Aplicação de Instrumentação não Invasiva para Aferição do Estado de Isolamentos Elétricos


Análise e Discussão dos Resultados Obtidos



Baixar 0.49 Mb.
Página4/5
Encontro07.10.2019
Tamanho0.49 Mb.
1   2   3   4   5
3.0 Análise e Discussão dos Resultados Obtidos

Apresenta-se, a seguir, os resultados e comentários específicos dos resultados obtidos para o estudo de caso analisado.

Os classificadores foram construídos, inicialmente, a partir das técnicas lineares de Fisher e Karhunen-Loève. Os conjuntos de treinamento foram organizados em conformidade com a Tabela 1. Foram atribuídas classes específicas que aglutinam os níveis 0; 1; 2; 2´; 3; 4 na ordem apresentada na tabela. Essa forma de montagem dos conjuntos de treinamento permite que o processo de classificação identifique amostras sem poluição das demais amostras (conjunto 1o), amostras com poluição até o nível “1”, das demais amostras (conjunto 2o), amostras com poluição até o nível “2”, das demais amostras (conjunto 3o), etc. Os classificadores obtidos a partir dos conjuntos de treinamento permitem nortear mais adequadamente ações de manutenção, uma vez que eventuais processos de alarme poderão ser acionados em conformidade com a evolução dos níveis de poluição aferidos.
Tabela 1 – Relação entre classes e conjunto de treinamento.


Classes

Conjunto de Treinamento

I

II

0

1; 2; 2´; 3; 4

1o

0; 1

2; 2´; 3; 4

2o

0; 1; 2

2´; 3; 4

3o

0; 1; 2; 2´

3; 4

4o

0; 1; 2; 2´; 3

4

5o

Conforme mencionado anteriormente, as análises foram feitas, em uma primeira etapa, por tipo de sensor, aferindo-se inclusive a sensibilidade do número de faixas do histograma e/ou do espectro de freqüência. Na Figura 3 este tipo de procedimento pode ser visualizado para o termovisor, em que a quantidade de faixas do histograma de temperatura da superfície do isolador é avaliada quanto à contribuição para o processo final de reconhecimento, utilizando-se apenas esse sensor para diagnosticar o estado do isolamento.



Figura 3 – Desempenho do Classificador, para imagens térmicas, em função do número de faixas do histograma.
Na figura são registrados os casos simulados, na qual o eixo horizontal indica o conjunto de treinamento utilizado e o eixo vertical o percentual de acertos para cada um dos modelos de classificação aplicado. A legenda indica o modelo de classificação linear avaliado e o número de faixas do histograma, onde KL indica o modelo de Karhunen-Loève e FS o modelo de Fisher.

É observado na figura que a utilização do maior número de faixas do histograma (56) melhora o desempenho do classificador a ser construído, entretanto, apresenta saturação em relação a um aumento ainda maior neste número. Uma constatação interessante prende-se à aplicação das transformadas wavelets em que se precisava aferir qual das wavelets mãe seria utilizada. Partiu-se para construir classificadores específicos para cada uma delas, procurando-se utilizar como indicador de desempenho o percentual médio de acertos quanto ao estado real do isolamento ensaiado.

Observou-se que a wavelet “bior1.1” levou o processo de reconhecimento de padrões a apresentar o melhor percentual de acertos a partir de 40 faixas do histograma. Para o caso dos sinais de corrente de fuga, a wavelet “db6” apresentou o melhor desempenho. Por outro lado a wavelt “dmey” apresentou o pior desempenho para ambos os sinais. Esta mesma wavelet, apresentou, também, o maior erro de decomposição e recomposição dos sinais de ultra-som e corrente de fuga, realizadas para testar a adequabilidade das diversas wavelets mãe.

Para o caso dos classificadores não lineares o algoritmo de Levemberg-Maquardt apresentou melhor desempenho na classificação dos sinais básicos analisados ao se utilizar a função de transferência “logsig” na primeira camada e “purelin” na segunda camada e apenas um neurônio nas duas camadas.



A composição dos sinais e sensores foi viabilizada através da construção de matrizes que agregavam ordenadamente os vetores de atributos associados a cada sinal e/ou sensor específico. Na Figura 4 são ilustrados esses procedimentos.

Figura 4 – Visualização da composição da matriz de atributos

C


om o intuito de avaliar o efeito da composição dos sinais e sensores foram feitas análises específicas no que tange a aglutinação dois a dois, três a três e de todos os sensores, avaliando-se, ainda, para o caso dos sinais de corrente de fuga e ultra-som, a composição dos atributos extraídos no domínio do tempo, no domínio da freqüência, e através da transformada wavelet. A validade das composições foi aferida através do percentual de acertos dos classificadores lineares e não lineares montados a partir da matriz de atributos composta. Na Tabela 2 são resumidos os resultados obtidos. Para facilitar a leitura da tabela, são descritas adiante as informações contidas em cada uma das colunas:


  • Coluna 1 (sensor / domínio): as informações contidas nesta coluna estão relacionadas com os sensores, cujos sinais foram utilizados para construção do classificador; observa-se que, na coluna, encontra-se indicado o domínio específico objeto das análises; para tanto foram utilizadas as seguintes abreviaturas:




    • Espect. – densidade espectral do sinal de VHF, obtido a partir da composição “antena / analisador de espectro”;

    • Term. – imagem térmica obtida a partir do termovisor;

    • Corr. – sinal de corrente de fuga;

    • Som – sinal de ultra-som;

    • Tempo – sinal analisado no domínio do tempo;

    • Freq. – sinal analisado no domínio da freqüência;

    • Wave – sinal decomposto através da transformada Wavelet.




  • Coluna 2 (Dimensão) : estão indicadas as dimensões do espaço de atributos, quando se utiliza o tipo de sinal que se encontra indicado na coluna 1 para construção do classificador; observa-se que o primeiro número (6) está associado com a quantidade de amostras ensaiadas; o segundo (80) indica a quantidade de sinais adquiridos para cada amostra e o terceiro está associado com a quantidade de atributos extraídos do sinal ou sinais indicados na coluna 1.




  • Coluna 3 (Acertos): nesta coluna estão indicados os percentuais médios de acerto para cada modelo linear utilizado (Fisher ou Karhunem-Loève).




  • Coluna 4 (Modelo não linear): nesta coluna estão registrados os percentuais médios de acerto obtidos a partir da utilização da rede neural de duas camadas, um neurônio na primeira e segunda camadas, funções de transferência “logsig” na primeira camada e “purelin” na segunda camada e algoritmo de treinamento de Levemberg-Marquardt; estão registrados, também, o número de iterações para se obter o percentual médio de acertos e o erro médio quadrático () cometido quando o processo de treinamento da rede procura ajustar os pesos para se obter a informação de saída desejada.

Tabela 2 -Resumo dos resultados obtidos




Sensor / domínio

Dimensão

Acertos - modelo linear (%) (*)

Modelo não linear (**)

Fisher

K.Loève

Acertos (%)

(***)

No iterações

Espect.

6x(80x64)

82,4

81,5

96,7

3,10x10-02

35

Term.

6x(80x60)

96,9

96,1

100,0

3,50x10-06

8

Corrente

6x(80x177)

79,4

80,4

96,3

3,60x10-02

50

Som (wave.)

6x(80x68)

67,6

70,1

66,0

2,24x10-01

8

Corr. X Espect.

6x(80x241)



1   2   3   4   5


©aneste.org 2017
enviar mensagem

    Página principal