Elektrik ekipmanlarında yalıtım hata tanıma için zaman-frekans akustik özelliklerin çapraz dikkat birleşimi Elektrik Ekipmanlarında Mikrofon Dizisi Sistemi kullanılarak

Özet

Bu protokol, otomatik arıza sınıflandırması için zaman ve frekans alanı akustik özelliklerinin çıkarılıp sigortalanarak güç ekipmanlarındaki yalıtım hatalarını tanıma için temassız bir yöntem tanımlar.

Özet

Bu protokolün amacı, otomatik arıza sınıflandırması için zaman ve frekans alanındaki akustik özellikleri çıkarıp sigortalayarak enerji ekipmanlarındaki yalıtım hatalarını tanıma için temassız bir yöntem sağlamaktır. Yalıtım hataları tarafından üretilen akustik parmak izleri, doğrusal olmayan ve Gauss dışı özellikler sergiler; bu da geleneksel tek alanlı özellik çıkarma yaklaşımlarının etkinliğini sınırlayabilir. Bu zorluğu gidermek için, bu protokol dört yalıtım hata türünün tanımlanması için çapraz dikkat (CA) mekanizmasına dayalı bir zaman-frekans özellik çıkarımı ve füzyon çerçevesi sunmaktadır. Zaman alanı özellikleri ilk olarak zamansal konvolüsyon ağ ve otomatik kodlayıcı kullanılarak çıkarılır; böylece ardışık akustik sinyallerdeki dinamik değişimler yakalanır. Paralel olarak, frekans alanı özellikleri Mel spektrogramlarından konvolüsyon blok dikkat modülü kullanılarak çıkarılarak spektral özellik temsili geliştirilir. Daha sonra, zamansal ve spektral özellikleri adapte edici şekilde birleştirmek için CA mekanizması kullanılır ve iki özellik alanı arasındaki ilişkileri güçlendirir. Birleşmiş özellik temsili, daha sonra hata sınıflandırması için Guguk Arama algoritması kullanılarak optimize edilmiş tek boyutlu bir konvolüsyon sinir ağına girilir. Temsil eden sonuçlar, bu çerçevenin karmaşık akustik parmak izlerini etkili bir şekilde karakterize ettiğini ve geleneksel özellik çıkarma yaklaşımlarına kıyasla yüksek sınıflandırma performansı sağladığını göstermektedir. Protokol, elektrik güç ekipmanlarının yalıtım arıza teşhisi ve durum izlemesi için sağlam bir temassız strateji sağlar.

Giriş

Enerji ekipmanlarındaki yalıtım hatalarının erken tespiti, 1,2,3,4 şebekesinin güvenliği ve istikrarını sağlamak için kritik öneme sahiptir. İstatistikler, elektrik ekipmanı arızalarının yaklaşık %60'ının doğrudan yalıtım bozulmasıyla ilişkili^{olduğunu göstermektedir 5}. Ancak geleneksel elektrik izleme yöntemleri genellikle gecikmeli yanıt, zayıf anti-parazit yetenekleri ve invaziv, temas tabanlı kurulum gereksinimi nedeniyle^{sorun çıkar.} Son zamanlarda, akustik parmak izi tanıma, hızlı yanıt vermesi ve uygulanabilme kolaylığı sayesinde umut vadeden bir temassız tanı yaklaşımı olarak^{ortaya çıkmıştır 6,7}. Buna rağmen, yalıtım fay sinyalleri doğası gereği doğrusal olmayan ve Gauss⁸ değildir. Akustik özellikleri genellikle çevresel gürültü ve yapısal titreşimlerle gizlenir; bu da geleneksel tek alanlı (zaman veya frekans alanı) çıkarma yöntemlerinin fayın temel özelliklerini yakalamasını zorlaştırır.

Akustik özellik çıkarımı üzerine güncel araştırmalar iki temel zorlukla karşı karşıyadır. Birincisi, kısa zamanlı enerji veya sıfır çapraz hızlar gibi zaman alanı analizi, sinyal dalgalanmalarını yansıtır ancak genellikle ince taneli spektral detayları kaybeder. İkinci olarak, Hızlı Fourier Dönüşümü (FFT) ve dalga geçişi gibi frekans alanı yöntemleri spektral özellikleri çıkarabilir ancak sinyalin dinamik zamansal evrimini yakalamakta zorlanır. Önceki çalışmalar bu boşluğu kapatmaya çalışmıştı. Örneğin, Dai ve ^ark.9 , iki boyutlu zaman-frekans haritaları oluşturmak için kısa süreli Fourier dönüşümü (STFT) kullanmıştır. Ancak, belirsizlik prensibi nedeniyle, STFT'nin çözünürlüğü pencere genişliği tarafından sınırlandırılır ve bu da zaman yerelleştirmesi ile frekans çözünürlüğü arasında bir denge gerektirir. Mel-frekanslı cepstral katsayıları (MFCC'ler) ve gammaton-frekans cepstral katsayıları (GFCC'ler)¹⁰ gibi diğer yaklaşımlar, yüksek girişimli koşullarda sağlamlığı koruyamayacak kadar basit özellik temsillerine yol açar. Gelişmiş dağılımlar ve entropiye dayalı özellikler¹¹ belirli veri setlerinde yüksek doğruluk sağlamış olsa da, sınırlı örneklem boyutları nedeniyle genellenebilirlikten mahrum kalırlar. Ayrıca, zaman ve frekans alanı özelliklerinin basit bir şekilde birleştirilmesi, içsel bir korelasyon mekanizması kuramaz; bu da genellikle yüksek tekrarlılık ve yetersiz ayırt edilebilirliğe yol açar. Geleneksel makine öğrenimi modelleri, yalıtım hata veri setlerine özgü küçük örnek, yüksek gürültülü özelliklerle ilgilenirken aşırı uyum sağlamaya yatkındır¹². Son gelişmeler, geleneksel el yapımı tanımlayıcılar ve zaman-frekans temsillerinden derin sinir ağı tabanlı özellik çıkarımı ve dikkat odaklı füzyon stratejilerine doğru ilerlemiştir. Buna rağmen, birçok mevcut yaklaşım hâlâ zamansal ve spektral bilgiyi bağımsız olarak işliyor veya bunları basit özellik birleştirmesiyle birleştiriyor; bu da karmaşık akustik sinyallerde alanlararası ilişkileri yakalama yeteneklerini sınırlıyor.

Bu sınırlamaları gidermek için, bu protokol çapraz dikkat (CA) mekanizmasına odaklanan sinerjik zaman-frekans özelliği çıkarma ve füzyon metodolojisi sunar. Bu yöntemin temel amacı, kritik özelliklere uyarlanabilir ağırlıklar veren ve böylece geleneksel birleştirme stratejileriyle ilişkilendirilen bilgi seyreltmesini azaltan bir çapraz modal korelasyon modeli kurmaktır. Protokol, akustik diziler içinde uzun menzilli bağımlılıkları yakalamak için zaman alanı işleme yolu oluşturmak için bağlı zamansal konvolüsyon ağ (TCN) ve otomatik kodlayıcı (AE) mimarisi kullanır. Aynı zamanda, yerel spektral özellikleri ve kanal düzeyinde dikkati artırmak için paralel bir Mel-spektrogramı ve konvolüsyon blok dikkat modülü (CBAM) mimarisi tasarlanmıştır. Bu yaklaşımın merkezinde, zaman ve frekans alanları arasındaki karşılıklı bağımlılıkları modellemek için sorgu-anahtar-değer etkileşimleri kullanan bir CA mekanizmasının tanıtılmasıdır. Benzer dikkat temelli füzyon kavramları, dikkat ağırlıklarının müdahale altındaki ayırt edici zamansal veya spektral bölgeleri vurguladığı gürültülü makineler ve akustik tanı görevlerinde de rapor edilmiştir; ancak mevcut kısmi boşaltma sınıflandırıcılarının çoğu hâlâ tek alanlı temsillere veya geç füzyona dayanır ve bu da mevcut CA tasarımını motive etmektedir. Son olarak, Cuckoo Search (CS) algoritması kullanılarak optimize edilmiş tek boyutlu bir konvolüsyon sinir ağı (1D-CNN) sağlam hata sınıflandırması için kullanılır.

