Using Deep Learning to Detect Anomalies in On-Load Tap Changer Based on Vibro-Acoustic Signal Features
Notice bibliographique
Résumé
An On-Load Tap Changer (OLTC) that regulates transformer voltage is one of the most important and strategic components of a transformer. Detecting faults in this component at early stages is, therefore, crucial to prevent transformer outages. In recent years, Hydro Quebec initiated a project to monitor the OLTC’s condition in power transformers using vibro-acoustic signals. A data acquisition system has been installed on real OLTCs, which has been continuously measuring their generated vibration signal envelopes over the past few years. In this work, the multivariate deep autoencoder, a reconstruction-based method for unsupervised anomaly detection, is employed to analyze the vibration signal envelopes generated by the OLTC and detect abnormal behaviors. The model is trained using a dataset obtained from the normal operating conditions of the transformer to learn patterns. Subsequently, kernel density estimation (KDE), a nonparametric method, is used to fit the reconstruction errors (regarding normal data) obtained from the trained model and to calculate the anomaly scores, along with the static threshold. Finally, anomalies are detected using a deep autoencoder, KDE, and a dynamic threshold. It should be noted that the input variables responsible for anomalies are also identified based on the value of the reconstruction error and standard deviation. The proposed method is applied to six different real datasets to detect anomalies using two distinct approaches: individually on each dataset and by comparing all six datasets. The results indicate that the proposed method can detect anomalies at an early stage. Also, three alarms, including ignorable anomalies, long-term changes, and significant alterations, were introduced to quantify the OLTC’s condition.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».