal
Aantal kanalen	112
Bemonsteringsfrequentie	200 kHz
Voorbeeldpunten per frame	8192

Tabel 1: Parameters van de microfoonarray. Technische specificaties van het microfoonarraysysteem dat wordt gebruikt voor akoestische signaalacquisitie tijdens isolatiefoutexperimenten. De tabel vat de arraygeometrie, het aantal kanalen, de bemonsteringsfrequentie en het aantal samplepunten per frame samen die per frame zijn verkregen. Klik hier om deze tabel te downloaden.

2. Tijd-domein feature-extractie via TCN-AE

1. Voer de voorbewerkte tijdreeks-akoestische gegevens in in de TCN om dynamische temporele variaties vast te leggen^13,14. Na signaalfusie normaliseert u elk 8192-punts akoestisch frame met behulp van de normalisatieprocedure die tijdens modeltraining wordt toegepast, en voert u de genormaliseerde 1D-sequentie in in de TCN.
2. Configureer de TCN-architectuur.
   1. Bouw de TCN met drie residuele blokken die sequentieel zijn gerangschikt voor temporele feature-extractie.
   2. Wijs 64 convolutionele filters toe aan elk residueel blok en stel de grootte van de convolutiekern in op 3.
   3. Implementeer gedilateerde causale convoluties en configureer de dilatatiefactoren als d = 1, 2 en 4 om het temporele receptieve veld progressief uit te breiden.
   4. Pas de activatiefunctie van de ReLU toe na elke convolutionele bewerking.
   5. Pas na elk residueel blok een uitvalpercentage van 0,20 toe om overfitting tijdens de training te verminderen.
   6. Voer gewichtsnormalisatie uit als regularisatiemethode binnen elk residueel blok.
   7. Integreer residuele verbindingen door het hele netwerk en gebruik 1 × 1 convolutionele projecties waar nodig om de dimensies van kenmerken tussen de residuele en getransformeerde paden te matchen.
3. Pas causale convoluties toe op de invoerreeks. Pas de zero-padding vóór de sequentie aan op basis van de kernelgrootte om ervoor te zorgen dat de output op een gegeven tijdstap strikt afhankelijk is van de huidige en eerdere inputs.
4. Voer de causale convolutie uit met behulp van het kerngewicht (w_i) en de kerngrootte (K) als volgt (Vergelijking 1):
   (1)
5. Implementeer gedilateerde convoluties om het receptieve veld van het netwerk uit te breiden zonder het aantal parameters te verhogen. Verhoog de dilatatiefactor d exponentieel naarmate de netwerkdiepte toeneemt om langeafstands-temporele afhankelijkheden te vangen.
6. Bereken de gedilateerde convolutie met behulp van de dilatatiefactor (d) als volgt (Vergelijking 2). Gebruik de dilatatiefactorprogressie d = 1, 2 en 4 tijdens TCN-training om het temporele receptieve veld geleidelijk uit te breiden zonder het aantal bemonsterde punten in elk akoestisch frame te vergroten.
   (2)
7. Integreer residuele verbindingen om verdwijnende gradiënten tijdens diepe netwerktraining te beperken.
8. Laat de invoersequentie door het gedilateerde causale convolutieblok gaan. Voer gewichtsregularisatie uit en pas een ReLU niet-lineaire activatie toe, gevolgd door een Dropout-laag.
9. Voeg de verwerkte uitvoer direct toe aan de oorspronkelijke invoerreeks (Figuur 2). Breng gewichtsnormalisatie toe binnen elk residueel blok en gebruik een dropoutpercentage van 0,20 voordat je de restoptelling uitvoert. Gebruik indien nodig een 1 × 1 convolutionele projectie om de afmetingen van het kenmerk tussen de residuele en getransformeerde paden te matchen.
10. Voer de hoog-dimensionale temporele kenmerken die door de TCN worden geëxtraheerd in een AE voor feature-dimensie-reductie¹⁵.
11. Configureer de AE-architectuur.
    1. Bouw de encoder met drie volledig verbonden lagen met respectievelijk de dimensies 512, 256 en 128 neuronen.
    2. Definieer de latente-ruimte representatie met behulp van een 128-dimensionale kenmerkvector.
    3. Bouw de decoder met drie volledig verbonden lagen met respectievelijk de afmetingen 128, 256 en 512 neuronen.
    4. Pas de ReLU-activatiefunctie toe na elke volledig verbonden laag in zowel de encoder als de decoder.
    5. Configureer de AE om de inputfeature-representatie te reconstrueren vanuit de latente-ruimte vector en optimaliseer de reconstructie met behulp van de gemiddelde kwadraatfout (MSE) verliesfunctie zoals beschreven in Stap 2.16.
12. Comprimeer de invoergegevens in een lagere-dimensionale latente-ruimte representatie via de encoder.
13. Reconstrueer de originele gegevens met behulp van de decoder (Figuur 3).
14. Voer de coderings- en decodertransformaties uit met behulp van de ReLU-activatiefunctie (σ), gewichtmatrices (W₁ en W₂) en biastermen (b₁ en b₂) zoals gegeven door vergelijkingen 3 en 4.
    (3)
    (4)
15. Train de AE om kritieke informatie te behouden door de reconstructiefout te minimaliseren.
16. Gebruik de gemiddelde kwadraatfout (MSE) als verliesfunctie en bereken de reconstructiefout met behulp van Vergelijking 5.
    1. Train de AE met de Adam-optimizer met een leersnelheid van 0,001.
    2. Stel de batchgrootte in op 50 en train het netwerk maximaal 100 epochs.
    3. Houd het validatieverlies tijdens de training in de gaten en pas vroegtijdig stoppen toe met een geduldswaarde van 10 epochs.
    4. Gebruik de vaste dataset-partitie bestaande uit 2400 trainingsmonsters, 400 validatiesamples en 400 testmonsters.
    5. Voer modeltraining uit in de op Python gebaseerde deep-learning omgeving die is samengevat in de Table of Materials.
    6. Bereken de reconstructiefout met behulp van Vergelijking 5.
       (5)

