Separation and Classification of Concurrent Partial Discharge Signals Using Statistical-Based Feature Analysis
Notice bibliographique
Résumé
In this paper, an algorithm for feature extraction and classification of high-pressure gas insulation system defects based on statistical analysis of time-domain parameters of partial discharge (PD) signals is presented. The algorithm focuses on the measurement and interpretation of PD signals in the time domain in completion of our previous paper on multiple-source phase resolved patterns. In this procedure, the PD measurements are conducted in different artificial defects that commonly happen in gas-insulated substations (GIS) such as corona, moving particles, floating electrodes, and metallic protrusions. To overcome the noise problem, wavelet transform (WT) technique is applied on the recorded signals. The PD pulse waveform parameters, namely rise time, fall time, slew rate, and pulse width are calculated, investigated and used as the discriminative features to represent each type of PD signals. The separation of PD sources is implemented based on Weibull distribution and K-means unsupervised clustering technique. The higher level statistical based features of each cluster are calculated, studied and used as the inputs of a kernel support vector machine (KSVM) classifier in order to classify multiple PD sources in a robust way. The results of this work demonstrate that the presented probabilistic diagnostic algorithm to extract features from time-domain PD pulse waveforms and their corresponding probabilistic distribution can be employed to cluster and classify PD signals based on their source of origin.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».