Tese

Universidade Federal de Campina Grande
Centro de Cincias e Tecnologia - CCT

Programa de Ps-Graduao em Engenharia Eltrica
Jos Maurcio de Barros Bezerra
Caracterizao de Atributos de Sinais para Utilizao de

Tcnicas de Reconhecimento de Padres na Avaliao do
Isolamento de Instalaes e de Equipamentos Eltricos.
Tese de Doutorado submetida Coordenao dos Cursos de PsGraduao em Engenharia Eltrica da Universidade Federal de Campina
Grande como parte dos requisitos necessrios para obteno do grau de
Doutor em Engenharia Eltrica.
rea de Concentrao: Processamento da Informao
Orientadores:
Professor Gurdip Singh Deep
Professor Antnio Marcus Nogueira Lima
Professor Edson Guedes da Costa
Campina Grande
Jos Maurcio de Barros Bezerra, abril - 2004
II
Caracterizao de Atributos de Sinais para Utilizao de Tcnicas

de Reconhecimento de Padres na Avaliao do Isolamento de
Instalaes e de Equipamentos Eltricos.
Jos Maurcio de Barros Bezerra
Tese aprovada em 23.04.2004
Antonio Marcus Nogueira Lima,Dr.,UFCG,

Orientador
Gurdip Singh Deep, Ph.D., UFCG

Orientador
Edson Guedes da Costa, D.Sc., UFCG,

Orientador
Jos Pissolato Filho, Dr., UNICAMP

Componente da Banca
Ivan Jos da Silva Lopes, Ph.D., UFMG

Componente da Banca
Washington Luiz Arajo Neves, Ph.D., UFCG

Componente da Banca
Francisco Marcos de Assis, Dr., UFCG

Componente da Banca
Campina Grande PB
Abril - 2004
III
Dedicatria
Esta obra dedicada especialmente a minha esposa, Judith Santos de Souza Lima
Bezerra, companheira fiel de todas as horas de rduas batalhas; aos meus pais, Mozart
Bezerra Alves e Maria Luiza de Barros Bezerra (em memria), pelas sementes lanadas
no sentido da construo do meu intelecto e aos meus filhos, Carlos Eduardo Lima
Bezerra, Ricardo Lima Bezerra e Mnica Regina Lima Bezerra, para que as sementes
se multipliquem na busca e aplicao de novos conhecimentos e que floresam
continuamente contribuindo desta forma para a transformao do nosso pas em uma
nao mais soberana e socialmente mais justa.
IV
Agradecimentos
Ficam aqui registrados os agradecimentos a CAPES e ao PRONEX/CNPq pelo aporte de

recursos necessrios a concretizao das pesquisas ora relatadas; aos Professores Deep, Antnio
Marcus e Edson Guedes pelas incansveis sesses de debates, avaliaes e sugestes na
conduo de todo o projeto; ao Professor Manasses, do Departamento de Engenharia
Mecnica/UFCG, por suas orientaes iniciais para detalhamento do projeto mecnico da
cmara de nvoa; ao Professor Yogi, do mesmo departamento, pelas orientaes necessrias ao
processo de suprimento dgua e de ar comprimido cmara de nvoa; ao Professor Kepler, do
Departamento de Engenharia Qumica/UFCG, pelo seu apoio no detalhamento dos processos
para elaborao das solues de poluio que foram posteriormente utilizadas nos isoladores
submetidos a ensaios, como, tambm, pelo uso do laboratrio de qumica, orientao e
acompanhamento durante a constituio das solues; ao Engenheiro Max, da CHESF/CG, pela
liberao de isolador polimrico, pelos debates que auxiliaram na concepo da bucha
polimrica, pelos ensaios preliminares realizados com o termovisor para testes de aquisio de
imagens trmicas dos isoladores submetidos tenso eltrica e nvoa e pela liberao de
imagens trmicas obtidas em inspees de rotina no sistema de transmisso de energia eltrica
da CHESF; ao Tcnico Brando, da CHESF/CG, alocado para dar suporte na captao das
imagens trmicas anteriormente comentadas; a Engenheira Tereza, do Centro de Ensaios da
CHESF, pela liberao do instrumento de ultra-som; a Escola Tcnica Redentorista pela
liberao de analisador de espectro para extrao de atributos de sinais gerados por descargas
superficiais a isoladores, na freqncia de rdio; a CHESF/DML pela liberao de dados
estatsticos sobre desempenho do sistema de transmisso quanto a falhas transitrias; ao
Professor Freire e Tcnicos Bianca e Emanuel, do Departamento de Engenharia Eltrica/UFCG,
pelo projeto, montagem e testes do circuito de proteo ao digitalizador; ao Tcnico Mecnico
Danilo, do Departamento de Engenharia Eltrica/UFCG, pelo torneamento das peas/acessrios
que compuseram a cmara de nvoa; aos Tcnicos Eduardo, Francisco, Adriano e Adalberto do
Laboratrio de Alta Tenso, do mesmo departamento, por todas as montagens eltricas
realizadas naquele laboratrio que permitiram a realizao dos experimentos aqui comentados;
aos professores Glauco e Rmulo do Departamento de Engenharia Eltrica/UFCG pelo apoio na
insero de antena de VHF como um dos sensores utilizados; ao jovem cientista Max Nri,
estudante de engenharia eltrica da UFCG, pelo seu apoio na aquisio e digitalizao dos sinais
e a todo corpo docente, discente, tcnico e administrativo da UFCG que direta ou indiretamente
contriburam para os resultados do projeto.
Sumrio
Captulo 1: Introduo................................................................................................. 15
Captulo 2: Reviso Bibliogrfica................................................................................ 24
2.1 Descargas em Isoladores Areos........................................................................ 25
2.2 Descargas em Isolantes Internos ........................................................................ 26
Captulo 3: Metodologia.............................................................................................. 32
3.1 Conceitos Preliminares de Reconhecimento de Padres..................................... 33
3.2 Tipos de Atributos Extrados ............................................................................. 35
3.3 Tcnicas Matemticas Aplicadas ....................................................................... 37
3.4 Estudo de Casos ................................................................................................ 37
3.4.1 Caso 1: Poluio em Isoladores................................................................... 37
3.4.1.1 Sensor de Ultra Som ............................................................................ 38
3.4.1.2 Sistema de Digitalizao ...................................................................... 38
3.4.1.3 Cmara de Nvoa................................................................................. 39
3.4.1.4 Circuito de Proteo............................................................................. 40
3.4.1.5 Termovisor .......................................................................................... 43
3.4.1.6 Antena de VHF e Analisador de Espectro............................................. 44
3.4.1.7 Preparao das Amostras...................................................................... 44
3.4.1.8 Arranjo Experimental........................................................................... 45
3.4.1.9 Identificao da Tenso de Ensaio........................................................ 46
3.4.1.10 Desenvolvimento dos Experimentos................................................... 53
3.4.1.11 Processamento das Informaes ......................................................... 53
3.4.2 Caso 2: Defeitos em Isoladores Polimricos................................................ 54
3.4.2.1 Circuito Experimental e seus Componentes.......................................... 54
3.4.2.2 Preparao das Amostras...................................................................... 56
3.4.2.3 Procedimento dos Ensaios.................................................................... 56
3.4.2.4 Processamento das Informaes ........................................................... 57
Captulo 4: Anlise e Discusso dos Resultados. ......................................................... 62
4.1 Caso 1: Poluio em Isoladores ......................................................................... 63
4.1.1 Sensor Trmico (termovisor) ...................................................................... 64
4.1.2 Sensor de VHF ........................................................................................... 67
4.1.3 Sensor de Ultra-som.................................................................................... 69
4.1.3.1 Sinais de Ultra-som no Domnio do Tempo.......................................... 69
4.1.3.2 Sinais de Ultra-som no Domnio da Freqncia.................................... 71
4.1.3.3 Sinais de Ultra-som. Avaliaes a partir das Transformadas Wavelets.. 72
4.1.4 Sensor de Corrente de Fuga ........................................................................ 77
4.1.4.1 Sinais de Corrente de Fuga no Domnio do Tempo............................... 78
4.1.4.2 Sinais de Corrente de Fuga no Domnio da Freqncia......................... 79
4.1.4.3 Sinais de Corrente de Fuga. Avaliaes a partir das Transformadas
Wavelets.......................................................................................................... 80
4.1.5 Avaliao de Classificadores No Lineares ................................................. 83
4.1.6 Anlise da Composio de Sinais e Sensores .............................................. 88
4.1.7 Validao dos Modelos............................................................................... 92
4.1.8 Perspectivas Operacionais dos Classificadores. ........................................... 96
4.1.9 Avaliao do Estudo ................................................................................. 102
VI
4.2 Caso 2: Defeitos em Isoladores Polimricos .................................................... 102
4.2.1 Resultados Obtidos ................................................................................... 102
4.2.2 Validao dos Modelos............................................................................. 105
4.2.3 Avaliao do Estudo ................................................................................. 105
Captulo 5: Concluses.............................................................................................. 106
5.1 Contribuies de Carter Tcnico-cientfico .................................................... 106
5.2 Contribuies de Carter Tecnolgico ............................................................. 108
5.3 Refinamentos Propostos para Continuidade das Pesquisas ............................... 111
5.4 Consideraes Finais ....................................................................................... 111
Anexo ....................................................................................................................... 113
A.1 Tcnicas Lineares de Reconhecimento de Padres .......................................... 113
A.1.1 Tcnicas para Determinao do Classificador Linear ............................... 119
A.1.1.1 Tcnica de Fisher .............................................................................. 120
A.1.1.2 Tcnica de Fisher para Seleo de Atributos...................................... 124
A.1.1.3 Tcnica de Karhunen-Love.............................................................. 125
A.1.1.4 Tcnicas de Redes Neurais ................................................................ 129
A.2 Tcnicas No Lineares de Reconhecimento de Padres................................... 135
A.3 Extrao de Atributos ..................................................................................... 138
A.3.1 Tcnicas de Processamento Digital de Sinais ........................................... 138
A.3.2 Transformada de Fourier.......................................................................... 139
A.3.3 Transformada Wavelet ............................................................................. 141
Bibliografia ............................................................................................................... 145
VII
ndice de Figuras
Figura 1 Desenvolvimento das descargas em uma unidade de isolador contaminado

