01 · A
问题
工程师无法逐个检查数千个候选事件，新出现的信号族也未必属于预定义分类。分析需要压缩审查空间，但不能把簇编号冒充物理诊断。
全部项目03 / 09
把陌生信号整理成可审查的族群
局部放电聚类后分析
一个多域特征与聚类工作流，把相似局放候选聚在一起、保留离群点，并把每个簇返回代表波形供专家复核。
- 时间
- Oct 2024 — Mar 2026
- 方向
- Industrial Machine Learning · Unsupervised Learning · Explainable Analysis
- 核心技术
- Python · NumPy · SciPy · scikit-learn
三行摘要
- 问题
- 工程师无法逐个检查数千个候选事件，新出现的信号族也未必属于预定义分类。分析需要压缩审查空间，但不能把簇编号冒充物理诊断。
- 我做了什么
- 实现时域、频域与小波域特征管线。
- 结果 / 限制
- 保留簇分配、离群点与降维投影供工程解释，同时不发布缺少证据的质量分数。
01 · B
背景
在一家工业测量技术企业（已脱敏），聚类承接预选与分类结果，帮助领域工程师比较分布、代表波形和离群点。客户与设备细节保持私密。
为什么重要
不同局放机制可能形成不同波形族，噪声和特殊运行状态也会形成自己的结构。聚类能够减少专家需要逐个检查的样本，并暴露陌生群组；前提是结果始终能返回原始波形与测量上下文。
展开技术细节真正的难点 · 系统路径 · 关键取舍
真正的难点
- 01
仅使用原始波形距离会受到相位、幅值和持续时间影响。
- 02
特征选择与缩放方式会改变表面上的聚类结构。
- 03
密度聚类中的噪声点不自动等于非局放事件。
- 04
二维投影有助于审查，但会扭曲高维距离。
我的方案
系统路径
描述
提取时域、频域、谱域与小波域特征族
表征
稳健缩放，并比较原始特征空间与降维视图
成组
使用密度与层次聚类，同时保留离群点
复核
逐簇检查中心样本、波形、频谱与小波特征
从特征到复核
聚类负责组织注意力，而不是替物理机制命名
互补特征族经过缩放与分组后，必须返回代表性原始波形，才能进入专家解释。
01可追溯
波形片段
带来源位置的候选事件
02互补
特征族
时域、频谱与小波描述
03可比较
稳健缩放
避免单一量纲主导距离
04不确定性
HDBSCAN / 层次聚类
保留密集群组与离群点
05专家复核
中心样本 + 原始波形
每个群组返回真实信号
关键取舍
使用特征族，而不是一个万能描述符
时域、频谱与小波视图捕捉互补信息，并且可以分别检查。
保留未归属点
强迫每个事件进入某个簇会隐藏不确定性，也可能抹去稀有模式。
最终回到波形
嵌入图只负责组织注意力，代表性原始信号才是工程审查对象。
04 · A
我的贡献
- 实现时域、频域与小波域特征管线。
- 比较密度、层次和降维空间中的聚类流程。
- 构建代表信号视图，让工程师能够对照原始波形复核每个簇。
04 · B
已实现结果
- 实现从特征提取到代表波形审查的可解释后分析管线。
- 保留簇分配、离群点与降维投影供工程解释，同时不发布缺少证据的质量分数。
三种视图，三种用途
整洁的嵌入图不是最终证据
原始特征空间用于分组，二维投影用于导航，原始波形才承载工程判断。
01分析
原始特征空间
聚类流程实际使用的距离
02定位
二维投影
帮助人类导航的有损地图
03解释
代表性波形
信号形状、频谱与测量上下文
经验与反思
01整洁的二维簇图可能不如杂乱但可追溯的审查集真实。
02无监督分析只有在保留不确定性的同时减少专家工作量时才真正有用。
我能公开的内容
我不能公开这项保密工作中的客户记录、吞吐量或聚类质量数字。我通过固定随机种子的示意数据呈现特征提取、聚类与代表波形审查流程。
公开来源