《IEEE Access》:Partial Discharge Pattern Recognition Method Based on Acoustic Signals and DSC-Transformer
编辑推荐:
声学局放(Partial Discharge, PD)模式识别方法通常应用于单通道声学信号,导致声学阵列多通道数据的利用不足。为实现多通道数据的有效利用,研究人员提出了一种结合深度可分离卷积(Depthwise Separable Convolution, D
声学局放(Partial Discharge, PD)模式识别方法通常应用于单通道声学信号,导致声学阵列多通道数据的利用不足。为实现多通道数据的有效利用,研究人员提出了一种结合深度可分离卷积(Depthwise Separable Convolution, DSC)与Transformer的混合模型。该模型旨在充分挖掘并融合局放多通道声学信号的局部脉冲特征与全局周期特征,从而提高模式识别的准确性与鲁棒性。研究人员利用声学阵列采集典型局放数据,构建了局放多通道声学数据集。在DSC-Transformer模型中,引入了数据增强模块以提升模型的抗噪能力,并基于Optuna框架采用贝叶斯优化(Bayesian optimization)对超参数进行优化。实验结果表明,与DSC模型及CNN-Transformer模型相比,PD DSC-Transformer模型在准确性、收敛速度和抗噪性方面均表现更优,即使在信噪比(Signal-to-Noise Ratio, SNR)为?10 dB时仍可达到近80%的准确率。
该研究围绕电力设备绝缘状态监测中的关键问题展开。在高压电气设备运行过程中,局部放电(Partial Discharge, PD)现象是绝缘失效的早期征兆,及时检测局放可识别内部缺陷并防止故障恶化。局放模式识别有助于运维人员辨识缺陷类型,实现针对性维护并提升效率。声学检测作为一种非破坏性方法,具有强抗电磁干扰能力、高灵敏度和低成本等优势,广泛应用于绝缘状态监测。然而,传统声学局放识别方法存在明显局限:基于物理机制的声发射检测依赖人工定义的物理特征,维度低且识别能力有限;基于深度学习的端到端识别方法虽能自动提取特征,但通常仅分析单通道信号,未能充分利用声学阵列的多通道数据。由于局放在绝缘介质中产生复杂的声学特征,且这些特征随传感器位置和角度变化,单通道分析造成数据浪费,难以满足实际工程需求。
针对上述问题,研究人员开展了PD DSC-Transformer模型的研究,该论文发表于《IEEE Access》。研究旨在构建一种融合深度可分离卷积与Transformer的混合架构,以实现对局放多通道声学信号的高效模式识别。研究得出的核心结论包括:PD DSC-Transformer模型能够准确识别四种典型放电类型;相比DSC模型和CNN-Transformer模型,该模型具有更高的准确率和更快的收敛速度;该模型在复杂噪声环境中表现优异,即使在?10 dB信噪比下仍能保持近80%的准确率。这些结论的重要意义在于,该研究为电力设备局放检测提供了一种鲁棒的多通道声学信号处理框架,拓展了声学阵列在绝缘监测中的应用深度,并为后续实现局放识别与定位的集成奠定了基础。
该研究的关键技术方法主要包括以下方面。样本队列来源方面,研究人员采用16元圆形声学阵列(半径7 cm,阵列距放电模型1 m),基于四种典型放电模型(电晕放电、表面放电、气隙放电、悬浮粒子放电)采集数据,每种放电类型连续采集50 s声学信号,截断为500个独立样本(单个样本时长100 ms,对应五个 power frequency cycles),共计2000个样本构成数据集。模型架构方面,采用PD DSC-Transformer混合架构:前端DSC模块通过深度卷积逐通道提取局部脉冲特征,再通过点卷积融合跨通道特征;后端Transformer编码器通过多头自注意力机制(Multi-Head Self-Attention)提取全局周期依赖关系,并结合可学习位置编码保留时序信息。数据增强方面,引入动态噪声注入和频域掩码两种策略:动态噪声注入通过线性混合模型将原始信号与加性高斯白噪声叠加,信噪比从均匀分布U(?10, 30)中随机选取;频域掩码则通过快速傅里叶变换(Fast Fourier Transform, FFT)随机遮蔽连续频带后作逆变换。超参数优化方面,基于Optuna框架采用树结构Parzen估计器(Tree-structured Parzen Estimator, TPE)贝叶斯优化,以验证集分类准确率和平均样本推理时间为评价指标,迭代20次寻优。
研究结果部分按照原文结构介绍如下。
局部脉冲特征与全局周期特征分析:研究人员对不同放电类型的声学信号时域波形进行了分析。电晕放电在每个周期(20 ms)内仅检测到一组高幅值脉冲簇;表面放电、气隙放电和粒子放电则每周期存在两组主放电脉冲。从局部放大视图可见,四种模型声学脉冲簇存在明显差异:电晕放电脉冲持续时间最长、能量分布较分散;表面放电持续时间次长,呈现明显阻尼振荡特性;气隙放电能量分布更为集中,呈典型瞬态脉冲特性;金属粒子引起的放电脉冲持续时间最短、幅值最高、主脉冲突出且波形结构清晰。由此确认不同放电类型兼具周期特征与局部脉冲特征,为DSC与Transformer架构的结合提供了依据。