durante o ciclo de umedecimento: (a) descargas corona; (b) descargas prcintilao e (c) descargas de cintilao................................................................. 16
Figura 2 Estatstica de falhas transitrias no sistema CHESF (perodo 1987 2002).
Fonte: CHESF (2003).......................................................................................... 18
Figura 3 - Taxa de falhas transitrias no sistema CHESF, por poluio. ...................... 19
Figura 4 Regies mais crticas de poluio no sistema CHESF. ................................ 19
Figura 5 Um sistema de reconhecimento de padres................................................. 21
Figura 6 Ilustrao das grandezas bsicas de descarga. Fonte: Gulski e Kreuger
(1992).................................................................................................................. 28
Figura 7 - Exemplo de regies de deciso em um espao bi-dimensional. Fonte: Slansky
e Wassel (1981)................................................................................................... 35
Figura 8 Ilustrao do funcionamento do sistema de deteco de ultra-som. Fonte:
BIDDLE (1990). ................................................................................................. 38
Figura 9 Foto da cmara de nvoa: (a) vista da cmara ilustrando as suas alimentaes
de tenso eltrica, gua e ar comprimido e captao da corrente de fuga; (b) bucha
polimrica para passagem da alimentao de tenso eltrica; (c) par de bicos
injetores............................................................................................................... 39
Figura 10 Circuito de proteo do digitalizador: (a) lado acoplado a alta tenso; (b)
lado acoplado a baixa tenso e isolado por acoplamento ptico e (c)
filtragem/amplificao......................................................................................... 41
Figura 11 Diagrama de blocos do circuito de proteo.............................................. 43
Figura 12 Arranjo eltrico dos ensaios de poluio em isoladores............................. 46
Figura 13 Modelo computacional para clculo de tenses de 50%. ........................... 47
Figura 14 Descargas parciais em bandas secas na superfcie de isoladores. Fonte: Rizk
(1981).................................................................................................................. 48
Figura 15 Propagao do arco no isolador poludo (a) tempo t1, (b) tempo t2. ........... 50
Figura 16 Tenses de descarga para os isoladores: (a) padro e (b) anti-poluio...... 52
Figura 17 Circuito experimental para medio de descargas parciais. ....................... 55
Figura 18 - Fotografia do arranjo experimental de deteco de descargas parciais. Fonte:
Medeiros (2003). ................................................................................................. 55
Figura 19 Indicao e descrio dos defeitos em isoladores polimricos. .................. 56
Figura 20 Ilustrao do objeto de ensaio (isolador polimrico). ................................ 57
Figura 21 Sinais brutos adquiridos. ....................................................................... 58
Figura 22 Janela de fase sincronizada. ...................................................................... 58
Figura 23 Janelas de fase registradas em seqncia. .............................................. 60
Figura 24 Vetores de atributos para formao da matriz de atributos. ....................... 61
Figura 25 Apresentao das imagens trmicas e histogramas bsicos para cada nvel
de poluio. ......................................................................................................... 65
Figura 26 Desempenho do Classificador, para imagens trmicas, em funo do
nmero de faixas do histograma. ......................................................................... 66
Figura 27 Espectro de freqncia para sinais de VHF tpicos.................................... 68
Figura 28 Desempenho de classificador para sinais de VHF, em funo do nmero de
faixas no espectro. ............................................................................................... 68
Figura 29 Sinais tpicos de ultra-som para diferentes nveis de poluio. .................. 69
VIII
Figura 30 Histogramas tpicos dos sinais de ultra-som no domnio do tempo............ 70
Figura 31 Classificadores para o sinal de ultra-som no domnio do tempo. ............... 70
Figura 32 Densidade espectral de potncia para sinais tpicos de ultra-som............... 71
Figura 33 Avaliao de classificadores para o sinal de ultra-som no domnio da
freqncia............................................................................................................ 71
Figura 34 - Visualizao da decomposio de sinal tpico de ultra-som em 6 nveis.
Utilizada a wavelet bior3.1. ................................................................................. 74
Figura 35 Histogramas de sinais tpicos de ultra-som decompostos por wavelets
especficas. .......................................................................................................... 75
Figura 36 Sinais tpicos de corrente de fuga, com a presena de umidade. ................ 77
Figura 37 Histogramas para sinais tpicos de corrente de fuga, com presena de
umidade............................................................................................................... 78
Figura 38 Avaliao de classificadores para o sinal de corrente de fuga no domnio do
tempo. ................................................................................................................. 79
Figura 39 Densidade espectral de potncia para sinais tpicos de ultra-som............... 79
Figura 40 Avaliao de classificadores para o sinal de corrente de fuga no domnio da
freqncia............................................................................................................ 80
Figura 41 Histogramas de sinais tpicos de corrente de fuga, decompostos por
wavelets especficas............................................................................................. 81
Figura 42 Visualizao da composio da matriz de atributos................................... 88
Figura 43 Sinal de ultra-som com simulao de rudos. ............................................ 95
Figura 44 Sinal de corrente de fuga com simulao de rudos. .................................. 95
Figura 45 Imagem trmica de cadeia de isoladores na subestao de Natal. .............. 97
Figura 46 - Imagem trmica de cadeia de isoladores na Linha de Transmisso de 230 kV
Santa Cruz Natal............................................................................................... 97
Figura 47 Visualizao operacional do processo de classificao.............................. 98
Figura 48 - Fluxograma para visualizao operacional do processo de classificao. .. 99
Figura 49 Evoluo da indicao dos nveis de poluio......................................... 101
Figura 50 Evoluo do fator de correlao modificado: (a) isolador sem defeito e (b)
isolador com defeito do tipo (a). ........................................................................ 103
Figura 51 Evoluo da assimetria: (a) isolador sem defeito e (b) isolador com defeito
do tipo (a).......................................................................................................... 103
Figura 52 Evoluo da curtose: (a) isolador sem defeito e (b) isolador com defeito do
tipo (a)............................................................................................................... 103
Figura 53 Exemplificao da montagem do hiperplano. Fonte: Slansky e Wassel
(1981)................................................................................................................ 117
Figura 54 A superfcie de deciso g(x)=0. Fonte: Slansky e Wassel (1981). ........... 118
Figura 55 Relaes de distncias em um espao bi-dimensional. Fonte: Slansky e
Wassel (1981). .................................................................................................. 119
Figura 56 Projeo de amostras sobre uma reta: (a) inadequada e (b) adequada. Fonte:
Duda e Hart (1973)............................................................................................ 120
Figura 57 - Representao geomtrica de um classificador de mnima distncia
quadrada para trs classes. Fonte: Anderson (1960). .......................................... 128
Figura 58 Representao de um neurnio simples. Fonte: Beale e Jackson (1991). . 130
Figura 59 A funo de ativao: (a) disparo em e (b) disparo em 0. Fonte: Beale e
Jackson (1991). ................................................................................................. 131
Figura 60 Detalhe do modelo bsico. Fonte: Beale e Jackson (1991). ..................... 132
Figura 61 Evoluo da rede neural de uma camada. Fonte: Beale e Jackson (1991).133
Figura 62 Classes linearmente inseparveis. Fonte: Beale e Jackson (1991)............ 134
IX
Figura 63 - Exemplo de regies de classificao indefinida. ...................................... 134
Figura 64 Funes de ativao: (a) linear, (b) log-sigmide e (c) tan-sigmide. ...... 135
Figura 65 Arquitetura bsica de uma rede neural no Matlab (2000). ....................... 136
ndice de Tabelas
Tabela 1 Detalhamento da legenda do diagrama de estatstica de falhas.................... 18

Tabela 2 Tipos de Atributos Analisados. .................................................................. 35
Tabela 3 - Caracterizao dos nveis de poluio - de acordo com EPRI (1975)........... 44
Tabela 4 - Valores escolhidos para elaborao das solues. ....................................... 45
Tabela 5 Relao entre classes e conjuntos de treinamento. ...................................... 64
Tabela 6 Aplicao do Critrio de Seleo de Fisher ao Conjunto de Atributos
Associados a Imagens Trmicas. ......................................................................... 66
Tabela 7 Nmero de decomposio de sinais tpicos de ultra-som. ........................... 72
Tabela 8 - Avaliao das Wavelets para decomposio de sinais de ultra-som. ............ 76
Tabela 9 - Avaliao das Wavelets para decomposio de sinais de corrente de fuga... 82
Tabela 10 Avaliao de algoritmos de treinamento de redes neurais (duas camadas:
um neurnio na primeira e na segunda camada; funes de transferncia tansig
nas duas camadas). .............................................................................................. 84
um neurnio na primeira e na segunda camada; funes de transferncia logsig
nas duas camadas). .............................................................................................. 85
Tabela 12 Nmero de iteraes para o algoritmo de Levemberg-Marquardt (um
neurnio na primeira e na segunda camada)......................................................... 86
Tabela 13 Nmero de iteraes para o algoritmo de Levemberg-Marquardt (trs
neurnios na primeira e um neurnio na segunda camada)................................... 86
Tabela 14 Avaliao de algoritmos de treinamento de redes neurais (duas camadas: 1
neurnio na primeira e segunda camadas; funes de transferncia logsig na
primeira camada e purelin na segunda camada). ............................................... 87
Tabela 15 - Resumo dos resultados obtidos (todas as composies)............................. 90
Tabela 16 -Resumo dos resultados obtidos (composies apenas com a transformada
wavelet do sinal de ultra-som). ............................................................................ 91
Tabela 17 - Validao dos Resultados (sem simulao de rudos)................................ 93
Tabela 18 - Validao dos Resultados (com simulao de rudos). .............................. 96
Tabela 19 Identificao da ordem dos classificadores. .............................................. 99
Tabela 20 Estado do isolamento. ............................................................................ 100
Tabela 21 Avaliao operacional dos classificadores (ilustrao)............................ 101
Tabela 22 Anlise comparativa entre as tcnicas de classificao (a partir dos
parmetros estatsticos das distribuies). .......................................................... 104
Tabela 23 - Anlise comparativa entre as tcnicas de classificao (a partir do uso direto
das trs ltimas distribuies). ........................................................................... 105
Tabela 24 Relao das wavelets disponveis no aplicativo Matlab (2000). .............. 143
XI
Lista dos Smbolos Principais

bk
cj
Coeficientes da srie de Fourier.

