Перекрёстное слияние акустических особенностей времени и частоты для распознавания неисправностей изоляции в силовом оборудовании с использованием системы микрофонного массива

Краткое содержание

Этот протокол описывает бесконтактный метод распознавания неисправностей изоляции в энергетическом оборудовании путём извлечения и синтеза акустических особенностей по времени и частоте для автоматизированной классификации неисправностей.

Аннотация

Цель этого протокола — обеспечить бесконтактный метод распознавания неисправностей изоляции в энергетическом оборудовании путём извлечения и синтеза акустических особенностей по времени и частоте для автоматизированной классификации неисправностей. Акустические отпечатки, образованные изоляционными дефектами, обладают нелинейными и негауссовыми характеристиками, что может ограничивать эффективность традиционных методов извлечения элементов с одной областью. Для решения этой задачи этот протокол предлагает рамочную схему извлечения и термоядерного синтеза по времени-частоте, основанную на механизме перекрёстного внимания (CA) для идентификации четырёх типов неисправностей изоляции. Признаки временной области сначала извлекаются с помощью временной сверточной сети в сочетании с автоэнкодером для фиксации динамических изменений последовательных акустических сигналов. Параллельно частотные особенности извлекаются из Mel-спектрограмм с помощью сверточного блочного внимания для улучшения представления спектральных признаков. Затем используется механизм CA для адаптивного слияния временных и спектральных признаков, усиливая взаимоотношения между двумя доменами признаков. Представление слияных признаков впоследствии вводится в одномерную сверточную нейронную сеть, оптимизированную с помощью алгоритма Cuckoo Search для классификации неисправностей. Репрезентативные результаты показывают, что эта структура эффективно характеризует сложные акустические отпечатки пальцев и достигает высокой классификации по сравнению с традиционными методами экстракции признаков. Протокол предусматривает надёжную бесконтактную стратегию диагностики неисправностей изоляции и мониторинга состояния электрооборудования.

Введение

Раннее выявление неисправностей изоляции в энергетическом оборудовании критически важно для обеспечения безопасности и стабильности электросети 1,2,3,4. Статистика показывает, что примерно 60% отказов электрооборудования напрямую связаны с деградацией^{изоляции 5}. Традиционные методы электрического мониторинга, однако, часто страдают от задержки реакции, слабых антиинтерференционных возможностей и необходимости использования инвазивной, контактной^{установки 5}. В последнее время акустическое распознавание отпечатков пальцев стало перспективным бесконтактным диагностическим подходом благодаря быстрой реакции и простоте^{внедрения 6,7}. Тем не менее, сигналы изоляционных неисправностей по своей природе нелинейны и не^{гауссовские-8}. Их акустические особенности часто маскируются шумом окружающей среды и структурными вибрациями, что затрудняет традиционные однодоменные методы извлечения (временно-частотные) для фиксации основных характеристик разлома.

Современные исследования в области экстракции акустических особенностей сталкиваются с двумя основными проблемами. Во-первых, анализ во временной области, такой как коротковременная энергия или скорости пересечения нуля, отражает флуктуации сигнала, но часто теряет тонкие спектральные детали. Во-вторых, методы в частотной области, такие как быстрое преобразование Фурье (FFT) и вейвлет-преобразования, могут извлекать спектральные признаки, но испытывают трудности с отражанием динамической временной эволюции сигнала. Предыдущие исследования пытались преодолеть этот разрыв. Например, Дай и др. ^{использовали} кратковременное преобразование Фурье (STFT) для создания двумерных карт времени-частота. Однако из-за принципа неопределённости разрешение STFT ограничено шириной окна, что приводит к компромиссу между временной локализацией и частотным разрешением. Другие подходы, такие как цепстральные коэффициенты Mel-частоты (MFCC) и цепстральные коэффициенты гамматонной частоты (GFCC)¹⁰, часто приводят к представлениям признаков, слишком упрощённых для поддержания устойчивости при условиях высокой интерференции. Хотя продвинутые распределения и признаки, основанные на^{энтропии11} , достигли высокой точности в конкретных наборах данных, они часто не имеют возможности обобщать из-за ограниченного размера выборки. Кроме того, простая конкатенация временных и частотных признаков не позволяет создать внутренний механизм корреляции, что часто приводит к высокой избыточности и недостаточной дискриминируемости. Традиционные модели машинного обучения также склонны к перенагону при работе с характеристиками малой выборки с высоким уровнем шума, характерными для наборов данных по неисправностям^{изоляции 12}. Недавние достижения перешли от традиционных ручных дескрипторов и представлений временно-частотных представлений к извлечению признаков на основе глубокой нейронной сети и стратегий слияния, ориентированного на внимание. Тем не менее, многие существующие подходы по-прежнему обрабатывают временную и спектральную информацию независимо или комбинируют её через простую конкатенацию признаков, что ограничивает их способность захватывать междоменные связи в сложных акустических сигналах.

Для устранения этих ограничений этот протокол предлагает синергетичную методологию извлечения признаков по времени-частоте и слияния, основанную на механизме перекрёстного внимания (CA). Основная цель этого метода — создать кроссмодальную модель корреляции, которая адаптивно присваивает веса критическим признакам, тем самым снижая размывание информации, обычно связанное с традиционными стратегиями конкатенации. Протокол использует связанную временную сверточную сеть (TCN) и архитектуру автоэнкодера (AE) для построения временного пути обработки, используя расширенные причинные свёртки для захвата дальнодействующих зависимостей в акустических последовательностях. Одновременно разработана параллельная архитектура Mel-спектрограммы и сверточного блокового внимания (CBAM) для усиления локальных спектральных особенностей и внимания по каналам. В центре этого подхода является внедрение механизма CA, который использует взаимодействие запрос–ключ–значение для моделирования взаимозависимости между временной и частотной областями. Похожие концепции синтеза, основанного на внимании, были описаны в шумных машинах и акустических диагностических задачах, где веса внимания подчеркивают дискриминационные временные или спектральные области под интерференцией; однако большинство существующих классификаторов с частичным разрядом по-прежнему опираются на представления в одну область или позднее слияние, что и является мотивом нынешнего дизайна CA. Наконец, для устойчивой классификации неисправностей используется одномерная сверточная нейронная сеть (1D-CNN), оптимизированная с помощью алгоритма Cuckoo Search (CS).

