A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization

Questo articolo propone un framework di disapprendimento automatico basato su SISA per la localizzazione dei cortocircuiti tra spire nei trasformatori di potenza, che consente di rimuovere efficacemente l'influenza di dati dannosi riaddestrando solo i modelli interessati, riducendo così drasticamente i tempi di elaborazione rispetto al riaddestramento completo.

L'essenziale

Immaginate di avere un gigantesco chef robot (il modello di intelligenza artificiale) che ha imparato a riconoscere i guasti in un trasformatore elettrico, come un medico che diagnostica una malattia. Questo chef ha studiato migliaia di ricette (i dati) per imparare a distinguere un cortocircuito interno da un normale funzionamento.

Tuttavia, c'è un problema: alcuni ingredienti (i dati provenienti dai sensori) sono stati avvelenati. Immaginate che qualcuno abbia messo un po' di sale al posto dello zucchero in alcune ricette, o che il termometro della cucina sia rotto e mostri temperature sbagliate. Se il chef continua a cucinare con questi ingredienti rovinati, i suoi piatti (le diagnosi) verranno sbagliati.

Ecco il dilemma: se scopriamo che alcuni ingredienti sono viziati, cosa facciamo?

1. Il metodo vecchio (Ristrutturazione totale): Buttiamo via tutto, puliamo la cucina e ricominciamo da zero a cucinare ogni singola ricetta. È la soluzione più sicura, ma ci vuole una vita intera e costa una fortuna in tempo e energia.
2. Il metodo nuovo (SISA): È qui che entra in gioco la soluzione proposta da questo articolo.

La Soluzione Magica: Il "Metodo a Fette" (SISA)

Gli autori hanno ideato un sistema intelligente chiamato SISA (che sta per Sharded, Isolated, Sliced, and Aggregated). Per spiegarlo in modo semplice, immaginate di non avere un unico chef gigante, ma un squadra di piccoli chef, ognuno con il suo angolo di cucina separato.

Ecco come funziona il trucco:

1. Dividiamo la cucina (Sharding): Invece di dare tutte le ricette a un solo chef, dividiamo il libro delle ricette in 4 o 5 parti uguali. Ogni chef ne studia solo una parte.
2. Tagliamo le ricette (Slicing): All'interno della sua parte, ogni chef organizza le ricette in piccoli gruppi ordinati.
3. Lavoro in isolamento: Ogni chef impara la sua parte in modo indipendente. Se uno chef sbaglia, non influenza gli altri.
4. La grande riunione (Aggregation): Quando arriva un nuovo trasformatore da controllare, tutti gli chef guardano il problema e danno la loro opinione. La decisione finale è la media di tutte le loro risposte.

Cosa succede quando troviamo l'ingrediente viziato?

Immaginiamo di scoprire che nella parte di ricette del Chef 2 c'era un ingrediente avvelenato (un sensore rotto che ha mandato dati sbagliati).

• Con il metodo vecchio: Dovremmo licenziare tutti, pulire tutto e far ricominciare a studiare tutti e 4 gli chef da capo. È un disastro di tempo.
• Con il metodo SISA: È facilissimo! Ci limitiamo a dire al Chef 2: "Ehi, la tua ricetta numero 3 era sbagliata. Buttala via e ricomincia a studiare solo la tua parte". Gli altri 3 chef continuano a lavorare tranquillamente, non devono nemmeno alzare la testa.

I Risultati nella Vita Reale

Gli scienziati hanno provato questo metodo su trasformatori elettrici reali (o meglio, simulati). Ecco cosa hanno scoperto:

• Velocità: Il metodo SISA è stato fino a 4 volte più veloce rispetto al ricominciare da zero. È come se invece di ricostruire l'intera casa per riparare una finestra rotta, riparaste solo quella finestra.
• Precisione: Nonostante abbiano lavorato in modo "spezzettato", la squadra di chef ha continuato a fare diagnosi quasi perfette, esattamente come se avessero studiato tutti insieme.
• Il limite: Se dividiamo la cucina in troppe parti (troppe fette), ogni chef ha così poche ricette da studiare che inizia a confondersi. È come se aveste 10 chef ma solo 10 ricette: ognuno ne studia una sola e non impara abbastanza. Quindi, c'è un equilibrio da trovare.

In Sintesi

Questo articolo ci insegna che quando i dati sono "sporchi" a causa di sensori rotti, non serve buttare via tutto il lavoro fatto. Usando il metodo SISA, possiamo isolare il problema, correggere solo la parte danneggiata e tornare a lavorare velocemente, risparmiando tempo ed energia, proprio come un team di chef che aggiorna solo la ricetta sbagliata senza dover riscrivere l'intero libro di cucina.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper in italiano, strutturato secondo le sezioni richieste.

Titolo: Un Framework di Machine Unlearning basato su SISA per la Localizzazione di Guasti a Corto Circuito tra Avvolgimenti nei Trasformatori di Potenza

1. Il Problema

Nel contesto della diagnostica dei guasti nelle apparecchiature elettriche (in particolare i trasformatori di potenza), i modelli di Machine Learning (ML) dipendono fortemente da dati ad alta qualità raccolti tramite sensori. Tuttavia, in ambienti industriali reali, i dati di addestramento possono essere "avvelenati" da guasti dei sensori, causati da interferenze elettromagnetiche (EMI), invecchiamento dei componenti o malfunzionamenti completi.