Bu yöntem, karmaşık elektromanyetik ortamlarda etkili olmaya devam eden yüksek performanslı, temassız bir çözüm sunarak geleneksel tanı yaklaşımlarına göre önemli avantajlar sunar. Performans metrikleri, ablasyon çalışması ve nihai sınıflandırma modeli için ayrı ayrı rapor edilir. Ablasyon çalışması CA konfigürasyonu için %98,2 doğruluk elde ederken, nihai sınıflandırma modeli %99,05 (3962/4000) genel doğruluk elde etmiş ve sınıf bazında tanıma oranları %98,6 ile %99,4 arasında değişiyor. Özellikle 10 kV anahtar veya benzeri güç dağıtım ekipmanlarının otomatik izlenmesini uygulamak isteyen araştırmacılar ve mühendisler için, temas tabanlı algılama pratik olmayan durumlarda uygundur. Bu protokolü takip ederek, kullanıcılar karmaşık akustik parmak izlerini etkili bir şekilde karakterize edebilir ve yüksek arka plan gürültüsü koşullarında güvenilir arıza tespiti sağlayabilir. Ses spektrogram transformatör (AST) mimarileri dahil olmak üzere transformator tabanlı akustik modeller, uzun menzilli spektro-zamansal bağlam modellemesi için umut vaat edicidir; Ancak, mevcut veri seti nispeten küçük olduğu ve önerilen çerçevenin kararlı eğitimi, daha düşük hesaplama maliyetini ve yorumlanabilir zaman ve frekans alanı işleme dallarını önceliklendirdiği için mevcut protokol için seçilmediler. Transformatör tabanlı mimarilerin değerlendirilmesi, gelecekteki çalışmalar için önemli bir yönü temsil eder.

Protokol

Bu çalışma insan katılımcıları, omurgalı hayvanlar veya biyolojik örnekleri içermedi. Bu nedenle, kurumsal etik onay, hayvan kullanımı onayı ve insan özne onayı gerekmiyordu.

Şekil 1, TCN mimarisinde kullanılan genişletilmiş nedensel konvolüsyon yapısını göstermektedir. Şekil 2, zamansal özellik çıkarımı sırasında kullanılan kalıntı bağlantı yapısını göstermektedir. Şekil 3 , özellik boyutu küçültmesi için kullanılan AE mimarisini göstermektedir. Şekil 4 , spektral özellik çıkarımı için kullanılan CBAM mimarisini göstermektedir. Şekil 5 , zaman-frekans özellik füzyonu için kullanılan CA mekanizmasını göstermektedir.

Şekil 1: Genişlemiş nedensel konvolüsyon yapısı. Zamansal konvolüsyon ağ (TCN) mimarisinin nedensel ve genişletilmiş konvolüsyonları kullanan şematik illüstrasyonu. Genişleme faktörü, ağ derinliği ile birlikte alıcı alanı genişletir ve akustik sinyallerde uzun menzilli zamansal bağımlılıkları yakalar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2: Kalıntı Bağlantı Yapısı. TCN mimarisinde kullanılan kalıntı bloğun diyagramı. Blok, nedensel konvolüsiyalar, ağırlık normalizasyonu, ReLU aktivasyon fonksiyonları, çıkarma katmanları ve kalıcı bir bağlantı ile stabil derin ağ eğitimini kolaylaştırmak ve gradyan bozulmasını azaltmak için bir kalıntı bağlantıyı içerir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 3: Otomatik kodlayıcı (AE) Mimarisi. Özellik boyutu küçültmesi için kullanılan AE'nin şematik temsili. Kodlayıcı, giriş akustik özelliklerini gizli bir temsile sıkıştırır ve kodlayıcı sıkıştırılmış temsilden orijinal özellik alanını yeniden oluşturur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4: Konvolüsyon Blok Dikkat Modülü (CBAM) Mimarisi. Frekans alanı özellik geliştirme için kullanılan CBAM'ın iş akışı. Modül, Mel spektrogramlarından çıkarılan özellik temsillerini geliştirmek için kanal dikkati ve mekansal dikkat mekanizmalarını ardışık olarak uygular. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 5: Çapraz Dikkat (CA) Özellik Füzyon Mekanizması. Zamansal ve frekans alanı özelliklerini birleştirmek için kullanılan CA modülünün şematik temsili. Sorgu, Anahtar ve Değer matrisleri, iki özellik modalitesinden oluşturularak modlar arası bağımlılıkları modellemek ve birleşmiş özellik temsilleri oluşturmak için oluşturulur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

