01 · A
Problem
Kurze Fenster benötigen Klasse und Konfidenz, lange Reihen Start- und Endpositionen jedes Signalzustands. Eine reine Klassifikation verliert die zeitlichen Grenzen, die Fachleute prüfen müssen.
Alle Projekte02 / 09
Von Wellenformen zu prüfbaren Intervallen
Klassifikation und Segmentierung von Teilentladungen
Zwei verbundene, aber getrennte Aufgaben: kurze Segmente als Teilentladung oder Rauschen klassifizieren und lange Reihen in verschiedene Entladungs- und Rauschintervalle segmentieren.
- Zeitraum
- Oct 2024 — Mar 2026
- Schwerpunkt
- Industrial Machine Learning · Time-Series Classification · 1D Segmentation
- Kerntechnologien
- Python · PyTorch · FCN · CNN-BiLSTM
Kurzfassung
- Problem
- Kurze Fenster benötigen Klasse und Konfidenz, lange Reihen Start- und Endpositionen jedes Signalzustands. Eine reine Klassifikation verliert die zeitlichen Grenzen, die Fachleute prüfen müssen.
- Mein Beitrag
- FCN- und CNN-BiLSTM-Klassifikation sowie eine Inferenzschnittstelle implementiert.
- Ergebnis / Grenze
- Die Klassifikationsschnittstelle wurde produktiv bereitgestellt; dauerhaft nahezu gleichverteilte Klassenwahrscheinlichkeiten wurden auf eine Einheiten-/Skalendifferenz zwischen Kundensignalen und Trainingsdaten zurückgeführt. Segmentierung und Anomalieerkennung wurden nur in der Testumgebung implementiert und bereitgestellt.
01 · B
Kontext
Bei einem anonymisierten Unternehmen für industrielle Messtechnik flossen Expertenlabels aus dem Annotationsablauf in Modellexperimente ein. Im Einsatz zeigte sich eine Skalendifferenz zwischen laborähnlichen Eingaben und Kundenmessungen; Geräte- und Kundendetails bleiben privat.
Warum es wichtig ist
Innere, Oberflächen-, Korona- und weitere Entladungen sehen nicht gleich aus; Störungen können sie imitieren. Fortgesetzte Isolationsschädigung kann zu Durchschlag oder Überschlag führen, ein Lichtbogenereignis zu Ausfall, Brand und schweren Personengefahren. Es geht daher nicht nur um Mustererkennung, sondern um prüfbare Evidenz für sicherere Entscheidungen.
Technische Details öffnenDie eigentliche Schwierigkeit · Systempfad · Zentrale Abwägungen
Die eigentliche Schwierigkeit
- 01
Eingabelängen reichen von Einzelereignissen bis zu langen kontinuierlichen Reihen.
- 02
Einheiten und Skalen können zwischen Labor- und Einsatzdaten abweichen.
- 03
Klassenungleichgewicht und strittige Grenzen beeinflussen Loss und Bewertung.
- 04
Offline-Ergebnisse belegen keine kundengreifende Generalisierung.
Mein Ansatz
Systempfad
Ereignisse klassifizieren
FCN und CNN-BiLSTM liefern Typ und Konfidenz kurzer Segmente
Datenvertrag sichern
Logits prüfen und Einheiten, Skalen, Kanäle sowie Labelsemantik vereinheitlichen
Sequenzen segmentieren
Konfigurierbare U-Time-Modelle nutzen Dice plus Cross-Entropy und optionale Wavelet-Kanäle
Anomalien erkunden
TCN-Autoencoder lernt gewöhnliches Rauschen und führt auffällige Intervalle zur Prüfung zurück
Zwei Segmentierungswege
Dieselbe Zeitachse lässt sich aus Labels oder Rekonstruktionsabweichungen segmentieren
U-Time lernt aus Expertenintervallen eine explizite Klassenkarte. TCNAE lernt ohne Klassenlabels die Struktur typischen Rauschens und macht Rekonstruktionsabweichungen zu Prüfkandidaten. Beide erzeugen Zeitintervalle, treffen aber unterschiedliche Aussagen.
