《Egyptian Informatics Journal》：Feature-engineered ensemble learning methods for insulator fault detection based on ultrasound signals
编辑推荐：
本文提出了一种用于中压绝缘子超声信号故障检测的特征工程集成方法（ensemble method）。研究人员开发了一个特征提取框架（feature extraction framework），该框架捕获了瓷质绝缘子在各种条件下（正常运行、人工污染和模拟雷击损坏）
本文提出了一种用于中压绝缘子超声信号故障检测的特征工程集成方法（ensemble method）。研究人员开发了一个特征提取框架（feature extraction framework），该框架捕获了瓷质绝缘子在各种条件下（正常运行、人工污染和模拟雷击损坏）超声发射的时域、频域、小波域和包络特征。一种稳健的信号增强方法（signal augmentation methodology）在保持类判别特性的同时增强了分类鲁棒性。研究人员评估了标准的集成方法（随机森林（random forest）、极端梯度提升（extreme gradient boosting）和轻量梯度提升（light gradient boosting）），并引入了两种新算法：EvoBagging，它采用进化算子（evolutionary operators）优化Bootstrap样本；以及近端策略优化Bagging（PPOBagging），它利用通过近端策略优化（proximal policy optimization, PPO）的强化学习（reinforcement learning），通过顺序决策构建集成。实验结果表明，我们提出的特征工程方法显著优于原始信号分类（准确率91.67%对比55.00%）。提出的PPOBagging算法达到了最高性能，准确率为94.17%，宏F1分数（macro-F1 score）为0.9412，超过了传统方法。与卷积核变换（标准、小型和多重随机卷积核）的对比分析表明，虽然这些方法提供了有竞争力的准确率（最高达88.33%），但它们在性能和可解释性方面均不如我们提出的特征工程集成方法。与深度学习方法的对比也再次证实了所提出的特征工程技术的有用性。这项工作为配电系统的非破坏性监测提供了实用工具，能够实现主动维护策略以防止故障。
**基于超声信号的特征工程集成学习方法用于绝缘子故障检测：一项综合性研究解读**
**1. 研究背景与问题**
在电力系统中，绝缘子是确保输电和配电系统可靠运行的关键组件。绝缘子故障会导致服务中断、经济损失和安全隐患，从而影响电网可靠性。传统的绝缘子检测方法，如目视检查或离线测试，耗时、成本高且可能存在安全隐患。超声信号分析作为一种非破坏性技术，能够实时监测绝缘子状态，在故障发展至完全失效前检测到局部放电和污染，因此成为一种有前景的检测方法。
然而，电力系统中的绝缘子会受到污染、潮湿和热应力等多种环境因素的影响，导致表面污染、内部裂纹和物理损坏等不同类型的故障。每种故障类型在超声频率范围（20–110 kHz）内会产生独特的声发射信号，这构成了一个具有挑战性的分类任务。尽管深度学习方法在该领域展现了有效性，但它们需要大量的计算资源且缺乏可解释性。集成方法提供了一种替代方案，能够在提高效率和透明度的同时提供分类性能。因此，本研究的核心目标是探索基于特征工程的集成学习方法，用于中压绝缘子超声信号的故障检测与分类，旨在开发一种性能优越、可解释且计算高效的检测系统。该论文发表在《Egyptian Informatics Journal》。
**2. 主要关键技术方法**
研究人员采用了以下主要关键技术方法：
* **特征工程：** 开发了一套综合的特征提取框架，从超声信号中提取50维特征，涵盖时域、频域、小波域和包络域。具体包括统计矩、频谱功率分布、小波系数和瞬时频率指标等。
* **信号增强：** 实施了一种全面的数据增强策略，包括时间偏移、时间拉伸、添加高斯噪声和有色噪声、幅度扭曲、带通滤波、频率掩蔽、相移以及包络变换等，以增强模型鲁棒性并解决类别不平衡问题。
* **集成学习算法：** 评估了随机森林、XGBoost、LightGBM等标准集成方法，并提出了两种新算法：EvoBagging（通过进化算子优化Bootstrap样本）和PPOBagging（利用近端策略优化（PPO）的强化学习来动态构建和优化集成）。
* **对比方法：** 将所提方法与时序分类的卷积核变换方法（ROCKET、MiniROCKET、MultiROCKET）以及深度学习模型（ImprovedCNN、DualPathCNN、TransformerCNN）进行了对比。