Classe j de padres.
cc
d
Fator de correlao cruzada.

Distncia do padro (representado pelo vetor de atributos x ao
hiperplano de separao das classes).
Distncia entre uma amostra associada ao vetor z e o vetor mdio z i
de uma classe i.
Freqncia do sinal.
Funo de Heaviside.
Nmero de Fisher associado ao atributo i.
Funo discriminante j.
Di
f
f h (x )
Fi
gj
h
H(r)
H n ()
H qn ( )
i
~
I ()
J(w)
Ku
L
mi
~
m
i
m
mcc
N
Pi
q
Q
r
(r1 , r2 , ..., rM )
r(t)
r[n]
R ( j)
arc
p
s
Intervalo de Nyquist.
Entropia de um sinal r.
Nmero de descargas observadas em cada janela de fase, como uma
funo do ngulo de fase.
Amplitude mdia, em cada janela de fase, como uma funo do
ngulo de fase, pC.
Corrente de entrada na camada poluda, A. Eventualmente esta letra
tambm usada em sub ndice para representar componentes de um
vetor. Tais situaes estaro explicitadas no texto.
Periodograma mdio.
Discriminante linear de Fisher.
Curtose (desvio em relao distncia normal).
Nmero de classes.
Mdia das amostras associadas classe i.
Mdia das amostras projetadas em uma reta associadas classe i.
Estimador da mdia amostral.
Fator de correlao cruzada modificado.
Perodo fundamental do sinal original discreto no tempo.
Probabilidade de ocorrncia da classe i.
Dimenso da descarga parcial, pC.
Assimetria das descargas.
Vetor padro de entrada (sinais adquiridos atravs de sensores para o
caso analisado no documento).
Componentes do vetor padro de entrada.
Sinal contnuo original.
Sinal original discreto no tempo.
Transformada de Fourier de um sinal aperidico.
Resistncia do arco por unidade de comprimento, cm .
Resistncia da camada de poluio, .
Resistncia interna da fonte de alimentao, .
XII
s i2
S
S
Sk
Sw
SB
t
T
u
Ui
v
Vs
Vc
Va
x
(x1 , x 2 , ...., x N )
X
X ij
wj
y
y
z
p
arc
{i}
x
ij
2
i
Varincia amostral.
Matriz de covarincia.
Estimativa da matriz de covarincia S.
Assimetria em relao distribuio normal.
Matriz de espalhamento interclasse.
Matriz de espalhamento intraclasses.
Tempo, s.
Perodo fundamental do sinal original contnuo no tempo.
Vetor atributo transformado por Karhunen-Love.
Tenso de ignio associada ao ngulo de fase i , kV.
Vetor peso aumentado.
Tenso aplicada a um isolador sob teste, V.
Queda de tenso no catodo, V.
Queda de tenso no anodo, V.
Vetor de atributos.
Componentes do vetor de atributos.
Matriz de atributos.
Mdia dos atributos x i na classe j, j=1, 2.
Vetor peso associado funo discriminante j.

Vetor de atributos aumentado.
Combinao linear dos componentes do vetor de atributos.
Vetor de atributos transformado por Karhunen-Love e reduzido.
ngulo de fase.
Assimetria de fase.
Gradiente de tenso na regio poluda do isolador, V/cm.
Gradiente de tenso no arco, V/cm.
Base ortogonal de Karhunen-Love.
Espao de atributos.
Vetor de atributos aumentado, com normalizao de sinal.
Funo ganho que controla a taxa de adaptao da rede neural.
Freqncia angular fundamental.
Comprimento do arco, cm.
Velocidade de propagao do arco, cm/s.
Intervalo de tempo, s.
Conjunto de amostras.
Conjunto de amostras projetadas em uma reta.
Desvio padro do atributo x i na classe j, j=1,2.
Estimador da varincia amostral.
Raiz caracterstica i (auto valor i).
Mnimo erro quadrado.
XIII
Resumo
A contaminao de isoladores utilizados em linhas de transmisso de alta tenso
responsvel por grande parte das falhas em um sistema de potncia. Por outro lado,
as descargas parciais no interior de materiais isolantes podem conduzir,
cumulativamente, equipamentos eltricos a danos irreversveis. Neste sentido, sistemas
de aquisio de dados que viabilizem a monitorao de sinais relacionados com o nvel
de contaminao de isoladores ou com descargas parciais no interior de materiais
isolantes podem ajudar na reduo de falhas no sistema de potncia. Diante das
dificuldades de desenvolvimento de modelos analticos especficos, foram utilizadas
tcnicas de reconhecimento de padres para interpretar os sinais adquiridos e
classificar o estado do isolamento sob monitorao. A principal nfase das pesquisas
desenvolvidas foi a caracterizao dos atributos dos sinais monitorados, de tal forma a
se obter um melhor desempenho do processo de reconhecimento. Com este propsito,
foram utilizadas tcnicas de processamento digital de sinais, transformaes de Fourier
e Wavelet para dar suporte caracterizao dos atributos. So descritas, ainda,
diversas avaliaes de sensibilidade quanto ao tipo e ao nmero de atributos
caracterizados, como tambm so inseridos procedimentos para a escolha da wavelet
me mais significativa para o reconhecimento dos sinais analisados. O trabalho
apresenta dois estudos de caso. No primeiro deles, a metodologia direcionada no
sentido de se diagnosticar o nvel de poluio em isoladores areos de alta tenso,
atravs de tcnicas lineares e no lineares de reconhecimento de padres, a partir de
sinais adquiridos de diversos sensores. Este caso pode ser caracterizado como uma
anlise de fuso de dados. No segundo, as tcnicas de reconhecimento de padres so
utilizadas para o diagnstico de defeitos presentes em isoladores polimricos atravs
do processamento de atributos de sinais de descargas parciais.
XIV
Abstract
Contamination of outdoor insulators employed in the overhead high voltage
transmission lines in the polluted geographic regions is one of major causes of electric
power system failure. The partial discharges within the body of an insulation material
also progressively lead to the irreversible deterioration in the performance of the
electrical equipment. Data acquisition systems for automatically monitoring the signals
related with insulator contamination levels as well as partial discharges, can help in
reducing the electrical system failures In view of the practical difficulties in the
development of specific analytical models for these phenomena, signal. pattern
recognition techniques have been employed to interpret the acquired signals to classify
the state of insulator contamination and predict the potential occurrence of system
failure. The main emphasis of the present investigation is the characterization of the
attributes of the monitored signal, with a view to obtain improved performance the
existing pattern recognition techniques. Digital signal processing techniques like digital
Fourier transforms and Wavelet transforms have been employed as an aid to
characterize the signal attributes. Various evaluations of the number and types of the
characterized signal attributes are described. The procedures are outlined for choosing
the most significant mother wavelet to be utilized in the recognition of the pattern of the
attributes of the acquired signals. Two case studies are presented. In the first one, a
method is developed to predict the level of contamination of the overhead high voltage
transmission line insulator strings based on linear and nonlinear pattern recognition of
the attributes of the acquired signals. This case can be considered to represent an
analysis of data fusion originating from multiple sensors employed for data monitoring.
In the second case study, signal pattern recognition techniques are employed to
diagnose the defects in polymeric insulators utilizing the attributes of the partial
discharge signals.
Captulo 1: Introduo
s falhas em isolamentos eltricos so as principais responsveis por
interrupes no fornecimento de energia eltrica aos diversos consumidores