Этот метод обладает значительными преимуществами по сравнению с традиционными диагностическими методами, обеспечивая высокопроизводительное бесконтактное решение, которое остаётся эффективным в сложных электромагнитных условиях. Показатели эффективности приводятся отдельно для абляционного исследования и окончательной модели классификации. Исследование абляции достигло точности 98,2% для конфигурации CA, тогда как финальная модель классификации достигла общей точности 99,05% (3962/4000), при этом показатели распознавания по классам варьировались от 98,6% до 99,4%. Он особенно подходит для исследователей и инженеров, стремящихся внедрить автоматический мониторинг 10 кВ распределительного оборудования или аналогичного оборудования распределения мощности, где контактное сенсорирование непрактично. Следуя этому протоколу, пользователи могут эффективно характеризовать сложные акустические отпечатки пальцев и добиваться надежной идентификации неисправностей при повышенных фоновых шумах. Акустические модели на основе трансформаторов, включая архитектуры аудиоспектрограммных трансформаторов (AST), являются перспективными для долгосрочного спектровременного контекстного моделирования; Однако они не были выбраны для настоящего протокола, поскольку доступный набор данных сравнительно мал, а предлагаемый фреймворк отдаёт приоритет стабильному обучению, снижению вычислительной стоимости и интерпретируемым ветвям обработки в области времени и частоты. Оценка архитектур на основе трансформаторов представляет собой важное направление для будущих исследований.

Протокол

В этом исследовании не участвовали люди, позвоночные животные или биологические образцы. Таким образом, одобрение институциональной этики, одобрения использования животных и одобрения субъектов человека не требовались.

Рисунок 1 иллюстрирует расширенную структуру причинной свёртки, используемую в архитектуре TCN. Рисунок 2 иллюстрирует остаточную структуру связей, используемую при извлечении временных признаков. Рисунок 3 иллюстрирует архитектуру AE, используемую для уменьшения размерности признаков. Рисунок 4 иллюстрирует архитектуру CBAM, используемую для извлечения спектральных признаков. Рисунок 5 иллюстрирует механизм CA, используемый для синтеза временно-частотных признаков.

Рисунок 1: Расширенная причинная свёртка. Схематическая иллюстрация архитектуры временной сверточной сети (TCN) с использованием причинных и расширенных сверток. Коэффициент дилатации увеличивается с глубиной сети, расширяя воспринимающее поле и фиксируя дальние временные зависимости акустических сигналов. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2: Остаточная структура соединения. Диаграмма остаточного блока, используемого в архитектуре TCN. Блок включает причинные свёртки, нормализацию веса, функции активации ReLU, слои выпадения и остаточное соединение для обеспечения стабильного глубокосетевого обучения и снижения деградации градиента. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3: Архитектура автоэнкодера (AE ). Схематическое представление AE, используемого для уменьшения размерности признаков. Кодировщик сжимает входные акустические признаки в латентное представление, а декодер реконструирует исходное пространство признаков из сжатого представления. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4: Архитектура модуля сверточного блокового внимания (CBAM). Рабочий процесс CBAM, используемый для улучшения функций частотной области. Модуль последовательно применяет механизмы канала-внимания и пространственного внимания для уточнения представлений признаков, извлечённых из Mel-спектрограмм. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 5: Механизм синтеза признаков с перекрёстным вниманием (CA). Схематическое представление модуля CA, используемого для объединения временных и частотных признаков. Матрицы запросов, ключа и значения генерируются из двух модальностей признаков для моделирования межмодальных зависимостей и создания объединённых представлений признаков. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