Intervallklassen aus Expertenlabels lernen
Geeignet, wenn Intervallsemantik stabil genug für die dichte Überwachung eines eindimensionalen Segmentierungsmodells ist.
- Überwachung
- Bestätigte Expertenintervalle
- Lernziel
- Klassengrenzen und zeitlicher Kontext
- Trainingssignal
- Dice Loss + Cross-Entropy
- Entscheidung
- Klassenwahrscheinlichkeit je Segment
- 01
Ausgerichtete Fenster
Lange Reihen teilen und die reversible Zuordnung zwischen Samples, Labels und Quellkoordinaten bewahren.
- 02
Eingabekanäle
Normalisierte Rohwellenform allein oder zusammen mit ausgewählten diskreten Wavelet-Bändern verwenden.
- 03
Mehrskalig kodieren
Konfigurierbare 1D-Faltungen und Pooling vergrößern den Kontext bei sinkender Zeitauflösung.
- 04
Mit Skip-Verbindungen dekodieren
Upsampling verbindet Engpasskontext und Encoder-Details vor dem Segmentklassifikator.
- 05
Grenzen trainieren und prüfen
Dice plus Cross-Entropy optimieren, Lernrate planen, früh stoppen und Intervallüberlappung sowie Grenzen prüfen.
Typisches Rauschen lernen und Rekonstruktionsanomalien zeigen
Nützlich bei wenigen Anomalien oder strittigen physikalischen Labels, sofern typisches Rauschen modellierbar ist.
- Überwachung
- Keine Klassenlabels; Annahme typischen Rauschens
- Lernziel
- Komprimierte Darstellung üblicher Muster
- Trainingssignal
- Fensterweiser Rekonstruktionsfehler
- Entscheidung
- Score, Schwelle und Intervallnachbearbeitung
- 01
Fenstern und robust skalieren
Signalvertrag vereinheitlichen, robust normalisieren und überlappende Fenster mit identischem Ziel bilden.
- 02
Mit TCN kodieren
Dilated Causal Convolutions und Residualblöcke erweitern das Rezeptionsfeld ohne rekurrenten Zustand.
- 03
Darstellung komprimieren
Mehrskalige TCN-Merkmale verknüpfen, projizieren und zu einem niedrigdimensionalen Zeitcode poolen.
- 04
Rekonstruieren und überlagern
Decoder mit umgekehrter Dilatation rekonstruiert Fenster; Überlappungen werden auf der Quellzeitachse gemittelt.
- 05
Bewerten und prüfen
Rekonstruktionsresiduen als Anomalieevidenz schwellen, Intervalle zusammenführen und zur Fachprüfung geben.
Die Architekturerklärung folgt den U-Time- und TCN-AE-Publikationen. Ich nutze sie zur Methodenerklärung, ohne deren Benchmarks als Ergebnisse meines Projekts auszugeben.
Kurzfenster-Klassifikation
Von Wellenformsamples zu Klasse und Konfidenz
Der Klassifikationspfad trennt Merkmalsextraktion, Aggregation variabler Länge und finale Evidenz, damit Fehler schichtweise prüfbar bleiben.
01Eingabe
Signalfenster
Normalisierte 1D-Samples
02lokale Muster
Conv-Merkmale
FCN- oder CNN-BiLSTM-Repräsentation
03fester Vektor
Längenaggregation
GAP/SPP-Varianten untersucht
04Diagnose
Logits
Skala vor Softmax prüfen
05prüfbar
Klasse + Konfidenz
PD-Kandidat oder Rauschen
Nahezu nullwertige Logits deuteten auf den Eingabevertrag, nicht auf Softmax.
