18.ago ouro i 16.00_495_coelce
TRANSCRIPT
![Page 1: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/1.jpg)
Transformadores de Distribuição pela Imagem Térmica dos Cabos
da Rede de Baixa Tensão
Fortaleza - Agosto 2011
![Page 2: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/2.jpg)
As principais avarias em transformadores referem-se a deficiências dos enrolamentos sejam por má compactação das bobinas ou deformação das bobinas por curto-circuito.
São significativas também as solicitações térmicas e dielétricas, provocando a alteração das características elétricas e fisioquímicas dos seus materiais isolantes.
Isto implica no “envelhecimento” de parte ou de toda a isolação e, como conseqüência, em uma grande incidência de queima de transformadores por sobrecarga.
A solução pesquisada neste projeto visa utilizar sensores de temperatura e umidade do ar em conjunto com um programa usando inteligência computacional embarcada para análise nos dados coletados.
Introdução
![Page 3: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/3.jpg)
Se ocorrer um defeito, que poderia ou não ser detectado por uma manutenção preventiva, em qualquer um dos casos ocorre um prejuízo financeiro diretamente proporcional ao tamanho da carga interrompida.
O conhecimento adequado dos sintomas, suas causas e efeitos são de suma importância, antecipando as falhas e a prevenção de problemas indesejáveis e prejuízos.
O Problema
![Page 4: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/4.jpg)
O desenvolvimento de técnicas, sistemas e metodologias que facilitem a checagem regular das condições de operação desses equipamentos torna-se cada vez mais importante.
O conhecimento da imagem térmica é eficaz nesse processo preditivo.
A tecnologia de termo-visão usada atualmente torna proibitivo o seu uso em larga escala em um equipamento que fique instalado em uma estrutura.
Torna-se necessário a pesquisa de uma tecnologia que possa realizar a mesma tarefa com a possibilidade de ficar em constante monitoramento.
O Problema
![Page 5: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/5.jpg)
A solução tecnológica inicialmente proposta para este projeto consiste da medição da temperatura de diversos pontos em torno do transformador, como os cabos, a estrutura, a carcaça e a própria temperatura ambiente de forma a ser possível inferir a corrente elétrica que está sendo demandada do transformador.
As pesquisas realizadas apontam para o uso de métodos de reconhecimento de padrões, onde os valores de temperatura medidos pelos sensores seriam analisados e transformados em valores de corrente elétrica.
Pesquisa Bibliográfica
![Page 6: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/6.jpg)
As quatro abordagens mais bem conhecidas de reconhecimento de padrões são:• Casamento (template matching);• Abordagem estatística;• Sintática;• Redes neurais.
Iremos analisar também a possibilidade do uso de lógica nebulosa.
Analisando as possibilidades foi decidido utilizar redes neurais como primeira ferramenta, com a possibilidade do uso de lógica nebulosa em conjunto com as redes de forma a otimizar o processo
Pesquisa Bibliográfica
![Page 7: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/7.jpg)
Redes Neurais Artificiais (RNA) são sistemas que modelam o sistema nervoso biológico de modo que se obtenha soluções para problemas computacionais complexos.
Uma das características principais das RNAs é que estas podem “aprender” padrões através de exemplos e reconhecê-los após este aprendizado, o mesmo não acontece com sistemas computacionais tradicionais.
O perceptron ou neurônio artificial é um modelo de uma célula nervosa (neurônio). É a forma mais básica, ou seja, a unidade menor de uma rede neural.
Procedimentos Experimentais
![Page 8: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/8.jpg)
Procedimentos Experimentais Representação de uma Rede Perceptron:
)(0
i
n
iixfs
Para função de ativação f utiliza-se normalmente a função sigmóide ou tangente hiperbólica.
![Page 9: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/9.jpg)
Procedimentos ExperimentaisAs Redes de múltiplas camadas resolvem problemas cujos padrões não são separáveis linearmente.
![Page 10: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/10.jpg)
Testes de Laboratórios Para realização dos testes de laboratório foi montado um
protótipo com dois sensores de temperatura e um sensor de umidade.
Para aquisição da temperatura dos fios foi usado o sensor LM35, que apresenta uma saída de tensão linear relativa à temperatura em que ele se encontrar no momento em que for alimentado por uma tensão de 4-20Vdc e GND, tendo em sua saída um sinal de 10mV para cada Grau Celsius de temperatura.
Para aquisição da temperatura e umidade do ambiente foi usado um sensor com saída padrão 4 a 20mA.
Desta forma se fazia necessário o uso de um conversor analógico/digital para ter-se os valores requeridos. Para evitar problemas nessa conversão, foi adotado o uso de um sensor digital. O sensor usado foi o SHT1x
![Page 11: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/11.jpg)
Testes de Laboratórios
![Page 12: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/12.jpg)
Testes de Laboratórios
![Page 13: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/13.jpg)
Treinamento da Rede Dentre os diversos tipos de arquiteturas possíveis dentro
das redes neurais artificiais, a arquitetura multicamadas, MLP, é uma das mais utilizadas, sendo aplicada com sucesso em soluções de problemas difíceis, com o popular algoritmo backpropagation.
![Page 14: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/14.jpg)
Treinamento da Rede Neste projeto, foi desenvolvida uma rede MLP que recebe
como entrada 5 parâmetros, que são as temperaturas dos fios, a temperatura ambiente e a umidade ambiente.
Essas informações passam para a camada oculta de 5 neurônios e saí pela camada de saída que contém 4 neurônios, cada um correspondendo a um valor fuzzy equivalente a baixa corrente, média corrente, alta corrente e corrente de saturação.
Após esta saída é aplicada uma máquina de inferência para transformar os valores fuzzys em valores numéricos de corrente elétrica.
![Page 15: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/15.jpg)
Treinamento da Rede
Fluxograma do funcionamento geral da RNA desenvolvida
![Page 16: 18.ago ouro i 16.00_495_coelce](https://reader035.vdocuments.pub/reader035/viewer/2022062406/558889b6d8b42a650f8b4616/html5/thumbnails/16.jpg)
Conclusões Os testes iniciais de laboratório do sistema de
aquisição mostraram a viabilidade de medir a temperatura e umidade com a estrutura proposta.
Para o treinamento da rede neural estão sendo coletados dados em uma câmara térmica com capacidade de controle de temperatura e umidade.
Estes dados serão usados como treinamento da rede e validação do algoritmo a ser embarcado no microcontrolador para efetivamente conseguir avaliar a corrente elétrica no fio.