1. Настройка платформы акустического отпечатка отпечатков изоляции и сбор данных

1. Постройте бесконтактную платформу для обнаружения микрофонных антенн внутри лаборатории. Собрать систему с помощью высоковольтной тестовой схемы, тестового шкафа с дефектными моделями, системы тестирования напряжения на преходное заземление (TEV) и системы микрофонной массивы. Система TEV использовалась как электрический опорный канал для проверки разрядов.
   ПРИМЕЧАНИЕ: Убедитесь, что в высоковольтной цепи есть автотрансформатор (T1), испытательный трансформатор (T2), защитный резистор мощностью 200 кОм (R) и конденсатор связи 1 нФ (Cx). См. рисунок 6 для оформления схемы.
   ВНИМАНИЕ: Испытания на высокое напряжение связаны с риском электрического тока. Соблюдайте институциональные меры электробезопасности и убедитесь, что все высоковольтные компоненты правильно изолированы и заземлены перед эксплуатацией.
2. Настройте четыре различных модели неисправности изоляции внутри тестового шкафа, чтобы имитировать распространённые эксплуатационные дефекты: поверхностный разряд, подвешенный разряд, внутренний и точечный разряд (рисунок 7).
3. Подготовьте модели неисправности изоляции для тестирования.
   1. Изготавливайте все модели на изоляционных пластинах диаметром 100 мм × 100 мм × 5 мм эпоксидной смолы с использованием полированных электродов.
   2. Подготовьте модель с поверхностным разрядом, закрепив на верхней поверхности два медных полосных электрода размером 20 мм × 10 мм × 1 мм с зазором для ползучести 15 мм. Оставьте промежуточную поверхность эпоксидки открытой.
   3. Подготовьте модель с подвешенным разрядом, установив медный электрод диаметром 2 мм на 5 мм над заземленной медной пластиной (40 мм × 40 мм × 1 мм) с помощью эпоксидной опоры. Держите стержень электрода электрически изолированной от пластины.
   4. Подготовьте модель с внутренним разрядом, отлив эпоксидный блок с цилиндрическим искусственным воздушным пустотом (диаметром 10 мм × высотой 2 мм), центрированным между двумя медными пластинами (40 мм × 40 мм × 1 мм). Разместить центр пустоты примерно на 2,5 мм ниже верхней поверхности.
   5. Подготовьте модель с точечным разрядом, расположив игольчатый электрод из нержавеющей стали с радиусом кончика примерно 0,5 мм напротив заземленной медной пластины через воздушный зазор 10 мм.
   6. Очистите все электроды этанолом и полностью высушите их перед сборкой.
   7. Соберите геометрию дефекта электрода в тестовом шкафу и проверьте все расстояния между электродами с помощью суппорта перед каждым испытанием напряжения.
4. Развернуть датчик микрофонной массивы с использованием модифицированной кольцевой спирали, состоящей из 112 каналов. См. рисунок 8 для распределения координат.
5. Установите частоту дискретизации на 200 кГц и настройте длину дискретки на 8192 точки за кадр. См. таблицу 1 для параметров датчика.
6. Настройте оборудование микрофонного массива.
   1. Установите 112 микрофонов заподлицо на модифицированной кольцевой спиральной раме в координатах, показанных на рисунке 8. Сохранять межэлементное расстояние, определённое файлом координат массива, в диапазоне от 10 мм до 25 мм.
   2. Разместите портативный акустический калибратор и ультразвуковой эталонный источник 40 кГц на расстоянии 300 мм от центра микрофонной решетки.
   3. Калибруйте все активные микрофонные каналы перед каждой сессией получения с помощью 94 дБ SPL, акустического эталонного сигнала 1 кГц и ультразвукового эталонного сигнала 40 кГц.
   4. Записывайте калибровочные сигналы по 5 секунд с каждого микрофонного канала.
   5. Вычислите чувствительность RMS и фазовую характеристику каждого канала относительно канала массива-центр.
   6. Сохраняйте только каналы с отклонением чувствительности в пределах ±2 дБ при 1 кГц, в пределах ±3 дБ на 40 кГц, и без клиппинга или аномального шумового уровня.
   7. Исключить каналы, не соответствующие критериям принятия, из последующего анализа.
   8. Повторяйте процедуру калибровки после замены микрофона или перемещения антенны массива.
7. Настройте многоканальную систему сбора данных для одновременного отбора дискретизации по всем активным микрофонным каналам.
   1. Настройте систему DAQ для одновременного захвата всех 112 микрофонных каналов с использованием общей частоты дискретизации 200 кГц.
   2. Установите разрешение получения на 16 бит, настройте переменный ток и получите 8192 точки на кадр.
   3. Распределите аппаратный стартовый триггер ко всем модулям захвата через общую шину TTL-триггера с положительным ребром.
   4. Храните все микрофонные каналы в одном кадре и сохраняйте временную метку триггера и индекс канала для каждого захвата.
   5. Проверьте первые 100 полученных кадров на наличие пропущенных образцов, насыщенности каналов и дрейфа тактового сигнала перед началом официального сбора данных.
8. Объясните конфигурацию микрофонного массива. 112-канальный массив был выбран для улучшения пространственной плотности дискретизации при формировании луча и оценки задержки GCC-PHAT, тем самым увеличивая подавление шума окружающей среды вне оси по сравнению с редким массив с низким количеством каналов. Хотя для геометрической 3D-локализации может быть достаточно примерно четырёх каналов, настоящий протокол использует плотную пространственную дискретизацию для усиления сигнала и стабильности функций, а не только для локализации. Версии с уменьшенным каналом должны быть проверены отдельно перед развертыванием с учетом стоимости в полевых условиях.
9. Примените высокое напряжение к тестовой цепи для индуцирования частичных разрядов в разных моделях.
10. Поддерживайте экспериментальную среду во время испытаний.
    1. Поддерживайте лабораторию при 22°C ± 2°C, относительной влажности 45%–55% и атмосферном давлении 101 ± 2 кПа во время сбора данных.
    2. Измерьте фоновой акустический шум перед включением системы высокого напряжения.
    3. Сбор данных продолжается только при взвешенном A уровне фонового шума ≤40 дБ(А).
    4. Проверьте, что ультразвуковой уровень шума каждого активного микрофонного канала находится как минимум на 20 дБ ниже уровня импульса разряда, наблюдаемого во время пилотных испытаний.
    5. Держите двери и окна закрытыми и выключайте необязательное вращающееся оборудование во время сбора данных.
    6. Заземлить высоковольтную раму и шасси DAQ перед захватом.
    7. Предотвращайте движение персонала рядом с микрофонной решеткой во время записи.
11. Постоянно контролируйте активность разряда с помощью датчика TEV, подключённого к терминалу ПК.
    1. Установите порог мониторинга TEV на 6 дБ выше уровня фонового шума до теста и не ниже эквивалентного входного уровня 10 мВ.
    2. Настройте опорный канал TEV с аналоговой полосой пропускания 3–100 МГц и усилением 40 дБ.
    3. Записывайте активность импульсов TEV с помощью огибающей и регистрации импульсов на терминале ПК.
    4. Настройте систему TEV на использование аппаратного триггера позитивного края.
    5. Используйте одинаковое пороговое значение как для мониторинга TEV, так и для генерации триггеров.
    6. Акустический кадр принимается только тогда, когда активность импульса TEV происходит в соответствующем окне приобретения и повторяется на протяжении последовательных кадров при выбранном напряжении.
12. Постепенно регулируйте напряжение между 4 и 12 кВ.
13. Записывайте акустические сигналы после того, как для конкретной модели наблюдается явное и стабильное явление неисправности изоляции. Определите отдельное и стабильное явление неисправности как разрядное состояние, при котором активность TEV и акустические импульсные паттерны многократно наблюдаются при целевом напряжении без явного прерывистого вымирания, насыщения акустического канала, несвязанного механического шума или внешнего ударного шума. Поддерживайте напряжение до тех пор, пока паттерн разряда не останется стабильным не менее 60 секунд, прежде чем записывать акустические кадры.
14. Соберите 1000 наборов действительных данных для каждого из четырёх типов неисправности. Классифицировать кадр образца как действительный только если эталон TEV указывает активность разряда, акустический канал не насыщен, кадр не содержит явного внешнего шума при воздействии или обработке, а этикетка образца соответствует модели активного дефекта. Исключайте кадры с насыщенностью акустического канала, отсутствием подтверждения TEV, несогласованной маркировкой неисправности, периодическим вымеранием разрядов, внешним механическим воздействием или нестабильным фоновым шумом.
15. Синхронизировать систему TEV и систему акустического сбора во время сбора данных.
    1. Подключите выход триггера TEV к акустическому входу триггера DAQ через общую шину триггера TTL.
    2. Используйте выход импульса TEV как аппаратный триггер для акустического сбора данных.
    3. Запишите триггерный маркер как цифровой тайминговый канал в акустический файл данных.
    4. Выполните начальное выравнивание потоков TEV и акустического захвата с помощью временной метки триггера.
    5. Оценить остаточные задержки между микрофонами с помощью GCC-PHAT перед формированием луча.
    6. Проверьте, что точность акустической синхронизации TEV находится в пределах ±1 акустической выборки, что соответствует ≤5 мкс, при частоте дискретизации 200 кГц.