1. Yalıtım Arızası Akustik Parmak İzi Platformunun Kurulumu ve Veri Toplama

1. Laboratuvar içinde temassız bir mikrofon dizisi tespit platformu inşa edin. Sistemi, yüksek voltajlı test devresi, hata modellerinin bulunduğu test kabini, Geçici Toprak Voltajı (TEV) test sistemi ve mikrofon dizisi sistemi ile monte edin. TEV sistemi, deşarj doğrulaması için elektriksel referans kanalı olarak işletildi.
   NOT: Yüksek voltajlı devrede bir ototransformatör (T1), bir test transformatörü (T2), bir 200 kΩ koruyucu bir direnç (R) ve bir 1 nF bir bağlantı kondansatörü (Cx) bulunduğundan emin olun. Şematik düzen için Şekil 6'ya bakınız.
   DIKKAT: Yüksek voltaj testi elektrik şoku riski taşır. Kurumsal elektrik güvenliği prosedürlerini takip edin ve tüm yüksek voltajlı bileşenlerin operasyondan önce doğru şekilde yalıtıldığından ve topraklandığından emin olun.
2. Test kabini içinde yaygın operasyonel kusurları simüle etmek için dört farklı yalıtım hata modeli yapılandırın: yüzey boşaltı, askı boşaltma, iç boşalma ve nokta boşaltma (Şekil 7).
3. Yalıtım hata modellerini test için hazırlayın.
   1. Tüm modelleri 100 mm × 100 mm × 5 mm epoksi-reçine yalıtma plakalarında cilalı elektrotlar kullanarak üretin.
   2. Yüzey deşarj modelini, üst yüzeye 15 mm sürünme boşluğu ile iki adet 20 mm × 10 mm × 1 mm bakır şerit elektrodu sabitleyerek hazırlayın. Aradaki epoksi yüzeyi açıkta bırakın.
   3. Askı deşarj modelini, topraklanmış bakır plakanın (40 mm × 40 mm × 1 mm) üzerine 5 mm çapında 2 mm çapında bakır çubuk elektrodu monte ederek hazırlayın; epoksi destek kullanarak. Çubuk elektrodunu plakadan elektriksel olarak izole edin.
   4. İç deşarj modelini, iki bakır plaka (40 mm × 40 mm × 1 mm 1 mm arasında silindirik yapay hava boşluğu (10 mm çapında × 2 mm yükseklikte) içeren epoksi blok dökerek hazırlayın. Boşluk merkezini üst yüzeyin yaklaşık 2,5 mm altına yerleştirin.
   5. Nokta deşarj modelini, yaklaşık 0,5 mm uç yarıçapına sahip paslanmaz çelik iğne elektrotunu topraklanmış bakır plakanın karşısında, 10 mm hava boşluğunda konumlandırarak hazırlayın.
   6. Tüm elektrotları etanol ile temizleyin ve montajdan önce tamamen kurutulun.
   7. Elektrot kusuru geometrisini test kabininde birleştirin ve her voltaj testinden önce bir kaliper kullanarak tüm elektrot aralıklarını doğrulayın.
4. Mikrofon dizisi sensörünü, 112 kanaldan oluşan modifiye edilmiş halkalı spiral yapı kullanarak yerleştirin. Koordinat dağılımı için Şekil 8'e bakınız.
5. Örnekleme hızını 200 kHz'e ayarlayın ve örnek süresini kare başına 8192 puana ayarlayın. Sensör parametreleri için Tablo 1'e bakınız.
6. Mikrofon dizisi donanımını yapılandırın.
   1. 112 mikrofonu, Şekil 8'de gösterilen koordinat pozisyonlarında modifiye edilmiş halka şeklindeki spiral çerçeveye düz monte edin. Dizi koordinat dosyası tarafından tanımlanan elemanlar arası aralığı 10 mm'den 25 mm'ye kadar değişen şekilde korun.
   2. Mikrofon dizisinin ortasından 300 mm uzakta taşınabilir akustik kalibrasyon ve 40 kHz ultrasonik referans kaynağı konumlandırın.
   3. Her alım oturumundan önce tüm aktif mikrofon kanallarını 94 dB SPL, 1 kHz akustik referans sinyali ve 40 kHz ultrasonik referans sinyali kullanarak kalibre edin.
   4. Her mikrofon kanalından 5 saniyelik kalibrasyon sinyallerini kaydedin.
   5. Her kanalın RMS hassasiyeti ve faz tepkisi, dizi-merkez kanalına göre hesaplanın.
   6. Sadece 1 kHz'de ±2 dB, 40 kHz'de ±3 dB içinde hassasiyet sapması olan kanalları ve kırpma veya anormal gürültü tabanı yükselmesi olmadan kalın.
   7. Kabul kriterlerini karşılamayan kanalları sonraki analizlerden hariç tutun.
   8. Herhangi bir mikrofon değişiminden veya mikrofon dizisinin taşınmasından sonra kalibrasyon prosedürünü tekrarlayın.
7. Çok kanallı veri toplama sistemini, tüm aktif mikrofon kanallarında eşzamanlı örnekleme yapacak şekilde yapılandırın.
   1. DAQ sistemini, paylaşılan 200 kHz örnekleme saati kullanarak tüm 112 mikrofon kanalının eşzamanlı alınmasını sağlayacak şekilde yapılandırın.
   2. Alım çözünürlüğünü 16 bit olarak ayarlayın, AC bağlantıyı yapılandırın ve kare başına 8192 puan alın.
   3. Bir donanım başlatma tetikleyicisini, ortak bir pozitif kenarlı TTL tetik veri yolu aracılığıyla tüm satın alma modüllerine dağıtın.
   4. Tüm mikrofon kanallarını aynı kare kaydında sakla ve her alım için tetik zaman damgası ve kanal indeksini korun.
   5. Resmi veri toplamaya başlamadan önce ilk 100 alınan kareyi düşen örnekler, kanal doygunluğu ve saat kayması için inceleyin.
8. Mikrofon dizisi yapılandırmasını gerekçeleştirin. 112 kanallı dizi, ışın şekillendirme ve GCC-PHAT gecikme tahmini için mekânsal örnekleme yoğunluğunu artırmak amacıyla seçildi; böylece seyrek düşük kanal sayısına sahip bir diziye göre eksen dışı çevresel gürültünün bastırılmasını artırdı. Yaklaşık dört kanal geometrik 3B lokalizasyon için yeterli olsa da, mevcut protokol sadece lokalizasyon yerine sinyal geliştirme ve özellik kararlılığı için yoğun uzamsal örnekleme kullanır. Azaltılmış kanal versiyonları, maliyet açısından hassas saha dağıtımından önce ayrı olarak doğrulanmalıdır.
9. Test devresine yüksek voltaj uygulayarak modeller arasında kısmi deşarj olgularını indükleyin.
10. Test sırasında deneysel ortamı koruyun.
    1. Veri toplama sırasında laboratuvarı 22°C ± 2°C, %45–%55 bilgili nem ve 101 ± 2 kPa atmosfer basıncında tutun.
    2. Yüksek voltajlı sistemi çalıştırmadan önce arka plan akustik gürültüsünü ölçün.
    3. Veri toplama işlemi yalnızca A ağırlıklı arka plan gürültüsü seviyesi ≤40 dB(A) olduğunda devam edin.
    4. Her aktif mikrofon kanalının ultrasonik gürültü tabanının pilot testlerde gözlemlenen deşarj impuls seviyesinin en az 20 dB altında olduğunu doğrulayın.
    5. Veri toplama sırasında kapıları ve pencereleri kapalı tutun ve gereksiz döner ekipmanları kapatın.
    6. Satın almadan önce yüksek voltajlı şasi ve DAQ şasisini toprakla.
    7. Kayıt sırasında personelin mikrofon dizisi yakınında hareket etmesini önleyin.
11. Bir PC terminaline bağlı TEV sensörü kullanarak deşarj aktivitesini sürekli izleyin.
    1. TEV izleme eşiğini test öncesi arka plan gürültü seviyesinin 6 dB üzerinde ve eşdeğer giriş seviyesi olan 10 mV'den düşük olmamaya ayarlayın.
    2. TEV referans kanalını 3–100 MHz analog bant genişliği ve 40 dB kazanç ile yapılandırın.
    3. PC terminalinde zarf ve darbe kaydı ile TEV darbe aktivitesini kaydedin.
    4. TEV sistemini pozitif kenarlı donanım tetiklemesi kullanacak şekilde yapılandırın.
    5. Hem TEV izleme hem de tetikleyici üretimi için aynı eşik değerini kullanın.
    6. Akustik bir çerçeveyi yalnızca TEV darbe aktivitesi ilgili alım penceresi içinde gerçekleştiğinde ve seçilen voltajda ardışık kareler arasında tekrarlandığında kabul edin.
12. Voltajı 4 ile 12 kV arasında kademeli olarak ayarlayın.
13. Belirli bir model için belirgin ve stabil bir yalıtım hatası olgusu gözlemlendiğinde akustik sinyalleri kaydedin. Belirgin ve kararlı bir fay olgusunu tanımlayın; TEV aktivitesi ve akustik impuls desenlerinin hedef voltajda sürekli gözlemlendiği ve belirgin aralıklı sönme, akustik kanal doygunluğu, ilgisiz mekanik gürültü veya dış çarpma gürültüsü olmadan gözlemleniyor. Akustik çerçeveleri kaydetmeden önce deşarj deseni en az 60 saniye stabil kalana kadar voltajı koruyun.
14. Dört hata türünün her biri için 1000 geçerli veri seti toplayın. Örnek çerçevesini yalnızca TEV referansı deşarj aktivitesini gösterdiğinde, akustik kanal doygun değilse, çerçevede belirgin dış darbe veya işlem gürültüsü bulunmadığında ve örnek etiketi aktif kusur modeliyle eşleştiğinde geçerli olarak sınıflandırın. Akustik kanal doygunluğu, TEV onayı olmayan, tutarsız arıza etiketlemesi, aralıklı deşarj sönmesi, harici mekanik darbe veya kararsız arka plan gürültüsü olan çerçeveleri hariç tutun.
15. Veri toplama sırasında TEV sistemi ile akustik alım sistemini senkronize edin.
    1. TEV tetik çıkışını, paylaşılan TTL tetik veri yolu üzerinden akustik DAQ tetik girişine bağlayın.
    2. Akustik veri alımı için donanım tetikleyicisi olarak TEV darbe çıkışını kullanın.
    3. Tetikleyiciyi akustik veri dosyasında dijital zamanlama kanalı olarak kaydedin.
    4. TEV ve akustik alım akışlarının ilk hizalanması tetik zaman damgası kullanılarak gerçekleştirilir.
    5. Tışın şekillendirmeden önce GCC-PHAT kullanarak mikrofonlar arası kalıntı gecikmeleri tahmin edin.
    6. TEV-akustik senkronizasyon doğruluğunun ±1 akustik örneklem dahilinde olduğunu, yani 200 kHz örnekleme hızında ≤5 μs ile eşleştiğini doğrulayın.

