Sistema de Diagnóstico de Falta em Transformadores Baseados em Inteligência Computacional Evolutiva

Sistema de Diagnóstico de Falta em Transformadores Baseados em Inteligência...

(Parte 1 de 2)

FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010

Sistema de Diagnóstico de Falta em Transformadores Baseado em Inteligência Computacional Evolutiva

Daniel F. Leite*; Lucas O. Nascimentoº; Alan Barbosaº; Pyramo Costa Jr.º; Davidson G. Ferreira+; Fernando Gomide* danfl7@dca.fee.unicamp.br on.lucas@gmail.com alanacaiaca@gmail.com pyramo@pucminas.br davidson@cemig.com.br gomide@dca.fee.unicamp.br

* Universidade Estadual de Campinas, UNICAMP, Campinas - SP, Brasil º Universidade Católica de Minas Gerais, PUC-MG, Belo Horizonte - MG, Brasil + Companhia de Energia de Minas Gerais, CEMIG, Belo Horizonte - MG, Brasil

Neste artigo apresentamos um sistema de diagnóstico de falta em transformadores. O sistema usa dados de análises cromatográficas de óleo isolante, e emprega modelos estatísticos, fuzzy e neuro-evolutivos para detectar padrões de ocorrências em transformadores em operação. Mineração de dados e aprendizagem de modelos para extração de conhecimento são objetivos do sistema; diagnóstico da condição é saída do sistema. Em particular, usamos na construção do sistema um modelo linear de componentes principais para seleção dos atributos mais importantes em amostragens de gases dissolvidos no óleo isolante; modelo fuzzy baseado em regras para prover transparência ao sistema e lidar com incerteza nos dados; e redes neurais granulares evolutivas para adaptação da estrutura e parâmetros de modelos em ambiente dinâmico. Experimentos usando dados reais de transformadores mostram que o sistema de diagnóstico desenvolvido é capaz de capturar padrões de falta e sumarizar condições de operação em regras interpretáveis com eficiência.

Análise de Componentes Principais; Cromatografia; Diagnóstico de Falta; Rede Neural Granular Evolutiva; Sistema de Regras Fuzzy; Transformador.

FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010

1. INTRODUÇÃO

Atualmente, não existe uma teoria geral que provê soluções universais para problemas não-lineares de diagnóstico de falta e nenhuma metodologia é unanimemente aceita como a mais efetiva e eficiente para detectar faltas em transformadores. Neste trabalho sugerimos uma abordagem de inteligência computacional para o problema de detecção e diagnóstico de falta em transformadores. Em particular, apresentamos um Sistema de Diagnóstico de Transformadores, SDT, produto de um projeto de pesquisa e desenvolvimento.

O SDT se apóia em paradigmas de inteligência computacional - redes neurais artificiais, teoria de conjuntos fuzzy e aprendizagem incremental evolutiva - e em um método estatístico de seleção de características para prover diagnóstico de ocorrências em transformadores. Basicamente, o sistema proposto é baseado em dados provenientes de análise química de gases dissolvidos no óleo isolante de transformador, mineração dos dados, e aprendizagem de modelos para extração de conhecimento.

De um ponto de vista mais geral, as abordagens de aprendizagem e extração de conhecimento para diagnóstico de falta utilizadas em SDT pertencem à categoria de métodos de redundância baseados em modelos. Para uma visão detalhada das diferentes abordagens para detecção e diagnóstico de falta, e aspectos de métodos de redundância analítica, veja os artigos de Gertler [1], Isermann [2], e Patton [3].

