Sistema de tempo real para processamento de sinais de descargas parciais focado em implementação por hardware

Daniel Luiz de Souza, Jéssica Luiza Cabral Guimarães, Jordy Braga Xisto, Welington Carlos Barbosa, Rubem Geraldo Vasconcelos Machado

Resumo


Este artigo descreve melhorias em um agente desenvolvido para processar sinais provenientes de monitoramento visando identificar ocorrências de descargas parciais e viabilizando o processo de eliminação de ruídos inerentes ao processo de amostragem. O agente original utiliza conceitos de Multiple Instance Learning, Self-Organizing Maps e é baseado em Manhattan Distance como métrica de distância. Os aprimoramentos propostos, visando aprimorar a seleção de referências e seleção de coeficientes relevantes, baseia-se em Support Vector Machine e Differential Evolution. Com estas adaptações consegue-se um agente classificador simples, auto ajustável e com pouca demanda por recursos, viabilizando sua implementação em hardware, permitindo uso de paralelização e pipelining de forma a se obter melhores taxas de amostragem.

 

Palavras-chave: Descargas Parciais. Máquinas de Vetores de Suporte. Evolução Diferencial. Mapas Auto Organizáveis. Processamento de Sinais.

Referências


ABDEL-GALIL, T.,EL-HAG, A., VAOUDA, A., SALAMA, M., e BARTNIKAS, R., De-noising of partial discharge signal using eigen-decomposition technique, IEEE Trans. Dielectr. Electr. Insul., vol. 15, no. 6. p. 1657– 1662. Dec. 2008.

BARTNIKAS, R., Partial discharges. Their mechanism, detection and measurement, IEEE Trans. Dielectr. Electr. Insul., vol. 9, no. 5. p.763–808. 2002.

HUSSEIN, R., BASHIRSHABAN, K. e EL-HAG, A. H., Denoising of acoustic partial discharge signals corrupted with random noise. IEEE Transactions on Dielectrics and Electrical Insulation, v. 23, n. 3. p. 1453-1459. 2016.

KHAMSEH, H. B., RUELA, V. S. P., VASCONCELOS, F. H. e MOTA, H. de O., Mining undecimated Wavelet Transform maxima lines : An effective way to denoise Partial Discharge signals, In: The 32nd IEEE Electrical Insulation Conference, Philadelphia. 2014.

KOHONEN, T., The self-organizing map, Proceedings of the IEEE International Conference on Neural Networks, San Francisco, p. 11471156. 1990.

MACHADO, R. G. V. e MOTA, H. D. O. Simple self-scalable grid classifier for signal denoising in digital processing systems. In: Machine Learning for Signal Processing (MLSP), 2015 IEEE 25th International Workshop on. IEEE. p. 1-6. 2015.

MACHADO, R. G. V., Desenvolvimento de sistema de tempo real baseado em FPGAs para processamento de sinais de descargas parciais. Minas Gerais. 2016. 161f. Dissertação (Mestrado em Engenharia Elétrica) – PPGEE, Universidade Federal de Minas Gerais. Belo Horizonte.

MOTA, H. D. O., DA ROCHA, L. C. D., SALLES, T. C. D. M. e VASCONCELOS, F. H., Partial discharge signal denoising with spatially adaptive wavelet thresholding and support vector machines, Electr. Power Syst. Res., vol. 81, no. 2. p. 644–659. Feb. 2011.

NIMMO, R. D., CALLENDER, G. e LWIN, P. L., Methods for wavelet-based autonomous discrimination of multiple partial discharge sources. IEEE Transactions on Dielectrics and Electrical Insulation, v. 24, n. 2, p. 1131-1140. 2017.

RAYMOND, W. J. K. et al., High noise tolerance feature extraction for partial discharge classification in XLPE cable joints. IEEE Transactions on Dielectrics and Electrical Insulation, v. 24, n. 1. p. 66-74. 2017.

SETTLES, B., CRAVEN, M. e RAY, S. Multiple instance active learning, Advances in Neural Information Processing Systems, no. 20, MIT Press. p. 1289-1296. 2008.


Texto completo: PDF

Apontamentos

  • Não há apontamentos.