Рисунок 6: Платформа обнаружения неисправностей изоляции с микрофонной решеткой. Экспериментальная установка, используемая для обнаружения неисправностей акустической изоляции. Платформа состоит из тестовой цепи высокого напряжения, шкафа для тестирования изоляции и неисправности, системы микрофонного массива, датчика TEV и компьютерной системы мониторинга для сбора и проверки данных. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 7: Лабораторные модели неисправностей изоляции. Репрезентативные модели изоляции и дефектов, используемые для сбора данных. (A) Модель поверхностного разряда. (B) Модель с подвешенным расходом. (C) Модель внутреннего разряда. (D) Модель точечного разряда. Модели были созданы для моделирования четырёх типичных условий изоляции и неисправности в контролируемых лабораторных условиях. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 8: Распределение микрофонного массива. Пространственное расположение 112-канального микрофонного массива с использованием модифицированной кольцевой спиральной конфигурации. Распределение координат иллюстрирует расположение датчика, используемое для акустического приёма сигнала и последующего анализа формирования луча. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Тип параметра	Значение параметра
Структура массива	Модифицированная кольцевая спираль
Количество каналов	112
Частота дискретизации	200 кГц
Точек выборки на кадр	8192

Таблица 1: Параметры микрофонного массива. Технические характеристики системы микрофонного массива, используемой для акустического приема сигнала во время экспериментов по изоляции и неисправности. Таблица суммирует геометрию массива, количество каналов, частоту дискретизации и количество точек выборки, полученных за кадр. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

2. Извлечение признаков во временной области с помощью TCN-AE

1. Введите заранее обработанные акустические данные временных рядов в TCN для фиксации динамических временных^{вариаций 13,14}. После слияния сигнала нормализуйте каждый акустический кадр с 8192 пунктами с помощью процедуры нормализации, применяемой при обучении модели, и введите нормализованную 1D-последовательность в TCN.
2. Настройте архитектуру TCN.
   1. Постройте TCN, используя три остаточных блока, расположенных последовательно для извлечения временных признаков.
   2. Назначьте 64 сверточных фильтра каждому остаточному блоку и установите размер ядра свёртки на 3.
   3. Реализовать расширенные причинные свёртки и настроить коэффициенты дилатации как d = 1, 2 и 4 для постепенного расширения временного рецептивного поля.
   4. Применяйте функцию активации ReLU после каждой свёрточной операции.
   5. После каждого остаточного блока применяйте частоту выброса 0,20, чтобы уменьшить перенастройку во время тренировки.
   6. Выполняйте нормализацию веса как метод регуляризации внутри каждого остаточного блока.
   7. Включайте остаточные соединения по всей сети и при необходимости используйте 1 × 1 сверточные проекции для соответствия размеров признаков между остаточным и трансформированным путями.
3. Примените причинные свёртки к входной последовательности. Адаптировать нулевое заполнение перед последовательностью в зависимости от размера ядра, чтобы обеспечить строго зависимость выхода на каждом шаге времени от текущих и предыдущих входов.
4. Выполните причинную свёртку, используя вес ядра (w_i) и размер ядра (K) следующим образом (Уравнение 1):
   (1)
5. Реализовать расширенные свёртки для расширения рецептивного поля сети без увеличения количества параметров. Увеличивайте коэффициент дилатации d экспоненциально по мере увеличения глубины сети для захвата долгосрочных временных зависимости.
6. Вычислим расширенную свёртку с помощью коэффициента дилатации (d) следующим образом (Уравнение 2). Используйте прогрессию коэффициента дилатации d = 1, 2 и 4 во время тренировки TCN, чтобы постепенно расширять временное рецептивное поле без увеличения количества точек выборки в каждой акустической системе.
   (2)
7. Интегрировать остаточные соединения для снижения исчезающих градиентов во время обучения глубокой сети.
8. Пропустите входную последовательность через расширенный каузальный свёрточный блок. Выполните регуляризацию веса и примените нелинейную активацию ReLU, за которой следует слой Dropout.
9. Добавьте обработанный выход напрямую к исходной последовательности ввода (рисунок 2). Примените нормализацию веса внутри каждого остаточного блока и используйте коэффициент выпадения 0,20 перед выполнением остаточного сложения. При необходимости используйте сверточную проекцию 1 × 1, чтобы сопоставить размерности признаков между остаточным и преобразованным путями.
10. Подайте высокоразмерные временные особенности, извлеченные TCN, в AE для уменьшения размерности^{признаков 15}.
11. Настройте архитектуру AE.
    1. Постройте энкодер с использованием трёх полностью связанных слоёв с размерами 512, 256 и 128 нейронов соответственно.
    2. Определим представление латентного пространства с помощью 128-мерного вектора признаков.
    3. Постройте декодер из трёх полностью связанных слоёв размерами 128, 256 и 512 нейронов соответственно.
    4. Применяйте функцию активации ReLU после каждого полностью соединённого слоя как в энкодере, так и в декодере.
    5. Настройте AE так, чтобы он восстановил представление входных признаков из вектора латентного пространства и оптимизировал восстановление с помощью функции потерь среднего квадрата (MSE), описанной в шаге 2.16.
12. Сжать входные данные в более низкомерное латентное представление с помощью энкодера.
13. Восстановить исходные данные с помощью декодера (рисунок 3).
14. Выполните кодировочные и декодировочные преобразования с помощью функции активации ReLU (σ), матриц весов (W₁ и W₂) и смещения (b₁ и b₂), как указано в уравнениях 3 и 4.
    (3)
    (4)
15. Обучайте AE сохранять критическую информацию, минимизируя ошибку реконструкции.
16. Используйте среднеквадратичную ошибку (MSE) в качестве функции потерь и вычислите ошибку реконструкции с помощью уравнения 5.
    1. Обучайте AE с помощью оптимизатора Адама с скоростью обучения 0,001.
    2. Установите размер партии на 50 и обучайте сеть максимум 100 эпох.
    3. Отслеживайте потерю валидации во время тренировки и применяйте раннюю остановку с значением терпения 10 эпох.
    4. Используйте фиксированный раздел набора данных, состоящий из 2400 обучающих образцов, 400 валидационных и 400 тестовых образцов.
    5. Проведите обучение модели в среде глубокого обучения на Python, изложенной в таблице материалов.
    6. Вычислите ошибку реконструкции с помощью уравнения 5.
       (5)