supridos por um sistema de potncia. Para o caso especfico de linhas de
transmisso, por exemplo, conforme afirma Nigri (1999), o desempenho das instalaes
est diretamente relacionado com o desempenho dos seus isoladores. A introduo de
tecnologias confiveis que possibilite alertar as equipes de manuteno quanto a
processo degenerativo de isolamentos representa, portanto, uma ao estratgica
importante, tanto para a operao normal do sistema quanto para a sociedade que ser
poupada do infortnio da falta intempestiva da energia.
As anlises aqui empreendidas procuram introduzir tcnicas de diagnstico que
possam ser utilizadas em aes preditivas voltadas para alertar quanto necessidade de
manutenes especiais antes que os equipamentos ou instalaes venham a sofrer danos
e/ou interrupo de suas condies normais de operao. Nos estudos de caso so dadas
nfases especiais aos isolamentos areos de subestaes e de linhas de transmisso,
como tambm a isolantes internos de equipamentos eltricos.
No que tange a isolamentos areos de sistemas de potncia, os mesmos ficam
expostos a intempries caractersticas das regies atravessadas por esses sistemas, em
especial a poluio ambiental e industrial presentes. Com a presena da poluio e
umidade ocorrem descargas superficiais aos isoladores. Conforme j descrevia o Project
EHV (1968) essas descargas esto associadas formao de bandas secas, as quais
surgem em conseqncia da presena no uniforme da umidade ao longo da superfcie
do isolador. As tenses impostas a essas bandas secas redundam no surgimento de
descargas sobre as mesmas, podendo ficar restritas ao local dessas bandas ou se
desenvolverem sobre toda a superfcie do isolador, resultando em uma descarga total do
mesmo.
16
Captulo 1: Introduo
______________________________________________________________________
Nos experimentos realizados durante o Project EHV (1968) ficou evidenciado que,
quando uma cadeia contaminada com sal energizada em estado seco no existe
evidncia de cintilao. A corrente de fuga to pequena que praticamente toda
corrente do isolador permanece capacitiva. Nesta ocasio o isolador possui a maior
parte de sua suportabilidade como se estivesse limpo e seco. Com o surgimento da
neblina, se forma um filme de umidade na superfcie contaminada, ocorrendo, por
conseguinte, um aumento gradual na amplitude da corrente de fuga. A fase da corrente
de fuga muda para um tipo mais resistivo. Como o contaminante comea a conduzir
levemente, centelhas de corona aparecem nas superfcies isolantes, como mostra a
Figura 1-(a). Essas centelhas se formam no contorno da porcelana e do cimento do pino.
Algumas vezes essas centelhas tambm se formam na saia interna do isolador e na
cavidade entre a campnula e a porcelana.
Essas centelhas formam uma faixa azul circular, pouco intensa, com algumas
faixas mais brilhantes interpassadas. Possuem um pequeno comprimento (0,64 a 1,27
cm), ocorrem prximo ao dieltrico e persistem continuamente. Uma corrente em torno
de 1mA flui neste estgio. Se o contaminante for o sal, essas descargas necessitam
energia trmica suficiente para excitar os ons de sdio e criar uma centelha amarela
caracterstica do componente sdio. As faixas de corona prximas campnula
freqentemente desaparecem aps um perodo curto quando a umidade se constitui na
cavidade entre a campnula e a porcelana. Debaixo de cada unidade, uma das duas
faixas de corona pode tambm definhar com uma umidade severa em progresso.
(a)
(b)
(c)
Figura 1 Desenvolvimento das descargas em uma unidade de isolador contaminado

durante o ciclo de umedecimento: (a) descargas corona; (b) descargas pr-cintilao e
(c) descargas de cintilao.
17
Captulo 1: Introduo
______________________________________________________________________
Com a neblina contnua, dentro de um minuto ou mais, um tipo de descarga um
pouco mais intensa aparece por debaixo da unidade de isolador como mostrado na
Figura 1 (b). Essas descargas tm uma caracterstica mais amarelada, a partir da parte
central do cimento prxima a porcelana e sobre a menor saia. Ambos terminais do arco
tm forma de escova, o que indica que eles absorvem as cargas superficiais das reas
prximas aos terminais. Desde que se trata de uma descarga capacitiva, o pulso mximo
de corrente limitado a 1-10nA e o tempo de faiscao em microssegundos. Essas
descargas podem disparar descargas similares no topo um pouco mais fortes que se
iniciam sempre na campnula.
Posteriormente, a primeira descarga de cintilao real comea quando o depsito
de umidade se intensifica (Figura 1-C). Ela deixa o pino e, no comeo, termina na parte
de dentro da saia interna. Essas descargas, usualmente, se mantm por muitos ciclos. Se
a contaminao e a tenso forem bastante adversas, as descargas se estendero
posteriormente sobre a saia interna e algumas vezes atingiro a saia central e externa.
Essas descargas tambm disparam descargas solidrias da campnula. As amplitudes
das correntes so da ordem de 10-1.000 mA. Quando os picos das amplitudes alcanam
mais de 300 mA, o isolador ser provavelmente submetido ao flashover. Todas essas
constataes, descritas no Project EHV (1968), apesar de antigas, retratam com
fidelidade as manifestaes eltricas do isolamento submetido a poluio e umidade.
No que tange aos efeitos indesejveis da presena da poluio em um sistema de
transmisso, sintetizamos adiante as experincias da Flrida Power & Light, registradas
por Richards e Renowden (1997): aps longo perodo seco, poucos dias com ventos
fortes, virtualmente nenhuma cintilao acontece, existe um falso sentimento de
tranqilidade; surge uma noite de tempo calmo, tarde da noite ou durante a madrugada,
ocorrem mltiplas falhas por poluio; os autores registraram a ocorrncia de 198
eventos, no perodo de 20 a 29/12/91, 114 deles no dia de Natal, quando seriam
esperadas apenas 17 ocorrncias de causas diversas, durante este perodo; ressaltaram,
ainda, que essas anomalias tm ocorrido a intervalos que variam entre trs e sete anos, o
que deve estar associado s caractersticas climatolgicas da regio, principalmente
incidncia de contaminantes, pluviometria e umidade.
Situaes similares podem ser, tambm, observadas no Brasil, conforme dados da
CHESF (2003) sintetizados na Figura 2, Tabela 1 e Figura 3.
18
Captulo 1: Introduo
______________________________________________________________________
Figura 2 Estatstica de falhas transitrias1 no sistema CHESF (perodo 1987 2002).

Fonte: CHESF (2003).
Tabela 1 Detalhamento da legenda do diagrama de estatstica de falhas.
Identificao
Poluio/ind
Queima
Desc. Atm.
Vegetao
Acessrio LT
Outras causas
Detalhamento
Poluio ambiental, martima ou industrial da regio.
Queima de canavial ou outra vegetao.
Descarga atmosfrica que incidiu sobre ou prximo da linha.
Vegetao que tocou o condutor.
Acessrio da linha de transmisso que se desprendeu e, em sua queda, tocou o
condutor.
Evento no enquadrado nas categorias anteriores.
Observa-se, na Figura 3, que o sistema CHESF passa por um perodo de calmaria,

semelhante s observaes feitas por Richards e Renowden (1997), entretanto existem
regies que potencialmente esto sujeitas a falhas recorrentes, semelhantes s descritas
anteriormente, conforme ilustraes contidas na Figura 4 a qual ilustra que o problema
requer ateno continuada da empresa. 2
As falhas transitrias se caracterizam por no requererem a ao de equipes de manuteno para

restabelecer as condies normais de operao da linha de transmisso, ou seja, representam falhas autoregenerativas.
2
Diversas colocaes foram feitas por Furtado et al. (2000), Rgis et al (2001) e Bezerra et al. (2000 a, b
e 2002), quando da contextualizao da interao entre um sistema de transmisso de energia eltrica, o
meio ambiente e os reflexos empresariais.
19
Captulo 1: Introduo
______________________________________________________________________
Figura 3 - Taxa de falhas transitrias no sistema CHESF, por poluio.
Figura 4 Regies mais crticas de poluio no sistema CHESF.
20
Captulo 1: Introduo
______________________________________________________________________
Por outro lado, em se tratando de equipamentos eltricos a preocupao reside na
degradao de isolantes internos aos mesmos. Os sinais a serem monitorados esto
associados a descargas parciais nos materiais utilizados. Conforme descrevem Satish e
Gururaj (1993) este tipo de descarga ocorre quando o campo eltrico local excede o
valor limite, resultando em uma ruptura do meio isolante circunvizinho. O efeito
cumulativo das descargas leva a uma degradao cumulativa do isolamento. Segundo
Kreuger (1989), descargas parciais so descargas eltricas que no contornam
completamente o dieltrico, curto-circuitando os eletrodos. Em equipamentos eltricos,
as descargas parciais so iniciadas devido presena de defeitos na fabricao ou
imposio de elevados estresses advindos de concepes inadequadas de projeto. Esses
problemas so agravados quando da presena de contaminao e/ou objetos estranhos
ao dieltrico.
Existem quatro tipos de descargas parciais: descargas internas, descargas
superficiais, descargas corona e descargas em ramificao (que podem ser consideradas
internas de origem especfica). As descargas corona no ar no so perigosas, apesar de
que o oznio e nitritos formados a partir dessas descargas so capazes de prejudicar o
isolamento, no longo prazo. As descargas superficiais so menos perigosas do que as
internas porque so menos concentradas. As descargas internas so, em muitos casos
cruciais para a vida til do isolamento, uma vez que a ocorrncia das mesmas deflagra
um processo degenerativo irreversvel, associado ao surgimento de gases e partculas
que ficam confinados no dieltrico e, cumulativamente deterioram o mesmo,
conduzindo a falha permanente do equipamento.
As dificuldades nas medies de descargas parciais esto associadas s
interferncias externas (usualmente de amplitude maior do que os sinais de descargas
parciais propriamente ditos). Segundo Statish e Nazeneen (2003) essas interferncias
esto associadas a: sinais de rdio, pulsos oriundos de componentes de eletrnica de
potncia, descargas atmosfricas, arcos entre contatos metlicos, corona oriundo de
sistemas de potncia, arcos entre contatos mveis de mquinas rotativas, etc. Na
filtragem dos rudos os autores propem a aplicao de transformadas Wavelet, as quais
tm se mostrado muito efetivas.
A anlise dos dados colhidos atravs de sensores utilizados para diagnosticar o
estado de isolantes uma tarefa que requer o suporte de ferramentas matemticas e
21
Captulo 1: Introduo
______________________________________________________________________
computacionais, uma vez que os dados a serem analisados se constituem de sinais, os
quais possuem padres especficos que requerem o tratamento atravs de tcnicas
tradicionalmente aceitas e que agilize/automatize o diagnstico diante da necessidade
moderna de monitoraes seguras em tempo real. Segundo descreve Danikas et al.
(2003), as primeiras tentativas para avaliar tais processos de forma estruturada se
concentraram, vrios anos atrs, no desenvolvimento de sistemas especialistas. A
identificao manual e codificao das regras necessrias para construir esses sistemas
eram muito difceis e exaustivas, diante, inclusive, das caractersticas determinsticas
dessas regras. Alm disso, como se detalha adiante, os sinais em foco tm um
comportamento aleatrio o que torna a questo ainda mais complexa. Segundo os
mesmos autores, essas dificuldades tm conduzido a tratar o problema atravs de
tcnicas de reconhecimento de padres. O uso dessas tcnicas se constitui de uma
ferramenta largamente utilizada com sucesso em diversos ramos da engenharia,
paleontologia, qumica, etc. com propsitos similares. A utilizao dessas tcnicas para
reconhecimento de descargas parciais foi proposta, entre outros, por Satish e Gururaj
(1993) e Danikas et al (2003).
Um
sistema
de
reconhecimento
de
padres
pode
ser
representado,
simplificadamente, em diagrama de blocos, conforme ilustra a Figura 5, na qual o

