[论文解读] On-Line Condition Monitoring using Computational Intelligence

Christina B. Vilakazi, Tshilidzi Marwala+2 more|arXiv (Cornell University)|May 16, 2007

Advanced Computational Techniques and Applications参考文献 14被引用 4

一句话总结

本文提出了一种基于计算智能技术的在线局部放电监测框架，用于电力套管故障诊断——具体采用多层感知机（MLP）、径向基函数（RBF）和支持向量机（SVM）对溶解气体分析结果进行分类。MLP在准确率和训练速度方面均优于RBF和SVM，且通过增量学习算法实现了对新数据的实时适应，使分类准确率在引入新数据时从67.5%提升至95.8%，在引入新故障类型时从60%提升至95.3%，平均决策置信度达0.92。

ABSTRACT

This paper presents bushing condition monitoring frameworks that use multi-layer perceptrons (MLP), radial basis functions (RBF) and support vector machines (SVM) classifiers. The first level of the framework determines if the bushing is faulty or not while the second level determines the type of fault. The diagnostic gases in the bushings are analyzed using the dissolve gas analysis. MLP gives superior performance in terms of accuracy and training time than SVM and RBF. In addition, an on-line bushing condition monitoring approach, which is able to adapt to newly acquired data are introduced. This approach is able to accommodate new classes that are introduced by incoming data and is implemented using an incremental learning algorithm that uses MLP. The testing results improved from 67.5% to 95.8% as new data were introduced and the testing results improved from 60% to 95.3% as new conditions were introduced. On average the confidence value of the framework on its decision was 0.92.

研究动机与目标

• 开发一种基于计算智能的实时自适应电力套管状态监测系统。
• 比较MLP、RBF和SVM分类器在检测和分类套管故障方面的性能表现。
• 使系统能够从新获取的数据中学习，并逐步适应新的故障类型。
• 利用溶解气体分析（DGA）数据提升诊断准确率和决策置信度。
• 实现一种在线学习框架，确保在数据动态变化时仍保持高性能。

提出的方法

• 该框架采用两级分类方法：首先判断套管是否故障，然后识别具体故障类型。
• 以套管的溶解气体分析（DGA）数据作为分类器的输入特征。
• 在DGA数据集上对多层感知机（MLP）、径向基函数（RBF）网络和支持向量机（SVM）进行训练并进行性能对比。
• 将增量学习算法应用于MLP，以实现实时数据和新故障类别的自适应。
• 系统通过动态更新模型来处理新输入数据，从而随时间推移提升泛化能力和准确率。
• 性能评估指标包括准确率、训练时间以及决策置信度（平均为0.92）。

实验结果

研究问题

• RQ1 在在线套管状态监测中，MLP、RBF和SVM分类器在准确率和训练时间方面的表现如何比较？
• RQ2 基于MLP的在线学习框架是否能有效适应新获取的数据和新的故障类别？
• RQ3 增量学习在多大程度上随时间推移提升了分类准确率？
• RQ4 系统故障分类决策的平均置信度水平是多少？
• RQ5 该框架在实时处理动态变化的数据分布时，能否保持高性能？

主要发现

• MLP在三种测试分类器中表现出最高的准确率和最快的训练速度。
• 通过增量学习，随着新数据的引入，系统的测试准确率从67.5%提升至95.8%。
• 当新增故障状态时，准确率从60%提升至95.3%。
• 系统决策的平均置信度为0.92，表明具有高度可靠性。
• 增量学习方法成功实现了对新数据和新故障类别的实时适应。
• 该框架在动态在线监测场景中展现出良好的可扩展性和鲁棒性。