Leakage-Safe Cross-Domain Partial-Discharge Void Diagnosis: A Benchmark on the PURE Dataset

Les câbles électriques à haute tension sont les artères de la civilisation moderne, transportant l'électricité à travers les villes et les paysages. Pour les maintenir en fonctionnement de manière sûre, les ingénieurs doivent détecter un signe d'avertissement subtil appelé décharge partielle. Il ne s'agit pas d'un court-circuit électrique complet qui provoque une panne de courant, mais d'une minuscule étincelle localisée qui saute à travers un petit espace à l'intérieur de l'isolant. Avec le temps, ces étincelles rongent le matériau, finissant par provoquer une défaillance. Depuis des décennies, des experts tentent de construire des programmes informatiques capables d'écouter ces étincelles et d'identifier précisément quel type de défaut les provoque. L'espoir est qu'un algorithme intelligent puisse observer la forme d'une impulsion électrique et faire la différence entre une seule bulle d'air piégée dans le plastique, deux bulles côte à côte, ou deux bulles l'une sur l'autre. Si un ordinateur pouvait faire cela de manière fiable, il pourrait prédire les défaillances de câbles avant qu'elles ne surviennent.

Cependant, une nouvelle étude révèle un obstacle important dans cette quête. Bien que les modèles informatiques puissent devenir incroyablement précis lorsqu'ils sont testés sur des données provenant exactement des mêmes conditions que celles sur lesquelles ils ont été entraînés, ils échouent souvent complètement face à une situation réelle légèrement différente. Des chercheurs de l'Université des sciences et technologies d'Anhui ont entrepris de tester ce problème en utilisant une collection publique de mesures électriques. Ils voulaient savoir si un modèle entraîné pour reconnaître des défauts dans un type de plastique donné sous un certain type de tension pourrait toujours reconnaître ces mêmes défauts lorsque le plastique changeait ou que la tension changeait. Leurs conclusions suggèrent que la génération actuelle de ces outils de diagnostic est bien moins robuste qu'on ne le pensait auparavant, et que la manière dont les chercheurs les ont testés par le passé pourrait avoir caché cette faiblesse.

Les chercheurs se sont concentrés sur un ensemble de données spécifique contenant des milliers d'impulsions électriques enregistrées à partir de fines feuilles de plastique. Ces feuilles comportaient des trous artificiels percés pour simuler trois types de défauts différents : un seul trou, deux trous côte à côte, et deux trous en ligne. Les données ont été collectées sous quatre conditions différentes : deux types de plastique (polyéthylène basse densité et polypropylène) et deux types de pression électrique (courant alternatif et courant continu). Au total, l'étude a analysé 5 800 impulsions électriques individuelles regroupées en 58 fichiers d'enregistrement distincts. L'étape cruciale franchie par l'équipe a été de traiter chaque fichier d'enregistrement complet comme une unité unique. Dans les études précédentes, les chercheurs mélangeaient souvent les impulsions individuelles d'un même fichier dans les groupes d'entraînement et de test. Cela revient à donner à un étudiant un examen blanc, puis à l'interroger sur les questions exactes de cet examen ; cela gonfle artificiellement le score. En gardant tous les impulsions d'un même fichier ensemble, les chercheurs se sont assurés que, lorsque le modèle était testé, il rencontrait réellement une nouvelle session de mesure inédite, et non simplement une autre impulsion provenant d'une session qu'il avait déjà mémorisée.

Lorsque les chercheurs ont testé leurs modèles en utilisant cette méthode stricte et exempte de fuites, les résultats ont été frappants. Un modèle informatique standard, qui affichait une performance quasi parfaite lorsqu'il était testé sur des données issues du même matériau et de la même condition de tension, a vu sa précision s'effondrer lorsque les conditions changeaient. Lorsque le modèle était sollicité pour identifier des défauts dans un type de plastique différent, sa capacité à classer correctement les défauts chutait à un niveau à peine supérieur au hasard. De même, lorsque le type de tension passait de l'alternatif au continu, les performances du modèle s'effondraient. La découverte la plus troublante fut que le modèle échouait totalement à reconnaître le défaut du trou unique dans ces nouvelles conditions, le confondant souvent avec un autre type de défaut ou ne le détectant pas du tout. Cet échec se produisait que les chercheurs utilisent des outils statistiques simples ou des réseaux de deep learning complexes et modernes. Même lorsque les chercheurs ont tenté d'enseigner aux modèles à être « invariants au domaine » — c'est-à-dire qu'ils ont essayé de forcer les modèles à ignorer les différences entre les types de plastique et les conditions de tension — les modèles n'ont toujours pas réussi à apprendre à reconnaître les défauts dans les nouveaux environnements.