• Sfida principale: I pattern di distorsione causati dai guasti dei sensori sono spesso ambigui e difficili da distinguere dalle normali condizioni operative durante la pre-elaborazione dei dati. Di conseguenza, questi campioni contaminati possono passare inosservati e degradare le prestazioni del modello ML.
• Limitazione delle soluzioni attuali: Una volta addestrato un modello, rimuovere l'influenza di questi dati dannosi richiede solitamente il riaddestramento completo del modello da zero. Questo processo è computazionalmente oneroso, dispendioso in termini di tempo e poco pratico per sistemi che richiedono aggiornamenti frequenti o reattività immediata.

2. Metodologia

Gli autori propongono un framework di Machine Unlearning (MU) basato sulla metodologia SISA (Sharded, Isolated, Sliced, and Aggregated) applicata alla localizzazione dei guasti a corto circuito tra avvolgimenti (ITSCF) nei trasformatori di potenza.

• Generazione dei Dati: È stato creato un dataset simulato utilizzando un modello MATLAB/Simulink di un generatore eolico da 1,5 MW. Sono stati generati 48 condizioni distinte di guasto ITSCF (su lati HV e LV, fasi A, B, C). Per simulare scenari realistici, sono stati introdotti errori nei sensori (rumore ad alta frequenza, picchi impulsivi, bias di ampiezza) su specifici campioni per creare dati "avvelenati".
• Architettura SISA:
  • Sharding (Frammentazione): Il dataset di addestramento viene diviso in $S$ shard (partizioni) indipendenti.
  • Isolamento e Slicing: Ogni shard viene ulteriormente suddiviso in $R$ slice (fette) sequenziali.
  • Addestramento Indipendente: Vengono addestrati modelli separati (sub-modelli) per ogni shard in modo indipendente.
  • Aggregazione: Le previsioni dei sub-modelli vengono combinate utilizzando una strategia di media delle probabilità softmax per produrre la predizione finale.
• Meccanismo di Unlearning: Quando vengono rilevati dati avvelenati, il sistema non riaddestra l'intero modello. Poiché l'influenza di ogni punto dati è isolata in uno specifico shard, viene riaddestrato solo lo shard contaminato (a partire dalla slice compromessa), mentre gli altri shard e i loro parametri rimangono invariati.
• Modello ML: Il modello di base utilizzato per la localizzazione è una rete LSTM (Long Short-Term Memory), scelta per la sua capacità di catturare le dipendenze temporali nei segnali di corrente.

3. Contributi Chiave

1. Framework SISA per ITSCF: Proposta di un nuovo framework di Machine Unlearning specifico per la localizzazione dei guasti nei trasformatori di potenza, che utilizza una strategia di media delle probabilità softmax per l'aggregazione.
2. Dataset Simulato Realistico: Sviluppo di un dataset di guasti ITSCF che include modelli di guasto dei sensori (EMI) per valutare accuratamente sia l'accuratezza diagnostica che l'efficienza computazionale.
3. Validazione dell'Efficienza: Dimostrazione sperimentale che l'unlearning basato su SISA ripristina l'accuratezza diagnostica quasi al livello del riaddestramento completo, riducendo drasticamente il tempo di riaddestramento.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un workstation con GPU RTX 4090, confrontando il riaddestramento completo (Full Retraining) con l'approccio SISA Unlearning.

• Accuratezza:
  • L'uso di dati avvelenati ha ridotto l'accuratezza (es. da ~99,78% a ~97,46% nel caso non-SISA).
  • Sia il riaddestramento completo che l'unlearning SISA hanno ripristinato l'accuratezza a livelli superiori al 97%.
  • È stata osservata una leggera diminuzione dell'accuratezza quando il numero di shard è aumentato eccessivamente (es. 4 shard), a causa della ridotta diversità dei dati all'interno di ogni shard e della somiglianza tra i pattern di corrente dei lati HV e LV.
• Efficienza Computazionale (Tempo di Addestramento):
  • Il framework SISA ha dimostrato vantaggi significativi nel tempo di calcolo.
  • Con 2 shard, il tempo di riaddestramento è stato ridotto a 221,8 secondi (rispetto a ~445 secondi per il riaddestramento completo), ottenendo un speed-up di 2,01x.
  • Con 4 shard, il tempo è sceso a 112,2 secondi, con un speed-up di 3,97x.
• Analisi degli Errori: Le matrici di confusione hanno mostrato che gli errori di classificazione tendono a verificarsi più frequentemente tra le fasi del lato a bassa tensione (LV) a causa della forte somiglianza dei segnali, ma l'unlearning SISA riesce a correggere efficacemente gli errori introdotti dai dati avvelenati.

5. Significato e Impatto

Questo lavoro è significativo per diversi motivi:

• Sostenibilità Operativa: Fornisce una soluzione pratica per mantenere l'affidabilità dei sistemi di monitoraggio delle condizioni nelle reti elettriche senza i costi proibitivi del riaddestramento completo.
• Robustezza ai Guasti dei Sensori: Dimostra che è possibile isolare e rimuovere l'impatto di dati corrotti da guasti dei sensori (un problema pervasivo nell'industria) in modo efficiente.
• Scalabilità: Sebbene i tempi di addestramento siano stati brevi nel test a causa della dimensione limitata del dataset simulato, il framework promette miglioramenti ancora più drastici ed evidenti su dataset reali più grandi e complessi, rendendolo ideale per applicazioni industriali su larga scala.
• Adattabilità: Il metodo SISA è agnostico rispetto al modello, il che suggerisce che questa strategia potrebbe essere applicata ad altri sistemi di diagnostica basati su ML oltre ai trasformatori di potenza.

In conclusione, il framework proposto bilancia efficacemente accuratezza e efficienza computazionale, offrendo una strategia di "unlearning" praticabile per la manutenzione predittiva delle infrastrutture energetiche critiche.