padro de entrada (sinais adquiridos atravs dos sensores, para o caso analisado neste
documento) constitui o vetor r (r1, r2, ..., rM), o qual submetido rotina de extrao de
atributos. Os atributos extrados atravs da rotina possibilitam a formao do vetor x (x1,
x2, ..., xN) denominado vetor de atributos, o qual submetido ao classificador que
propiciar a tomada de deciso necessria ao processo (diagnstico do estado do

isolamento para o caso em foco).
Padro
de
entrada
r1
r2
rM
Extrator
de
Atributos
x1
x2
Deciso
Classificador
xN
Figura 5 Um sistema de reconhecimento de padres.
22
Captulo 1: Introduo
______________________________________________________________________
Os atributos so aferies feitas sobre o padro obtido, com o intuito de levantar

caractersticas intrnsecas que viabilize a classificao dos padres originais. Conforme
descreve Schalkoff (1992), de uma forma mais ampla, atributos so todas as medies
extradas do padro analisado, os quais podem ser simblicos, numricos ou ambos. Um
exemplo de atributo simblico a cor e o de um numrico o peso. As regras bsicas
estabelecidas pelo autor para a escolha dos atributos so:
que sejam computacionalmente prticos;
conduzam a bons resultados no processo de reconhecimento de padres;
reduza o processamento a uma quantidade tratvel de dados sem descartar

informaes que ainda incorporem valor.
O processo de seleo de atributos envolve de certa forma um julgamento. Em

alguns casos existem ferramentas matemticas que ajudam a seleo. Em outros casos
so tradicionalmente feitas simulaes para identificar a contribuio final de cada
atributo analisado.
A construo do sistema de reconhecimento ilustrado na Figura 5 requer, portanto,
toda uma anlise prvia no sentido de dot-lo de condies necessrias a minimizar
erros de deciso. Uma das etapas fundamentais est associada caracterizao dos
atributos que comporo o vetor x. A contribuio central deste trabalho fortalecer a
citada etapa. A preocupao est voltada para, no apenas enfocar matematicamente a
escolha/seleo dos atributos, mas, tambm assegurar que esta etapa privilegie atributos
sem eliminar outros de significncia fsico-matemtica essencial ao evento analisado. O
trabalho descreve pesquisas de tcnicas especficas que conduzem a minimizar esforos
na escolha e seleo de atributos associados ao reconhecimento de padres em sinais
relacionados com a monitorao do estado de isolamentos. De uma forma geral, esses
sinais tm caractersticas especficas a depender do tipo de isolamento utilizado e do
tipo de defeito presente.
No desenvolvimento do trabalho feita, inicialmente, uma reviso bibliogrfica
procurando explicitar os diversos enfoques utilizados na caracterizao dos sinais acima
mencionados. Posteriormente introduzida a metodologia utilizada, quando so
descritos os conceitos bsicos de reconhecimento de padres, as tcnicas lineares e no
23
Captulo 1: Introduo
______________________________________________________________________
lineares de reconhecimento de padres, as tcnicas de extrao de atributos no domnio
do tempo, no domnio da freqncia e atravs da transformada wavelet; so feitos,
ainda, dois estudos de caso, sendo o primeiro deles associado ao diagnstico de
poluio em isoladores areos de alta tenso, e o segundo relacionado com a deteco
de defeitos em isoladores polimricos. A etapa seguinte faz uma anlise e discusso dos
resultados obtidos para cada um dos estudos de caso. O trabalho finalizado com o
encaminhamento das concluses e proposta de refinamentos para pesquisas similares
posteriores.
Captulo 2: Reviso Bibliogrfica
isolamento eltrico se constitui em um componente muito crtico em sistema
de potncia em alta tenso. Apesar dos avanos nas reas de manufatura,

processamento, otimizao de projetos e controle de qualidade, os isoladores
continuam a falhar quando em operao. Tal constatao foi ressaltada por Satish e
Nazneen (2003), os quais registraram que a principal causa de falhas em sistemas de
transmisso de energia eltrica se concentra em seus isoladores. Como decorrncia as
empresas de energia eltrica vm dando ateno especial pesquisa e desenvolvimento
de tcnicas que monitorem o estado de tais componentes. As pesquisas relatadas neste
documento esto, portanto, em consonncia com as preocupaes emanadas pelas
empresas de energia eltrica no sentido de tornar os seus sistemas de transmisso de
energia mais confiveis.
Diversos pesquisadores tm procurado analisar sinais oriundos de sensores
direcionados para monitorar defeitos incipientes em isolamentos eltricos. Nessas
pesquisas se procura avaliar os sinais adquiridos atravs de atributos. Nem sempre essas
anlises esto voltadas diretamente para a aplicao de tcnicas formais de
reconhecimento de padres, mas o intuito sempre de tirar concluses sobre o
comportamento dos fenmenos analisados e de certa forma classific-los.
A reviso bibliogrfica, apresentada a seguir, procura enfocar algumas pesquisas
empreendidas na anlise de padres de sinais associados a descargas corona em
equipamentos eltricos, destacando os diversos atributos utilizados. Os grupos de
atributos enfocados a seguir j esto associados origem fsica das descargas corona
que se deseja classificar, ou seja: descargas superficiais a isoladores areos, utilizados
rotineiramente em linhas de transmisso ou barramentos de subestaes e descargas
internas a isolamentos utilizados em equipamentos eltricos de subestaes de alta
25
______________________________________________________________________
tenso. Esse agrupamento se justifica, tendo em vista a especificidade das tcnicas de
monitoramento utilizadas em cada um dos casos.
2.1 Descargas em Isoladores Areos

Em pesquisas desenvolvidas por Fernando e Gubanski (1996), foram identificadas
diferentes formas de onda de corrente de fuga em isoladores de porcelana, com
revestimento especial, e polimricos. As formas de onda resultantes foram gravadas
aps tempos diferentes de aplicao da poluio. So feitas anlises dos resultados
atravs da implementao de redes neurais em que o terceiro harmnico citado como
atributo mais significativo. Em pesquisa complementar feita pelos mesmos autores, em
1997, a rede neural citada anteriormente passou a ser treinada para inferir o terceiro e
quinto harmnicos. Os autores procuraram introduzir as tcnicas de redes neurais como
uma alternativa a anlises espectrais da corrente de fuga. Apesar das precises
apontadas, as tcnicas tradicionais de Transformada de Fourier, para efeito de
implementao de tcnicas de reconhecimento de padres, caracterizam-se como mais
adequadas na formao de conjuntos de atributos extrados diretamente dos sinais. Ou
seja, o uso de redes neurais levaria a inferir tais espectros, os quais podem ser
adquiridos diretamente.
Em outro artigo, Stewart et al. (1999) se concentraram em uma investigao das
atividades de descargas parciais atravs do uso de antena para captar o espectro
eletromagntico associado a essas descargas. Todo o contexto est baseado na premissa
de que se o espectro eletromagntico das descargas parciais puder prover dados
suficientes para caracterizar as possveis atividades, ento ele pode ser correlacionado
com degradaes em curso e promover meios para monitorar as condies de estruturas
isolantes expostas ao tempo. As medies feitas na faixa de freqncia de rdio
identificaram atividades mais intensas em faixas superiores a 25 MHz, registrada pelos
autores como limite (estabelecido em bibliografias anteriores), inferindo que as
investigaes fossem realizadas em uma faixa mais ampla (de 0 a 60 MHz). Apesar de
tais tcnicas se mostrarem alvissareiras, os resultados apresentados pelos autores podem
ser considerados ainda embrionrios.
26
______________________________________________________________________
As pesquisas implementadas por Bologna et al. (1999) enfocaram a corrente de
fuga em cadeias de isoladores de disco submetidas umidade e poluio leves,
procurando identificar as condies que poderiam influir no mecanismo de descarga
responsvel por um nmero significativo de falhas no sistema de transmisso de energia
eltrica nas classes de tenso de 220, 275 e 400 kV. Nessas anlises foram utilizados os
seguintes atributos associados s correntes de fuga: valor de pico negativo e positivo (os
maiores valores em um intervalo de 10 minutos), valores mdios (positivos e negativos),
forma de onda dos valores de pico e o valor eficaz. Os atributos descritos pelos autores
e associados a valores mximos, como ser visto adiante, perdem o significado
estatstico e devem ser descartados diante das caractersticas aleatrias do fenmeno
analisado.
Por outro lado, Vazquez e Chavez (1999) analisaram a corrente de fuga para
determinar os perodos para manuteno preventiva baseado no nvel mximo da
corrente de fuga que um isolador pode suportar at que ocorra a descarga. Mais uma
vez, as caractersticas aleatrias do fenmeno devem ser consideradas para se evitar a
utilizao de tais tipos de atributo.
Em pesquisas desenvolvidas por Salam et al. (2001), os autores definiram pontos
fracos em sistemas de transmisso (poluio em isoladores, micro-rugosidade em
condutores e ferragens de isoladores) e passaram a registrar sinais acsticos gerados de
cada um dos pontos, procurando fazer comparaes entre as suas formas. Utilizaram
anlises espectrais do nvel de presso do som e os seguintes parmetros estatsticos:
valor mdio, valor pico a pico e valor eficaz. Diante da praticidade e da correlao
existente, as anlises enfocadas pelos autores poderiam ser feitas diretamente dos sinais
de tenso obtidos do sensor de ultra-som sem a necessidade de se calcular os nveis de
presso do som.
2.2 Descargas em Isolantes Internos

