Отделение сигналов активности ЧР от шума при помощи методов машинного обучения без учителя и с частичным привлечением учителя

Группа исследователей из Университета Сорбонна во Франции и Делфтского технического университета в Нидерландах опубликовала результаты собственного исследования, в котором оценивалась точность отделения сигналов ЧР от электромагнитного шума при помощи методов машинного обучения без учителя и с частичным привлечением учителя. Статья авторов была опубликована в издании Electrical Power and Energy Systems в октябре 2020 года.

Методология исследования состояла в следующем. При помощи испытательной установки генерировались наборы данных электромагнитной активности, в которых содержались импульсы ЧР и электромагнитного шума. Далее, при помощи вейвлет-преобразования, из записанных данных выделялись наборы свойств. Наборы свойств затем обрабатывались алгоритмом k-средних, относящимся к категории алгоритмов машинного обучения без учителя. Результаты классификации оценивались по коэффициенту Данна, который позволяет оценить качество описания кластера выбранной комбинацией свойств. Для проверки верности результатов с точки зрения отраслевых знаний о природе ЧР затем применялся метод преобразующих опорных векторов, относящийся к категории алгоритмов машинного обучения с частичным привлечением учителя. Для применения метода исследователи вручную промаркировали небольшое количество тестовых выборок сигнала как ЧР или шум.

Изображение тестовой установки показано ниже.

Установка представляла собой камеру, заполненную элегазом под давлением 3 бар. Испытательное напряжение составляло 40 кВ постоянного тока, генерируемые в ней ЧР относились к категории поверхностных. Данные снимались при помощи развязывающего конденсатора 500 пФ, к одной из обкладок которого был подключен высокочастотный трансформатор тока. Полоса пропускания такого измерительного канала составляла 62 кГц – 136 МГц. Данные оцифровывались осциллографом Tektronix MSO Series 5 на частоте 6,25 ГГц. Набор записанных данных состоял из 4993 выборок сигнала.

Для расчёта характерных свойств сигнала исследователи применили вейвлет Добеши db10. По получившимся в результате распределениям коэффициентов вейвлет-преобразования были рассчитаны средние значения, среднеквадратичные значения, коэффициенты асимметрии и эксцесса. Полученные величины были использованы как характерные свойства для разделения импульсов ЧР и шума.

Для определения наиболее значимых комбинаций свойств был рассчитан коэффициент Данна для всех возможных комбинаций свойств. Наибольшее значения коэффициента указывало на наибольшую значимость выбранной комбинации свойств с точки зрения точности классификации.

Пример результата разделения с наиболее высоким коэффициентом Данна показан ниже.

В данном случае используются два свойства: коэффициент эксцесса (kurt) распределения первых вейвлет-коэффициентов (cd1) и коэффициент асимметрии (skew) распределения вторых вейвлет-коэффициентов (cd2).

Далее, вручную обследовав осциллограммы сигналов, исследователи вручную промаркировали 200 тестовых выборок как ЧР или шум. Пример результата классификации, выполненной затем при помощи метода преобразующих опорных векторов по наборам свойств, определённых при помощи коэффициента Данна, показан ниже.

В заключении исследования указывается, что оба метода машинного обучения применимы для решаемой задачи. Точность классификации в исследовании составила 80%, что связано с тем, что часть сигналов была сознательно промаркирована как шум, но при этом осциллограммы этих сигналов не являлись характерными для шума и могли стать предметом экспертной дискуссии. Если маркировать подобные сигналы как ЧР, то точность применённых исследователями методов достигает 100%.

Больше новостей и аналитики из мира онлайн-диагностики электрооборудования читайте на нашем Телеграм-канале "ЗВЕЗДА"