3. Frequentiedomein-feature-extractie via Mel-spectrogram en CBAM

1. Pas pre-emphasis, framing en windowing-functies toe op de ruwe gedeeltelijke ontlading akoestische signalen.
   1. Verwijder de DC-offset van elk 8192-punts akoestisch frame.
   2. Pas pre-emphasis toe met:
      
   3. Normaliseer elk frame met behulp van de absolute piekamplitude na het verwijderen van DC-offset.
   4. Segmenteer elk frame met een Hamming-venster van 1024 samples.
   5. Gebruik een spronglengte van 512 monsters, wat overeenkomt met 50% overlap tussen aangrenzende ramen.
   6. Bereken de korte-tijd Fouriertransformatie (STFT) met behulp van een 1024-punts FFT.
   7. Pas geen extra softwarebanddoorlaatfiltering toe voorbij de hardware-front-end bandbreedtebeperking en de hierboven beschreven uitsluitingscriteria voor framekwaliteit.
2. Voer een Fouriertransformatie uit op de verwerkte signalen.
3. Zet de oorspronkelijke lineaire frequentie (f) om naar de Mel-schaal. Deze stap lineariseert de menselijke frequentieperceptie en vermindert het gewicht van interferentiebanden¹⁶.
4. Bereken de Mel-schaal frequentie (f_mel) met behulp van de oorspronkelijke lineaire frequentie (f) (Vergelijking 6).
   (6)
5. Verdeel de frequenties in een reeks driehoekige filterbanken.
6. Bereken de gewogen som van alle signaalamplitudes binnen elke filterbandbreedte. Pas een logaritmische functie toe op de output om de perceptuele consistentie met betrekking tot amplitudevariaties te verbeteren.
7. Bereken de Mel-filterbank-output met behulp van Vergelijking 7. Hier is S(m) de uitgang van het m-de filter, k de frequentie-index, en H_m(k) definieert het driehoekige filter.
   (7)
8. Genereer de Mel-spectrogrammen.
   1. Bereken de korte-tijd Fouriertransformatie met behulp van een FFT-grootte van 1024.
   2. Pas 256 Mel filterbanken toe op het resulterende frequentiespectrum.
   3. Genereer Mel-spectrogrammen over het frequentiebereik van 0–100 kHz.
   4. Herschal of vertegenwoordig de resulterende Mel-spectrogrammen als 256 × 256-pixel featurekaarten voor latere CBAM-verwerking.
   5. Zet het Mel-vermogensspectrogram om naar de decibelschaal.
   6. Pas per-spectrogram min-max normalisatie toe met behulp van het logaritmisch gecomprimeerde Mel-spectrogram (S_dB):
      
