Development of an Automatic Recognition Model for Phase Resolved Partial Discharge Patterns in Hydro-Generators
Notice bibliographique
Résumé
Whether in the industrial, medical or real-world domains, more and more data is being collected. The common particularity of all these application domains is that a great part of this data is mostly unlabeled. So, learning useful representations with minimal expert supervision is a major challenge in artificial intelligence in the coming years. Recently, there has been a particular interest in unsupervised learning methods based on the idea of autoencoding. The purpose of these methods is to learn a mapping representation from a high-dimensional to a lower-dimensional representation space from which the original observations can be reconstructed. The variational form of these autoencoders, called the Variational AutoEncoders (VAEs), is particularly successful in almost all application areas. This enthusiasm comes from the fact that VAEs allow to take advantage of the theoretical foundations of the Variational Bayesian methods and the learning capabilities of artificial neural networks. In this paper, a model based on the use of VAEs is proposed for the development of an automatic recognition and unsupervised feature extraction of Phase Resolved Partial Discharge (PRPD) results measured from hydro-generators. The first step of this model is the pre-processing phase where external noise were removed. The second step is the learning phase which is based on two concatenated VAEs. Preliminary results indicate that the two-dimensional (2D) reduced latent space configuration encodes the difference in the intensity of the PRPD patterns as well as in the phase shift. More improvement is needed to extract features related to the shape of the PRPD patterns.
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 | 0,000 |
| 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 ».