Neste artigo enfatizamos as ferramentas principais que recheiam SDT, e discutimos resultados do comportamento do sistema na detecção de padrões de operação de um transformador considerando dados reais. A próxima seção apresenta uma visão geral do sistema construído. A Seção 3 expõe a técnica de estatística multivariada que adotamos para seleção das componentes principais de vetores de atributos. A análise linear de componentes principais PCA empregada possibilitou a redução da complexidade e da redundância do problema. Na seção 4, um modelo fuzzy baseado em regras visando diagnóstico é abordado. O modelo provê interpretabilidade e transparência ao sistema SDT ao tempo que oferece um mecanismo para lidar com incerteza nos dados de entrada. Redes neurais granulares evolutivas são discutidas na Seção 5. Estas redes são munidas com procedimentos de aprendizagem incremental não-recursiva que permitem adaptação estrutural e paramétrica de modelos ao decorrer do tempo. As dinâmicas não-lineares não-estacionárias dos padrões de ocorrências em transformadores e do ambiente em que os transformadores se encontram são automaticamente capturadas por redes neurais granulares evolutivas. A Seção 6 discute os resultados do comportamento do sistema SDT em detecção e diagnóstico de falta. A Seção 7 conclui o artigo e revela a pesquisa em andamento.

2. DETECÇÃO E DIAGNÓSTICO DE FALTA 2.1. PRELÚDIO

Faltas em transformadores são causadas por estresses que inevitavelmente agem sobre seus componentes. Os tipos de estresses podem ser agrupados em: térmicos, elétricos, eletromagnéticos, residuais, dinâmicos e ambientais [4], [5]. Caso estes estresses sejam mantidos em certos níveis nos estágios de projeto, manufatura, aplicação, instalação, operação e manutenção, transformadores funcionarão como esperado por longos períodos. Entretanto, caso alguns destes ultrapassem limiares de severidade, a vida útil dos transformadores reduzem devido à aparição de faltas incipientes.

Sistemas de manutenção preditiva objetivando monitoramento de transformadores em operação têm sido desenvolvidos ao longo das últimas três décadas. O processo de pesquisa e desenvolvimento em detecção e diagnóstico de falta requer a devoção de considerável quantidade de tempo e esforço de investigação das condições específicas às quais os transformadores operam. Especialistas apóiam-se em experiência própria para identificar as variáveis principais para monitoramento e desenvolver esquemas de detecção adequados. O resultado final típico é um sistema de reconhecimento de padrões compacto, não-transparente e não-entendível para a maioria das pessoas.

FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010

2.2. VISÃO GERAL DO SISTEMA SDT

A Fig. 1 mostra uma visão panorâmica do sistema de diagnóstico que propomos. Inicialmente, dados de testes cromatográficos são entrada do sistema. Os dados são pré-processados e os atributos estatisticamente mais importantes no sentido de guiarem a classificação de ocorrências em transformadores corretamente são disponibilizados a modelos neurais e fuzzy. A coleção das observações histórica forma a base de dados. A base consiste de instâncias indicativas da condição saudável ou faltosa de transformadores. Uma parcela da base de dados é usada na etapa de aprendizagem dos modelos fuzzy e neurais. Dados não usados na aprendizagem são considerados na etapa de teste e validação dos modelos. Após o processamento dos novos, mais recentes, exemplos pelo sistema, um relatório de diagnóstico para cada transformador monitorado indicando seu estado de saúde é gerado e disponibilizado aos usuários do sistema através de uma interface.

Figura 1 - Sistema de Diagnóstico de Falta em Transformadores

3. ANÁLISE DE COMPONENTES PRINCIPAIS

Em problemas de detecção de falta, as variáveis envolvidas são geralmente correlacionadas entre si a um certo grau. Isto nos permite empregar técnicas de análise estatística multivariada para extração de características. A abordagem para análise das componentes principais dos atributos de vetores de entrada adotada em SDT é descrita nesta seção. Investigamos quais são os gases dissolvidos no óleo isolante de transformadores que melhor contribuem para a discriminação de padrões de classes de dados usando análise multivariada baseada em autovetores e autovalores. Os principais fatores considerados para adoção de PCA foram a sua capacidade de gerar espaços de atributos reduzidos preservando a variabilidade estatística dos dados; e a facilidade de interpretação de seus resultados.