3. Извлечение признаков в частотной области с помощью Mel-спектрограммы и CBAM

1. Примените функции предварительного выделения, кадрирования и оконного оформления к необработаным акустическим сигналам с частичным разрядом.
   1. Удалите сдвиг постоянного тока с каждого акустического кадра с 8192 пунктами.
   2. Примените предварительные акценты с помощью следующих методов:
      
   3. Нормализуйте каждый кадр, используя его максимальную абсолютную амплитуду после удаления смещения постоянного тока.
   4. Сегментируйте каждый кадр с помощью окна Хэмминга с 1024 сэмплами.
   5. Используйте длину хопа в 512 образцов, что соответствует 50% перекрытия соседних окна.
   6. Вычислите кратковременное преобразование Фурье (STFT) с помощью 1024-точечного FFT.
   7. Не применяйте дополнительную программную пропускную фильтрацию за пределы аппаратного ограничения по пропускной способности и описанных выше критериев исключения качества кадров.
2. Выполните преобразование Фурье для обработанных сигналов.
3. Преобразите исходную линейную частоту (f) в шкалу Мела. Этот этап линеаризирует восприятие частоты человека и уменьшает вес помех¹⁶.
4. Вычислите частоту по мел-шкале (f_mel) с использованием исходной линейной частоты (f) (Уравнение 6).
   (6)
5. Разбийте частоты на последовательность треугольных банков фильтров.
6. Вычислите взвешенную сумму всех амплитуд сигнала в пределах полосы пропускания каждого фильтра. Примените логарифмическую функцию к выходу для повышения перцептивной согласованности относительно вариаций амплитуды.
7. Вычислите выход Mel-фильтр-банка с помощью уравнения 7. Здесь S(m) — выход m-го фильтра, k — частотный индекс, а H_m(k) определяет треугольный фильтр.
   (7)
8. Сгенерируйте спектрограммы Мела.
   1. Вычислите кратковременное преобразование Фурье, используя размер FFT, равный 1024.
   2. Примените банки фильтров 256 Mel к полученному частотному спектру.
   3. Генерировать Mel-спектрограммы в диапазоне частот от 0 до 100 кГц.
   4. Изменять размер или представить полученные спектрограммы Mel в виде 256 × 256-пиксельных карт признаков для последующей обработки CBAM.
   5. Преобразуйте спектрограмму мощности Mel в шкалу децибел.
   6. Применим нормализацию минимального максимума по спектрограмме с помощью логарифмически сжатого спектрограммы Mel (S_dB):
      
   7. Нормализацию выполняйте независимо для каждого изображения 256 × 256 Mel-спектрограммы.
   8. Срезать нормализованные значения до диапазона [0,1] перед вводом спектрограммы в ветку CBAM.
9. Введите полученные Mel-спектрограммы в CBAM для извлечения главных спектральных^{характеристик 17}.
10. Обрабатывайте данные с помощью последовательных механизмов канала внимания и пространственного внимания (рисунок 4).
11. Настройте архитектуру CBAM.
    1. Настройте модуль канала-внимания, используя коэффициент уменьшения канала 16.
    2. Карты элементов входных процессов с размерами 256 × 256 × 64.
    3. Примените глобальное среднее пулирование и глобальное максимальное пулирование для генерации дескрипторов каналов.
    4. Пропустите объединённые дескрипторы через общий многослойный перцептрон и примените функцию активации Сигмоидов для генерации весов канала и внимания.
    5. Генерируйте массы пространственного внимания с помощью сверточного ядра 3 × 3, применённого к конкатенированным пространственным дескрипторам со средним пулом и максимальным пулом.
    6. Примените сигмоидную активационную функцию для получения окончательной карты пространственного внимания.
12. Извлекайте веса внимания канала.
13. Примените глобальное среднее пулирование и глобальное максимальное пулирование по размерам канала на карте входных признаков.
14. Обработать сгенерированные векторы глобального дескриптора через полностью связный (FC) слой для получения веса канала и внимания (M_c).
15. Вычислите веса канала и внимания с помощью уравнения 8. Здесь M_c — вес канала-внимания, FC — полностью связанный слой, а σ — сигмоидную активационную функцию.
    (8)
16. Извлекать груза пространственного внимания.
17. Примените глобальное максимальное пулирование и глобальное среднее пулирование вдоль оси канала.
18. Соедините полученные пространственные дескрипторные карты и обработайте их через сверточный слой для генерации веса пространственного внимания (M_s).
19. Вычислите веса пространственного внимания с помощью уравнения 9. Здесь M_s — это вес пространственного внимания, — пространственный дескриптор, порождаемый глобальным средним пулингом, а — пространственный дескриптор, порождаемый глобальным максимальным пулингом.
    (9)
    1. Объедините пространственные дескрипторы со средним пулом и максимальный пул вдоль размерности канала.
    2. Примените свёртку 3 × 3 с шагом = 1 и тем же дополнением для создания отображения пространственно-внимательной карты.
    3. Примените функцию активации Сигмоида к выходу свёртки, чтобы получить веса пространственного внимания.
    4. Умножьте веса пространственного внимания по элементам на карту входных признаков, чтобы получить уточнённое пространственное представление.

4. Кроссмодальное слияние признаков с использованием CA

1. Реализовать механизм CA для синтеза извлечённых временных и спектральных^{признаков 18}. В отличие от самовнимания, извлекайте контекстуальную информацию из одной модальности для динамического усиления представления другой (рисунок 5).
2. Настройте архитектуру CA.
   1. Установите размерность вложения в 128.
   2. Настройте модуль CA с 4 головками внимания.
   3. Установить размеры проекции запроса, ключа и значения на 128 каждая.
   4. В рамках модуля CA применяйте процент отброса 0,10.
   5. Не применяйте слои нормализации после внимания или слои прямой передачи после модуля перекрёстного внимания.
   6. Конкатенируйте выходы всех головок внимания.
   7. Подайте заявку на отчисление с коэффициентом 0,10.
   8. Выравнивать полученное представление признаков.
   9. Перенесите вектор уплощённых признаков напрямую в классификатор 1D-CNN.
3. Инициализуйте матрицы запроса (Q), ключа (K) и значения (V) из двух различных входных последовательностей (признаков времени и частоты).
4. Вычислим матрицу запросов с помощью уравнения 10, где X₁ обозначает матрицу временных признаков, созданную путём TCN-AE, а W_Q, а b_Q — соответствующую изученную матрицу веса и член смещения соответственно.
   (10)
5. Вычислите матрицу Key с помощью уравнения 11, где X₂ обозначает матрицу признаков в частотной области, созданную путём Mel-CBAM, а W_K, и b_K указывают соответственно полученную матрицу веса и член смещения.
   (11)
6. Вычислите матрицу значений с помощью уравнения 12. где W_V и b_V указывают соответственно на изученную матрицу веса и член смещения.
   (12)
7. Вычислите взаимодействие CA на основе связи между элементами запроса и ключа.
8. Вычислите матрицу внимания-веса с помощью уравнения 13. Здесь α_ij задаёт вес внимания i-го элемента относительно j-го элемента, а d_k — размерность ключевых векторов.
   (13)
9. Обновите окончательное представление признаков, вычислив взвешенную сумму матрицы Value согласно рассчитанным весам внимания.
10. Вычислите представление слияных признаков с помощью уравнения 14. Здесь O_i — это выход последовательности, представляющий надёжный акустический отпечаток временно-частотного синтеза изоляционной неисправности.
    (14)
    1. Сгенерировать представление слияных признаков с выходной размерностью 128.
    2. Объедините выходы кросс-тайм и кросс-частотный фокус.
    3. Выравнивать слитое представление перед классификацией.
    4. Передайте плоское представление признаков в 1D-CNN и полностью подключённый классификатор Softmax, показанный на рисунке 9.

Рисунок 9: Общая структура идентификации неисправностей изоляции. Рабочий процесс предлагаемого метода идентификации изоляционных дефектов. Необработанные сигналы микрофонного массива объединяются и предварительно обрабатываются, затем проводится извлечение признаков во временной области с помощью пути TCN–AE, извлечение признаков в частотной области с использованием спектрограмм Mel и CBAM, слияние признаков на основе CA и окончательная классификация неисправностей с помощью одномерной сверточной нейронной сети. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

5. Выровнять и синтезировать сигналы микрофонного массива через GCC-PHAT

1. Выберите два сигнала микрофона для оценки задержки и конвертируйте их в частотную область с помощью FFT.
   1. Используйте полный акустический кадр с частотой 8192 точек, полученный на частоте 200 кГц, для расчёта GCC-PHAT на основе FFT.
   2. Применяйте FFT к каждому выбранному сигналу микрофона перед вычислением спектра перекрестной мощности с PHAT.
   3. Оцените межканальную временную задержку относительно выбранного опорного микрофона, используя спектр перекрестной мощности PHAT и процедуру IFFT, показанные на рисунке 10.
   4. Примените GCC-PHAT относительно выбранного эталонного микрофона перед выравниванием всех 112 активных каналов микрофона.
   5. Перед обработкой FFT примените окно Ханна к всей акустической раме с разрешением 8192 точек.
   6. Не используйте перекрывающиеся окна при оценке задержки GCC-PHAT.
   7. Zero-pad каждый кадр с оконным уровнем достигал 16 384 пункта до вычислений FFT и IFFT.
   8. Используйте сигнал с нулевым покрытием для улучшения разрешения задержки и пика при оценке временной задержки.
2. Получите представления в частотной области и выбранные сигналы микрофона.
3. Вычислите межмощный спектр для оценки сходства между двумя сигналами.
4. Введите функцию взвешивания фазового преобразования (PHAT) для усиления пика перекрестной корреляции и смягчения эффектов реверберации.
5. Вычислите спектр перекрестной мощности, взвешенный по PHAT, используя уравнение 15. Здесь и — это частотные представления двух микрофонных сигналов и обозначает комплексное сопряжённое соединение.
   (15)
6. Применим IFFT для вычисления обобщённой функции перекрёстной корреляции (GCC).
7. Определите переменную временной задержки τ , определив пик функции GCC.
8. Вычислите функцию GCC с помощью уравнения 16. Здесь — обобщённая функция перекрёстной корреляции и представляет оцененную задержку времени.
   (16)
9. Выполните компенсацию времени, чтобы выровнять сигналы на основе предполагаемой задержки.
10. Синхронизируйте каждый канал относительно эталонного микрофона с помощью уравнения 17. Здесь — сигнал с компенсацией задержки, а τ_i — оценочная задержка относительно опорного микрофона.
    1. Выберите микрофон, расположенный ближе всего к геометрическому центру массива, в качестве эталонного микрофона.
    2. Проверьте, что выбранный микрофон соответствует критериям калибровочной приемки, описанным в шаге 1.6.
    3. Если центральный микрофон не соответствует критериям калибровки, выберите ближайший откалиброванный микрофон к геометрическому центру в качестве эталонного микрофона.
    4. Оцените задержку τ_i для каждого активного микрофонного канала относительно выбранного эталонного микрофона.
    5. Выровняйте все 112 активных микрофонных каналов с выбранным эталонным микрофоном перед формированием луча.
       (17)
11. Выполнить формирование пучка с задержкой и суммой для слияния пространственной информации.
12. Усилить сигнал, исходящий из направления цели, одновременно подавляя окружающий шум с помощью уравнения 18. Здесь y(t) — это сигнал с пучком, — сигнал с компенсацией задержки от i-го микрофона, а N — общее количество каналов микрофона.
    1. Выполнить формирование пучка с задержкой и суммой после компенсации задержки GCC-PHAT.
    2. Используйте равномерное взвешивание для всех активных микрофонных каналов.
    3. Набор N = 112 для 112 активных микрофонных каналов, используемых при захвате.
    4. Определите направление цели, используя известное геометрическое положение модели активного дефекта относительно центра микрофонного массива.
    5. Направите формировщик пучка с задержкой и суммой к центру модели активного дефекта во время синтеза сигнала.
    6. Используйте заранее заданную геометрию тестового шкафа для определения направления руления.
    7. Не выполняйте оценку целевого направления на основе данных во время обучения или тестирования модели.
       (18)

