可解释人工智能引导的高压断路器无监督故障诊断
机器学习
2025-07-28 v1 信号处理
摘要
商用高压断路器（CB）状态监测系统依赖于直接可观测的物理参数，例如带有预设阈值的气体填充压力。虽然这些参数至关重要，但它们仅覆盖了故障机制的一小部分，并且通常只能在断路器与电网断开时进行监测。为了在断路器保持连接的同时实现在线状态监测，需要非侵入式测量技术，例如振动或声学信号。目前，使用这些信号的断路器状态监测研究通常采用监督方法进行故障诊断，其中由于在实验室环境中人为引入故障，真实故障类型是已知的。然而，这种监督方法在现实应用中不可行，因为故障标签不可用。在这项工作中，我们提出了一种新颖的基于振动和声学信号的断路器无监督故障检测与分割框架。该框架能够检测与健康状态的偏差。将可解释人工智能（XAI）方法应用于检测到的故障以进行故障诊断。具体贡献如下：（1）我们提出了一个集成的无监督故障检测与分割框架，该框架能够在训练期间仅需健康数据的情况下检测故障并对不同故障进行聚类；（2）我们提供了一种使用XAI的无监督可解释性引导的故障诊断方法，为领域专家提供老化或故障组件的潜在指示，从而在没有真实故障标签的前提下实现故障诊断。这些贡献通过一个高压断路器在健康和人为引入故障条件下的实验数据集进行了验证，有助于提高断路器系统运行的可靠性。
引用
@article{arxiv.2507.19168,
title = {Explainable AI guided unsupervised fault diagnostics for high-voltage circuit breakers},
author = {Chi-Ching Hsu and Gaëtan Frusque and Florent Forest and Felipe Macedo and Christian M. Franck and Olga Fink},
journal= {arXiv preprint arXiv:2507.19168},
year = {2025}
}