یک معماری یادگیری عمیق هیبریدی با پیش آموزش خودنظارتی برای دسته بندی دقیق سیگنال های تخلیه جزئی

چکیده تخلیه جزئی (PD) یکی از شاخص های اصلی برای ارزیابی سلامت و تشخیص زودهنگام خطا در سیستم های عایقی تجهیزات ولتاژ بالا است. با این حال، طبقه بندی دقیق انواع سیگنال های PD به دلیل ماهیت پیچیده، غیرخطی و نویزی آن ها، یک چالش بزرگ محسوب می شود. این مقاله یک معماری یادگیری عمیق ترکیبی نوین تحت عنوان CNN-Transformer-BiLSTM را برای طبقه بندی خودکار و دقیق سیگنال های PD به سه کلاس Corona، Surface و Void معرفی می کند. این معماری به صورت هدفمند طراحی شده تا از قابلیت های مکمل اجزای خود بهره مند شود: یک ساقه کانولوشنی چندمقیاسی برای استخراج ویژگی های محلی، چندین بلوک رمزگذار ترنسفورمر برای درک روابط سراسری و وابستگی های دوربرد در سیگنال، و لایه های حافظه طولانی کوتاه مدت دوطرفه (BiLSTM) برای مدل سازی موثر وابستگی های زمانی. نوآوری مقاله حاضر، استفاده از فاز پیش آموزش خودنظارتی با الگوریتم TS۲Vec است که به مدل اجازه می دهد تا بازنمایی های غنی از ساختار داده های برچسب نخورده بیاموزد و عملکرد نهایی را بهبود بخشد. برای افزایش استحکام و دقت، از تکنیک های پیشرفته ای نظیر افزایش داده، یادگیری گروهی مبتنی بر رای گیری نرم و بهینه ساز AdamW با زمان بند نرخ یادگیری استفاده شد. نتایج حاصل از اعتبارسنجی متقابل ۱۰-لایه نشان می دهد که مدل گروهی پیشنهادی به عملکرد فوق العاده ای با دقت ۹۹.۰۱% و امتیاز ROC-AUC برابر با ۰.۹۹۸ دست یافته است. این نتایج برتری چشمگیر چارچوب پیشنهادی را نسبت به مدل های پایه نشان داده و پتانسیل آن را به عنوان یک ابزار تشخیصی قابل اعتماد برای پایش وضعیت تجهیزات قدرت اثبات می کند.