Em isolamentos internos a equipamentos eltricos, Gulski e Kreuger (1992)
procuram introduzir tcnicas para aferio de descargas parciais registradas nesses
componentes. Em anlises quantitativas realizadas, os autores propuseram o seguinte
agrupamento, em relao ao perodo de observao:
27
______________________________________________________________________
grandezas bsicas: observadas durante um ciclo de tenso;
grandezas calculadas: valores integrados a partir das grandezas bsicas

observadas atravs de diversos ciclos de tenso;
operadores estatsticos: parmetros estatsticos extrados das grandezas

calculadas.
Na opinio dos autores, cada grandeza pode fornecer apenas informaes parciais,
conduzindo a que sejam observadas diversas grandezas para melhor caracterizar as
descargas sob anlise. So detalhadas, a seguir, as formas de obteno das grandezas
definidas anteriormente.
Grandezas Bsicas
Para registro das grandezas bsicas, os valores momentneos da tenso de ensaio e

o sinal de descarga so registrados. Na Figura 6 so ilustradas as grandezas bsicas a
serem obtidas a partir do registro dos sinais. Pode ser verificado que, para os mtodos
de deteco usuais, a atividade eltrica da descarga parcial representada apenas por
trs grandezas bsicas independentes: a dimenso da descarga qi, a tenso de ignio Ui
e a posio da descarga relacionada com o ngulo de fase i da tenso de ensaio. Se,
durante um ciclo da tenso de ensaio, mais descargas ocorrem, diversas grandezas
bsicas (qi, Ui e i) podem ser obtidas. Nq+ e Nq- representam o nmero de descargas
registradas nos semiciclos positivo e negativo da tenso de ensaio, respectivamente.
Grandezas Calculadas
Para o registro das grandezas calculadas, as grandezas bsicas precisam ser

observadas durante um intervalo de tempo maior do que um ciclo da tenso de ensaio
(por exemplo, maior do que 100 ciclos). As grandezas precisam ser analisadas em
funo do tempo e do ngulo de fase. Os registros permitem avaliar as variaes das
grandezas bsicas ao longo do tempo, tanto em amplitude quanto em localizao de
fase.
As grandezas como funo do ngulo de fase representam a recorrncia da
descarga parcial relacionada ao ngulo de fase. Desta forma o ciclo da tenso de ensaio
foi dividido em janelas de fase ao longo do eixo dos ngulos de fase (0 a 360o). Se as
28
______________________________________________________________________
observaes forem feitas sobre vrios ciclos de tenso, as seguintes grandezas podem
ser calculadas: H n () - representa o nmero de descargas observadas em cada janela de
fase, como uma funo do ngulo de fase e H qn ( ) - representa a amplitude mdia em
cada janela de fase, como uma funo do ngulo de fase. H qn ( ) calculada a partir do
nmero total de descarga em cada janela de fase, dividida pelo nmero de descargas na
mesma janela. Essas grandezas so calculadas, abrangendo todo o ciclo positivo e
+
() e H qn
() .
negativo, obtendo-se: H +n () , H n () , H qn
U(kV)
15
Nq+
10
Ui
q
i
i
10
20
t (ms)
Nq-
Figura 6 Ilustrao das grandezas bsicas de descarga. Fonte: Gulski e Kreuger

(1992).
Operadores Estatsticos
Para analisar as diferenas das descargas nos meios ciclos da tenso de ensaio, os
seguintes operadores estatsticos foram introduzidos:
o Assimetria das Descargas
A assimetria das descargas Q o cociente do nvel mdio das descargas obtido a

+
() e H qn
() :
partir de H qn
29
______________________________________________________________________
Q=
Q S N
Q S+ N +
(1)
() e H qn
() , respectivamente; N + e
sendo Q S+ e Q S a soma das descargas de H qn
N so os nmeros de descargas obtidos a partir de H +n () e H n () , respectivamente.
o Assimetria de Fase
A assimetria de fase usada para estudar a diferena da tenso de incio de

descarga da distribuio H qn ( ) no ciclo positivo e negativo:
in
+
in
(2)
sendo in
e in
as fases de incio de descarga nos ciclos positivo e negativo.
o Fator de Correlao Cruzada
O fator de correlao cruzada (fcc) usado para avaliar a diferena no formato das
+
() e H qn
() . A seguinte equao utilizada para calcular este fator:
distribuies H qn
fcc =
pq p p n 2
{[ p (( p) n1)] [ q
2
( q )
n2
]}
12
(3)
na qual p a amplitude mdia de descarga em uma janela de fase no meio ciclo de

tenso positivo; q a amplitude mdia de descarga no meio ciclo de tenso negativo; n1
e n2 o nmero de posies de fase para cada meio ciclo positivo e negativo,
respectivamente.
o Fator de Correlao Cruzada Modificado (mcc)
O fator (mcc) usado para avaliar as diferenas entre a forma da descarga nos
meios ciclos positivo e negativo:
30
______________________________________________________________________
mcc = Q fcc ,
(4)
o Assimetria em Relao Distribuio Normal
Sk =
3
(x i ) Pi
(5)
o Curtose (grau de achatamento em relao distribuio normal)
Ku =
4
(x i ) Pi
3;
(6)
sendo xi o valor discreto de x, Pi a probabilidade de xi, o valor mdio da distribuio e

o desvio padro da distribuio.
Toda essa anlise quantitativa introduzida por Gulski e Kreuger (1992) retrata uma
preocupao de se buscar formas de classificar as descargas parciais registradas, diante
de defeitos simulados para cada amostra. Apesar de as tcnicas de reconhecimento de
padres no terem sido introduzidas nas anlises realizadas pelos autores, a contribuio
feita enseja a complementao das anlises apresentadas atravs da introduo de tais
tcnicas, diante dos resultados grficos obtidos.
Em outra pesquisa, Hoof e Patsch (1996) introduziram uma nova forma de
obteno de atributos de descargas parciais baseada em apenas um nico parmetro: a
diferena de tenso entre pulsos consecutivos. Os autores afirmam que a distribuio
local das cargas no espao ou na superfcie, e, por conseguinte, a influncia de sua
modificao, depende significantemente da geometria do espaamento (gap) como
tambm dos parmetros fsicos locais do material isolante. Como conseqncia, inferem
que a diferena de tenso entre os pulsos de descarga consecutivos sensvel ao tipo do
defeito no isolamento que causa o sinal de descarga parcial. A aplicao das diferenas
conduz obteno de um subdomnio, no qual se procura identificar padres para serem
submetidos a um processo de reconhecimento. Este novo subdomnio se caracteriza por
um espao bidimensional representado por duas coordenadas ( u n u n 1 ) as quais
esto associadas s diferenas entre os pulsos de tenso consecutivos, como j

31
______________________________________________________________________
mencionado. O modelo proposto pelos autores, diante da simplicidade de caracterizao
dos atributos de descargas parciais, requer anlises complementares para se avaliar os
seus resultados em comparao com outros modelos, a exemplo do de Gulski e Kreuger
(1992), o qual se mostra mais elaborado.
Em pesquisas direcionadas para avaliar o processo inicial de envelhecimento de
isoladores polimricos, Lopes (2001) utilizou atributos associados aos valores mximos
e mdios das descargas parciais registradas. Uma observao importante citada pelo
autor que as anlises de descargas parciais nas situaes enfocadas nas pesquisas se
mostraram bem mais efetivas do que as anlises centradas unicamente na corrente de
fuga. Essa constatao corrobora a necessidade de se avaliar a utilizao de mais de um
sensor na construo de processos de reconhecimento que requeiram maior preciso nos
resultados finais. A utilizao de mltiplos sensores na anlise de fenmenos conduz a
tcnicas de fuso de dados descritas por Buxton et al. (2001) e Kleine-Ostmam e Bell
(2001).
Portanto, como ser visto adiante, as pesquisas empreendidas procuraram
caracterizar atributos associados aos sinais monitorados de tal forma a embasar as
tcnicas de reconhecimento de padres analisadas e conduzi-las a melhores resultados
quanto ao diagnstico do estado do isolamento.
Captulo 3: Metodologia
s metodologias descritas ao longo deste captulo procuram embasar a
aplicao de tcnicas de reconhecimento de padres a sinais adquiridos a