Şekil 6: Mikrofon Dizisi ile İzolasyon Arızası Tespit Platformu. Akustik yalıtım-arıza tespiti için kullanılan deneysel kurulum. Platform, yüksek gerilimli test devresi, yalıtım arızası test kabini, mikrofon dizisi sistemi, TEV sensörü ve veri toplama ile doğrulama için bilgisayar tabanlı izleme sisteminden oluşmaktadır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 7: Laboratuvarda Yapılan Yalıtım Fay Modelleri. Veri toplama için kullanılan temsil edici yalıtım-hata modelleri. (A) Yüzey deşarj modeli. (B) Askıya edilmiş deşarj modeli. (C) İç deşarj modeli. (D) Nokta deşarj modeli. Modeller, kontrollü laboratuvar koşullarında dört yaygın yalıtım-arıza durumunu simüle etmek üzere oluşturuldu. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 8: Mikrofon Dizisi Dağılımı. 112 kanallı mikrofon dizisinin mekânsal düzeni, modifiye edilmiş halka şekilli spiral konfigürasyonu kullanarak. Koordinat dağılımı, akustik sinyal alımı ve ardından ışın oluşturma analizi için kullanılan sensör yerleşimini gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Parametre Tipi	Parametre Değeri
Dizi yapısı	Modifiye halka spiral
Kanal sayısı	112
Örnekleme hızı	200 kHz
Örnek puanları kare başına	8192

Tablo 1: Mikrofon Dizisi Parametreleri. Yalıtım-arıza deneyleri sırasında akustik sinyal alımı için kullanılan mikrofon dizisi sisteminin teknik özellikleri. Tablo, dizi geometrisini, kanal sayısını, örnekleme hızını ve kare başına elde edilen örnek puan sayısını özetler. Bu tabloyu indirmek için lütfen buraya tıklayın.

2. TCN-AE ile Zaman Alanı Özellik Çıkarımı

1. Dinamik zaman değişimlerini yakalamak için önceden işlenmiş zaman serisi akustik verilerini TCN'ye^{girin 13,14}. Sinyal füzyonu sonrası, model eğitimi sırasında uygulanan normalizasyon prosedürünü kullanarak her 8192 noktalık akustik çerçeveyi normalleştirin ve normalize edilmiş 1D diziyi TCN'ye girin.
2. TCN mimarisini yapılandırın.
   1. TCN'yi, zamansal özellik çıkarımı için ardışık olarak düzenlenmiş üç kalınmış blok kullanarak inşa edin.
   2. Her kalıntı bloka 64 konvolüsyon filtre atanır ve konvolüsyon çekirdeği boyutunu 3 olarak ayarla.
   3. Genişletilmiş nedensel konvolüsyonları uygulayın ve zamansal alıcı alanı kademeli olarak genişletmek için genişleme faktörlerini d = 1, 2 ve 4 olarak yapılandırın.
   4. Her konvolüsyon işlemden sonra ReLU aktivasyon fonksiyonunu uygulayın.
   5. Antrenman sırasında aşırı uyumu azaltmak için her kalıntı bloktan sonra 0,20 terk oranı uygulanır.
   6. Her kalıntı blok içinde düzenli olarak ağırlık normalizasyonu uygulanır.
   7. Ağ boyunca kalıntı bağlantılar dahil edin ve gerekli olduğunda 1 × 1 konvolüsyon projeksiyon kullanılarak kalıntı ile dönüştürülmüş yollar arasındaki özellik boyutlarını eşleştirin.
3. Giriş dizisine nedensel konvolüsyonlar uygulanır. Çekirdek boyutuna göre sıradan önceki sıfır dolgusunu uyarlayarak herhangi bir zaman adımındaki çıktının tamamen mevcut ve önceki girdilere bağlı olmasını sağlayın.
4. Çekirdek ağırlığı (w_i) ve çekirdek boyutu (K) kullanılarak nedensel konvolüsyonu aşağıdaki şekilde yürütün (Denklem 1):
   (1)
5. Parametre sayısını artırmadan ağın alıcı alanını genişletmek için genişletilmiş konvolüsyonlar uygulanır. Ağ derinliği ilerledikçe genişleme faktörü d üssel olarak artırarak uzun vadeli zaman bağımlılıklarını yakalamak.
6. Genişleme faktörü (d) kullanılarak genişlemiş konvolüsyonu aşağıdaki gibi hesaplayın (Denklem 2). TCN eğitimi sırasında d = 1, 2 ve 4 genişleme faktörü ilerlemesini kullanarak her akustik çerçevede örneklenen nokta sayısını artırmadan zamansal alıcı alanı kademeli olarak genişletin.
   (2)
7. Derin ağ eğitimi sırasında kaybolan gradyanları azaltmak için kalıntı bağlantıları entegre edin.
8. Giriş dizisini genişletilmiş nedensel konvolüsyon bloğundan geçirin. Ağırlık düzenlemesini gerçekleştirin ve ReLU doğrusal olmayan aktivasyon uygulayın, ardından Dropout katmanı uygulanın.
9. İşlenen çıktıyı doğrudan orijinal giriş dizisine ekleyin (Şekil 2). Her kalıntı blok içinde ağırlık normalizasyonu uygulanır ve kalıntı toplama işlemi yapılmadan önce 0.20 drop oranı kullanabilirsiniz. Gerekirse, kalıntı ve dönüştürülmüş yollar arasında özellik boyutlarını eşleştirmek için 1'e ×1'e 1 konvolüsyon projeksiyonu kullanın.
10. TCN tarafından çıkarılan yüksek boyutlu zaman özelliklerini, özellik boyutu kısıltı için^{AE'ye besleyin 15}.
11. AE mimarisini yapılandırın.
    1. Kodlayıcıyı, sırasıyla 512, 256 ve 128 boyutlu üç tam bağlantılı katman kullanarak oluşturun.
    2. Latent-uzay temsilini 128 boyutlu bir özellik vektörü kullanarak tanımlayın.
    3. Kod çözücüyü, sırasıyla 128, 256 ve 512 boyutlu üç tam bağlantılı katman kullanarak inşa edin.
    4. Hem kodlayıcıda hem de çözücüde her tam bağlı katmandan sonra ReLU aktivasyon fonksiyonunu uygulayın.
    5. AE'yi latent-uzay vektöründen giriş özellik temsilini yeniden inşa edecek şekilde yapılandırın ve Adım 2.16'da açıklanan ortalama kare hata (MSE) kayıp fonksiyonunu kullanarak yeniden yapılandırmayı optimize edin.
12. Giriş verilerini kodlayıcı aracılığıyla daha düşük boyutlu bir gizli uzay temsiline sıkıştırın.
13. Orijinal verileri çözücü kullanarak yeniden inşa edin (Şekil 3).
14. Denklemler 3 ve 4'te verilen ReLU aktivasyon fonksiyonu (σ), ağırlık matrisleri (W₁ ve W₂) ve yanlılık terimleri (b₁ ve b₂) kullanılarak kodlama ve çözme dönüşümleri gerçekleştirilir.
    (3)
    (4)
15. AE'yi kritik bilgileri koruması için yeniden yapılandırma hatasını en aza indirerek eğitmek.
16. Ortalama kare hatasını (MSE) kayıp fonksiyonu olarak kullanın ve Denklem 5'i kullanarak yeniden yapılandırma hatasını hesaplayın.
    1. AE'yi Adam optimizer'ı kullanarak 0.001 öğrenme hızıyla eğitin.
    2. Parti boyutunu 50'ye ayarlayın ve ağı maksimum 100 dönem için eğitin.
    3. Eğitim sırasında doğrulama kaybını takip edin ve erken durma yöntemini 10 epoch sabır değeriyle uygulayın.
    4. 2400 eğitim örneği, 400 doğrulama örneği ve 400 test örneği içeren sabit veri seti bölümünü kullanın.
    5. Materyaller Tablosu'nda özetlenen Python tabanlı derin öğrenme ortamında model eğitimi gerçekleştirin.
    6. Yeniden yapılandırma hatasını Denklem 5'i kullanarak hesaplayın.
       (5)