3.1. INTRODUÇÃO

O método PCA teve sua origem em [6]. Diversas variações do algoritmo PCA original existem atualmente na literatura. Fundamentalmente, algoritmos PCA realizam uma transformação linear ortogonal provendo um novo sistema de coordenadas que preserva a variância estatística dos dados. PCA permite transformar um conjunto de variáveis originais correlacionadas em um novo conjunto de variáveis não-correlacionadas. Estas são declaradas componentes principais. A idéia básica da abordagem é obter combinações lineares extraídas da coleção de dados. As combinações lineares devem reter o máximo possível da informação contida nos dados e atributos originais.

3.2. PROCEDIMENTO

Admita x = (x1,, xj, ..., xn) um vetor n-dimensional de atributos e X = (x1
,, xh
,, xH ) uma coleção

de observações. A matriz de covariâncias de X é definida como:

FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010

Por conveniência, X é considerada auto-escalada, isto é, com média zero e variância unitária. Logo S é também a matriz de correlação de X.

= Λ. Os elementos diagonais de Λ, λ1,, λj, ..., λn, são autovalores de S obtidos através de |S - λI| = 0,

A matriz S pode ser reduzida em uma matriz diagonal Λ usando uma matriz ortonormal P tal que PSP’ onde I é uma matriz identidade de ordem n. Os vetores coluna de P são autovetores de S obtidos de (S

- λjI) qj = 0, independentemente do tamanho do vetor qj.

Autovetores são coeficientes de combinações lineares de x1,, xj, ..., xn que transformam n variáveis
correlacionadas em n variáveis não-correlacionadas t1,, tj, ..., tn usando T = XP, onde P é uma matriz

quadrada relacionada á X. As colunas das variáveis transformadas em T são ditas componentes principais dos dados em X. A j-ésima componente principal pode ser descrita como tj = Xpj, onde

; e cov(tj1, tj2) = pj1’Spj2, j = 1,, n.

var(tj) = pj’Spj

t1,, tj, ..., tn cujas variâncias são as maiores possíveis. Por exemplo, a primeira componente principal

Em outras palavras, as componentes principais são aquelas combinações lineares não-correlacionadas é aquela que maximiza var(tj) = pj’Spj [7].

4. SISTEMA FUZZY BASEADO EM REGRAS

4.1. INTRODUÇÃO

Sistemas baseados em regras são construídos a partir de um conjunto de regras e do uso de uma coleção de fatos para obter conclusões. Sistemas baseados em conhecimento usam regras como uma forma de representação. Classificadores, preditores, regressores e controladores baseados em regras são vastamente encontrados na literatura, como, por exemplo, em [8] e [9].

A teoria de conjuntos fuzzy apresenta um papel fundamental em sistemas de regras. Conjuntos fuzzy permitem que os antecedentes e os conseqüentes das regras sejam termos lingüísticos e que os níveis de ativação das regras sejam contínuos ao invés de serem exclusivamente 0 ou 1. Os benefícios de conjuntos, regras e inferência fuzzy manifestam-se principalmente na fase de aprendizagem de sistemas [10]. Em SDT, modelos fuzzy fornecem uma ponte entre a computação quantitativa intensiva e a forma qualitativa de interpretação dos resultados preferida por seus usuários.

4.2. DIAGNÓSTICO DE FALTA USANDO SISTEMA DE REGRAS FUZZY

Um modelo fuzzy baseado em regras foi implementado em SDT. O modelo admite sentenças SEENTÃO como representação da condição saudável ou faltosa de transformadores. Além disso, o modelo fuzzy provê explicações interpretáveis sobre o diagnóstico proferido.