   7. Voer de normalisatie onafhankelijk uit voor elk 256 × 256 Mel-spectrogrambeeld.
   8. Knip de genormaliseerde waarden af tot het bereik [0,1] voordat je het spectrogram invoert in de CBAM-tak.
9. Voer de resulterende Mel-spectrogrammen in in de CBAM om de hoofdspectrale eigenschappen¹⁷ te halen.
10. Verwerk de data via sequentiële kanaal-aandacht en ruimtelijke aandacht-mechanismen (Figuur 4).
11. Configureer de CBAM-architectuur.
    1. Configureer de kanaal-aandachtmodule met een kanaalreductieverhouding van 16.
    2. Procesinvoerkenmerkkaarten met afmetingen van 256 × 256 × 64.
    3. Pas globale gemiddelde pooling en globale max pooling toe om kanaaldescriptors te genereren.
    4. Stuur de gepoolde descriptors door een gedeeld multilayer perceptron en pas een Sigmoid-activatiefunctie toe om kanaalaandachtgewichten te genereren.
    5. Genereer ruimtelijke aandachtgewichten met behulp van een 3 × 3 convolutionele kernel toegepast op de samengevoegde gemiddelde-pooled en max-pooled ruimtelijke descriptors.
    6. Pas een Sigmoid-activatiefunctie toe om de uiteindelijke ruimtelijke aandachtskaart te produceren.
12. Haal de kanaal-aandacht gewichten eruit.
13. Pas globale gemiddelde pooling en globale maximale pooling toe over de kanaalafmetingen van de inputfeature map.
14. Verwerk de gegenereerde globale descriptorvectoren door een volledig verbonden (FC) laag om het kanaal-aandachtgewicht (M_c) te verkrijgen.
15. Bereken de kanaal-aandachtgewichten met behulp van Vergelijking 8. Hier is M_c het kanaal-aandachtgewicht, FC de volledig verbonden laag, en σ de Sigmoid-activatiefunctie vertegenwoordigt.
    (8)
16. Haal de ruimtelijke aandachtgewichten eruit.
17. Pas globale maximale pooling en globale gemiddelde pooling toe langs de kanaalas.
18. Concateneer de resulterende ruimtelijke descriptorkaarten en verwerk deze door een convolutionele laag om het ruimtelijke aandachtsgewicht (M_s) te genereren.
19. Bereken de ruimtelijke aandachtgewichten met behulp van Vergelijking 9. Hier is M_s het ruimtelijke aandachtsgewicht, is het ruimtelijke descriptor dat wordt gegenereerd door globale gemiddelde pooling, en is het ruimtelijke descriptor dat wordt gegenereerd door globale max pooling.
    (9)
    1. Verbind de gemiddelde pooled en max-pooled ruimtelijke descriptors langs de kanaaldimensie.
    2. Pas een 3 × 3 convolutie toe met stride = 1 en dezelfde opvulling om de ruimtelijke aandachtskenmerkkaart te genereren.
    3. Pas een Sigmoid-activatiefunctie toe op de convolutie-output om de ruimtelijke aandachtgewichten te verkrijgen.
    4. Vermenigvuldig de ruimtelijke aandachtgewichten elementgewijs met de invoerfeaturemap om de verfijnde ruimtelijke representatie te genereren.

