Por qué las cámaras acústicas de Hertzinno pueden medir PRPD - De HERTZINNO

Sincronización de frecuencia y adquisición de señales

When using an acoustic camera, its PRPD detection frequency must first be set to match that of the equipment under test.
The equipment being tested is typically in operation within the power grid, and its fundamental frequencies are predominantly 60 Hz, 50 Hz, or 16.7 Hz (railway systems).

Una cámara acústica detecta la distribución espacial de la intensidad ultrasónica y traza la señal de intensidad acústica a lo largo del tiempo y la frecuencia. Para la estimación de la fase central se utilizan métodos como la media circular, la distribución de von Mises y los histogramas de fase. Mientras tanto, el patrón de la PPR se construye utilizando una estimación de máxima verosimilitud para obtener un modelo probabilístico de la distribución de energía, lo que arroja un valor de logaritmo de verosimilitud máximo que puede usarse para clasificación o umbralización posterior.

Método matemático: Fase de máxima verosimilitud Alineación

Supongamos que se ha recopilado un conjunto de pulsos de descarga parcial:

donde:

• ti​: occurrence time of the -th pulse;
• qi​: amplitude, apparent charge, or energy of the -th pulse;
• N: total number of pulses.

If the power frequency is  (e.g., 50 Hz), the phase corresponding to each pulse can be written as:

The key unknown quantity here  Δϕ is , i.e., the phase offset.

Consider a certain class of PRPD patterns as a probability distribution $P(q,\varphi )$, , which represents the probability of a PD pulse occurring near phase $\varphi$ and amplitude $q$. Given a specific phase offset Δϕ , the joint probability of all observed pulses is:

En la práctica, se toma el logaritmo para evitar números underflow:

La estimación de máxima verosimilitud busca lo que maximiza esta probabilidad logarítmica:

Comprensión intuitiva

El patrón de la PPR es continuo desplazado cíclicamente a lo largo del eje de fase. El ángulo de desplazamiento que hace que los pulsos de corriente coincidan mejor con la distribución de referencia se toma como la alineación de fase óptima. Mezcl

Separación de ruido y mapa de energía limpi

Al combinar datos de campo con el histograma de probabilidad bidimensional de la PPR, se puede obtener un mapa de distribución de energía estándar, filtrando efectivamente el ruido impulsivo y produciendo una probabilidad de distribución limpia para la medición. punto:

Common types of partial discharge include positive corona, negative corona, surface discharge, and floating discharge. Their discharge characteristics are well defined and typically concentrated around two phase regions, conforming to the von Mises distribution—that is, their discharge models follow a normal distribution on a circular variable.
Hence, the phase distribution can be expressed as:

En el procesamiento adicional de señales, se introduce un método de estimación bayesiano con información previa para reducir el sesgo sistemático. El algoritmo de reconocimiento de la PPR se convierte así en un problema de estimación de probabilidades durante la medición. data.

Por qué no se pueden separar la corona positiva y la negativad

where:

• P(PD): the true PD distribution;
• Pnoise: the noise distribution;
• ϵ: the noise proportion.

Bayesian Estimation and Defect Classification
Prior Distribution
P(μ)

Cabe señalar que, si bien la corona positiva y la negativa se pueden distinguir físicamente, la cámara acústica carece de una referencia de polaridad de voltaje y no puede determinar el cruce por cero de voltaje absoluto. Por lo tanto, en el algoritmo de reconocimiento práctico, las coronas positivas y negativas se unifican en una única clase de "descarga de corona". Precisamente por eso una cámara acústica no puede diferenciar entre corona negativa y positiva. Sin embargo, incluso con esta fusión, la cámara acústica aún puede proporcionar resultados de alta confianza para la detección general de descargas de tipo corona.

Bayesian estimation is a statistical inference method. Its core concept is not to find a single fixed parameter value, but to treat the parameter to be estimated as a random variable, using a probability distribution to describe the knowledge about that parameter.

