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)



Compartilhe com seus amigos:
1   2   3   4   5


©aneste.org 2020
enviar mensagem

    Página principal
Universidade federal
Prefeitura municipal
santa catarina
universidade federal
terapia intensiva
Excelentíssimo senhor
minas gerais
união acórdãos
Universidade estadual
prefeitura municipal
pregão presencial
reunião ordinária
educaçÃo universidade
público federal
outras providências
ensino superior
ensino fundamental
federal rural
Palavras chave
Colégio pedro
ministério público
senhor doutor
Dispõe sobre
Serviço público
Ministério público
língua portuguesa
Relatório técnico
conselho nacional
técnico científico
Concurso público
educaçÃo física
pregão eletrônico
consentimento informado
recursos humanos
ensino médio
concurso público
Curriculum vitae
Atividade física
sujeito passivo
ciências biológicas
científico período
Sociedade brasileira
desenvolvimento rural
catarina centro
física adaptada
Conselho nacional
espírito santo
direitos humanos
Memorial descritivo
conselho municipal
campina grande