partir de sensores direcionados para monitorar o estado de isolamentos
eltricos.
Conforme descrevem Jain et al. (1995), um sistema de reconhecimento de padres
pode ser visto como uma regra de deciso automtica, a qual associa medies de um
padro a classes especficas. Um padro representado em termos de N atributos ou
propriedades e visto como um ponto em um espao N-dimensional. O que se deseja
caracterizar esses atributos de tal forma que os vetores padres pertencentes a diferentes
classes venham a ocupar diferentes regies no espao de atributos. Ao serem fornecidas
determinadas amostras de cada classe de padro, pretende-se estabelecer fronteiras de
deciso, no espao de atributos, para separar os padres que pertencem a classes
distintas.
A caracterizao dos atributos crucial para o desempenho do sistema de
reconhecimento. A caracterizao dos atributos apropriados requer interao com
profissionais que sejam especialistas na rea de aplicao. Em vrios problemas que
envolvam padres complexos, o nmero de atributos necessrios para estabelecer uma
fronteira de deciso razovel muito grande.
Assim, neste captulo da proposta de tese apresentada a metodologia utilizada
para diagnstico de isolamento de instalaes e equipamentos eltricos a partir de sinais
adquiridos. Inicialmente so feitas consideraes sobre as tcnicas de reconhecimento
de padres (lineares e no lineares) utilizadas, posteriormente so abordadas as
ferramentas matemticas aplicadas para processamento dos sinais no domnio do tempo,
no domnio da freqncia e a partir da transformada wavelet. Em seguida so
apresentadas as montagens eltricas empreendidas para implementao dos estudos de
33
______________________________________________________________________
caso enfocados. Alguns detalhes adicionais das metodologias de reconhecimento de
padres e processamento digital de sinais utilizados para dar suporte a caracterizao e
extrao dos atributos encontram-se apresentados em Anexo.
3.1 Conceitos Preliminares de Reconhecimento

de Padres
A partir das definies feitas por Sklansky e Wassel (1981), a classificao de
padres um processo de informao e transformao. Isto , um classificador
transforma um conjunto relativamente grande de dados nebulosos em um pequeno
conjunto de dados teis. No surpresa, portanto, que mquinas, assim como seres
vivos, possuam a capacidade de detectar e classificar padres. Exemplos de tais
mquinas que foram construdas e usadas efetivamente so: classificador de clulas do
sangue, analisador de cromossomos, analisador de fotografias areas, analisador de
vozes, leitor de zona postal, analisador de impresses digitais e analisador de
radiografia. Cada vez mais esto sendo pesquisadas e introduzidas novas aplicaes face
agilidade/automao de tarefas que muitas vezes no podem ser desenvolvidas pelo
ser humano a exemplo de atividades em meios insalubres, como j citado, e/ou
monitoraes em tempo real com a necessidade de respostas imediatas, fruto de
processamentos exaustivos.
Como definido, um classificador um dispositivo que agrupa dados em
categorias. Os dados so freqentemente estruturados em vetores no espao de
atributos. Todo ponto neste espao chamado de vetor de atributos. Cada componente
x i do vetor x usualmente uma caracterstica ou propriedade de um objeto sob anlise.

Ainda segundo Sklansky e Wassel (1981), o vetor de atributos em uma dada classe
ocupa uma regio no espao de atributos chamada regio de classe. freqentemente
considerado que toda regio de classe demarcada. Uma outra considerao que as
regies de classe no se sobrepem (entretanto em muitos casos prticos, existem
algumas sobreposies). Quando as regies de classe no se sobrepem, as classes so
ditas separveis. Se, para toda regio de classe, um hiperplano pode ser colocado de tal
forma que separe uma regio de todas as outras regies de classe, as classes so ditas
linearmente separveis. Muitos dos trabalhos recentes que utilizam a teoria de
34
______________________________________________________________________
classificao de padres se concentram em classes linearmente separveis. Ao mesmo
tempo, um nmero significante de trabalhos tem enfocado classes no separveis e
classes que no so linearmente separveis.
O classificador relaciona todo vetor de atributos com uma regio de deciso
particular R j no espao de atributos x atravs de um conjunto de hiper-superfcies
de deciso. Cada um de tais relacionamentos pode ou no corresponder a uma correta
ou desejvel classificao. Um classificador treinvel um classificador que conduz a

um nmero pequeno de classificaes incorretas atravs do ajuste do conjunto de
regies de deciso { R j } em resposta a observaes em uma seqncia de vetores de
atributos {x i }. Essa seqncia de observaes ocorre durante uma fase de aprendizado
ou treinamento. Na Figura 7 so ilustradas tais regies, na qual podem ser observadas as
hiper-superfcies (linhas no espao de atributos x , bi-dimensional) que representam
fronteiras entre as regies de deciso. Na ilustrao apresentada no foram consideradas
possveis sobre-posies entre essas regies.
Por outro lado, durante a montagem dos vetores de atributos, as observaes
devem incluir informaes que conduzam a classificar corretamente os vetores de
atributos. Se as observaes incluem dados para uma correta classificao, o
treinamento dito supervisionado ou com um professor. Esses dados para classificao
correta so algumas vezes referenciados como reforos. Se nenhum reforo includo, o
treinamento chamado sem superviso ou sem professor.
O procedimento ou algoritmo atravs do qual os membros do conjunto de regies
de deciso { R j } so ajustados em resposta aos vetores de atributos observados
chamado procedimento de treinamento. Cada ajuste do conjunto de regies de deciso
{ R j } ocorre em resposta a um ou mais vetores de atributos. Cada um de tais ajustes,
juntamente com as observaes associadas e reforos chamado experimento. O
nmero de experimentos um indicador da extenso do treinamento.
Depois que o classificador treinado, ele usualmente submetido a dados de
entrada de classificao desconhecida. Este modo de operao do classificador
referenciado como fase de trabalho aqui tambm denominada de etapa de validao e
fase operacional, enquanto que o modo durante o qual ocorre o treinamento conhecido
como fase de treinamento. O conjunto de vetores de atributos ou observaes utilizado
35
______________________________________________________________________
como entrada durante a fase de treinamento referenciado como conjunto de
treinamento. Em alguns casos a fase de treinamento e a fase de trabalho podem
coincidir ou se sobreporem. Esse usualmente o caso no qual o treinamento no

supervisionado.
x2
. .. .
.
.
. . . .. . . . . . . ... . .
. . . . . . ..
. ..
. . R .. . . . .
1
. . ..
. .. R
. . .. .2
.
...... ...
.. .
.. .... ..
. ... . ..
. ... . .. .. .
. .. .. . . .
... .. .. . .
.. ....
.R
. 6.
...
.. . ... . ..
. .. .
.. . . .
.
.. .
. .. .
R3
..
.
..
R
5 ..
.. ......
. .. .....
..
..
. ....
.
.
.
.. ..
..
. .
. .. .
R ..
.. 8 ..
. .. . .
... . ...
... . . . ..
.
.
R4.. ......
. .
. .
R..
. 7.. .. .
. . .
.. . ... .. .
.
.
. ...
x1
.
.
Figura 7 - Exemplo de regies de deciso em um espao bi-dimensional. Fonte: Slansky

e Wassel (1981).
3.2 Tipos de Atributos Extrados

Para efeito de montagem dos processos de classificao foram testados diversos
tipos de atributos para cada um dos domnios enfocados. Na Tabela 2 so listados os
atributos analisados.
Tabela 2 Tipos de Atributos Analisados.

TEMPO
FREQNCIA
WAVELETS
Mdia
Faixas do
Mdia
Curtose
espectro
Curtose
Assimetria
Energia total
Assimetria
36
______________________________________________________________________
Tabela 2 Tipos de Atributos Analisados
(continuao).
TEMPO
FREQNCIA
WAVELETS
Passagens por zero
Passagens por zero
Desvio padro
Desvio padro
No valores<zero
No valores<zero
Valor eficaz
Valor eficaz
Coeficiente de
Coeficiente de
variao
variao
Faixas do histograma
Faixas do histograma
Esses tipos de atributos so descritos a seguir:
Mdia: mdia aritmtica dos valores constituintes da varivel sob anlise;
Curtose: parmetro estatstico que mede o grau de achatamento da

distribuio dos valores sob anlise em relao distribuio normal;
Assimetria: parmetro estatstico que mede o grau de desvio ou

afastamento da simetria da distribuio dos valores sob anlise em relao
a distribuio normal;
Passagens p/0: nmero de vezes em que o sinal sob anlise passou por
zero;
Desvio padro: desvio padro dos valores sob anlise;
No valores<zero: nmero de valores do sinal sob anlise menores do que

zero;
Valor eficaz: valor eficaz do sinal sob anlise;
Coeficiente de variao: percentual do desvio padro em relao mdia;
Faixas do histograma: nmero de registros da varivel sob anlise contidos

em faixas do histograma (o nmero de faixas a considerar ser analisado
no Captulo 4);
Faixas do espectro: energia contida por faixa do espectro de freqncia (o

nmero de faixas a considerar ser analisado no Captulo 4);
Energia total: energia total contida no sinal sob anlise.
37
______________________________________________________________________
3.3 Tcnicas Matemticas Aplicadas

A modelagem matemtica utilizada est associada s tcnicas de processamento
digital de sinais, transformadas de Fourier e Wavelet, as quais embasaram a aplicao
das tcnicas de reconhecimento de padres. Foram avaliadas tcnicas de
reconhecimento lineares e no lineares. Dentre as tcnicas lineares constantes da
literatura, foram exploradas as tcnicas de Fisher e Karhunen-Love. A tcnica no
linear analisada foi a rede neural. Em anexo, podem ser encontrados detalhes quanto
metodologia inerente a cada uma dessas tcnicas. Detalhes prticos quanto aplicao
da metodologia sero vistos nos tpicos adiante associados aos estudos de casos.
3.4 Estudo de Casos

Foram estudados dois casos para avaliar a aplicao da metodologia mencionada
em 3.3. O primeiro caso objetivou analisar o comportamento de isolamentos de alta
tenso convencionais submetidos poluio. O segundo caso teve o propsito de
diagnosticar a presena de defeitos internos a isoladores polimricos.
Os dispositivos utilizados sero descritos adiante, como tambm sero
apresentados os circuitos experimentais implementados para cada um dos casos
estudados, ressaltando-se as funes dos seus componentes.
3.4.1 Caso 1: Poluio em Isoladores

