01 · A
问题
短窗口需要类别与置信度，长记录则需要每种信号状态的起止位置。把两者都当作分类问题，会丢失工程师必须复核的时间边界。
全部项目02 / 09
从波形识别到可审查区间
局部放电分类与长序列分割
两个相互关联但不同的任务：先区分短片段中的局放与噪声，再把长时序划分为不同局放类型和噪声区间。
- 时间
- Oct 2024 — Mar 2026
- 方向
- Industrial Machine Learning · Time-Series Classification · 1D Segmentation
- 核心技术
- Python · PyTorch · FCN · CNN-BiLSTM
三行摘要
- 问题
- 短窗口需要类别与置信度，长记录则需要每种信号状态的起止位置。把两者都当作分类问题，会丢失工程师必须复核的时间边界。
- 我做了什么
- 实现 FCN、CNN-BiLSTM 分类路径与推理接口。
- 结果 / 限制
- 分类接口已上线；模型输出概率长期接近类别均分的问题追溯到客户信号与训练数据之间的单位／尺度不一致。分割与异常检测仅在测试环境实现和部署。
01 · B
背景
在一家工业测量技术企业（已脱敏），标注工作流产生的专家标签进入模型实验。部署过程暴露出实验室输入与客户测量尺度不一致的问题；公开叙述不披露具体设备与客户信息。
为什么重要
内部放电、表面放电、电晕放电等机制并不具有相同波形，干扰也可能与它们相似。持续的绝缘劣化可能进一步发展为击穿或闪络；一旦形成电弧事件，就可能带来设备停机、火灾以及严重的人身风险。因此，这不只是模式识别问题，而是在为更安全的工程判断准备可审查证据。
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
输入长度从孤立事件到连续长记录不等。
- 02
实验数据与部署数据的测量单位和尺度可能不同。
- 03
类别不平衡与争议边界会同时影响损失函数和评估。
- 04
离线结果不能证明跨客户泛化能力。
我的方案
系统路径
事件分类
FCN 与 CNN-BiLSTM 为短片段输出信号类别与置信度
固定数据契约
先检查 logits，再在推理前统一单位、尺度、通道和标签语义
长序列分割
可配置 U-Time 风格一维模型使用 Dice + 交叉熵与可选小波通道
异常探索
TCN 自编码器学习常见噪声，并把高距离区间送回人工审查
两条分割技术路线
同一条时间轴，既可以从标签学习，也可以从重构异常中切分
U-Time 从专家区间标签中学习明确的类别图；TCNAE 不依赖类别标签，而是学习常见噪声的结构，再把重构偏差转化为待复核候选。两条路线都会输出时间区间，但它们表达的结论并不相同。
从专家标签学习区间类别图
当区间语义足够稳定、能够形成逐区间监督信号时，使用一维稠密分割直接学习类别与边界。
- 监督来源
- 专家确认的区间标签
- 学习目标
- 类别边界与时间上下文
- 训练信号
- Dice Loss + 交叉熵
- 决策输出
- 逐区间类别概率
- 01
构建对齐窗口
切分长记录，同时保持采样点、区间标签与原始坐标之间的可逆对应。
- 02
组织输入通道
使用归一化原始波形，也可以把选定的离散小波频带作为同步输入通道。
- 03
多尺度编码
可配置的一维卷积与池化逐层扩大时间上下文，并降低时间分辨率。
- 04
跳连解码
上采样把瓶颈层的全局上下文与编码器的局部细节重新结合，再进入区间分类器。
- 05
训练并验证边界
使用 Dice + 交叉熵、学习率调度与早停，并检查区间重叠和边界质量。
学习常见噪声，再暴露重构异常
当异常样本稀少、物理类别存在争议，但常见噪声结构可以学习时，用重构偏差发现需要复核的区间。
- 监督来源
- 无需类别标签；假设常见噪声占主导
- 学习目标
- 常见模式的压缩表示
- 训练信号
- 窗口重构误差
- 决策输出
- 异常分数、阈值与区间后处理
- 01
滑窗与稳健缩放
统一信号数据契约，使用稳健统计量归一化，并构造输入与目标相同的重叠窗口。
