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

उच्च-वोल्टेज बिजली केबल आधुनिक सभ्यता की धमनियां हैं, जो शहरों और परिदृश्यों में बिजली ले जाती हैं। उन्हें सुरक्षित रूप से चलाने के लिए, इंजीनियरों को एक सूक्ष्म चेतावनी संकेत का पता लगाना होता है जिसे 'पार्शियल डिस्चार्ज' (आंशिक विसर्जन) कहा जाता है। यह कोई पूर्ण विद्युत शॉर्ट सर्किट नहीं है जिससे ब्लैकआउट हो जाए, बल्कि एक बहुत छोटा, स्थानीयकृत स्पार्क (चिंगारी) है जो इन्सुलेशन के भीतर एक छोटे से अंतराल के पार कूदता है। समय के साथ, ये चिंगारियां सामग्री को खा जाती हैं, जिससे अंततः विफलता (फेलियर) हो सकती है। दशकों से, विशेषज्ञों ने ऐसे कंप्यूटर प्रोग्राम बनाने की कोशिश की है जो इन स्पार्क्स को सुन सकें और पहचान सकें कि किस प्रकार का दोष उन्हें पैदा कर रहा है। उम्मीद यह रही है कि एक स्मार्ट एल्गोरिदम बिजली के पल्स (स्पंदन) के आकार को देखकर यह बता सकेगा कि क्या यह प्लास्टिक के भीतर फंसा हुआ एक एकल वायु बुलबुला है, दो अगल-बगल वाले बुलबुले हैं, या एक के ऊपर एक रखे दो बुलबुले हैं। यदि कोई कंप्यूटर इसे विश्वसनीय रूप से कर सकता, तो वह केबल की विफलता होने से पहले ही उसकी भविष्यवाणी कर सकता था।

हालाँकि, एक नया अध्ययन इस खोज में एक महत्वपूर्ण बाधा को उजागर करता है। जबकि कंप्यूटर मॉडल उन सटीक स्थितियों के डेटा पर परीक्षण किए जाने पर अविश्वसनीय रूप से सटीक हो सकते हैं जिनमें उन्हें प्रशिक्षित किया गया था, वे थोड़ी अलग वास्तविक दुनिया की स्थिति का सामना करने पर पूरी तरह विफल हो जाते हैं। अनहुई यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने एक सार्वजनिक इलेक्ट्रिकल माप संग्रह का उपयोग करके इस समस्या का परीक्षण करने का निर्णय लिया। वे जानना चाहते थे कि क्या एक मॉडल, जिसे एक प्रकार के प्लास्टिक और एक प्रकार के वोल्टेज के तहत दोषों को पहचानने के लिए प्रशिक्षित किया गया था, क्या वह उन्हीं दोषों को तब भी पहचान पाएगा जब प्लास्टिक बदल जाए या वोल्टेज बदल जाए। उनके निष्कर्ष बताते हैं कि इन नैदानिक उपकरणों की वर्तमान पीढ़ी उतनी मजबूत नहीं है जितना पहले सोचा गया था, और जिस तरह से शोधकर्ता अतीत में इनका परीक्षण कर रहे थे, वह शायद इसकी कमजोरी को छिपा रहा था।

शोधकर्ताओं ने एक विशिष्ट डेटासेट पर ध्यान केंद्रित किया जिसमें प्लास्टिक की पतली चादरों से रिकॉर्ड किए गए हजारों इलेक्ट्रिकल पल्स शामिल थे। इन चादरों में तीन अलग-अलग प्रकार के दोषों का अनुकरण करने के लिए कृत्रिम छेद किए गए थे: एक एकल छेद, अगल-बगल दो छेद, और एक रेखा में दो छेद। डेटा चार अलग-अलग स्थितियों के तहत एकत्र किया गया था: दो प्रकार के प्लास्टिक (लो-डेंसिटी पॉलीइथाइलीन और पॉलीप्रोपाइलीन) और दो प्रकार के विद्युत दबाव (अल्टरनेटिंग करंट और डायरेक्ट करंट)। कुल मिलाकर, अध्ययन ने 5,800 व्यक्तिगत इलेक्ट्रिकल पल्स का विश्लेषण किया जिन्हें 58 अलग-अलग रिकॉर्डिंग फाइलों में समूहीकृत किया गया था। टीम द्वारा लिया गया महत्वपूर्ण कदम यह था कि उन्होंने प्रत्येक संपूर्ण रिकॉर्डिंग फाइल को एक एकल इकाई के रूप में माना। पिछले अध्ययनों में, शोधकर्ता अक्सर एक ही फाइल से व्यक्तिगत पल्स को प्रशिक्षण और परीक्षण दोनों समूहों में मिला देते थे। यह एक छात्र को अभ्यास टेस्ट देने और फिर उसे उन्हीं प्रश्नों पर टेस्ट करने जैसा है; यह स्कोर को बढ़ाकर दिखाता है। एक ही फाइल से सभी पल्स को एक साथ रखकर, शोधकर्ताओं ने यह सुनिश्चित किया कि जब वे मॉडल का परीक्षण कर रहे हों, तो वह वास्तव में एक नया, अनदेखा माप सत्र देख रहा हो, न कि केवल एक ऐसा पल्स जिसे उसने पहले ही याद कर लिया था।

