Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

想象一下那些维持着我们的灯火通明和手机充电的、巨大且发出嗡嗡声的变压器。在这些巨兽内部，一种被称为绝缘油的特殊液体充当着沉默守护者的角色，它既能为设备冷却，又能阻止电流在不该跳跃的地方发生击穿。但是，当内部出现问题时——比如一个微小的火花或一个热点的形成——油就会开始分解，释放出氢气或甲烷等看不见的气体。把这些气体想象成你还看不见的火灾所产生的“烟雾”。几十年来，工程师们一直使用一种称为溶解气体分析（DGA）的技术来嗅探这些气体，并推测出了什么问题。这有点像医生听诊心跳；气体的模式讲述了一个关于机器健康状况的故事。然而，解读这个故事一直很棘手。有些方法就像僵化的检查清单，在数值较小时会感到困惑；而另一些方法则像是复杂的地图，可能会发生重叠并让你迷失方向。虽然智能计算机程序（人工智能）可以学习识别模式，但它们有时表现得像“黑匣子”，无法解释其做出判断的原因，或者在遇到从未见过的确切问题时会感到困惑。

本文介绍了一种解决这种困惑的新方法，称为“混合置信度融合模型”（Hybrid Confidence Fusion Model）。与其依赖于单一的侦探，作者建议召集一支完整的团队。他们提取了旧有的基于规则的检查清单、视觉地图（如杜瓦尔三角形）以及智能人工智能计算机的最佳部分，并让他们对问题进行投票。但巧妙之处在于：并非每个侦探都拥有平等的投票权。模型会根据每种方法在特定情况下的可靠程度为其分配一个“置信度分数”。如果人工智能在处理电火花方面通常很准确，但在处理热点方面表现不佳；而旧的检查清单擅长处理热点却不擅长处理火花，那么模型就会根据这些情况调整它们的权重。结果是，通过结合所有人的长处，得到一个单一且更可靠的诊断结论。在测试中，这种团队协作的方法达到了89%的准确率，超越了大多数单独工作的个体方法。作者认为，这使得维护工作更加安全可靠，尤其是在设备表现异常或故障属于多种问题混合的情况下。

沉默守护者的故事

在电网深处，变压器和其他重型设备都被一层绝缘油所覆盖。这种油是设备的生命线，它能保持冷却并防止电流在不该发生的地方产生电弧。但是，当一台机器开始生病时——也许是因为一根松动的导线引起了火花，或者是线圈过热——油就开始分解。这就像一片烤焦的面包；热量或电量破坏了油中的化学键，释放出氢气、甲烷和乙烯等气体。这些气体溶解在油中，等待被发现。

长期以来，工程师们一直利用溶解气体分析（DLA）来寻找这些气体。这有点像医生采集血液样本。通过测量每种气体的含量，他们可以判断机器是出现了热故障（过热）还是电故障（火花）。论文解释说，这些气体是通过特定的化学反应形成的。例如，当油分解时，它可能会产生甲烷（CH4）或乙炔（C2H2），而气体的类型会告诉你故障的“温度”或“能量”。

侦探的困境

问题在于，要准确判断到底出了什么问题并不总是那么容易。论文强调了工程师尝试解决这一谜题的三种主要方式，且每种方式都有其缺陷。

首先是基于规则的方法。这些就像严格的说明书。它们使用固定的比例（比较一种气体的量与另一种气体的量）或查看图表来决定故障类型。论文提到了诸如 IEC 60599 和 IEEE C57.104 等标准，这些都是官方规则手册。虽然这些方法简单且标准化，但它们可能非常僵化。如果气体水平非常低，或者数值恰好落在某个类别的边缘，这些方法可能会给出相互矛盾的答案，或者完全错过故障。这就像试图用一把只有“小”和“大”刻度的尺子来按大小对弹珠进行分类，从而让中间大小的弹珠处于混乱的灰色地带。