Рисунок 10: Процедура выравнивания сигнала GCC-PHAT. Рабочий процесс обобщённого алгоритма перекрёстной корреляции с фазовым преобразованием (GCC-PHAT). Сигналы микрофона в частотной области обрабатываются для получения перекрестного спектра мощности и функции взвешивания, за которыми следует обратное преобразование Фурье для оценки межканальной задержки. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

6. Оптимизировать сеть с помощью алгоритма CS

1. Инициализуйте параметры алгоритма CS для оптимизации 1D-CNN.
   1. Установите размер популяции, соответствующий количеству гнёзд, на 20.
   2. Установите вероятность открытия (Pa) на 0,25.
   3. Установите максимальное количество итераций оптимизации на 50.
   4. Установить случайный сид на 42 для поддержки воспроизводимости.
   5. Установить параметр масштабирования шагового размера α на 0,01.
   6. Определите границы поиска гиперпараметров согласно диапазонам, суммированным в таблице 2.
   7. Завершить оптимизацию при достижении максимального количества итераций или при достижении сходимости валидации и приспособленности.
2. Генерируйте новые решения, моделируя поведение облигатного паразитизма гнезда у кукушек в сочетании с полетами Леви.
3. Обновите текущее решение (nest) с помощью случайного размера шага, полученного из характеристики полёта Леви.
4. Вычислите обновлённое положение гнезда с помощью уравнения 19. Здесь α — параметр масштабирования по шагу, а обозначает умножение по элементам.
   1. Установить параметр масштабирования шагового размера (α) на 0,01.
   2. Установить параметр Леви (λ) на 1.5.
   3. Кодировать каждое кандидатное вложение как набор 1D-CNN-гиперпараметров, включая конфигурацию сверточного слоя, размер ядра, скорость обучения, размер пакета и настройки оптимизации.
   4. Генерируйте кандидатные гнезда с помощью обновлений Lévy-flight и оценивайте каждый кандидат с помощью производительности валидационных наборов.
   5. Используйте кандидатские решения, которые улучшают приспособленность к валидации.
      (19)
5. Вычислите случайные величины для полёта Леви, используя стандартное нормальное распределение, масштабируемое параметром σ.
6. Вычислите σ с помощью уравнения 20. Здесь обозначает гамма-функцию, а β обычно устанавливается в 1.5.
   (20)
7. Обучить 1D-CNN с использованием пяти сверточных слоёв, размера ядра 3, активации ReLU, оптимизации стохастического градиентного спуска (SGD), начальной скорости обучения 0,001, размера партии 50 и функции потери кросс-энтропии.
8. Оцените оптимизированную модель на тестовом наборе.
   1. Обучить итоговую 1D-CNN с использованием валидационного потерь с ранней остановкой с значением терпения 10 эпох.
   2. Установить случайное семя на 42 для разбиения набора данных и обучения модели.
   3. Оцените оптимизированную модель с помощью фиксированного набора тестирования, изложенного в таблице 2.
   4. Полную оценку матрицы путаницы сообщайте отдельно от результата абляции, с общей точностью 99,05% (3962/4000) и уровнем распознавания по классам от 98,6% до 99,4%.

Категория	Параметр	Ценность / Сеттинг
Набор данных и входные данные	Общее количество акустических рам	4,000
	Классы разломов	Поверхностный расход; приостановленный выброс; внутренний разряд; Точечный разряд
	Частота дискретизации	200 кГц
	Длина кадра	8 192 очка за кадр
	Каналы микрофонного массива	112
	Вход модели	Акустическое представление с перекрёстным фокусом с временно-частотным представлением
Разделение наборов данных	Размер тренировочного набора	2 400 образцов
	Размер валидационного набора	400 образцов
	Размер тестового множества	400 образцов
	Размер оценки полной матрицы путаницы	4 000 образцов
	Стратегия разделения	Одиночное фиксированное разделение
	Случайный сид	42
Архитектура TCN	Количество остаточных блоков	3
	Фильтры на остаточный блок	64
	Размер ядра свёртки	3
	График дилатации	1, 2, 4
	Процент отсева	0.20
Архитектура Autoencoder	Размеры слоя энкодера	512 → 256 → 128
	Латентно-пространственная размерность	128
	Размерности слоя декодера	128 → 256 → 512
Обучение автоэнкодерам	Оптимизатор	Адам
	Скорость обучения	0.001
	Размер партии	50
	Количество эпох обучения	100 эпох
	Критерий ранней остановки	Валидационный MSE; Терпение = 20 эпох
Настройки Mel-спектрограммы	Размер FFT	1 024 очка
	Количество Mel-фильтров	256
	Диапазон частот	0–100 кГц
	Размерности спектрограммы	256 × 256
Конфигурация CBAM	Коэффициент редукции канала	16
	Размеры на карте объектов	256 × 256 × 64
Конфигурация перекрёстного внимания	Размерность вложения	128
	Количество голов внимания	4
	Размерность проекции запроса	всего 128; 32 на душу населения
	Размерность ключевой проекции	всего 128; 32 на душу населения
	Размерность проекции стоимости	всего 128; 32 на душу населения
	Процент отсева	0.10
Классификатор 1D-CNN	Количество сверточных слоёв	5
	Размер ядра свёртки	3
	Функция активации	ReLU
	Выходной слой	Softmax 4-го класса
	Функция потерь	Потеря перекрестной энтропии
Обучающие условия	Оптимизатор	Стохастический спуск по градиенту (SGD)
	Начальная скорость обучения	0.001
	Размер партии	50
	Максимальные обучающие итерации	1,000
	Ранняя остановка	Мониторинг валидации и потерь
	Раннее прекращение терпения	100 итераций
	Последняя потеря в тренировках	В предоставленной рукописи отсутствует
	Потеря окончательной валидации	В предоставленной рукописи отсутствует
Оптимизация поиска по кукушке	Цель оптимизации	Гиперпараметры 1D-CNN
	Размер популяции / количество гнёзд	20
	Вероятность обнаружения (Pa)	0.25
	Параметр масштабирования шагового размера (α)	0.01
	Lévy-flight parameter (β)	1.5
	Параметр Леви (λ)	1.5
	Максимальные итерации оптимизации	50
	Границы поиска по гиперпараметрам	Выпуклые фильтры {32, 64, 128, 256}; размер ядра {3, 5, 7}; скорость обучения 1×10⁻⁴–1×10⁻²; размер партии {25, 50, 100}; Dropout 0,10–0,50; Весовой спад 1×10⁻⁵–1×10⁻³
Валидация и отчётность	Рисунок 13 Точность абляции CA	98.20%
	Таблица 2: точность матрицы путаницы	99.05% (3,962/4,000)
	Перекрёстная валидация / повторные запуски	Не исполнено