जब शोधकर्ताओं ने इस सख्त, लीकेज-मुक्त पद्धति का उपयोग करके अपने मॉडलों का परीक्षण किया, तो परिणाम चौंकाने वाले थे। एक मानक कंप्यूटर मॉडल, जो उसी सामग्री और वोल्टेज स्थिति के डेटा पर परीक्षण किए जाने पर लगभग पूर्ण प्रदर्शन करता था, स्थितियों के बदलने पर उसकी सटीकता पूरी तरह से गिर गई। जब मॉडल से एक अलग प्रकार के प्लास्टिक में दोषों को पहचानने के लिए कहा गया, तो दोषों को सही ढंग से वर्गीकृत करने की उसकी क्षमता रैंडम गेसिंग (यादृच्छिक अनुमान) से थोड़ा बेहतर स्तर तक गिर गई। इसी तरह, जब वोल्टेज का प्रकार अल्टरनेटिंग से डायरेक्ट करंट में बदला गया, तो मॉडल का प्रदर्शन तेजी से गिर गया। सबसे परेशान करने वाला निष्कर्ष यह था कि मॉडल इन नई स्थितियों में एकल-छेद वाले दोष को पहचानने में पूरी तरह विफल रहा, और अक्सर इसे किसी अन्य प्रकार के दोष के रूप में गलत पहचान दिया या इसे पूरी तरह से छोड़ दिया। यह विफलता तब भी हुई जब शोधकर्ताओं ने सरल सांख्यिकीय उपकरणों का उपयोग किया या जटिल, आधुनिक डीप-लर्निंग नेटवर्क का। यहाँ तक कि जब शोधकर्ताओं ने मॉडलों को "डोमेन-इनवेरिएंट" (क्षेत्र-अपरिवर्तनीय) बनाने की कोशिश की—अर्थात, उन्होंने मॉडलों को प्लास्टिक के प्रकार और वोल्टेज स्थितियों के अंतर को अनदेखा करने के लिए मजबूर किया—तब भी मॉडल नई परिस्थितियों में दोषों को पहचानने में सक्षम नहीं हो सके।

अध्ययन ने यह भी जांचा कि ये विफलताएं क्यों हुईं। उन्होंने पाया कि समस्या यह नहीं थी कि मॉडल बहुत सरल थे या उनमें पर्याप्त कंप्यूटिंग पावर की कमी थी। इसके बजाय, मॉडलों ने उन सूक्ष्म सुरागों पर निर्भर होना सीख लिया था जो प्रशिक्षण डेटा की सटीक स्थितियों के प्रति विशिष्ट थे, जैसे कि प्लास्टिक का वोल्टेज के प्रति व्यवहार या रिकॉर्डिंग उपकरण का अनूठा सिग्नेचर। जब वे स्थितियाँ बदलीं, तो वे सुराग जिन पर मॉडल निर्भर थे, गायब हो गए, और मॉडल अंधे हो गए। शोधकर्ताओं ने पाया कि विफलता के लिए सबसे महत्वपूर्ण कारक यह था कि डेटा में विभिन्न प्रकार के दोष एक-दूसरे के सापेक्ष कैसे बदले। यदि मॉडल बदलती परिस्थितियों में एकल-छेद वाले दोष की पहचान को दूसरों से अलग बनाए रखने में सक्षम नहीं था, तो पूरा सिस्टम विफल हो गया। उन्होंने 'डेटा ऑग्मेंटेशन' नामक एक तकनीक का भी परीक्षण किया, जहाँ प्रशिक्षण डेटा को शोर (नॉइज़) या सिग्नल को समय में शिफ्ट करने जैसे छोटे बदलावों के साथ कृत्रिम रूप से बदला जाता है। इस तकनीक ने मॉडल को बेहतर प्रदर्शन करने में मदद की जब उसे चारों स्थितियों के मिश्रण पर प्रशिक्षित किया गया और फिर एक नई स्थिति पर परीक्षण किया गया, लेकिन यह तब मदद नहीं कर पाई जब मॉडल को केवल एक स्थिति पर प्रशिक्षित किया गया और दूसरी पर परीक्षण किया गया।

शायद अध्ययन का सबसे गंभीर हिस्सा वास्तविक बिजली के केबलों से जुड़े डेटा का एक छोटा सेट था, न कि वे पतली प्लास्टिक की चादरें जिनका उपयोग मुख्य परीक्षणों में किया गया था। मॉडल, जिन्हें प्लास्टिक की चादरों पर प्रशिक्षित किया गया था, वास्तविक केबलों में दोषों को पहचानने में पूरी तरह असमर्थ थे। उन्होंने हर एक केबल रिकॉर्ड को गलत वर्गीकृत किया, लगातार गलत प्रकार के दोष का अनुमान लगाया। यह सुझाव देता है कि मॉडलों ने दोषों का एक ऐसा प्रतिनिधित्व सीखा था जो पतली प्लास्टिक की चादरों के लिए विशिष्ट था और वास्तविक केबल की जटिल ज्यामिति में अनुवादित नहीं हुआ। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि ये मॉडल जो कुछ भी उन्होंने देखा है उसका वर्णन करने में उत्कृष्ट हैं, वे अभी तक बिजली की लाइनों के निदान का काम संभालने के लिए भरोसेमंद नहीं हैं।

अध्ययन यह दावा नहीं करता है कि आर्टिफिशियल इंटेलिजेंस इस समस्या को हल नहीं कर सकता, बल्कि यह तर्क देता है कि आगे का रास्ता इन उपकरणों के मूल्यांकन के तरीके में एक मौलिक परिवर्तन की मांग करता है। डेटा जो वास्तव में स्वतंत्र नहीं है, उसके आधार पर उच्च सटीकता स्कोर रिपोर्ट करने की वर्तमान प्रथा भ्रामक है। एक विश्वसनीय नैदानिक उपकरण बनाने के लिए, इंजीनियरों को अपने मॉडलों का परीक्षण उस डेटा पर करना चाहिए जो अलग-अलग सामग्रियों, अलग-अलग वोल्टेज और अलग-अलग रिकॉर्डिंग सेटअप से आता हो, ठीक वैसे ही जैसे एक वास्तविक दुनिया का सिस्टम सामना करेगा। शोधकर्ता परीक्षण के लिए एक नए मानक का प्रस्ताव करते हैं जो प्रशिक्षण डेटा को परीक्षण डेटा से संपूर्ण रिकॉर्डिंग फाइल के स्तर पर अलग करता है, जिससे यह सुनिश्चित होता है कि दोनों के बीच कोई जानकारी लीक न हो। वे इस बात पर भी जोर देते हैं कि प्रदर्शन को प्रत्येक प्रकार के दोष और प्रत्येक प्रकार के बदलाव के लिए अलग से रिपोर्ट किया जाना चाहिए, क्योंकि एक मॉडल एक प्रकार के दोष के लिए अच्छा काम कर सकता है लेकिन दूसरे के लिए पूरी तरह विफल हो सकता है। जब तक ये कठोर परीक्षण पास नहीं हो जाते, और जब तक मॉडलों को विभिन्न भौतिक स्थितियों में काम करने के लिए सिद्ध नहीं किया जाता, तब तक स्वचालित केबल निदान का वादा पहुंच से बाहर है। यह कार्य एक आवश्यक वास्तविकता की जाँच के रूप में कार्य करता है, जो वैज्ञानिक समुदाय को याद दिलाता है कि नियंत्रित प्रयोगशाला में उच्च सटीकता का अर्थ क्षेत्र (फील्ड) में सुरक्षा की गारंटी नहीं है।