Search

As high-voltage circuit breakers (HVCBs) are responsible for switching off the load in the event of anomalies, they suffer various wear and tear, both on their main contacts and on the other actuation mechanisms. Not only load maneuvers but also weather conditions can bring factors that contribute to deterioration and, consequently, contribute to failures of this component that is so important for energy supply. Both failures and maintenance shutdowns generate costs for substations, something that could be minimized if there was monitoring of the condition of the HVCBs. This paper shows a methodology to analyze the vibration signal of HVCB in order to identify and quantify contact failures. The proposed methodology is verified through an experimental setup. The results show that it is possible not only to identify the fault but also to assess its intensity using vibration analysis.

O diagnóstico de falhas é fundamental para qualquer indústria de manutenção, a detecção precoce de falhas pode evitar falhas catastróficas, bem como perda de tempo e dinheiro. Tendo em vista esses objetivos, a análise de vibração através do domínio da frequência é uma técnica madura. Embora bem estabelecidos, os métodos tradicionais envolvem um alto custo de tempo e pessoas para identificar falhas, fazendo com que os métodos de aprendizado de máquina cresçam nos últimos anos. Os métodos de Machine learning (ML) podem ser divididos em dois grandes grupos de aprendizagem: supervisionado e não supervisionado, sendo a principal diferença entre eles é o conjunto de dados que está rotulado ou não. Este estudo apresenta um total de quatro métodos diferentes para detecção e diagnóstico de falhas. A análise da frequência do sinal de vibração foi a primeira abordagem empregada. foi escolhida para validar os resultados futuros dos métodos de ML. O Gaussian Mixture Model (GMM) foi empregado para a técnica não supervisionada. O GMM é um modelo probabilístico em que todos os pontos de dados são considerados gerados por um número finito de distribuições gaussianas com parâmetros desconhecidos. Para a aprendizagem supervisionada, foi utilizada a Convolutional Neural Network (CNN). CNNs são redes feedforward que foram inspiradas por processos de reconhecimento de padrões biológicos. Todos os métodos foram testados por meio de uma série de experimentos com motores elétricos reais. Os resultados mostraram que todos os métodos podem detectar e classificar os motores em várias condições de operação induzida: íntegra, desequilibrado, folga mecânica, desalinhamento, eixo empenado, barra quebrada e condição de falha do rolamento. Embora todas as abordagens sejam capazes de identificar a falha, cada técnica tem benefícios e limitações que as tornam melhores para certos tipos de aplicações, por isso, também e feita uma comparação entre os métodos. Fault diagnosis is critical to any maintenance industry, as early fault detection can prevent catastrophic failures as well as a waste of time and money. In view of these objectives, vibration analysis in the frequency domain is a mature technique. Although well established, traditional methods involve a high cost of time and people to identify failures, causing machine learning methods to grow in recent years. The Machine learning (ML) methods can be divided into two large learning groups: supervised and unsupervised, with the main difference between them being whether the dataset is labeled or not. This study presents a total of four different methods for fault detection and diagnosis. The frequency analysis of the vibration signal was the first approach employed. This analysis was chosen to validate the future results of the ML methods. The Gaussian Mixture model (GMM) was employed for the unsupervised technique. A GMM is a probabilistic model in which all data points are assumed to be generated by a finite number of Gaussian distributions with unknown parameters. For supervised learning, the Convolution neural network (CNN) was used. CNNs are feedforward networks that were inspired by biological pattern recognition processes. All methods were tested through a series of experiments with real electric motors. Results showed that all methods can detect and classify the motors in several induced operation conditions: healthy, unbalanced, mechanical looseness, misalignment, bent shaft, broken bar, and bearing fault condition. Although all approaches are able to identify the fault, each technique has benefits and limitations that make them better for certain types of applications, therefore, a comparison is also made between the methods.