Synchronisation de fréquence et acquisition de signaux
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).
Une caméra acoustique détecte la distribution spatiale de l'intensité ultrasonique et trace le signal d'intensité acoustique dans le temps et la fréquence. Des méthodes telles que la moyenne circulaire, la distribution de von Mises et les histogrammes de phase sont utilisées pour l'estimation de la phase centrale. Pendant ce temps, le modèle PRPD est construit à l'aide d'une estimation du maximum de vraisemblance pour obtenir un modèle probabiliste de la distribution d'énergie, produisant une valeur de log de vraisemblance maximale qui peut être utilisée pour une classification ou un seuillage ultérieur. Alignement
Supposons qu'un ensemble d'impulsions de décharge partielle ait été collecté :
où :
En pratique, le logarithme est pris à éviter le dépassement numérique :
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 , , which represents the probability of a PD pulse occurring near phase and amplitude . Given a specific phase offset Δϕ , the joint probability of all observed pulses is:
L'estimation de la vraisemblance maximale recherche le qui maximise cette log-vraisemblance :
Intuitive Comprendre
Le modèle PRPD est continuellement décalé de manière cyclique le long de l'axe des phases. L'angle de décalage qui permet aux impulsions de courant de correspondre le mieux à la distribution de référence est considéré comme l'alignement de phase optimal. Mélange
Carte de séparation du bruit et d'énergie propre
En combinant les données de terrain avec l'histogramme de probabilité bidimensionnel du PRPD, une carte de distribution d'énergie standard peut être obtenue, filtrant efficacement le bruit impulsif et produisant une probabilité de distribution propre pour la mesure point:
Dans le traitement ultérieur du signal, une méthode d'estimation bayésienne avec informations préalables est introduite pour réduire le biais systématique. L'algorithme de reconnaissance PRPD devient ainsi un problème d'estimation de probabilité lors de la mesure.
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:
Cette méthode s'appuie sur une formule de base : le théorème de Bayes. data.
Pourquoi la couronne positive et négative ne peut pas être séparée
where:
Bayesian Estimation and Defect Classification
Prior Distribution
P(μ)
Il convient de noter que même si la couronne positive et négative peut être physiquement distinguée, la caméra acoustique n'a pas de référence de polarité de tension et ne peut pas déterminer le passage à zéro absolu de la tension. Par conséquent, dans l’algorithme de reconnaissance pratique, les corona positives et négatives sont unifiées en une seule classe de « décharge corona ». C’est précisément pourquoi une caméra acoustique ne peut pas faire la différence entre une couronne négative et positive. Néanmoins, même avec cette fusion, la caméra acoustique peut toujours fournir des résultats de haute fiabilité pour la détection globale des décharges de type corona. State
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.
Apprentissage auto-supervisé pour la restauration de phase
represents the parameter to be estimated (e.g., the average height of a population).
Pendant la phase de formation, une stratégie d'apprentissage auto-supervisé est adoptée pour construire automatiquement des échantillons à grande échelle : des décalages cycliques aléatoires artificiels (par exemple , , ) sont appliqués à les modèles PRPD, et le modèle est chargé de prédire ce décalage. Cela fournit des données d'entraînement abondantes sans étiquetage manuel et permet au modèle d'apprendre à récupérer la vraie phase des perturbations. réseau) peut être intégré, permettant au réseau de rechercher automatiquement la translation de phase optimale pendant la propagation vers l'avant afin que le modèle d'entrée corresponde au mieux au modèle de référence interne, réalisant ainsi un alignement de phase de bout en bout.
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.
Lorsque l'objectif est uniquement d'identifier le type de défaut et non de récupérer la phase absolue, une stratégie de classification invariante de phase peut être utilisée. Lors de l'augmentation des données, les modèles PRPD tournent de manière aléatoire, obligeant le modèle à apprendre des « caractéristiques de forme » indépendantes de la position de phase absolue. Cela donne un classificateur insensible à la rotation de phase, capable de distinguer avec précision les types de défauts même sans alignement précis.
It should be noted that while positive and negative corona can be physically distinguished, the acoustic camera lacks a voltage polarity reference and cannot determine the absolute voltage zero-crossing. Therefore, in the practical recognition algorithm, positive and negative corona are unified into a single “corona discharge” class. This is precisely why an acoustic camera cannot differentiate between negative and positive corona. Nevertheless, even with this merging, the acoustic camera can still provide high-confidence results for the overall detection of corona-type discharges.
AI-Based Robust Alignment and Anomaly Identification
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.
Retaining the “Uncertain” State
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.
Self-Supervised Learning for Phase Restoration
During the training phase, a self-supervised learning strategy is adopted to automatically construct large-scale samples: artificial random cyclic shifts (e.g., , , ) are applied to the PRPD patterns, and the model is tasked with predicting this offset. This provides abundant training data without manual labeling and enables the model to learn to recover the true phase from perturbations.
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.
