Применение фрактального анализа для классификации акустических сигналов, возникающих в изоляции трансформатора при электрических разрядах или вибрации

Рассматривается задача классификации сигналов акустических разрядов в изоляции трансформатора, получаемых методом акустической эмиссии, позволяющих контролировать состояние трансформатора в режиме его функционирования. При обнаружении неисправностей методом акустической эмиссии необходимым элементом является классификация возникающих разрядов. В работе рассматривается метод классификации разрядов, использующий фрактальные характеристики полученного сигнала, детальный анализ которых позволяет повысить достоверность результатов классификации.

Аффилиация авторов
Гребенюк Елена Алексеевна – д-р техн. наук, главный научный сотрудник, e-mail: lngrebenuk12@yandex.ru,
Чадеев Валентин Маркович – д-р техн. наук, проф., главный научный сотрудник,
Гинсберг Константин Симонович – канд. техн. наук, старший научный сотрудник,
Институт проблем управления им. В.А. Трапезникова РАН,
Логунов Михаил Георгиевич – канд. техн наук, начальник отдела программного обеспечения,
OOO "АСУ- ВЭИ".

Список литературы
1. Chulichkov A. I. et al. Morphological Analysis of Acoustic Signals of Discharge Processes // CIGRE 6th Southern Africa Regional Conf., Cape Town, Somerset West. – 2009. – С. 17-21.
2. Чуличков А. И. и др. Классификация акустических сигналов разрядных процессов в изоляции на основе формы их вейвлет-спектров // Вестник Московского университета. Сер. 3. Физика. Астрономия. – 2009. – №. 2. – С. 103-105.
3. Пытьев Ю. П. Математические методы и алгоритмы эмпирического восстановления стохастических и нечетких моделей //Интеллектуальные системы. – 2007. – Т. 11. – №. 1-4. – С. 277-328.
4. Boczar T. et al. Application of selected machine learning techniques for identification of basic classes of partial discharges occurring in paper-oil insulation measured by acoustic emission technique //Energies. – 2022. – Т. 15. – №. 14. – С. 5013.
5. Kunicki M., Wotzka D. A classification method for select defects in power transformers based on the acoustic signals // Sensors. – 2019. – Т. 19. – №. 23. – С. 5212.
6. Polisetty S., El Hag A., Jayram S. Classification of common discharges in outdoor insulation using acoustic signals and artificial neural network // High Voltage. – 2019. – Т. 4. – №. 4. – С. 333-338.
7. Гребенюк Е.А., Чадеев В.М., Гинсберг К.С. Применение фрактального анализа для исследования временных рядов в промышленности // Автоматизация в промышленности. 2026. №9.
8. Mandelbrot B.B., Wallis J. R. Some long-run properties of geophysical records // Water Resource Res. 1969. V. 5, N 2. P. 321–340.
9. Ihlen E. A. F. Introduction to multifractal detrended fluctuation analysis in Matlab //Frontiers in physiology. – 2012. – Т. 3. – С. 141.
10. Gorjão L. R. et al. MFDFA: Efficient multifractal detrended fluctuation analysis in python // Computer Physics Communications. – 2022. – Т. 273. – С. 108254.
11. Кириченко Л.О. Сравнительный мультифрактальный анализ временных рядов методами детрендированного флуктуационного анализа и максимумов модулей вейвлет-преобразования // Автоматизированные системы управления и приборы автоматики. – 2011. – №. 157. – С. 66-77.