3. Mel Spektrogramı ve CBAM ile Frekans-Alan Özellik Çıkarımı

1. Ham kısmi deşarj akustik sinyallerine ön vurgulama, çerçeveleme ve pencereleme fonksiyonları uygulanır.
   1. Her 8192 noktalık akustik çerçeveden DC ofseti çıkarın.
   2. Ön vurguyu şu şekilde uygulayın:
      
   3. DC-ofset kaldırıldıktan sonra her kareyi maksimum mutlak genliğiyle normalize edin.
   4. Her kareyi 1024 örneklik bir Hamming penceresi ile segmentlere ayırın.
   5. 512 örneklik bir hop uzunluğu kullanın; bu, bitişik pencereler arasında %50 örtüşmeye karşılık gelir.
   6. Kısa süreli Fourier dönüşümünü (STFT) 1024 noktalı bir FFT kullanarak hesaplayın.
   7. Donanım ön uç bant genişliği sınırlaması ve yukarıda açıklanan çerçeve kalitesi hariç kriterlerinin ötesinde ek yazılım bant geçiş filtreleme uygulaması uygulanmaz.
2. İşlenen sinyaller üzerinde Fourier dönüşümü yapılabilir.
3. Orijinal doğrusal frekansı (f) Mel ölçeğine dönüştürün. Bu adım, insan frekans algısını doğrusal hale getirir ve girişim^{bantlarının ağırlığını azaltır 16}.
4. Mel ölçeği frekansını (f_mel) orijinal doğrusal frekans (f) kullanarak hesaplayın (Denklem 6).
   (6)
5. Frekansları üçgen filtre bankalarına ayırın.
6. Her filtre bant genişliği içindeki tüm sinyal genliklerinin ağırlıklı toplamını hesaplayın. Genlik varyasyonları konusunda algısal tutarlılığı artırmak için çıktıya logaritmik bir fonksiyon uygulayın.
7. Mel-filtre bankası çıkışını Denklem 7 kullanarak hesaplayın. Burada, S(m) m-ci filtrenin çıktısıdır, k frekans indeksidir ve H_m(k) üçgen filtreyi tanımlar.
   (7)
8. Mel spektrogramlarını üretin.
   1. Kısa süreli Fourier dönüşümünü 1024 FFT boyutu kullanarak hesaplayın.
   2. Ortaya çıkan frekans spektrumuna 256 Mel filtre bankası uygulayın.
   3. 0–100 kHz frekans aralığında Mel-spektrogramlar üretin.
   4. Ortaya çıkan Mel spektrogramlarını, sonraki CBAM işleme için 256 × 256 piksellik özellik haritaları olarak yeniden boyutlandırabilir veya temsil eder.
   5. Mel güç spektrogramını desibel ölçeğine dönüştürün.
   6. Logaritmik olarak sıkıştırılmış Mel spektrogramı (S_dB) kullanarak spektrogram başına min-max normalizasyon uygulanır:
      
   7. Her 256 × 256 Mel-spektrogram görüntüsü için normalizasyonu bağımsız olarak gerçekleştirin.
   8. Normalleştirilmiş değerleri [0,1] aralığına kesin, spektrogramı CBAM daline girmeden önce.
9. Ortaya çıkan Mel spektrogramlarını CBAM'a girerek ana spektral özellikleri^{çıkarmak 17}.
10. Verileri ardışık kanal-dikkat ve mekansal dikkat mekanizmalarıyla işleyin (Şekil 4).
11. CBAM mimarisini yapılandırın.
    1. Kanal-dikkat modülünü 16 kanal azaltma oranı ile yapılandırın.
    2. 256 × 256 × 64 boyutlu işlem giriş özellik haritaları.
    3. Kanal tanımlayıcıları oluşturmak için küresel ortalama havuzlama ve küresel maksimum havuzlama uygulayın.
    4. Biriktirilen tanımlayıcıları paylaşılan çok katmanlı bir perceptron üzerinden geçirin ve kanal dikkat ağırlıkları oluşturmak için Sigmoid aktivasyon fonksiyonu uygulayın.
    5. Ortalama-havuzlu ve maksimum havuzlu uzamsal tanımlayıcılara uygulanan 3 × 3 konvolüsyon çekirdeği kullanarak mekânsal dikkat ağırlıkları oluşturulur.
    6. Son mekânsal dikkat haritasını oluşturmak için Sigmoid aktivasyon fonksiyonu uygulayın.
12. Kanal-dikkat ağırlıklarını çıkarın.
13. Giriş özellik haritasının kanal boyutları boyunca küresel ortalama havuzlama ve küresel maksimum havuzlama uygulan.
14. Oluşturulan küresel tanımlayıcı vektörleri tamamen bağlı (FC) bir katmandan geçirerek kanal-dikkat ağırlığını (M_c) elde edin.
15. Kanal-dikkat ağırlıklarını Denklem 8 kullanarak hesaplayın. Burada M_c kanal-dikkat ağırlığıdır, FC tam bağlı katmanı gösterir ve σ Sigmoid aktivasyon fonksiyonunu temsil eder.
    (8)
16. Mekânsal dikkat ağırlıklarını çıkarın.
17. Kanal ekseni boyunca küresel maksimum havuzlama ve küresel ortalama havuzlama uygulan.
18. Ortaya çıkan uzamsal tanımlayıcı haritaları birleştirin ve bunları konvolüsyon bir katmandan geçirerek mekânsal dikkat ağırlığını (M_s) oluştururlar.
19. Mekansal dikkat ağırlıklarını Denklem 9 kullanarak hesaplayın. Burada, M_s mekânsal dikkat ağırlığıdır, küresel ortalama havuzlama ile oluşturulan uzamsal tanımlayıcıdır ve küresel maksimum havuzlama tarafından üretilen uzamsal tanımlayıcıdır.
    (9)
    1. Kanal boyutu boyunca ortalama havuzlu ve maksimum havuzlu uzaysal tanımlayıcıları birleştirin.
    2. Uzaysal dikkat özellik haritasını oluşturmak için adımı = 1 ve aynı dolgu ile 3 × 3 konvolüsyonu uygulayın.
    3. Mekansal dikkat ağırlıklarını elde etmek için konvolüsyon çıktısına bir Sigmoid aktivasyon fonksiyonu uygulayın.
    4. Mekansal dikkat ağırlıklarını eleman bazında giriş özellik haritası ile çarparak geliştirilmiş mekânsal temsil oluşturulur.

