dc.contributor.advisor | Oliveira, Aécio Lima de | |
dc.creator | Castro, João Vitor Maccari Brabo | |
dc.date.accessioned | 2023-01-20T17:27:09Z | |
dc.date.available | 2023-01-20T17:27:09Z | |
dc.date.issued | 2023-01-10 | |
dc.date.submitted | 2022 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/27647 | |
dc.description.abstract | Insulation degradation in substation electrical equipment is a problem that
needs to be identified before the equipment is broken, in order to avoid causing an
unexpected interruption that affects the energy supply. Another important point is to
ensure the safety of employers who work in the operation, inspection and maintenance
of this equipment.
Partial discharges are a major cause of this failure, and there is an increasing
concern to identify in a time effective manner, in order not to compromise the
equipment, in addition to being of great interest the classification of the severity level
of the partial discharge, allowing thus, preventive maintenance.
On the other hand, the acoustic signals present in substations tend to be very
polluted, since it’s a place containing numerous electrical equipment that generate
acoustic noise, signals at high frequencies and magnetic fields that can affect acoustic
measurements. For this reason, it is necessary to carry out signal processing to filter
the important characteristics, that must be analyzed during the identification and
classification of partial discharge.
In this work it was proposed to use the Wavelet transform to perform the signal
decomposition in several levels of approximation, detail and signal energy. With the
support of the literature, the Daubechies family was identified as the most promising to
work with acoustic signals. With the support of the Extra High Voltage Laboratory –
Federal University of Pará, it generated a population of acoustic signals from partial
discharge tests in glass insulators, which formed the database that supported the
studies of this work.
Using an exploratory data analysis in conjunction with principal components
analysis, the results obtained from the Wavelet transform, 75% of signals were
classified correctly, without using machine learning techniques, using a rule for
graphical analysis, which compared the first and second principal components with
each other. The possibility of creating a second rule to classify the rest of the population
was also found, which could increase the effectiveness of the method, however the
population decreases to a point where it affects the validation of the method, requiring
more signals to reach a conclusion about its assertiveness. The coefficients obtained
from the Wavelet transform can be easily modeled to work with machine learning which
can improve the efficiency of the method. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Descargas parciais | por |
dc.subject | processamento de sinais | por |
dc.subject | sinais acústicos | por |
dc.subject | Wavelet | por |
dc.subject | Partial discharges | eng |
dc.subject | signal processing | eng |
dc.subject | acoustic signal | eng |
dc.subject | wavelets | eng |
dc.title | Análise de coeficientes wavelet para classificação de sinais acústicos de descarga parciais | por |
dc.title.alternative | Wavelets coeficientes analyse to classifing signal of noise from partial discharges signals | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia Elétrica. | por |
dc.description.resumo | A degradação da isolação em equipamentos elétricos em subestação é um
problema que precisa ser identificado antes do comprometimento do equipamento,
para não ocasionar em uma interrupção inesperada que afete o fornecimento de
energia. Outro ponto importante é de garantir a segurança dos colaboradores que
trabalham na manobra, inspeção e manutenção destes equipamentos.
Descargas parciais são grandes causadoras dessa falha, e cada vez mais
aumenta-se a preocupação em identifica-las em tempo hábil, a fim de não
comprometer o equipamento, além de ser de grande interesse a classificação do nível
de severidade da descarga parcial, possibilitando assim, a manutenção preventiva.
Apresentando como solução o método da inspeção acústica dos equipamentos
se apresenta ser promissora para identificar o fenômeno já que o mesmo apresenta
sinais acústico, em altas frequências, mesmo quando a descarga ainda está em fase
inicial. Além do método não ser invasivo e poder ser avaliado em distância segura,
sem a necessidade de interromper o funcionamento do equipamento.
Em contrapartida, os sinais acústicos presentes em subestações tendem a ser
muito poluídos, já que é um local com inúmeros equipamentos elétricos que geram
ruídos acústicos, sinais em altas frequências e campos magnéticos que podem afetar
as medições acústicas. Por esse motivo é necessário realizar o processamento do
sinal para filtrar as características importantes, quais devem ser analisados na
identificação e classificação da Descarga Parcial (DP).
Neste trabalho foi proposto utilizar da transformada de Wavelet para realizar a
decomposição do sinal em vários níveis de aproximação, detalhe e energia do sinal.
Com o apoio da literatura identificou-se a família Daubechies como mais promissora
a se trabalhar com os sinais acústicos. Com o apoio do Laboratório de Extra Alta
Tensão – Universidade Federal do Pará, gerou-se uma população de sinais acústicos
provindos de ensaios de descargas parciais em isoladores de vidro, estes formaram
a base de dados para os estudos deste trabalho.
Utilizando de uma análise exploratória de dados em conjunto com ACP dos
resultados obtidos da transformada de Wavelet, foi classificado 75% de sinais de
maneira correta, sem utilizar de técnicas de aprendizado de máquina, utilizando de
uma regra para análise gráfica, que comparou a primeira e segunda componentes
principais entre si. Encontrou-se ainda a possibilidade de criar uma segunda regra
para classificar o restante da população podendo aumentar a assertividade do
método, entretanto a população se torna pequena para chegar a validar o método
necessitando de mais sinais para chegar a uma conclusão sobre sua assertividade.
Os coeficientes obtidos da transformada de Wavelet podem ser facilmente modelados
para se trabalhar com aprendizado de máquina o qual pode elevar a assertividade do
método. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |