《Advanced Engineering Informatics》:Spectral knowledge encoding and spatial anomaly localisation for interpretable power transformer fault detection
编辑推荐:
摘要运行中电力变压器的振动故障检测面临运行条件变化大、已确认故障标签稀少以及需要可解释证据支持维护决策等挑战。本文提出两种互补的诊断模式,并在来自三个变电站19台物理变压器的4499段一秒钟振动数据上进行了评估。主要评估采用15台物理变压器的三折变压器分组交叉验证分析。Spe
摘要
运行中电力变压器的振动故障检测面临运行条件变化大、已确认故障标签稀少以及需要可解释证据支持维护决策等挑战。本文提出两种互补的诊断模式,并在来自三个变电站19台物理变压器的4499段一秒钟振动数据上进行了评估。主要评估采用15台物理变压器的三折变压器分组交叉验证分析。SpecRas(光谱栅格化)是一种有监督方法,适用于具备代表性已标注故障记录的场景。它将1200维、具有物理结构的光谱知识表示编码为按频率排序的栅格图像,用于ResNet18分类。HetSpatVAE(异构空间变分自编码器)在正常运行数据可用但代表性故障标签不足以进行有监督训练时,提供一种正常参考异常检测模式;它将重建误差与潜在空间偏移相结合,并使用折特定的正常参考阈值。在变压器级别上,SpecRas的平衡准确率和宏F1分别为0.861和0.861,而HetSpatVAE分别为0.694和0.700。Grad-CAM用于粗粒度栅格级定位。映射到输入级别的集成梯度、频带遮挡和累积随机化提供了面向频率的辅助证据。分组评估避免了将重复片段视为独立证据;剩余的存在变压器、传感器和会话特定混杂因素促使其需要更大规模外部队列的验证。
引言
一台交流(AC)电力变压器的故障可能导致一个区域停电数小时;而更换需要数月甚至数年,因为每台设备几乎都是定制的[1]。因此,早期检测退化是值得付出大量努力的。表面安装的加速度计已成为标准的非侵入式监测手段:它们可以在不断电的情况下进行改装,并且对铁芯松动和绕组变形的敏感性远高于溶解气体分析(DGA)油样采集的成本的一小部分[2]、[3]。
三个实际约束使得基于振动的变压器诊断比轴承故障文献所建议的要困难得多。
变压器振动源于两种耦合机制:磁致伸缩引起的洛伦兹力在电网频率的偶次谐波处(50 Hz系统中为100、200 Hz),以及负载引起的绕组力在同一谐波处加上一个宽带本底[4]。两者都会随运行条件持续变化。故障会在多个频率量级间重新分配能量,但一次常规的负载阶跃也是如此,两者在固定窗口的傅里叶表示中看起来相似[5]。
一个大型区域电网在每台变压器上每十年可能仅能看到少量已确认的故障案例;大型平衡训练集根本无法获得[6]。
电网工程师对每一项维护决策负责:仅仅一个异常分数不足以证明将高价值资产停运;模型必须指出哪些频带驱动了该结论[7]。
基于规则的方法将领域专业知识编码为频谱阈值,具有透明性,但准确率受限于校准条件,且无法适应未见过的故障形态[8]。经验模态分解(EMD)和小波分解对非平稳性的跟踪更好,但需要手动选择特征[9]。基于 spectrogram 的卷积神经网络(CNN)分类器在旋转机械基准上取得了高准确率,但需要平衡的标注数据且无法产生频率级别的解释[10]、[11]。扁平向量变分自编码器(VAE)异常检测器避免了标注需求,但无法在时频图像中定位异常[12]、[13]。
总之,核心工程挑战在于:在运行条件变化且故障标签有限的情况下,实现可靠且可解释的故障检测,同时提供维护工程师能够对照已知故障机制进行验证的频带证据。
本文提出了两种互补的诊断方法(图1),针对不同的标签可用性条件。有监督的SpecRas方法适用于具备代表性已标注故障记录的场景。它将一个1200维、具有物理结构的特征向量编码为栅格条带图像,其中包含时域统计量、STFT帧均值、Welch功率谱密度系数和高频能量比,并采用预定义的频率排序。HetSpatVAE适用于标注稀疏或新投入运行的资产,此时正常运行数据可用但故障标签不足以进行有监督训练。它使用由CWT、STFT和波形上下文构成的三通道异构图像,并产生空间重建残差以进行异常定位。
主要评估是采用变电站A的15台物理变压器进行的三折、变压器分组交叉验证分析。原始现场留出分析作为四个外部变压器的二级描述性证据保留。该设计减少了重复一秒片段所导致的依赖性,尽管主要队列并没有完全分离变压器、传感器、会话和故障相关的影响。
为了可解释性,Grad-CAM仅限于粗粒度栅格级定位。映射到输入级别的集成梯度和频带遮挡提供面向频率的分析,累积参数随机化用作合理性检验。所得到的证据被解释为模型相关的频谱敏感性,而非普遍或因果的故障特征。
因此,本文做出三项贡献。第一,它引入了具有物理结构的光谱表示和有监督的SpecRas分类器,用于在代表性故障标签可用时进行基于振动的故障评估。第二,它开发了HetSpatVAE作为稀疏标签部署中的正常参考空间异常检测器。第三,它在变压器级别上评估了两种方法,并通过映射归因和扰动证据对面向频率的解释进行了限定。
第2节综述了相关工作。第3节描述了方法论。第4节报告了实验与讨论。第5节给出结论。
章节摘要
基于振动的变压器故障检测
变压器状态监测传统上以溶解气体分析和工频电气试验为核心[1]、[8],两者都需要油样采集或受控通电。振动分析作为一种非侵入式补充手段而出现[2]:铁芯松动、绕组变形和冷却故障各自以可识别的方式影响100–200 Hz谐波分量。早期系统通过手工提取这些特征并应用固定阈值或经典分类器[3]、[4]。较新的
方法论
图1展示了两种互补方法。有监督的SpecRas方法(图1(a))将1200维具有物理动机的频谱特征向量编码为栅格条带图像用于ResNet18分类。其主要性能从变压器分组的交叉验证预测中评估,而Grad-CAM仅用于粗粒度栅格级定位。高效标签的HetSpatVAE方法(图1(b))在折特定的正常参考数据上训练SpatialResNetVAE
数据集与评估协议
语料库包含来自三个变电站19台物理变压器的4499段一秒振动片段。每段包含个采样点,采样率为 Hz。没有传感器位置、朝向或类型元数据,且在不同会话间变化;能量加权融合(第3.2节)透明地处理了这一问题。原始现场留出划分从不同变电站中选取训练、验证和测试单元。表4将这种划分作为完整语料库的一部分保留
结论
基于振动的变压器故障检测面临已确认故障数据有限、运行条件变化大以及需要工程师在采取行动前可检查的证据等挑战。本文提出的两种方法针对不同标签可用条件。
SpecRas方法将1200维频谱特征向量组织为显式知识表示,将磁致伸缩谐波、绕组力频带和宽带激励特征编码为
CRediT作者贡献声明
Jiayu Duan:撰写——原稿、项目管理、方法论、调查研究、概念框架。Yao Yuan:资源、数据管理。Song Wang:资源、数据管理。Ziqi Zhou:撰写——审阅与编辑。Yang Shao:撰写——审阅与编辑。Wensheng Gao:撰写——审阅与编辑、监督指导。
利益冲突声明
作者声明不存在任何可能影响本文所报告工作的已知竞争性财务利益或个人关系。
Jiayu Duan|Yao Yuan|Song Wang|Ziqi Zhou|Yang Shao|Wensheng Gao