4. CA kullanarak Cross-modal özellik birleştirme

1. Çıkarılan zaman ve spektral özellikleri sentezlemek için bir CA mekanizması^{uygulanır 18}. Öz-dikkatin aksine, bir modaliteden bağlamsal bilgi çıkararak diğerinin temsilini dinamik olarak geliştirin (Şekil 5).
2. CA mimarisini yapılandırın.
   1. Gömme boyutunu 128 olarak ayarlayın.
   2. CA modülünü 4 dikkat başlığı ile yapılandırın.
   3. Sorgu, Anahtar ve Değer projeksiyon boyutlarını her biri 128 olarak ayarlayın.
   4. CA modülünde 0.10 bırakma oranı uygulayın.
   5. Çapraz dikkat modülünden sonra post-dikkat normalizasyon katmanları veya besleme katmanları uygulamayın.
   6. Tüm dikkat başlıklarından çıkan çıktıları birleştirin.
   7. 0.10 oranıyla okuldan ayrılma başvurusu yap.
   8. Ortaya çıkan özellik temsilini düzleştirin.
   9. Yavulmuş özellik vektörünü doğrudan 1D-CNN sınıflandırıcısına aktarın.
3. İki farklı giriş dizisinden (zaman ve frekans alanı özellikleri) Sorgu (Q), Anahtar (K) ve Değer (V) matrislerini başlatın.
4. Sorgu matrisi, TCN-AE yolu tarafından üretilen zamansal özellik matrisini belirten Denklem 10 kullanarak hesaplayın; burada X₁, TCN-AE yolu tarafından üretilen zamansal özellik matrisini, W_Q ise ilgili öğrenilen ağırlık matrisi ve yanlışlık terimini gösterir .
   (10)
5. Anahtar matrisi Denklem 11 kullanılarak hesaplayın; burada X₂, Mel-CBAM yolu tarafından üretilen frekans alanı özellik matrisini gösterir ve W_K ile b_K sırasıyla öğrenilen ağırlık matrisi ve önyargı terimini gösterir.
   (11)
6. Değer matrisini Denklem 12 kullanarak hesaplayın. burada W_V ve b_V, sırasıyla ilgili öğrenilen ağırlık matrisi ve yanlılık terimini gösterir.
   (12)
7. Sorgu ile Ana öğeler arasındaki ilişkiye göre CA etkileşimini hesaplayın.
8. Dikkat ağırlık matrisini Denklem 13 kullanarak hesaplayın. Burada, α_ij, i-nji elemanın j-nji elemana göre dikkat ağırlığını belirtir ve d_k anahtar vektörlerin boyutluluğudur.
   (13)
9. Hesaplanan dikkat ağırlıklarına göre Değer matrisinin ağırlıklı toplamını hesaplayarak nihai özellik temsilini güncelleyin.
10. Birleşmiş özellik temsili Denklem 14 kullanılarak hesaplanın. Burada O_i, yalıtım hatasının sağlam sigortalı zaman-frekans akustik parmak izini temsil eden ardışık çıkıştır.
    (14)
    1. Çıkış boyutu 128 olan sigortalı özellik temsili oluşturulur.
    2. Çapraz zaman ve çapraz frekans dikkat çıkışlarını birleştirin.
    3. Sınıflandırmadan önce birleşmiş temsil düzleştirin.
    4. Düzleştirilmiş özellik temsili, Şekil 9'da gösterilen 1D-CNN ve tam bağlı Softmax sınıflayıcısına aktarın.

Şekil 9: Yalıtım Arızası Tanımlaması için Genel Çerçeve. Önerilen yalıtım-hata tanımlama yönteminin iş akışı. Ham mikrofon dizisi sinyalleri birleştirilir ve önceden işlenir, ardından TCN–AE yolu kullanılarak zaman alanı özellik çıkarımı, Mel spektrogramları ve CBAM ile frekans alanı özellik çıkarımı, CA tabanlı özellik füzyonu ve tek boyutlu konvolüsyon sinir ağı kullanılarak nihai hata sınıflandırması yapılır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

5. Mikrofon dizisi sinyallerini GCC-PHAT üzerinden hizalamak ve sigortalamak

1. Gecikme tahmini için iki mikrofon sinyali seçin ve bunları FFT kullanarak frekans alanına dönüştürün.
   1. FFT tabanlı GCC-PHAT hesaplaması için 200 kHz'de elde edilen tam 8192 noktalık akustik çerçeveyi kullanın.
   2. PHAT ağırlıklı çapraz güç spektrumunu hesaplamadan önce her seçilen mikrofon sinyaline FFT uygulanır.
   3. Şekil 10'da gösterilen PHAT ağırlıklı çapraz güç spektrumu ve IFFT prosedürü kullanılarak seçilen referans mikrofona göre kanallar arası zaman gecikmesini tahmin edin.
   4. Tüm 112 aktif mikrofon kanalını hizalamadan önce seçilen referans mikrofona göre GCC-PHAT uygulan.
   5. FFT işleminden önce tam 8192 noktalık akustik çerçeveye Hann penceresi uygulayın.
   6. GCC-PHAT gecikme tahmini sırasında örtüşen pencereleri kullanmayın.
   7. FFT ve IFFT hesaplamasından önce her pencereli kareyi 16.384 puana sıfır taşlayabilirsiniz.
   8. Zaman gecikmesi tahmini sırasında gecikme-zirve çözünürlüğünü artırmak için sıfır dolgulu sinyali kullanın.
2. Frekans alanı temsillerini ve seçilen mikrofon sinyallerini elde edin.
3. İki sinyal arasındaki benzerliği değerlendirmek için çapraz güç spektrumunu hesaplayın.
4. Çapraz korelasyon zirvesini keskinleştirmek ve yankılanma etkilerini azaltmak için faz dönüşümü (PHAT) ağırlıklandırma fonksiyonunu tanıtın.
5. PHAT ağırlıklı çapraz güç spektrumunu Denklem 15 kullanarak hesaplayın. Burada, ve iki mikrofon sinyalinin frekans alanı temsilleridir ve kompleks eşlenimi gösterir.
   (15)
6. IFFT'yi genelleştirilmiş çapraz korelasyon (GCC) fonksiyonunu hesaplamak için uygulayın.
7. GCC fonksiyonunun zirvesini belirleyerek zaman gecikmeli değişken τ'yi tanımlayın.
8. GCC fonksiyonunu Denklem 16 kullanarak hesaplayın. Burada, genelleştirilmiş çapraz korelasyon fonksiyonu ve tahmini zaman gecikmesini temsil eder.
   (16)
9. Sinyalleri tahmini gecikmeye göre hizalamak için zaman telafisi yapın.
10. Her kanalı referans mikrofona göre Denklem 17 kullanarak senkronize edin. Burada, gecikme telafisi edilen sinyal ve τ_i referans mikrofona göre tahmini gecikmedir.
    1. Referans mikrofon olarak dizinin geometrik merkezine en yakın olan mikrofonu seçin.
    2. Seçilen mikrofonun Adım 1.6'da tanımlanan kalibrasyon kabul kriterlerini karşıladığını doğrulayın.
    3. Merkez mikrofon kalibrasyon kriterlerini karşılamazsa, referans mikrofon olarak geometrik merkeze en yakın kalibre edilmiş mikrofonu seçin.
    4. Her aktif mikrofon kanalı için seçilen referans mikrofona göre gecikme τ_i tahmini yapın.
    5. Tışın formasyonundan önce tüm 112 aktif mikrofon kanalını seçilen referans mikrofonla hizalayın.
       (17)
11. Mekânsal bilgiyi birleştirmek için gecikmeli ve toplam ışın oluşturma işlemini gerçekleştirin.
12. Hedef yönünden gelen sinyali güçlendirerek çevresel gürültüyü bastırmak için Denklem 18 kullanın. Burada, y(t) ışın şekilli çıkış sinyali, i. mikrofondan gelen gecikmeli telafi edilen sinyaldir ve N toplam mikrofon kanal sayısıdır.
    1. GCC-PHAT gecikme telafisi sonrası gecikme ve toplam ışın şekillendirme işlemi gerçekleştirilir.
    2. Tüm aktif mikrofon kanalları için eşit ağırlık kullanın.
    3. Alınım sırasında kullanılan 112 aktif mikrofon kanalı için N = 112 seti var.
    4. Aktif kusur modelinin mikrofon-dizi merkezine göre bilinen geometrik konumunu kullanarak hedef yönü tanımlayın.
    5. Sinyal füzyonu sırasında gecikme ve toplam ışın formörünü aktif kusur modelinin merkezine yönlendirin.
    6. Yönlendirme yönünü belirlemek için önceden tanımlanmış test kabini geometrisini kullanın.
    7. Model eğitimi veya test sırasında veri odaklı hedef yönü tahmini yapma.
       (18)