Таблица 2: Конфигурация наборов данных, параметры обучения модели и настройки оптимизации для классификации изоляционных неисправностей. Таблица обобщает состав наборов данных, стратегию разделения данных, архитектуру 1D-CNN, конфигурацию обучения, настройки оптимизации Cuckoo Search, метрики валидации и выбор параметров, используемые для разработки и оценки предлагаемой системы диагностики неисправностей. Отсутствующие значения, специфичные для реализации, должны быть отражены в итоговых журналах обучения и оптимизации для облегчения воспроизводимости. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Результаты

Фреймворк извлечения признаков по времени и частоте

Предлагаемый метод идентификации изоляционных дефектов интегрирует временные и спектральные пути извлечения объектов для характеристики сложных акустических сигнатур, возникающих из-за дефектов изоляции. Извлечение признаков во временной области проводилось с помощью TCN, включающего расширенные причинные свёртки для фиксации долгосрочных временных зависимостей в акустических последовательнос...

Обсуждение

В этой статье описывается стандартизированный, бесконтактный протокол выявления сложных неисправностей изоляции в электроэнергетическом оборудовании с помощью акустического распознавания отпечатков пальцев. Интегрируя TCN-AE с Mel-спектрограммой, обработанной Mel-CBAM, установленный конвейер изолирует как динамические временные флуктуации, так и локализованные спектральные характеристики. Последующее кроссмодальное слияние с помощью механизма CA направлено на уменьшение разбавления инфор...

Материалы

```html

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Autoencoder (AE)	Кастомная модель	Архитектура кодировщик-декодировщик для сжатия характеристик	Снижение размерности характеристик
Модуль Cross-Attention	Кастомная модель	Модуль слияния временно-частотных характеристик	Слияние кросс-модальных характеристик
Алгоритм GCC-PHAT	Кастомный алгоритм	Реализация на основе ППФ/ОПФ	Оценка временной задержки и выравнивание сигналов
Испытательный контактный участок высокого напряжения	Собственная лабораторная платформа	Автотрансформатор Т1, испытательный трансформатор Т2, защитное сопротивление 200 кОм, емкость связи 1 нФ; рабочее напряжение 4–12 кВ	Создание условий изоляционного отказа
Мел-спектр + CBAM	Кастомная модель	Извлечение мель-частотного спектра с усилением внимания	Извлечение характеристик в частотной области
Система микрофонных решеток	Собственная лабораторная платформа	112-канальная модифицированная кольцевая спиральная решетка; частота дискретизации 200 кГц; 8192 точки в кадре	Акустическое получение данных
Микрофонные датчики	Собственные согласованные ультразвуковые микрофонные модули	112 согласованных каналов; чувствительность –38 +/- 3 дБВ/Па; частотный диапазон 20 Гц–100 кГц; калибровка по 94 дБ СИЛ/1 кГц и 40 кГц; пределы приемлемости: +/-2 дБ при 1 кГц и +/-3 дБ при 40 кГц	Акустическое обнаружение
Многоканальная система DAQ	Собственная синхронизированная платформа DAQ	Одновременное получение данных на 112 каналах; 16-битный ADC; 200 кГц/канал; 8192 точек/кадр; общий тактовой сигнал дискретизации; триггер TTL по положительному фронту	Получение данных и синхронизация
Одномерная CNN + оптимизация CS	Кастомная модель	Пять сверток; размер ядра 3; SGD; скорость обучения 0.001; размер пакета 50	Классификация дефектов
Обучающая среда Python	Python / PyTorch	Python 3.9; PyTorch 2.0; NumPy 1.24; scikit-learn 1.2; librosa 0.10; CUDA 11.8	Обучение и оценка моделей
Временная светочувствительная сеть (TCN)	Кастомная модель	Разреженные причинно-следственные свертки с остаточными связями	Извлечение характеристик во временной области
Испытательный шкаф с дефектными моделями	Собственная лабораторная платформа	Модели поверхностных разрядов, подвесных разрядов, внутренних разрядов и точечных разрядов	Моделирование изоляционных отказов
Система испытаний на напряжение земного пробоя (TEV)	Коммерческий модуль мониторинга TEV	Ссылочный канал TEV; аналоговый полоса пропускания 3–100 МГц; усиление 40 дБ; триггер TTL по положительному фронту; порог триггера установлен на 6 дБ выше уровня фона фонового шума или >=10 мВ эквивалентного значения на входе датчика	Проверка активности разрядов

```