其次是图形法，例如著名的杜瓦尔三角形（Duval Triangle）和杜瓦尔五边形（Duval Pentagon）。想象一下将气体水平绘制在一张被划分为不同区域的彩色地图上。每个区域代表不同类型的故障。这更加直观，有助于处理低气体浓度，但论文指出，这些地图具有固定的边界。现实世界的故障并不总是能整齐地放入三角形中；它们可能是混乱的、重叠的或非线性的。这就像试图用一个完美的圆圈去围住一团云；形状根本无法契合。

第三是人工智能（AI）方法。这些是能够从数千个过往案例中学习并识别模式的智能计算机。它们非常擅长处理复杂的、杂乱的数据，而规则手册无法处理这些数据。然而，论文指出 AI 也有自身的问题。它严重依赖于其训练数据；如果它看到了它尚未学习过的新型故障，它可能会做出错误的判断。此外，AI 可能是一个“黑匣子”，这意味着它给出了答案，但没有解释物理层面的原因，这使得工程师不敢盲目信任它。

团队协作的解决方案

这就是作者 Joydip Dhar、Sovan Dalai 和 Saibal Chatterjee 提出混合置信度融合模型的地方。他们并没有选择单一的侦探，而是建立了一个所有侦探共同工作并投票的系统。

以下是“融合”的工作原理：

1. 投票处：模型获取来自最佳规则法（如杜瓦尔三角形）和最佳 AI 方法的结果。
2. 置信度分数：并非每一票都具有相同的权重。在训练阶段，模型会观察每种方法的准确性。如果某个特定的 AI 模型擅长检测电故障但对热故障表现不佳，那么它在电故障方面的“置信度分数”就会很高，而在热故障方面的分数较低。
3. 加权决策：当新的样本进入时，模型会计算每种可能故障的加权得分。它使用数学公式来合并这些得分，优先考虑那些在特定情况下最可靠的方法。

这就像一群朋友在尝试猜一个百科知识题的答案。一位朋友是历史达人，另一位是科学专家，而第三位则擅长瞎猜。如果问题是关于历史的，那么历史达人的猜测权重就更高。如果问题是关于科学的，科学专家的声音就会更大。混合置信度融合模型正是如此，但它是针对变压器故障进行的。它会根据谁通常更准确，动态地调整谁拥有更大的发言权。

研究发现

作者使用真实世界的数据，将他们的新模型与旧方法进行了对比测试。他们将“混合置信度融合”（HCF）模型的准确率与个体方法（如机器学习模型、特征气体组合法 CGE 以及杜瓦尔三角形 1 DT1）进行了比较。

结果令人鼓舞。个体方法的成功程度各不相同：

• 杜瓦尔三角形 1（一种流行的图形法）的准确率约为 72%。
• 机器学习模型（ML1 和 ML2）的准确率在 76% 到 80% 之间。
• 混合置信度融合模型实现了 89% 的准确率。

论文还研究了其他指标，如精确率（Precision）和召回率（Recall）（分别衡量模型在判定为“故障”时有多准确，以及它捕捉到了多少实际故障）。HCF 模型的精确率为 0.78，召回率为 0.78，F1 分数为 0.77。这表明，通过结合各种方法，模型变得更加稳健，特别是在处理“混合故障场景”（即机器可能同时存在热故障和电故障）时。

为什么这很重要

论文得出结论，虽然基于规则的方法易于理解，而人工智能擅长发现复杂模式，但两者本身都不完美。混合置信度融合模型提出了一个折中方案。它既没有抛弃旧有的、受信任的规则，也没有盲目信任新的 AI。相反，它创建了一个使两者互补的系统。

作者强调，这种方法有助于解决不同方法给出不同答案时的冲突。通过使用“自适应置信度分数”，该模型在处理稀疏数据（即测量到的气体很少时）和混合故障方面，比孤立的技术表现得更好。虽然论文指出这是一种模拟并基于特定数据集的测试，但 89% 的准确率表明，这种“团队协作”策略是维护电力设备的一个强有力的发展方向。它承诺了一个能够更早检测问题，并让我们更有信心维持灯火通明的未来。