Şekil 10: GCC-PHAT Sinyal Hizalama Prosedürü. Faz dönüşümü (GCC-PHAT) algoritması ile genelleştirilmiş çapraz korelasyonun iş akışı. Frekans alanı mikrofon sinyalleri, çapraz güç spektrumu ve ağırlıklandırma fonksiyonunu elde etmek için işlenir, ardından kanallar arası zaman gecikmesini tahmin etmek için ters Fourier dönüşümü yapılır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

6. Ağı CS Algoritması Üzerinden Optimize Edin

1. 1D-CNN'i optimize etmek için CS algoritma parametrelerini başlatın.
   1. Yuva sayısına karşılık gelen popülasyon büyüklüğünü 20'ye ayarlayın.
   2. Keşif olasılığını (Pa) 0.25 olarak ayarlayın.
   3. Maksimum optimizasyon yineleme sayısını 50'ye ayarlayın.
   4. Tekrarlanabilirliği desteklemek için rastgele tohumu 42'ye ayarlayın.
   5. Adım boyutu ölçeklendirme parametresini α 0.01 olarak ayarlayın.
   6. Hiperparametre arama sınırlarını, Tablo 2'de özetlenen aralıklara göre tanımlayın.
   7. Optimizasyonu sonlandırın, maksimum yineleme sayısına ulaşıldığında veya doğrulama-uygunluk yakınsaması sağlandığında.
2. Kugukların zorunlu yavru parazitizmi davranışını Lévy uçuşlarıyla birleştirerek yeni çözümler üretin.
3. Mevcut çözümü (yuvayı) Lévy uçuş karakteristikasından türetilen rastgele bir adım boyutu kullanarak güncelleyin.
4. Güncellenmiş yuva pozisyonunu Denklem 19 kullanarak hesaplayın. Burada α , adım boyutu ölçeklendirme parametresidir ve giriş başına çarpmayı gösterir.
   1. Adım boyutu ölçeklendirme parametresini (α) 0.01 olarak ayarlayın.
   2. Lévy-flight parametresini (λ) 1.5 olarak ayarlayın.
   3. Her aday yuvasını konvolüsyonel katman yapılandırması, çekirdek boyutu, öğrenme hızı, parti boyutu ve optimizator ayarı dahil olmak üzere 1D-CNN hiperparametreleri seti olarak kodlayın.
   4. Lévy-flight güncellemelerini kullanarak aday yuvaları oluşturun ve her adayı doğrulama seti performansıyla değerlendirin.
   5. Doğrulama uygunluğunu artıran aday çözümlerini koruyun.
      (19)
5. Lévy uçuşu için rastgele değişkenleri, σ parametresiyle ölçeklendirilmiş standart normal dağılımla hesaplayın.
6. Denklem 20'yi kullanarak σ hesaplayın. Burada, Gamma fonksiyonunu temsil eder ve β genellikle 1.5'e ayarlanır.
   (20)
7. 1D-CNN'i beş konvolüsyon katman, çekirdek boyutu 3, ReLU aktivasyonu, stokastik gradyan iniş (SGD) optimizasyonu, 0.001 başlangıç öğrenme oranı, 50 parti büyüklüğü ve çapraz entropi kaybı fonksiyonu kullanarak eğitin.
8. Test setinde optimize edilmiş modeli değerlendirin.
   1. Son 1D-CNN'i doğrulama-kayıp erken durma ile 10 dönemlik sabır değeriyle eğitin.
   2. Veri seti bölümlendirmesi ve model eğitimi için rastgele tohumu 42'ye ayarlayın.
   3. Optimize edilmiş modeli, Tablo 2'de özetlenen sabit test seti kullanarak değerlendirin.
   4. Tam karışıklık matrisi değerlendirmesini ablasyon sonucundan ayrı olarak raporlayın; genel doğruluk %99,05 (3962/4000) ve sınıf bazında tanıma oranları %98,6 ile %99,4 arasında değişiyor.