4. Cross-modale featurefusie met CA

1. Implementeer een CA-mechanisme om de geëxtraheerde temporele kenmerken en spectrale kenmerken te synthetiseren¹⁸. In tegenstelling tot zelf-aandacht extraheren we contextuele informatie uit de ene modaliteit om de representatie van de andere dynamisch te versterken (Figuur 5).
2. Configureer de CA-architectuur.
   1. Stel de embedding-dimensie in op 128.
   2. Configureer de CA-module met 4 aandachthoofden.
   3. Stel de Query-, Key- en Value-projectiedimensies in op elk 128.
   4. Pas een uitvalpercentage van 0,10 toe binnen de CA-module.
   5. Pas geen post-aandacht normalisatielagen of feed-forward lagen toe na de cross-attention module.
   6. Verbind de uitgangen van alle aandachtshoofden.
   7. Vraag uitval aan met een percentage van 0,10.
   8. Plat de resulterende kenmerkrepresentatie.
   9. Zet de afgeplatte kenmerkvector direct over naar de 1D-CNN classifier.
3. Initialiseer de Query (Q), Key (K) en Value (V) matrices vanuit de twee verschillende invoerreeksen (tijd- en frequentiedomeinkenmerken).
4. Bereken de querymatrix met behulp van Vergelijking 10, waarbij X₁ de temporele feature-matrix aanduidt die door het TCN-AE-pad wordt geproduceerd, en W_Q, en b_Q respectievelijk de bijbehorende geleerde gewichtmatrix en biasterm aangeven.
   (10)
5. Bereken de Key-matrix met behulp van Vergelijking 11, waarbij X₂ de frequentiedomein-featurematrix aanduidt die wordt geproduceerd door de Mel-CBAM-route, en W_K, en b_K respectievelijk de bijbehorende geleerde gewichtsmatrix en biasterm aangeven.
   (11)
6. Bereken de waardematrix met behulp van Vergelijking 12. waarbij W_V en b_V respectievelijk de bijbehorende geleerde gewichtmatrix en biasterm aangeven.
   (12)
7. Bereken de CA-interactie op basis van de relatie tussen de Query- en Key-elementen.
8. Bereken de aandacht-gewicht matrix met behulp van Vergelijking 13. Hier specificeert α_ij het aandachtsgewicht van het i-de element ten opzichte van het j-de element, en d_k is de dimensionaliteit van de sleutelvectoren.
   (13)
9. Werk de definitieve feature-representatie bij door de gewogen som van de Value-matrix te berekenen volgens de berekende aandachtgewichten.
10. Bereken de samengevoegde kenmerkrepresentatie met behulp van Vergelijking 14. Hier is O_i de sequentie-uitgang die de robuuste gefuseerde tijd-frequentie akoestische vingerafdruk van de isolatiefout vertegenwoordigt.
    (14)
    1. Genereer de fused feature-representatie met een outputdimensie van 128.
    2. Combineer de cross-time en cross-frequency aandachtsuitgangen.
    3. Vlak de gefuseerde representatie af vóór de classificatie.
    4. Geef de afgeplatte feature-representatie door aan de 1D-CNN en volledig verbonden Softmax-classifier zoals weergegeven in Figuur 9.

Figuur 9: Algemeen kader voor isolatiefoutidentificatie. Workflow van de voorgestelde isolatiefoutidentificatiemethode. Ruwe microfoonarraysignalen worden gefuseerd en voorbewerkt, gevolgd door tijdsdomein-feature-extractie met een TCN–AE-route, frequentiedomein-feature-extractie met Mel-spectrogrammen en CBAM, CA-gebaseerde feature-fusie, en eindfoutclassificatie met een eendimensionaal convolutioneel neuraal netwerk. Klik hier om een grotere versie van deze figuur te bekijken.

