Application of machine learning methods for the classification of vibroacoustic signals measured at the moment of transformer energization with varying degrees of core and winding defect complexity

• Autorzy: Borucki Sebastian , Skubis Jerzy , Wotzka Daria , Zmarzły Dariusz

Identyfikatory

DOI

10.15199/48.2024.11.48

Warianty tytułu

PL

Zastosowanie metod uczenia maszynowego do klasyfikacji sygnałów wibroakustycznych mierzonych w momencie zasilania transformatora o różnym stopniu złożoności uszkodzeń jego rdzenia i uzwojeń

• Języki publikacji: EN

Abstrakty

EN

The research subject is a power transformer, with the goal of identifying and classifying various technical conditions, including the normal state and defects in the core and windings. The aim is to explore various machine learning algorithms, the impact of three different Hamming window sizes for spectral estimation (used as the feature set), and the influence of the number of classes in classification. The study confirms the hypothesis that it is feasible to effectively identify specific types of transformer defects based on vibroacoustic signals.

PL

Przedmiotem badań jest transformator mocy, a celem jest identyfikacja i klasyfikacja różnych stanów technicznych, w tym stanu normalnego oraz wad rdzenia i uzwojeń. Celem prac jest zbadanie różnych algorytmów uczenia maszynowego, wpływu trzech różnych rozmiarów okna Hamminga na estymację spektralną (używaną jako zestaw cech) oraz wpływu liczby klas w klasyfikacji. Badanie potwierdza hipotezę, że możliwe jest skuteczne identyfikowanie konkretnych rodzajów wad transformatora na podstawie sygnałów wibroakustycznych.

Słowa kluczowe

EN

vibroacoustic method; vibration measurement; transformer; core; winding; machine learning

PL

metoda wibroakustyczna; pomiar drgań; transformator; rdzeń; uzwojenie; uczenie maszynowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 11
• Strony: 237--241
• Opis fizyczny: Bibliogr. 21 poz., rys., tab.

Twórcy

autor

Borucki Sebastian

• Politechnika Opolska, Katedra Elektroenergetyki i Energii Odnawialnej, ul. Prószkowska 76, 45-758 Opole

• https://orcid.org/0000-0003-0748-5488

autor

Skubis Jerzy

• Politechnika Opolska, Katedra Elektroenergetyki i Energii Odnawialnej, ul. Prószkowska 76, 45-758 Opole

• https://orcid.org/0000-0002-3723-8034

autor

Wotzka Daria

• Politechnika Opolska, Katedra Elektroenergetyki i Energii Odnawialnej, ul. Prószkowska 76, 45-758 Opole

• https://orcid.org/0000-0002-8861-7974

autor

Zmarzły Dariusz

• Politechnika Opolska, Katedra Elektroenergetyki i Energii Odnawialnej, ul. Prószkowska 76, 45-758 Opole

• https://orcid.org/0000-0001-9421-4277

Bibliografia

• [1] Secic A., K rpan M., Kuzle I., Vibro-Acoustic Methods in the Condition Assessment of Power Transformers: A Survey, IEEE Access, 7 (2019), 83915-83931
• [2] Krupinski R., Kornatowski E., Analysis of the GGD Vibroacoustic Detector of Power Transformer Core Damage, IEEE Access, 12 (2024), 45752-45761
• [3] Kornatowsk i E., Detection of the Transient Vibrations Amplitude of Power Transformer's Active Part, Advanced Solutions in Diagnostics and Fault Tolerant Control, 635 (2018), 169-179
• [4] Borucki S., Ci choń A., The influence of the power transformer load on vibroacoustic signal analysis results, Przegląd Elektrotechniczny, 86 (2010), no. 7, 45-47
• [5] Bigdeli M., Siano P., Alhelou H., Intelligent Classifiers in Distinguishing Transformer Faults Using Frequency Response Analysis, IEEE Access, 9 (2021), 13981–13991
• [6] Forouhari S., Abu-Siada A., Application of adaptive neuro fuzzy inference system to support power transformer life estimation and asset management decision, IEEE Trans, on Diel. and El. Ins., 25 (2018), no. 3, 845–852
• [7] Ghoneim S., Mahmoud K., Lehtonen M., Darwish, M., Enhancing Diagnostic Accuracy of Transformer Faults Using Teaching-Learning-Based Optimization, IEEE Access, 9 (2021), 30817–30832
• [8] Wotz ka, D., S ikor ski , W., S zymc zak , C., Investigating the Capability of PD-Type Recognition Based on UHF Signals Recorded with Different Antennas Using Supervised Machine Learning. Energies 15 (2022), no. 3167
• [9] Wotz ka, D., C ichoń , A., Study on the Influence of Measuring AE Sensor Type on the Effectiveness of OLTC Defect Classification. Sensors 20 (2020), no. 3095
• [10] J i S., Zhu L., Li , Y., Study on transformer tank vibration characteristics in the field and its application, Przegląd Elektrotechniczny, 87 (2011), no 2, 205-211
• [11] Hu, J., L iu, D., Liao Q., Yan Y., L iang S., Electromagnetic vibration noise analysis of transformer windings and core, IET Electric Power Application, 10 (2016), no. 4, 251-257
• [12] Würde A., Kahlen J., Langenberg N., Moser A., Transformer Core-Vibration Analysis: Coupling Paths, in. 2022 IEEE Electrical Insulation Conference (EIC), Knoxville, USA, (2022)
• [13] Hu, Y., Zheng, J., Huang, H., Experimental Research on Power Transformer Vibration Distribution under Different Winding Defect Conditions, Electronics, 8 (2019), no. 8, 1-19
• [14] Gar c ía B., Burgos J., A lonso A., Winding deformations detection in power transformers by tank vibrations monitoring, Electric Power Systems Research, 74 (2005), no. 1, 129-138
• [15] Borucki S. Cichoń A., Majchrzak H. Zmarzł y D., Evaluation of the Technical Condition of the Active Part of the High Power Transformer Based on Measurements and Analysis of Vibroacoustic Signals, Archives of Acoustics, 42 (2017), no. 2, 313-320
• [16] Duan X., Zhao T., L i u J., Zhang L., Zou L., Analysis of Winding Vibration Characteristics of Power Transformers Based on the Finite-Element Method, Energies, 11 (2018), no. 9, 2-19
• [17] Zhou H., Hong K., Huang H., Zhou J., Transformer winding fault detection by vibration analysis methods, Applied Acoustics, 114 (2016), 136-146
• [18] Borucki S., Time-Frequency Analysis of Mechanical Vibrations of the Dry Type Power Transformer Core, Acta Physica Polonica A, 120 (2011), no. 4, 571 – 574
• [19] Kornatowsk i E., Banaszak S., Molenda P., Quality Index for Assessment of the Mechanical Condition of Transformers' Active Part with Frequency Response and Vibroacoustic Measurements, Energies, 17 (2024), no. 6, 2-17
• [20] Zhou X., Luo Y., Tian T., Bai H., Wu P., Liu W., Transformer fault diagnosis based on probabilistic neural networks combined with vibration and noise characteristics, Frontiers in Energy Research, 11 (2023)
• [21] Zhang F., J i S., S h i Y., Zhan C., Zhu L., Investigation on vibration source and transmission characteristics in power transformers, Applied Acoustics, 151 (2019), 99-112

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).