Zentrale Abwägungen
Vertrag vor Modell
Nahezu nullwertige Logits legten eine Einheiten-/Skalendifferenz offen; behoben wurde der Eingabevertrag statt Softmax-Tuning.
Architekturvarianten kontrolliert vergleichen
Pooling- und Wavelet-Varianten untersuchte ich als kontrollierte Modelloptionen, ohne aus nicht vergleichbaren Genauigkeitsmessungen Schlüsse zu ziehen.
Anomalie ist keine bestätigte Entladung
Unbekannte Muster gehen zur Prüfung zurück statt direkt in eine physikalische Diagnose.
04 · A
Mein Beitrag
- FCN- und CNN-BiLSTM-Klassifikation sowie eine Inferenzschnittstelle implementiert.
- Eine im Einsatz sichtbare Einheiten-/Skalendifferenz diagnostiziert und den Eingabevertrag explizit gemacht.
- Überwachte U-Time-Segmentierung mit Dice plus Cross-Entropy, IoU-orientierter Bewertung und Wavelet-Experimenten umgesetzt.
- Einen TCN-Autoencoder-Rekonstruktionspfad aufgebaut, der typische Rauschmuster lernt und Fenster mit hohem Fehler zur Fachprüfung gibt.
04 · B
Umgesetzte Ergebnisse
- Verarbeitete Aufzeichnungen mit bis zu 560 Millionen Abtastpunkten; das Annotationstool unterstützt 1–8 Signalpaare mit einer Auslegungskapazität von 4,48 Milliarden Abtastpunkten. Chunk-Zugriff und Downsampling zeigten im Profiling eine Leistungsverbesserung von 70 %.
- Die quantisierte TCN-AE-Vorauswahl ließ bei jedem Signal nur etwa 5 % der Abschnitte zur manuellen Korrektur und steigerte die Annotationseffizienz um etwa 60 %.
- FCN und CNN-BiLSTM erreichten 98 % Accuracy auf einem balancierten Testset und 94 %–96 % auf Kundenmessdaten. Die Quantisierung verringerte die CPU-Inferenzzeit auf Modellebene um 50 %, ohne erkennbaren Genauigkeitsverlust.
- Die Klassifikationsschnittstelle wurde produktiv bereitgestellt; dauerhaft nahezu gleichverteilte Klassenwahrscheinlichkeiten wurden auf eine Einheiten-/Skalendifferenz zwischen Kundensignalen und Trainingsdaten zurückgeführt. Segmentierung und Anomalieerkennung wurden nur in der Testumgebung implementiert und bereitgestellt.
Erkenntnisse
01Auch eine anspruchsvolle Architektur rettet keinen undefinierten Messvertrag.
02Grenzqualität und Enthaltung sind in Expertensystemen ebenso wichtig wie ein einzelner Klassifikationswert.
Was ich öffentlich teilen kann
Rohdaten von Kunden sowie Kunden- oder Gerätekontext sind nicht öffentlich; hier werden aggregierte Kennzahlen gezeigt.
Öffentliche Quellen
Open-Access-Studie zu vier Kabeldefekt-Wellenformen
https://www.mdpi.com/1996-1073/13/17/4566U-Time-Paper · NeurIPS 2019 https://proceedings.neurips.cc/paper_files/paper/2019/hash/57bafb2c2dfeefba931bb03a835b1fa9-Abstract.htmlTCN-AE-Anomalieerkennungs-Paper · Applied Soft Computing 2021 https://doi.org/10.1016/j.asoc.2021.107751OMICRON-Leitfaden zu Teilentladungsmessungen https://www.omicronenergy.com/uploads/tx_downloader/51c20/A_Guide_for_PD_Measurements_on_MV_and_HV_apparatus_-_Part1.pdfOSHA-Leitfaden zu Lichtbogengefahren https://www.osha.gov/sites/default/files/publications/OSHA4475.pdf