Un método de clasificación de producción de gas para materiales de aislamiento de cables basado en redes neuronales...

Área de la Ciencia:

• Ingeniería Eléctrica
• Ciencia de Materiales
• Inteligencia Artificial

Sus antecedentes:

• El análisis de gas evolucionado (EGA) es crucial para evaluar la salud del aislamiento de los cables de alimentación de forma no invasiva.
• Los métodos actuales tienen dificultades con los mecanismos de envejecimiento simultáneos y el reconocimiento de múltiples patrones de falla en datos de gas mixtos.

Objetivo del estudio:

• Desarrollar un método analítico inteligente para la evaluación precisa del estado del aislamiento.
• Proponer un marco de clasificación multietiqueta basado en redes neuronales convolucionales profundas (DCNN).

Principales métodos:

• Se utilizaron datos de concentración de seis gases característicos de cinco materiales de aislamiento (EPDM, EVA, SR, PA, XLPE).
• Se aplicaron técnicas de análisis de datos (transformación logarítmica, normalización Z-score) y DCNN con convolución multiescala, conexiones residuales y mecanismos de atención.
• Se empleó una pérdida de entropía cruzada binaria ponderada para la clasificación multietiqueta de los estados de degradación.

Principales resultados:

• El modelo DCNN aprendió eficazmente patrones de generación de gas específicos del material.
• Identificó con precisión patrones de falla concurrentes complejos y múltiples estados de degradación simultáneamente.
• Demostró un rendimiento superior en el reconocimiento de escenarios de falla concurrentes.

Conclusiones:

• El marco DCNN propuesto mejora la precisión y la integralidad de la evaluación del estado del aislamiento de los cables de alimentación.
• Proporciona un método inteligente robusto para diagnosticar condiciones de falla complejas en equipos eléctricos críticos.
• Ofrece soporte técnico para mejorar la confiabilidad de la infraestructura de cables de alimentación.