5. Mikalarmraysignalen uitlijnen en fuseren via GCC-PHAT

1. Selecteer twee microfoonsignalen voor vertragingsschatting en zet deze om naar het frequentiedomein met behulp van de FFT.
   1. Gebruik het volledige 8192-punts akoestische frame dat op 200 kHz is verkregen voor de FFT-gebaseerde GCC-PHAT-berekening.
   2. Pas de FFT toe op elk geselecteerd microfoonsignaal voordat het PHAT-gewogen cross-power spectrum wordt berekend.
   3. Schat de interkanaaltijdvertraging ten opzichte van de geselecteerde referentiemicrofoon met behulp van het PHAT-gewogen cross-power spectrum en de IFFT-procedure zoals weergegeven in Figuur 10.
   4. Pas GCC-PHAT toe ten opzichte van de geselecteerde referentiemicrofoon voordat alle 112 actieve microfoonkanalen worden uitgelijnd.
   5. Pas een Hann-venster toe op het volledige 8192-punts akoestische frame voordat je FFT-verwerking uitvoert.
   6. Gebruik geen overlappende vensters tijdens GCC-PHAT vertragingsschatting.
   7. Zero-pad elk raamframe tot 16.384 punten vóór FFT en IFFT-berekening.
   8. Gebruik het zero-padding signaal om de vertraging-piekresolutie te verbeteren tijdens tijdvertragingsschatting.
2. Verkrijg de frequentiedomeinrepresentaties en van de geselecteerde microfoonsignalen.
3. Bereken het cross-power spectrum om de gelijkenis tussen de twee signalen te evalueren.
4. Introduceer de fasetransformatie (PHAT) wegingsfunctie om de kruiscorrelatiepiek te verscherpen en de naalseffecten te beperken.
5. Bereken het PHAT-gewogen cross-power spectrum met behulp van Vergelijking 15. Hier zijn en de frequentiedomeinrepresentaties van de twee microfoonsignalen en duidt het complexe geconjugeerde aan.
   (15)
6. Pas de IFFT toe om de gegeneraliseerde kruiscorrelatiefunctie (GCC) te berekenen.
7. Identificeer de tijdvertragingsvariabele τ door de piek van de GCC-functie te lokaliseren.
8. Bereken de GCC-functie met behulp van Vergelijking 16. Hier is de gegeneraliseerde kruiscorrelatiefunctie en stelt zij de geschatte tijdsvertraging voor.
   (16)
9. Voer tijdcompensatie uit om de signalen uit te lijnen op basis van de geschatte vertraging.
10. Synchroniseer elk kanaal ten opzichte van de referentiemicrofoon met behulp van Vergelijking 17. Hier is het vertragingsgecompenseerde signaal en τ_i is de geschatte vertraging ten opzichte van de referentiemicrofoon.
    1. Selecteer de microfoon die het dichtst bij het geometrische centrum van de array ligt als referentiemicrofoon.
    2. Controleer of de geselecteerde microfoon voldoet aan de kalibratieacceptatiecriteria zoals beschreven in stap 1.6.
    3. Als de centrale microfoon niet aan de kalibratiecriteria voldoet, kies dan de dichtstbijzijnde gekalibreerde microfoon bij het geometrische centrum als referentiemicrofoon.
    4. Schat de vertraging τ_i voor elk actief microfoonkanaal ten opzichte van de geselecteerde referentiemicrofoon.
    5. Lijn alle 112 actieve microfoonkanalen uit op de gekozen referentiemicrofoon voordat je beamformt.
       (17)
11. Voer delay-and-sum beamforming uit om de ruimtelijke informatie te fuseren.
12. Versterk het signaal dat vanuit de doelrichting komt terwijl omgevingsruis wordt onderdrukt met behulp van Vergelijking 18. Hier is y(t) het beamformed uitgangssignaal, het delay-compensated signaal van de i-de microfoon, en N het totale aantal microfoonkanalen.
    1. Voer vertraging-en-som-beamforming uit na GCC-PHAT vertragingscompensatie.
    2. Gebruik gelijke weging voor alle actieve microfoonkanalen.
    3. Stel N = 112 in voor de 112 actieve microfoonkanalen die tijdens de acquisitie worden gebruikt.
    4. Definieer de doelrichting met behulp van de bekende geometrische locatie van het actieve defectmodel ten opzichte van het microfoon-array centrum.
    5. Stuur de vertraging-en-som-bundelvormer tijdens signaalfusie naar het centrum van het actieve defectmodel.
    6. Gebruik de vooraf gedefinieerde meetgeometrie van de testkast om de stuurrichting te bepalen.
    7. Voer geen datagedreven doelrichtingsschatting uit tijdens modeltraining of testen.
       (18)

Figuur 10: GCC-PHAT signaaluitlijningsprocedure. Workflow van het gegeneraliseerde kruiscorrelatie met fasetransformatie (GCC-PHAT) algoritme. Frequentiedomein-microfoonsignalen worden verwerkt om het cross-power spectrum en de wegingsfunctie te verkrijgen, gevolgd door inverse Fouriertransformatie om de tijdvertraging tussen kanalen te schatten. Klik hier om een grotere versie van deze figuur te bekijken.