Identificación de anomalías y alineación robusta basada en IA

•   represents the parameter to be estimated (e.g., the average height of a population).

• Retener lo “incierto” Estado

• P() is the Prior Distribution: The initial probability assessment of the parameter before observing any data.

•   is the Likelihood Function: The probability of observing the data D given the parameter . It describes how much the data supports different parameter values.

• P(|D) is the Posterior Distribution: The updated probability assessment of the parameter after combining the prior knowledge with the new observational data. This is the final output of Bayesian estimation.
  Here is the estimation visualization for a cse like observed mean as 1, prior mean as 1.4, Prior Std Dev as 1, and with a 10 samples size. 
  

Here is the estimation visualization for a cse like observed mean as 1, prior mean as 1.4, Prior Std Dev as 1, and with a 80 samples size. 

With sample numbers increase the ratio of currenction will be increased.  so a circle, the camera gathering more than 50 times, so it can recognize the PRPD with a high accurrancy. 

The algorithm assumes four defect categories: corona discharge, surface discharge, floating discharge, and noise (particle discharge). Each category has its own PRPD distribution, so a standard probability distribution can be used as the likelihood function for modeling, and the final detection result is obtained through Bayesian estimation.

Aprendizaje autosupervisado para la fase de restauración

Durante la fase de entrenamiento, se adopta una estrategia de aprendizaje autosupervisado para construir automáticamente muestras a gran escala: se aplican cambios cíclicos aleatorios artificiales (por ejemplo, , , ) a los patrones de la PPR, y el modelo tiene la tarea de predecir este desplazamiento. Esto proporciona abundantes datos de entrenamiento sin etiquetado manual y permite que el modelo aprenda a recuperar la fase verdadera de las perturbaciones.

Capa de cambio de fase diferenciable

To further enhance system robustness in complex field environments, artificial intelligence is introduced to handle challenges such as noise interference, multi-source discharge superposition, sensor variability, and unstable phase references. The AI model can directly output the phase offset Δϕ , a confidence score, the defect category, and an indication of whether multi-source superposition is present.

En términos de arquitectura del modelo, se puede incrustar una capa de cambio de fase diferenciable (análoga a una estructura de cambio circular en una red de transformadores espaciales). permitiendo que la red busque automáticamente la traducción de fase óptima durante la propagación directa para que el patrón de entrada coincida mejor con la plantilla de referencia interna, logrando así la alineación de fase de un extremo a otro.

The system retains an “uncertain” state: when the PRPD pattern is too sparse, the noise level is excessively high, the defect type is unknown, or multi-source superposition is evident, the model does not force an alignment. Instead, it returns a low confidence or rejects the judgment, thereby avoiding misclassification.

Clasificación de invariantes de fase

Cuando el objetivo es sólo identificar el tipo de defecto y no recuperar la fase absoluta, se puede emplear una estrategia de clasificación invariante de fase. Durante el aumento de datos, los patrones PRPD se rotan aleatoriamente, lo que obliga al modelo a aprender "características de forma" que son independientes de la posición de fase absoluta. Esto produce un clasificador insensible a la rotación de fases, capaz de distinguir con precisión tipos de defectos incluso sin una alineación precisa.

Differentiable Phase Shift Layer

In terms of model architecture, a differentiable phase shift layer (analogous to a circular shift structure in a spatial transformer network) can be embedded, allowing the network to automatically search for the optimal phase translation during forward propagation so that the input pattern best matches the internal reference template, thereby achieving end-to-end phase alignment.

Phase-Invariant Classification

When the objective is only to identify the defect type and not to recover the absolute phase, a phase-invariant classification strategy can be employed. During data augmentation, the PRPD patterns are randomly rotated, forcing the model to learn “shape features” that are independent of absolute phase position. This yields a classifier insensitive to phase rotation, capable of accurately distinguishing defect types even without precise alignment.