- 02
TCN 编码
膨胀因果卷积配合残差块扩大感受野，不依赖循环状态也能覆盖多尺度模式。
- 03
压缩时间表示
拼接多尺度 TCN 特征，经投影与池化形成更低维的时间编码。
- 04
解码并重叠回拼
反向膨胀的解码块重建窗口，再把重叠预测平均回原始时间轴。
- 05
评分并返回候选
把重构残差作为异常证据，经过阈值和区间合并后送回专家复核。
架构说明参考 U-Time 与 TCN-AE 论文。我只用论文解释方法，不把论文中的 benchmark 数字写成自己的项目结果。
短窗口分类
从波形采样到类别与置信度
分类路径把特征提取、变长聚合与最终证据分开，使部署问题能够逐层检查。
01输入
信号窗口
归一化一维采样
02局部模式
卷积特征
FCN 或 CNN-BiLSTM 表征
03固定向量
变长聚合
探索 GAP/SPP 变体
04诊断点
Logits
softmax 前检查绝对尺度
05可审查输出
类别与置信度
局放候选或噪声
接近零的 logits 指向输入契约问题，而不是 softmax 本身。
关键取舍
先修复数据契约，再讨论模型
接近零的 logits 暴露了单位/尺度错位；修复重点是显式定义输入语义，而不是调 softmax。
在同一任务中比较架构选择
我将池化方式与小波通道作为受控模型变量进行探索，不从不可比的精度测量中得出结论。
异常不等于已确认局放
陌生模式应返回人工审查，而不是直接升级为物理诊断。
04 · A
我的贡献
- 实现 FCN、CNN-BiLSTM 分类路径与推理接口。
- 定位部署中暴露的单位／尺度不一致，并把输入契约显式化。
- 实现 U-Time 风格监督分割路径，包括 Dice + 交叉熵、IoU 导向评估与小波通道实验。
- 构建 TCN 自编码器重构路径，学习常见噪声模式，并把高误差窗口返回专家复核。
04 · B
已实现结果
- 处理单条最长 5.6 亿采样点的记录；标注工具支持 1–8 对信号，总设计容量为 44.8 亿采样点。分块访问与降采样在 Profile 中显示性能提升 70%。
- 量化 TCN-AE 预筛选后，每条信号仅约 5% 的片段需要人工修正，标注效率提升约 60%。
- FCN 与 CNN-BiLSTM 在平衡测试集上的准确率为 98%，在客户测量数据上为 94%–96%。量化后模型级 CPU 推理耗时降低 50%，精度无明显下降。
- 分类接口已上线；模型输出概率长期接近类别均分的问题追溯到客户信号与训练数据之间的单位／尺度不一致。分割与异常检测仅在测试环境实现和部署。
经验与反思
01再复杂的架构也无法挽救定义不清的测量契约。
02在专家使用的系统里，边界质量与拒识行为和单一分类分数同样重要。
我能公开的内容
原始客户数据与客户/设备背景不公开；此处展示的是汇总指标。
公开来源
四种电缆缺陷波形的开放获取研究
https://www.mdpi.com/1996-1073/13/17/4566U-Time 原始论文 · NeurIPS 2019 https://proceedings.neurips.cc/paper_files/paper/2019/hash/57bafb2c2dfeefba931bb03a835b1fa9-Abstract.htmlTCN-AE 异常检测原始论文 · Applied Soft Computing 2021 https://doi.org/10.1016/j.asoc.2021.107751OMICRON 局部放电测量指南 https://www.omicronenergy.com/uploads/tx_downloader/51c20/A_Guide_for_PD_Measurements_on_MV_and_HV_apparatus_-_Part1.pdfOSHA 电弧闪络风险指南 https://www.osha.gov/sites/default/files/publications/OSHA4475.pdf