L'étude a également examiné pourquoi ces échecs se produisaient. Ils ont découvert que le problème ne venait pas du fait que les modèles étaient trop simples ou manquaient de puissance de calcul. Au lieu de cela, les modèles avaient appris à s'appuyer sur des indices subtils spécifiques aux conditions exactes des données d'entraînement, tels que la façon spécifique dont le plastique réagissait à la tension ou la signature unique de l'équipement d'enregistrement. Lorsque ces conditions changeaient, les indices sur lesquels les modèles s'appuyaient disparaissaient, et les modèles devenaient aveugles. Les chercheurs ont découvert que le facteur le plus critique de l'échec était la manière dont les différents types de défauts se déplaçaient les uns par rapport aux autres dans les données. Si le modèle ne pouvait pas maintenir l'identité du défaut du trou unique distinct des autres lorsque l'environnement changeait, l'ensemble du système échouait. Ils ont également testé une technique appelée augmentation de données, où les données d'entraînement sont artificiellement modifiées par de petits changements comme du bruit ou un décalage temporel du signal. Cette technique a aidé le modèle à mieux performer lorsqu'il était entraîné sur un mélange des quatre conditions et testé sur une nouvelle, mais elle n'a pas aidé lorsque le modèle était entraîné sur une seule condition et testé sur une autre.

Peut-être la partie la plus accablante de la recherche est venue d'un petit ensemble de données impliquant de véritables câbles électriques, plutôt que les fines feuilles de plastique utilisées pour les tests principaux. Les modèles, qui avaient été entraînés sur les feuilles de plastique, étaient totalement incapables de reconnaître les défauts dans les vrais câbles. Ils classaient de manière erronée chaque enregistrement de câble, devinant systématiquement le mauvais type de défaut. Cela suggère que les modèles avaient appris une représentation des défauts spécifique aux fines feuilles de plastique et ne se transférait pas à la géométrie complexe d'un véritable câble. Les chercheurs ont conclu que, bien que ces modèles soient excellents pour décrire ce qu'ils ont déjà vu, ils ne sont pas encore prêts à être dignes de confiance pour le diagnostic de nouvelles lignes électriques non observées.

L'étude ne prétend pas que l'intelligence artificielle ne peut pas résoudre ce problème, mais elle soutient que la voie à suivre nécessite un changement fondamental dans la manière dont ces outils sont évalués. La pratique actuelle consistant à rapporter des scores de précision élevés basés sur des données qui ne sont pas véritablement indépendantes est trompeuse. Pour construire un outil de diagnostic fiable, les ingénieurs doivent tester leurs modèles sur des données provenant de matériaux différents, de tensions différentes et de configurations d'enregistrement différentes, tout comme un système réel le ferait. Les chercheurs proposent une nouvelle norme de test qui sépare les données d'entraînement des données de test au niveau de l'intégralité du fichier d'enregistrement, garantissant qu'aucune information ne fuit entre les deux. Ils insistent également sur le fait que la performance doit être rapportée séparément pour chaque type de défaut et chaque type de changement, car un modèle peut bien fonctionner pour un type de défaut mais échouer complètement pour un autre. Tant que ces tests rigoureux ne seront pas passés, et tant que les modèles ne seront pas prouvés capables de fonctionner à travers différentes conditions physiques, la promesse d'un diagnostic automatisé des câbles restera hors de portée. Ce travail constitue un rappel à la réalité nécessaire, rappelant à la communauté scientifique qu'une haute précision dans un laboratoire contrôlé ne garantit pas la sécurité sur le terrain.