Kategori	Parametre	Değer / Ayarlar
Veri seti ve girdi	Toplam akustik çerçeveler	4,000
	Fay sınıfları	Yüzey boşaltı; askıya alınmış boşaltma; iç boşaltma; Nokta deşarj
	Örnekleme hızı	200 kHz
	Çerçeve uzunluğu	Kare başına 8.192 puan
	Mikrofon dizisi kanalları	112
	Model girişi	Çapraz dikkat kaynağı zaman-frekans akustik özellik temsili
Veri seti bölünmesi	Eğitim seti boyutu	2.400 örnek
	Doğrulama kümesi boyutu	400 örnek
	Test kümesi boyutu	400 örnek
	Tam karışıklık-matris değerlendirme boyutu	4.000 örnek
	Bölünme stratejisi	Tek sabit bölünme
	Rastgele tohum	42
TCN mimarisi	Kalıntı blok sayısı	3
	Kalıntı blok başına filtreler	64
	Konvolüsyon çekirdeği boyutu	3
	Genişleme programı	1, 2, 4
	Okuldan ayrılma oranı	0.20
Otomatik kodlayıcı mimarisi	Kodlayıcı-katman boyutları	512 → 256 → 128
	Latent-uzay boyutu	128
	Kodlayıcı katmanı boyutları	128 → 256 → 512
Otomatik kodlayıcı eğitimi	Optimizer	Adam
	Öğrenme hızı	0.001
	Parti büyüklüğü	50
	Eğitim dönemleri sayısı	100 dönem
	Erken durma kriterleri	Doğrulama MSE; sabır = 20 dönem
Mel-spektrogram ayarları	FFT boyutu	1.024 puan
	Mel filtre sayısı	256
	Frekans aralığı	0–100 kHz
	Spektrogram boyutları	256 × 256
CBAM yapılandırması	Kanal indirgeme oranı	16
	Özellik haritası boyutları	256 × 256 × 64
Çapraz dikkat konfigürasyonu	Gömme boyutu	128
	Dikkat başı sayısı	4
	Sorgu projeksiyon boyutu	toplamda 128; Kişi başına 32
	Anahtar projeksiyon boyutu	toplamda 128; Kişi başına 32
	Değer projeksiyon boyutu	toplamda 128; Kişi başına 32
	Okuldan ayrılma oranı	0.10
1D-CNN sınıflandırıcı	Konvolüsyon katman sayısı	5
	Konvolüsyon çekirdeği boyutu	3
	Aktivasyon fonksiyonu	ReLU
	Çıkış katmanı	4-sınıf Softmax
	Kayıp fonksiyonu	Çapraz entropi kaybı
Eğitim ortamları	Optimizer	Stokastik Gradient Iniş (SGD)
	Başlangıç öğrenme oranı	0.001
	Parti büyüklüğü	50
	Maksimum eğitim iterasyonları	1,000
	Erken durma	Doğrulama-kayıp izleme
	Erken duran sabır	100 versiyon
	Son antrenman kaybı	Sunulan el yazmasında mevcut değildir
	Son doğrulama kaybı	Sunulan el yazmasında mevcut değildir
Cuckoo Arama optimizasyonu	Optimizasyon hedefi	1D-CNN hiperparametreleri
	Popülasyon büyüklüğü / yuva sayısı	20
	Keşif olasılığı (Pa)	0.25
	Adım boyutu ölçeklendirme parametresi (α)	0.01
	Lévy-flight parameter (β)	1.5
	Lévy-flight parameter (λ)	1.5
	Maksimum optimizasyon yinelemeleri	50
	Hiperparametre arama sınırları	Konv filtreler {32, 64, 128, 256}; kernel boyutu {3, 5, 7}; öğrenme hızı 1×10⁻⁴–1×10⁻²; parti boyutu {25, 50, 100}; Dropout 0.10–0.50; Ağırlık Düşüşü 1×10⁻⁵–1×10⁻³
Doğrulama ve raporlama	Şekil 13 CA ablasyon doğruluğu	98.20%
	Tablo 2 karışıklık-matris doğruluğu	99.05% (3,962/4,000)
	Çapraz doğrulama / tekrarlanan denemeler	Sahnelenmedi

Tablo 2: Veri seti yapılandırması, model eğitim parametreleri ve yalıtım-hata sınıflandırması için optimizasyon ayarları. Tablo, önerilen hata teşhisi çerçevesini geliştirmek ve değerlendirmek için kullanılan veri seti bileşimi, veri bölme stratejisi, 1D-CNN mimarisi, eğitim yapılandırması, Guguk Guguk Arama optimizasyon ayarları, doğrulama metrikleri ve parametre seçimi hususlarını özetlemektedir. Eksik uygulama özgül değerler, tekrarlanabilirliği kolaylaştırmak için nihai eğitim ve optimizasyon günlüklerinden rapor edilmelidir. Bu tabloyu indirmek için lütfen buraya tıklayın.

Sonuçlar

Zaman ve Frekans Alanı Özellik Çıkarma Çerçevesi

Önerilen yalıtım-hata tanımlama yöntemi, yalıtım kusurlarının yarattığı karmaşık akustik imzaları karakterize etmek için zamansal ve spektral özellik çıkarma yollarını entegre eder. Zaman alanı özellik çıkarımı, akustik diziler içindeki uzun aralıklı zaman bağımlılıklarını yakalamak için genişletilmiş nedensel konvolüsyonları içeren bir TCN kullanılarak gerçekleştirilmiştir (

Tartışma

Bu yöntem makalesi, elektrik güç ekipmanlarındaki karmaşık yalıtım hatalarını akustik parmak izi tanıma yoluyla tespit etmek için standartlaştırılmış, temassız bir protokolü tanımlar. TCN-AE'yi Mel-CBAM tarafından işlenen bir Mel spektrogramı ile entegre ederek, kurulan boru hattı hem dinamik zaman serisi dalgalanmalarını hem de lokal spektral özellikleri izole eder. Sonraki bir CA mekanizması ile çapraz modal birleşme, basit özellik birleştirmesiyle birlikte sıklıkla ortaya çıkan bilgi ...

Malzemeler

```html

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Autoencoder (AE)	Özel model	Özellik sıkıştırma için Encoder-decoder mimarisi	Özellik boyutu azaltma
Cross-Attention modülü	Özel model	Zaman-frekans özellik füzyon modülü	Kros-modal özellik füzyonu
GCC-PHAT algoritması	Özel algoritma	FFT/IFFT tabanlı uygulama	Zaman gecikmesi tahmini ve sinyal hizalaması
Yüksek voltaj test devresi	Kendinden yapılmış laboratuvar platformu	Ototransformatör T1, test transformatörü T2, 200 kΩ koruyucu direnç, 1 nF bağlantı kapasitörü; çalışma gerilimi 4–12 kV	Yalıtım arıza koşullarının oluşturulması
Mel spektrogram + CBAM	Özel model	Dikkat güçlendirmeli Mel frekansı spektral çıkarımı	Frekans alanı özellik çıkarımı
Mikrofon dizisi sistemi	Kendinden yapılmış laboratuvar platformu	112 kanallı modifiye edilmiş halka şekilli spiral dizi; 200 kHz örnekleme hızı; kare başına 8192 nokta	Ses alımı
Mikrofon sensörleri	Kendinden yapılmış eşleşmiş ultrasonik mikrofon modülleri	112 eşleşmiş kanal; hassasiyet -38 +/- 3 dBV/Pa; 20 Hz-100 kHz frekans tepkisi; 94 dB SPL/1 kHz ve 40 kHz'de kalibre edilmiştir; kabul limitleri: 1 kHz'de +/-2 dB ve 40 kHz'de +/-3 dB	Ses algılama
Çok kanallı DAQ sistemi	Kendinden yapılmış senkronize DAQ platformu	Eşzamanlı 112 kanal alımı; 16 bit ADC; 200 kHz/kanal; kare başına 8192 nokta; ortak örnekleme saati; pozitif kenar TTL donanım tetikleyici	Veri alımı ve senkronizasyonu
Bir boyutlu CNN + CS optimizasyonu	Özel model	Beş evrişimsel katman; çekirdek boyutu 3; SGD; öğrenme hızı 0.001; toplu boyut 50	Arıza sınıflandırması
Python eğitim ortamı	Python / PyTorch	Python 3.9; PyTorch 2.0; NumPy 1.24; scikit-learn 1.2; librosa 0.10; CUDA 11.8	Model eğitimi ve değerlendirmesi
Zamansal Evrisimsel Ağ (TCN)	Özel model	Geri bağlantılı dilatif nedensel evrişimler	Zaman alanı özellik çıkarımı
Kusurlu modellerle test kabini	Kendinden yapılmış laboratuvar platformu	Yüzey deşarjı, asılı deşarj, iç deşarj ve nokta deşarj modelleri	Yalıtım arızalarının simülasyonu
Geçici Toprak Gerilimi (TEV) test sistemi	Ticari TEV izleme modülü	TEV referans kanalı; 3-100 MHz analog bant genişliği; 40 dB kazanç; pozitif kenar TTL tetikleyici; tetikleme eşiği, arka plan gürültü tabanının 6 dB üzerinde veya sensör girişinde >=10 mV eşdeğeri olarak ayarlanmış	Deşarj aktivitesinin doğrulanması

```