Desenvolvimento de algoritmos de inteligência artificial para detecção de defeitos em para-raios a partir
Barra lateral del artículo
Contenido principal del artículo
Resumen
Os principais defeitos em para-raios estão comumente associados a elevações de corrente e, por isso, ao aquecimento por efeito Joule. Assim, a termovisão nestes equipamentos é uma técnica adequada para a detecção de defeitos. Porém, tal uso da termovisão depende de um operador experiente para interpretar os resultados obtidos, sujeitando o processo a erros de interpretação. Diante disso, este trabalho tem como objetivo aplicar técnicas de Inteligência Artificial na classificação de imagens térmicas de para-raios como forma de tornar o processo mais confiável. Foram desenvolvidos algoritmos de inteligência artificial baseados em técnicas de Redes Neurais Artificiais e deep learning, tendo em vista que muitos autores obtiveram sucesso na utilização destes métodos no diagnóstico de falhas em outros equipamentos do sistema elétrico de potência. Os resultados obtidos mostraram que as redes neurais desenvolvidas pelo método backpropagation apresentaram uma boa eficiência ao classificar imagens de para-raios e que não há necessidade de segmentar o para-raios da imagem termográfica para realizar a classificação.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
A. D’Ajuz, F. M. Resende, F. M. S. Carvalho, I. G. Nunes, J. Amon Filho, L. E. N. Dias, M. P. Pereira, O. Kastrup Filho, S. A. Morais, “Equipamentos Elétricos: Especificação e Aplicação em Subestações de Alta Tensão”, Universidade Federal Fluminense, Brasil, 1985.
V. Hinrichsen, “Metal-Oxide Surge Arresters Fundamentals”, Siemens AG, 1st edition, 2001.
C. Heinrich & V. Hinrichsen, “Diagnostics and monitoring of metal-oxide surge arresters in high-voltage networks-comparison of existing and newly developed procedures”, In IEEE Transactions on Power Delivery, vol. 16, no. 1, pp. 138-143, Jan. 2001. https://doi.org/10.1109/61.905619.
G. R. S. Lira, “Monitoramento de Para-raios de Óxido de Zinco com Base na Medição da Corrente de Fuga Total”, Tese de Doutorado, Universidade Federal de Campina Grande, Brasil, 2012.
E. T. Wanderley Neto, “Monitoramento e Diagnóstico de Para-raios a ZnO Através de Redes Neurais Artificiais”, Tese de Doutorado, Universidade Federal de Campina Grande, Brasil, 2007.
G. R. S. Lira, E. G. da Costa, D. Fernandes Júnior, V. D. S. Brito, M. J. A. Maia, “Sistema Automático de Diagnóstico de Falhas em Para-raios de ZnO Baseado na Análise de Termografias”, XXI Seminário Nacional de Produção e Transmissão de Energia Elétrica (SNPTEE), Florianópolis, Brasil, Outubro, 23 - 26, 2011.
G. Mazoni, “Sistema para Interface e Diagnóstico de Inspeções Termográficas Automatizadas por Inteligência Artificial para Redes de Distribuição de Energia Elétrica”, Tese de Doutorado, Universidade Estadual de Campinas, Brasil, 2018.
Y. Higuchi & T. Babasaki, “Failure detection of solar panels using thermographic images captured by drone”,
7th International Conference on Renewable Energy Research and Application (ICRERA), 2018, pp. 391396. https://doi.org/10.1109/ICRERA.2018.8566833
H. P. C. Hwang, C. C. Y. Ku & J. C. C. Chan, “Detection of Malfunctioning Photovoltaic Modules Based on Machine Learning Algorithms”, In IEEE Access, vol. 9, pp. 37210-37219, 2021 https://doi.org/10.1109/ ACCESS.2021.3063461
X. Gong, Q. Yao, M. Wang & Y. Lin, “A Deep Learning Approach for Oriented Electrical Equipment Detection in Thermal Images”, In IEEE Access, vol. 6, pp. 41590-41597, 2018, https://doi.org/10.1109/ ACCESS.2018.2859048
J. Chen, Y. Li & Q. Ling, “Hot-Spot Detection for Thermographic Images of Solar Panels”, 2020 Chinese Control And Decision Conference (CCDC), pp. 4651-4655, https://doi.org/10.1109/CCDC49329.2020.9164255
Y. Olivatti, C. Penteado, P. T. Aquino & R. F. Maia, “Analysis of artificial intelligence techniques applied to thermographic inspection for automatic detection of electrical problems”, 2018 IEEE International Smart Cities Conference (ISC2), pp. 1-5, https://doi.org/10.1109/ISC2.2018.8656724
H. Zou, & H. Fuzhen, “An Intelligent Fault Diagnosis Method for Electrical Equipment Using Infrared Images”, Proceedings of the 34th Chinese
Control Conference , pp. 6372-6376, 2015. https://doi.org/10.1109/ChiCC.2015.7260642
S. A. Merryman & R. M. Nelms, “Diagnostic technique for power systems utilizing infrared thermal imaging”, In IEEE Transactions on Industrial Electronics, vol. 42, no. 6, pp. 615-628, Dec. 1995, https://doi. org/10.1109/41.475502
G. M. Santos, “Termografia e Inteligência Artificial na Detecção de Falhas em Transformadores”, Tese de doutorado, Universidade Federal do Pernambuco, Brasil, 2017.
R. H. F. Alves, G. A. Deus Júnior, F. H. T. Vieira, M. S. Castro, S. G. Araújo, R. P. Lemos, “Detecção de Anomalias em Painéis Fotovoltaicos Utilizando Redes ABNET, PSOM e MLP”, VI Congresso Brasileiro de Energia Solar (CBENS), Belo Horizonte, Brasil, Abril, 04 – 07, 2016.
G. L. Ribeiro, “Aprimoramento da Classificação de Isoladores Poliméricos por Medições Termográficas e Radiação UV”, Tese de doutorado, Universidade Federal de Campina Grande, Brasil, 2017.
S. Haykin, “Redes Neurais - Princípios e Práticas”, Bookman, 2001.
A. P. Braga, T. B. Ludermir, A. C. P. L. F. Carvalho, “Redes Neurais Artificiais: Teoria e Aplicações”, Rio de Janeiro: LTC, 2000.
N. Yali, “A Multi-stage Convolution Machine with Scaling and Dilation for Human Pose Estimation”, Thesis (Master degree Department of Electronic Engineering), Graduate School of Chonbuk National University, Republic of Korea, 2018.
I. Goodfellow, Y. Bengio, & A. Courville, “Deep Learning”, Cambridge, MA: MIT Press, 2016
L. S. Abdalla & C. F. S. Volotão, “Estudo da Configuração de Diferentes Arquiteturas de Redes Neurais Artificiais MLP para Classificação de Imagens Ópticas”, XVI Simpósio Brasileiro de Sensoriamento Remoto (SBSR), Foz do Iguaçu, Brasil. INPE, 2013.