6. Optimaliseer het netwerk via het CS-algoritme

1. Initialiseer de CS-algoritmeparameters om de 1D-CNN te optimaliseren.
   1. Stel de populatiegrootte, overeenkomend met het aantal nesten, in op 20.
   2. Stel de ontdekkingskans (Pa) in op 0,25.
   3. Stel het maximale aantal optimalisatieiteraties in op 50.
   4. Stel de willekeurige seed in op 42 om reproduceerbaarheid te ondersteunen.
   5. Stel de schaalparameter voor stapgrootte α in op 0,01.
   6. Definieer de hyperparameterzoekgrenzen volgens de bereiken samengevat in Tabel 2.
   7. Beëindig de optimalisatie wanneer het maximale aantal iteraties is bereikt of wanneer validatie-fitnessconvergentie is bereikt.
2. Nieuwe oplossingen genereren door het obligate broedparasitismegedrag van koekoeksen te simuleren, gecombineerd met Lévy-vluchten.
3. Werk de huidige oplossing (nest) bij met een willekeurige stapgrootte afgeleid van de Lévy-vluchtkenmerk.
4. Bereken de bijgewerkte nestpositie met behulp van Vergelijking 19. Hier is α de schaalparameter voor stapgrootte en duidt het de vermenigvuldiging per entry aan.
   1. Stel de stapgrootte-schaalparameter (α) in op 0,01.
   2. Stel de Lévy-flightparameter (λ) in op 1,5.
   3. Codeer elk kandidaat-nest als een set 1D-CNN hyperparameters, inclusief convolutionele laagconfiguratie, kernelgrootte, leersnelheid, batchgrootte en optimizer-instelling.
   4. Genereer kandidaat-nesten met behulp van Lévy-flight updates en evalueer elke kandidaat met validatieset prestaties.
   5. Behoud kandidaatoplossingen die de validatiefitness verbeteren.
      (19)
5. Bereken de toevalsvariabelen voor de Lévy-vlucht met behulp van een standaard normale verdeling geschaald met de parameter σ.
6. Bereken σ met Vergelijking 20. Hier stelt de Gamma-functie voor en wordt β doorgaans ingesteld op 1,5.
   (20)
7. Train de 1D-CNN met vijf convolutionele lagen, een kernelgrootte van 3, ReLU-activatie, stochastic gradient descent (SGD) optimalisatie, een initiële leersnelheid van 0,001, een batchgrootte van 50 en een cross-entropie verliesfunctie.
8. Evalueer het geoptimaliseerde model op de testset.
   1. Train de laatste 1D-CNN met validation-loss vroegtijdig stoppen met een geduldwaarde van 10 epochs.
   2. Stel de willekeurige seed in op 42 voor dataset-partitionering en modeltraining.
   3. Evalueer het geoptimaliseerde model met behulp van de vaste testset die in Tabel 2 is samengevat.
   4. Rapporteer de volledige evaluatie van de verwarringsmatrix los van het ablatieresultaat, met een algehele nauwkeurigheid van 99,05% (3962/4000) en klasse-gewijze herkenningspercentages variërend van 98,6% tot 99,4%.

Categorie	Parameter	Waarde / Setting
Dataset en invoer	Totaal akoestische frames	4,000
	Foutklassen	Oppervlakteafvoer; opgeschort ontslag; interne ontlading; Puntafvoer
	Bemonsteringsfrequentie	200 kHz
	Framelengte	8.192 punten per frame
	Microfoon-array-kanalen	112
	Modelinvoer	Cross-attention samengevoegde tijd-frequentie akoestische kenmerkende representatie
Datasetsplitsing	Grootte van de trainingsset	2.400 monsters
	Validatiesetgrootte	400 samples
	Testsetgrootte	400 samples
	Volledige verwarringsmatrix evaluatiegrootte	4.000 monsters
	Splitstrategie	Enkele vaste splitsing
	Willekeurig zaad	42
TCN-architectuur	Aantal residublokken	3
	Filters per residueel blok	64
	Convulutiekerngrootte	3
	Dilatatieschema	1, 2, 4
	Uitvalpercentage	0.20
Autoencoderarchitectuur	Afmetingen van de encoderlaag	512 → 256 → 128
	Latente-ruimtedimensie	128
	Decoderlaagafmetingen	128 → 256 → 512
Auto-encoder training	Optimizer	Adam
	Leertempo	0.001
	Batchgrootte	50
	Aantal opleidingsperiodes	100 epochs
	Criterium voor vroege stops	validatie MSE; Geduld = 20 epochs
Mel-spectrogram instellingen	FFT-grootte	1.024 punten
	Aantal Mel-filters	256
	Frequentiebereik	0–100 kHz
	Spectrogramafmetingen	256 × 256
CBAM-configuratie	Kanaalreductieverhouding	16
	Dimensies van feature-map	256 × 256 × 64
Cross-attention configuratie	Embedding-dimensie	128
	Aantal aandachthoofden	4
	Queryprojectiedimensie	In totaal 128; 32 per persoon
	Sleutelprojectiedimensie	In totaal 128; 32 per persoon
	Waardeprojectiedimensie	In totaal 128; 32 per persoon
	Uitvalpercentage	0.10
1D-CNN classifier	Aantal convolutionele lagen	5
	Convulutiekerngrootte	3
	Activatiefunctie	ReLU
	Uitvoerlaag	4-klasse Softmax
	Verliesfunctie	Kruisentropieverlies
Trainingsomgevingen	Optimizer	Stochastische gradiëntafdaling (SGD)
	Initiële leersnelheid	0.001
	Batchgrootte	50
	Maximale trainings-iteraties	1,000
	Vroege stopplaatsen	Validatie-verliesmonitoring
	Geduld met vroeg stoppen	100 iteraties
	Laatste trainingsverlies	Niet beschikbaar in het bijgeleverde manuscript
	Definitief validatieverlies	Niet beschikbaar in het bijgeleverde manuscript
Cuckoo Search optimalisatie	Optimalisatiedoel	1D-CNN hyperparameters
	Populatiegrootte / aantal nesten	20
	Ontdekkingskans (Pa)	0.25
	Schaalparameter voor stapgrootte (α)	0.01
	Lévy-flight parameter (β)	1.5
	Lévy-flight parameter (λ)	1.5
	Maximale optimalisatieiteraties	50
	Hyperparameterzoekgrenzen	Conv filters {32, 64, 128, 256}; kerngrootte {3, 5, 7}; leertempo 1×10⁻⁴–1×10⁻²; batchgrootte {25, 50, 100}; uitval 0,10–0,50; Gewichtsafname 1×10⁻⁵–1×10⁻³
Validatie en rapportage	Figuur 13 CA-ablatienauwkeurigheid	98.20%
	Tabel 2 nauwkeurigheid van verwarringsmatrix	99.05% (3,962/4,000)
	Crossvalidatie / herhaalde runs	Niet uitgevoerd

Tabel 2: Datasetconfiguratie, modeltrainingsparameters en optimalisatie-instellingen voor isolatiefoutclassificatie. De tabel vat de samenstelling van de dataset, de datapartitioneringsstrategie, de 1D-CNN-architectuur, trainingsconfiguratie, Cuckoo Search-optimalisatie-instellingen, validatiemetrieken en parameterselectie-overwegingen samen die zijn gebruikt om het voorgestelde foutdiagnosekader te ontwikkelen en te evalueren. Ontbrekende implementatie-specifieke waarden moeten worden gerapporteerd uit de uiteindelijke trainings- en optimalisatielogs om reproduceerbaarheid te vergemakkelijken. Klik hier om deze tabel te downloaden.