* **数据集：** 使用了来自巴西南部地区中压配电网的受控实验数据集，包括15 kV级针式瓷绝缘子在正常状态、人工污染（遵循IEC-60507标准，使用高岭土和氯化钠）和模拟雷击损伤（钻孔）三种条件下的超声信号。
**3. 研究结果**
**5.1 Evaluating the enhanced feature method**
使用50维手工特征时，所有模型的性能均显著优于使用原始信号窗口（准确率约55%）。随机森林模型在特征工程上的准确率达到了91.0%。特征重要性分析显示，低频带功率、低频带相对功率、小波系数标准差（wavelet_0_std, wavelet_1_std）、百分位数、均方根、能量、谱熵和谱质心等特征贡献最大。
**5.1.1 Feature ablation study**
特征消融研究表明，频带特征单独分类准确率最高（87.83%），而时域、频带和光谱特征的组合达到了最优准确率（90.67%），优于完整的50维特征集（89.50%）。原始信号分类（1000个特征）准确率仅48.00%，远低于所有特征组合。
**5.1.2 Difficult samples analysis**
难点样本分析显示，C类样本（人工污染）占难点样本的58.3%，且最容易被误分类。C类与B类、D类之间存在双向混淆，A类常被误分类为D类。t-SNE可视化表明，这些混淆源于特征空间中相关类别的重叠区域。
**5.1.3 EvoBagging performance on enhanced features**
EvoBagging算法在第五折交叉验证中取得了90.83%的准确率和0.908的宏F1分数。E类和F类获得了完美分类，而B类和C类因光谱特征重叠导致精确率略低。进化过程在7轮后收敛，其决策树结构展现了多样性。
**5.1.4 PPOBagging performance on enhanced features**
提出的PPOBagging算法在第一折验证中取得了最高性能，准确率为94.17%，宏F1分数为0.9412。该算法在早期阶段（第2个episode）便快速收敛至最优性能。PPOBagging在之前难以分类的B类和C类上也取得了较高的F1分数，展现了其通过奖励驱动优化提升分类能力的优势，但训练时间高于传统方法。
**5.2 Comparison between standard and augmented feature engineering**
使用增强特征集后，大多数集成模型的性能得到提升。LightGBM模型提升最大（+5.00%），最终准确率达到91.67%。
**5.3 Enhanced feature method against ROCKET, MiniROCKET, and MultiROCKET**
与卷积核变换方法对比，MiniROCKET+XGBoost和MultiROCKET+XGBoost取得了最佳准确率（88.33%），但略低于增强特征工程方法（91.67%）。MiniROCKET在变换时间上效率最高（0.61秒）。所有ROCKET变体在E类和F类上表现完美，但对C类的分类依然困难（F1分数低于0.70）。
**5.4 Comparing enhanced features with deep learning approaches**
与深度学习模型对比，所有深度学习模型在原始信号上的表现均优于传统机器学习模型，其中TransformerCNN准确率最高（79.17%）。然而，使用增强特征集和LightGBM的集成方法（91.67%）仍然优于所有深度学习模型12.5个百分点。特征工程方法在可解释性、计算效率和样本效率方面更具优势。
**4. 总结与讨论**
本研究通过特征工程集成方法有效解决了中压绝缘子超声信号的多标签故障检测问题。研究结论表明，精心设计的特征提取（时域、频域、小波域和包络特征）能将分类准确率从原始信号的约55%提升至90%以上。在评估的集成方法中，提出的PPOBagging算法通过强化学习动态优化集成，实现了最高性能（94.17%准确率，宏F1 0.9412），超越了传统方法和进化方法。此外，特征增强策略为大多数集成模型带来了一致的性能提升，其中LightGBM增益最大。与卷积核变换（ROCKET系列）和深度学习方法的对比分析进一步证实了所提特征工程方法在性能和可解释性方面的优势，深度学习虽然在处理原始信号上更优，但整体性能仍不及特征工程方法。该研究为配电系统的非破坏性监测提供了实用工具，有助于实现主动维护策略，防止灾难性故障并提高系统可靠性。未来工作可探索将深度学习架构与所提特征工程方法相结合，并研究迁移学习以适配不同绝缘子类型和环境条件。
