Detecção de defeitos em isoladores de subestações de alta tensão baseada na análise do ruído audível.

• Ano de defesa: 2014
• Autor(a) principal: LASALVIA, Leonardo Antonio Barbosa.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Emissão Acústica; Isoladores; Redes Neurais Artificiais; Ruído Audível; Wavelet.; Acoustic Emission; Insulators; Artificial Neural Networks; Audible Noise; Packet Wavelet Transform; Transformada wavelet Packet; Engenharia Elétrica
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/9577

Este trabalho visa apresentar o aperfeiçoamento de uma técnica preditiva de manutenção para detecção de defeitos em isoladores de porcelana, utilizando o método de emissão acústica para gerar padrões gráficos que identifiquem o estado de integridade destes equipamentos elétricos. Os isoladores são amplamente utilizados nos barramentos das subestações que integram o sistema elétrico de potência. A fim de atingir tal objetivo, foram realizados ensaios de emissão acústica em campo, na subestação de Jardim, da Companhia Hidroelétrica do São Francisco, para obtenção dos ruídos audíveis que por sua vez foram armazenados, tratados e agrupados em banco de dados para posterior implementação computacional. Utilizou-se a Transformada wavelet Continua com o intuito de identificar a família wavelet mais adequada ao estudo do sinal sonoro captado nos ensaios de campo. Foram analisadas e comparadas as famílias wavelet Daubechies, Coiflets, Symlets, Discrete Meyer, Biorthogonal e Reverse Biorthogonal. O passo seguinte foi decompor os sinais numa análise multiresolucional, utilizando a Transformada wavelet Packet para gerar as matrizes de energia dos coeficientes wavelet. Por fim, para agregar confiabilidade, automação, capacidade de generalização e adaptação a novas situações, utilizou-se uma rede neural artificial, perceptron de três camadas, associada ao algoritmo de aprendizagem Resiliente Propagation, classificando os padrões desejados (isoladores íntegros e isoladores com defeito) a partir das matrizes de energia geradas pela Transformada wavelet Packet, validando assim o método utilizado. Foram registrados resultados acima de 85% de acerto.