Em SDT, as regras para diagnóstico de falta em transformadores assumem a forma de um mapeamento de conjunto para conjunto [10]. Na forma geral, consideramos regras:

SE (condição 1) EE (condição j) E ... E (condição n) ENTÃO (conclusão),
onde, as condições j = 1,, n referem-se aos atributos monitorados, isto é, as concentrações de gases

dissolvidos no óleo isolante do transformador e a temperatura do óleo isolante; a conclusão refere-se ao diagnóstico proferido pelo sistema para uma condição de entrada. Especificamente, as regras em SDT são, por exemplo, expressas da seguinte forma:

SE (H2 é Aj1) E (CH4 é Aj2) E (CO é Aj3) E (C2H2 é Aj4) E (C2H4 é Aj5) E (C2H6 é Aj6) E (GC é Aj7) E (Tóleo é Aj8) ENTÃO (condição é α1 com certeza κ1) E (condição é α2 com certeza κ2),

FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010 onde H2, CH4, CO, C2H2, C2H4, C2H6, GC e Tóleo significam os componentes hidrogênio, metano, monóxido de carbono, acetileno, etileno, etano, gás combustível e temperatura do óleo, respectivamente; Aj1 é a j-ésima função de pertinência definida no domínio do atributo H2, Aj2 é a j- ésima função de pertinência de CH4, e assim por diante; α1 e α2 são condições saudáveis ou faltosas do transformador; e κ1 e κ2 são fatores de certeza. Dentre as ocorrências capturadas por SDT estão:

operação normal, taxa normal de evolução de gases, estabilidade ou instabilidade na evolução, elevada concentração de gases, mal-funcionamento devido a alta concentração de acetileno, transformador em manutenção, e óleo em regeneração.

Consideramos um modelo fuzzy tipo Mamdani – implicação com T-norma min e agregação usando a S-norma max. O método de defuzificação utilizado é o centro de massa. Três funções de pertinência definem cada domínio dos atributos e cada domínio das classes. A configuração do modelo contou com auxílio de especialistas em cromatografia e com dados históricos de diagnóstico.

5. REDES NEURAIS ARTIFICIAIS 5.1. INTRODUÇÃO

Através do uso de redes neurais artificiais conseguimos automatizar o processamento neural natural de especialistas humanos para detectar falta em transformadores. Uma vez que redes neurais são apropriadamente treinadas para exercer esta função, seus parâmetros e estrutura contêm o conhecimento necessário para indicar a existência de falta.

Utilizamos dados históricos reais de transformadores para treinar redes neurais granulares evolutivas [1] na tarefa de detecção de falta. Este tipo de modelo neural revela características ímpares relacionadas a auto-adaptação contínua e em tempo real a novas informações surgindo em fluxos de dados. Redes neurais granulares evolutivas podem lidar com processos não-lineares não-estacionários usando uma estratégia de aprendizagem incremental não-recursiva, e grânulos de informação.

5.2 REDE NEURAL GRANULAR EVOLUTIVA

Tratamos classificação adaptativa de padrões em SDT usando redes neurais granulares evolutivas, eGNN. O modelo eGNN é uma variação evolutiva de redes neuro-fuzzy granulares capaz de lidar com ambientes dinâmicos [1], [12]. A origem de eGNN está relacionada com pesquisa recente em processamento de dados sem a necessidade de re-treinamento completo de modelos.

Colocado de uma maneira geral, o classificador eGNN sumariza o comportamento do sistema e suas classes usando uma descrição em um espaço de atributos e respectivos dados de treinamento. eGNN usa hiper-retângulos fuzzy para granular dados, e neurônios baseados em nullnormas para agregar atributos associados aos grânulos. O algoritmo de aprendizagem adapta parâmetros e estrutura da rede incrementalmente tão logo que o ambiente muda e a mudança é refletida nos dados. Além disso, o algoritmo trata dados rotulados e não-rotulados concomitantemente usando um procedimento único. Ele pode processar dados tanto numéricos como granulares.

, h = 1, 2,, onde as instâncias podem ou

Redes eGNN aprendem a partir de um fluxo de dados x[h] não ser acompanhadas de um rótulo de classe C[h] . Cada grânulo de informação γi da coleção finita dos

,, γc}, definido no espaço de atributos X ⊆ ℜn

grânulos existentes γ = {γ1 , é associado a uma classe Ck

(Parte 1 de 2)

Comentários