Unsupervised Deep Learning for Detecting Number of Partial Discharge Sources in Stator Bars
Notice bibliographique
Résumé
Regular maintenance and testing of high-voltage assets are important for avoiding outages. Measurement of partial discharges (PDs) is commonly employed to monitor the health of the insulation materials of such assets, and the detection of the PD sources would help justify remedial actions such as inspection and repair. Before classifying the PD sources, the identification of the number of PD sources is necessary (clustering of the PD pulses). Different clustering techniques have been used for this purpose such as time–frequency maps, <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${K}$ </tex-math></inline-formula> -means clustering, and principal component analysis. However, there are limitations in these techniques in regard to the additional information that these algorithms need. For example, the number of clusters and the minimum distance between data points must be assumed in some algorithms. In order to overcome the mentioned limitations, a robust unsupervised deep learning model is proposed for unsupervised clustering, based on a convolutional AE and an adaptive clustering technique. In a laboratory setup, defects are introduced to a generator stator bar, simulating common PD sources, and PD-induced pulses in the ground connection of the bar are measured. The inputs to the deep learning model are the unlabelled, time-series PD pulses, and the output is the predicted number of PD sources. The proposed system showed better prediction of the number of PD sources compared to the existing techniques, which require human judgment. In addition, the proposed system demonstrated immunity to noise, where additive white Gaussian noise (AWGN) is added artificially to the measured PD waveforms.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».