PD DSC-Transformer模型构建与优化:研究人员构建了PD DSC-Transformer混合架构。模型直接作用于16通道一维原始时序波形(每通道10,000采样点,对应100 ms时长,采样率100 kS/s)。输入数据经去噪和归一化处理后,划分为训练集、验证集和测试集。训练过程中仅对训练集应用数据增强模块以提升复杂噪声鲁棒性,验证集数据绕过增强模块直接进入DSC特征提取模块。DSC模块并行提取多通道局部特征并融合;提取的多尺度局部特征与可学习位置编码结合后输入多层Transformer编码器,通过多头自注意力并行提取全局特征;最终经序列平均池化压缩特征维度,通过全连接层完成分类。为验证Transformer模块引入的必要性,将该模型与DSC模型对比;为验证DSC模块相对于CNN模块的优越性,与CNN-Transformer模型对比。由于未经前端降维直接输入Transformer会导致计算量过大和程序崩溃,故未将纯Transformer模型纳入比较。
DSC模块特性:DSC将标准卷积分解为深度卷积和点卷积两个独立操作。针对16通道时间序列局放声学信号,DSC模块采用16组独立卷积核分别提取各通道局部特征,保持通道间独立性,经ReLU激活函数非线性映射和最大池化层压缩特征长度后,通过点卷积线性组合各通道局部特征,实现跨通道局部特征融合,避免传统CNN的计算冗余和特征混淆。
Transformer编码器特性:Transformer编码器主要由多头自注意力、前馈神经网络(Feed-Forward Neural Network)、残差连接(Residual Connection)和层归一化(Layer Normalization)组成。输入序列经线性变换生成查询向量(Query, Q)、键向量(Key, K)和值向量(Value, V),按头数分割子空间后执行缩放点积注意力计算,经Softmax归一化加权求和,最终拼接各头输出并经线性变换与层归一化。该机制通过动态分配权重关注关键放电段,提升模型抗噪性。
数据增强策略效果:动态噪声注入通过线性混合模型叠加原始信号与归一化噪声段,噪声缩放因子控制瞬时信噪比,噪声段从噪声库随机裁剪并对齐叠加,每轮训练保证噪声多样性。频域掩码通过FFT将信号变换至频域,随机将若干连续频带置零后逆变换生成新样本,迫使模型学习放电模式的全局频谱特征,降低对局部频率点特征的依赖。
超参数优化配置:基于TPE贝叶斯优化,从数据集中随机选取500个标注样本构建优化数据集(训练集与验证集比例9:1),迭代20次,以验证集分类准确率和平均样本推理时间为评价指标,权衡因子α=0.3调节精度与速度侧重。优化参数包括学习率、Batch Size、动态噪声概率、频域掩码概率、DSC卷积核大小、DSC通道扩展倍数、编码器层数和编码器隐藏维度等。
模型性能对比与验证:研究人员将50组随机噪声样本加入原始数据集,按8:1:1划分训练集、验证集和测试集。PD DSC-Transformer模型的混淆矩阵显示整体识别率较高,仅粒子放电有0.02概率被误判为气隙放电。与DSC模型和CNN-Transformer模型的比较表明,所提模型识别准确率和收敛性能最优,CNN-Transformer模型次之,DSC模型准确最低且收敛最慢。性能参数对比显示,DSC模型最轻量、推理时间最短但识别准确率最低;所提算法相比CNN-Transformer具有更小的模型尺寸、更快的推理速度和更高的识别准确率。五次不同随机种子重复实验的平均分类准确率为99.6%,标准差0.36%,表明模型在不同初始化条件下保持稳定识别性能。不同信噪条件下,DSC模型抗噪性最弱,信噪比低于5 dB时丧失识别能力;CNN-Transformer模型因Transformer自注意力机制自动关注关键放电段而具备一定抗噪性,但性能仍非最优;所提模型表现优异,?10 dB信噪比下仍保持近80%准确率,这归因于Transformer模块与数据增强模块的联合作用。单通道模型与多通道框架的对比显示,单通道模型在不同噪声水平下识别准确率均低于多通道框架,尤其低信噪比条件下差距显著:?10 dB时单通道模型仅约50%,而多通道框架接近80%,表明多通道输入对增强模型抗干扰能力具有重要意义。
研究结论部分翻译如下:
1)针对局放多通道声学信号数据库,PD DSC-Transformer模型能够准确识别四种放电类型。2)与DSC模型和CNN-Transformer模型相比,PD DSC-Transformer模型具有更高的准确率和更快的收敛速度。3)PD DSC-Transformer模型在复杂噪声环境中表现优异,即使在?10 dB信噪比下仍可达到近80%的准确率。基于本文研究,未来有望将此方法与基于声学阵列的局放定位相结合,以实现识别与定位的集成,从而拓展基于阵列的声学传感器的应用范围。