Resultaten

Tijd- en frequentiedomein Feature-extractieraamwerk

De voorgestelde isolatiefoutidentificatiemethode integreert temporele en spectrale kenmerken extractiepaden om de complexe akoestische signaturen die door isolatiedefecten worden gegenereerd, te karakteriseren. Tijdsdomein-feature-extractie werd uitgevoerd met een TCN waarbij gedilateerde causale convoluties werden opgenomen om langeafstands-temporele afhankelijkheden binnen de akoestische se...

Discussie

Dit methodeartikel beschrijft een gestandaardiseerd, contactloos protocol voor het identificeren van complexe isolatiefouten in elektrische apparatuur via akoestische vingerafdrukherkenning. Door een TCN-AE te integreren naast een Mel-spectrogram dat door een Mel-CBAM wordt verwerkt, isoleert de gevestigde pijplijn zowel dynamische fluctuaties in tijdreeksen als gelokaliseerde spectrale kenmerken. De daaropvolgende cross-modale fusie via een CA-mechanisme is bedoeld om de informatieverdu...

Materialen

```html

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Autoencoder (AE)	Aangepast model	Encoder-decoder architectuur voor functiecompressie	Functievermindering
Cross-Attention module	Aangepast model	Tijd-frequentie functiefusie module	Cross-modale functiefusie
GCC-PHAT algoritme	Aangepast algoritme	FFT/IFFT-gebaseerde implementatie	Schattingen van tijdsvertraging en signaaljus
Hoogspanningstestcircuit	Zelfgebouwd laboratoriumplatform	Autotransformator T1, testtransformator T2, 200 kΩ beschermingsweerstand, 1 nF koppelcondensator; bedrijfsspanning 4–12 kV	Generatie van isolatiefoutcondities
Mel spectrogram + CBAM	Aangepast model	Mel-frequentie spectrale extractie met aandachtsverbetering	Frequentiedomein functie-extractie
Microfoonarraysysteem	Zelfgebouwd laboratoriumplatform	112-kanaals gemodificeerde annulaire spiraalarray; 200 kHz samplefrequentie; 8192 punten per frame	Akoestische acquisitie
Microfoonsensoren	Zelfgebouwde gematchte ultrasone microfoonmodules	112 gematchte kanalen; gevoeligheid -38 +/- 3 dBV/Pa; 20 Hz-100 kHz frequentierespons; gekalibreerd bij 94 dB SPL/1 kHz en 40 kHz; acceptatielimieten: +/-2 dB bij 1 kHz en +/-3 dB bij 40 kHz	Akoestische detectie
Meerkanaals DAQ-systeem	Zelfgebouwd gesynchroniseerd DAQ-platform	112-kanaals gelijktijdige acquisitie; 16-bits ADC; 200 kHz/kanaal; 8192 punten/frame; gedeelde sampleklok; positief-edge TTL hardware trigger	Dataverwerving en synchronisatie
Eendimensionale CNN + CS optimalisatie	Aangepast model	Vijf convolutionele lagen; kernelgrootte 3; SGD; leersnelheid 0,001; batchgrootte 50	Foutclassificatie
Python trainingsomgeving	Python / PyTorch	Python 3.9; PyTorch 2.0; NumPy 1.24; scikit-learn 1.2; librosa 0.10; CUDA 11.8	Modeltraining en evaluatie
Tijdelijke Convolutional Network (TCN)	Aangepast model	Dilated causale convolutions met restverbindingen	Tijddomein functie-extractie
Testkast met defectmodellen	Zelfgebouwd laboratoriumplatform	Oppervlakteontlading, hangende ontlading, interne ontlading en puntontlading modellen	Simulatie van isolatiefouten
Transient Earth Voltage (TEV) testsysteem	Commercieel TEV-bewakingsmodule	TEV referentiekanaal; 3-100 MHz analoge bandbreedte; 40 dB versterking; positief-edge TTL trigger; triggerdrempel ingesteld 6 dB boven achtergrondruisniveau of >=10 mV equivalent bij sensorinvoer	Verificatie van ontladingsactiviteit

```