Apprentissage profond et augmentation de données pour la détection des décharges partielles dans les machines électriques

Les tests de défauts sur la chaîne de production des machines de traction automobiles sont essentiels pour garantir la durée de vie souhaitée. Comme les décharges partielles (DP) répétitives causées par des anomalies dans le système d'isolation entraînent des pannes prématurées des machines électriques, une détection fiable des DP revêt une grande importance. Cet article propose des méthodes d'apprentissage profond (AP) pour améliorer la discrimination des DP par rapport au bruit de fond, comparé à la détection des DP basée sur l'amplitude à l'état de l'art dans la chaîne de production. Tout d'abord, une procédure systématique d'extraction et d'étiquetage des données est introduite pour obtenir des ensembles de données correctement étiquetés à partir de mesures DP arbitraires. De plus, les ensembles de données sont enrichis avec des impulsions DP à faible rapport signal sur bruit en appliquant une approche spéciale d'augmentation de données. Treize réseaux de neurones différents, convolutionnels, récurrents et entièrement connectés, sont comparés pour diverses représentations temps-fréquence des signaux d'entrée. Les hyperparamètres pour la transformation des entrées, la topologie du réseau et le solveur sont optimisés pour toutes les 13 combinaisons afin d'assurer une étude de cas équitable. En conséquence, le réseau de neurones convolutionnel bidimensionnel avec transformation en ondelettes continues atteint la meilleure précision d'environ 99,76 % sur un ensemble de test de signaux DP provenant d'objets de test auparavant non utilisés. Tous les modèles AP considérés dans cette comparaison surpassent la classification des DP basée sur le seuil à l'état de l'art. Même pour les événements de DP avec une amplitude proche du niveau de bruit, le taux de détection est encore d'environ 95 % pour le meilleur réseau. De plus, sans l'application de la procédure d'augmentation de données proposée, les modèles AP étudiés ne sont pas capables de distinguer les petites impulsions DP du bruit.