Procurou-se diagnosticar a poluio em isoladores a partir da aferio de sinais
gerados em conseqncia das descargas superficiais em unidades submetidas tenso
eltrica, camada de contaminao artificial e umidade saturada. Foram adquiridos sinais
de ultra-som, corrente de fuga, rudos na faixa de VHF e a variao trmica da
superfcie isolante. Os diversos dispositivos utilizados so descritos a seguir.
38
______________________________________________________________________
3.4.1.1 Sensor de Ultra Som

Consiste de um instrumento o qual possui um indicador e um alto-falante,
conectado a um sensor-transdutor de ultra-som para som audvel, tubo detector
direcional, dispositivo de concentrao do som e adaptador para fixao do alto-falante
cabea ou digitalizador. Na Figura 8, adaptada a partir do catlogo BIDDLE (1990),
ilustrado o sensor utilizado, na qual o tubo detector indicado amplifica os sinais internos
ao tubo de captao e rejeita os externos. O transdutor de ultra-som sensvel a uma
faixa de freqncia de 35 a 45 kHz e faz a converso dos sinais captados para sons
audveis, que so transmitidos para o digitalizador. Este mesmo transdutor muito
pouco sensvel a sons audveis, permitindo o seu uso em reas com alta intensidade de
rudos de fundo na ltima faixa de freqncia. O medidor de sada, para indicar a
intensidade do ultra-som, calibrado numa escala linear de 0 a 10, apresentando nvel
relativo. O dimetro focal do tubo de captao 30 cm, possuindo um alcance de 10 m.
Transdutor
Digitalizador
Tubo de
captao
Tubo
detector
Figura 8 Ilustrao do funcionamento do sistema de deteco de ultra-som. Fonte:

BIDDLE (1990).
3.4.1.2 Sistema de Digitalizao

O sistema de digitalizao, aqui descrito sinteticamente, consiste do "pacote" de
Medies TD2301 da Tektronix (1992) o qual se compe de instrumentaes e
programas
computacionais.
Os
programas
permitem a
aquisio,
gravao,
processamento e anlise de sinais, baseado no Digitalizador Programvel RTD 710A da

Tektronix. Os instrumentos incluem os seguintes componentes:
39
______________________________________________________________________
digitalizador Programvel RTD 710A da Tektronix;
monitor X-Y Tektronix 620 para uso geral;
controlador de sistema Tektronix PEP 301.
3.4.1.3 Cmara de Nvoa

A cmara de nvoa foi implementada, na UFCG, em conformidade com a IEC
(1991), para controle da umidade reinante no ambiente sob teste, com o intuito de se
obter maior fidelidade quando da gerao do efeito corona, em relao s condies
reais de campo. A cmara foi confeccionada em acrlico nas dimenses de
0,90 0,90 1,40 m3, conforme encontra-se ilustrado na Figura 9 (a).
(b)
(a)
(c)
Figura 9 Foto da cmara de nvoa: (a) vista da cmara ilustrando as suas alimentaes
de tenso eltrica, gua e ar comprimido e captao da corrente de fuga; (b) bucha
polimrica para passagem da alimentao de tenso eltrica; (c) par de bicos injetores.
A entrada de tenso feita atravs de bucha polimrica, ilustrada na Figura 9 (b), a
qual foi desenvolvida a partir de isolador polimrico industrial, perfurado e transpassado
por haste metlica com extremidades afixadas em conectores de lato com dimetro
aumentado e acabamento especial para evitar descargas corona indesejveis. A opo
40
______________________________________________________________________
pela bucha polimrica foi feita aps a identificao de descargas excessivas, na conexo
inferior da cmara, inicialmente utilizada para alimentao da tenso de ensaio e
posteriormente adaptada para aterramento da face inferior, onde feita a drenagem da
gua depositada. O aterramento implementado permitiu, ainda, uma maior segurana a
terceiros quanto a eventuais fugas de corrente atravs das mangueiras e fluidos de
alimentao de gua e ar comprimido. Em testes experimentais realizados registrou-se a
suportabilidade da cmara a tenses de at 50 kV, sem a presena de umidade e at 15
kV, quando da formao da nvoa limpa. O ponto frgil est associado dimenso da
bucha polimrica.
A extenso da suportabilidade pode ser alcanada atravs do redimensionamento
da bucha desenvolvida. O isolador sob teste colocado no centro da cmara e o seu
aterramento feito atravs de condutor que tem, tambm, o papel de sustentao
mecnica do isolador. O condutor terra responsvel, ainda, por transmitir a corrente de
fuga do isolador para ser devidamente registrada atravs do digitalizador, passando
antes no circuito de proteo. A nvoa salina formada por seis pares de bicos injetores,
colocados trs a trs em faces opostas. Na Figura 9 (b) ilustrado um dos pares, no qual
o bico horizontal responsvel pela alimentao de gua e o vertical pela alimentao
de ar comprimido. A nvoa formada a partir do encontro dos fludos.
3.4.1.4 Circuito de Proteo

Apesar da segurana associada limitao da tenso de ensaio um outro cuidado
adicional se refere utilizao de circuito de proteo para evitar que eventuais curtoscircuitos no isolador ensaiado possam transferir uma tenso elevada para os
instrumentos, em especial o digitalizador. Esse circuito se encontra ilustrado na Figura
10. Na figura, possvel observar que a proteo do digitalizador realizada em trs
estgios principais.
No primeiro deles, a tenso de entrada no circuito limitada por um varistor que
entra em conduo a 35 V. No segundo, so colocados dois diodos zener, back to
back, que limitam a tenso em 5,7 V, conforme ilustraes feitas na Figura 10 (a).
Corrente de fuga
41
______________________________________________________________________
+3V
1k
100 F
+3V
100 F
3+
4
2 - 11 1
1k
BC558
11 12 8
100 F
180
-3V
1k
5V
1k
4046
100 k
35 V
16 6
9
100 F
-3V
5V
10
+3V
680 F
1M
Alta tenso
Acoplamento ptico
-3V
TIL81
(a)
+9 V
47 k
+9V
3-
Acoplamento ptico
100 F
8 7
4 1
-9V
100 F
4,7 k
1k
4046
16 6
3
4
14
56 k
Filtro
5 11 12 8
10 F
1M
+9V
2+
100 k
1 F
680 F
100 F
TIL78
+9 V
(b)
1 F
582 k
582 k
37 k
+8V
Filtro
23
100 F
4
11 1
-8V
10 F
Digitalizador
100 F
1 F
(c)
Figura 10 Circuito de proteo do digitalizador: (a) lado acoplado a alta tenso; (b)
lado acoplado a baixa tenso e isolado por acoplamento ptico e (c)
filtragem/amplificao.
42
______________________________________________________________________
Na terceira etapa, a proteo assegurada atravs da interrupo eltrica do
circuito, realizada por um acoplamento ptico, conforme ilustrado na Figura 10 (b).Por
intermdio do acoplamento, as possveis sobretenses que venham a incidir no circuito
do TIL81 ficaro restritas ao mesmo, uma vez que existe uma isolao eltrica entre o
diodo foto-emissor TIL81 e o foto-transistor TIL78, protegendo desta forma a
integridade eltrica do digitalizador. Os sinais de tenso entre 5,7 e +5,7 V so
processados normalmente pelo circuito e recebidos pelo digitalizador. Nessas
condies, tudo se passa como se o varistor e os diodos zener no estivessem presentes
no circuito. A filtragem e amplificao so feitas na seo do circuito ilustrada na
Figura 10 (c). Os demais componentes do circuito tm as funes descritas a seguir e
podem ser visualizadas, tambm, atravs do diagrama de blocos ilustrado na Figura 11.
Circuito do diodo foto-emissor:

o o amplificador operacional (TL074) amplifica o sinal de tenso com
ganho 2;
o o conversor tenso freqncia (4046) fornece, na sua sada, uma onda
quadrada, cuja freqncia funo da amplitude do sinal de entrada; a

taxa de variao da freqncia da onda quadrada funo da freqncia
da tenso analgica de entrada;
o o estgio de potncia (transistor BC558) usado para fornecer corrente
suficiente ao diodo foto-emissor, pois o 4046 no tem capacidade de

suprir a potncia necessria ao citado diodo;
o o diodo foto-emissor (TIL81) converte o sinal eltrico de entrada em
sinal ptico, o qual transmitido para o foto-receptor;
Circuito do foto-receptor
o o foto-transistor (TIL78) re-converte o sinal ptico recebido em um sinal
eltrico;
o o comparador de tenso (LM311) reconstri o sinal quadrado, em
especial nas transies;

o o demodulador de freqncia (4046) converte a freqncia do sinal de
entrada em tenso analgica;
43
______________________________________________________________________
o o filtro passa baixa reduz o rudo da freqncia portadora do sinal de
sada do 4046 e o capacitor de 1 F faz com que o sinal na sada seja

somente de corrente alternada; observa-se que foi levantado um ganho
total de 1,3 vezes o sinal de entrada, na freqncia de 60 Hz.
Tl074
4046
LUZ
TIL81
LUZ
LM311
4046
Filtro
TIL78
Filtro
Filtro
Digitalizador
Figura 11 Diagrama de blocos do circuito de proteo.
3.4.1.5 Termovisor
Foi utilizado o sistema de monitorao de infravermelho da AGEMA
Thermovision 550, o qual constitudo de uma cmara de infravermelho, munida de
objetiva de 20o, um cinto de baterias e outros diversos acessrios. A cmara de
infravermelho constri uma imagem a partir da radiao infravermelha emitida por um
objeto. O fato da radiao ser funo da temperatura da superfcie do objeto torna
possvel o clculo e indicao da temperatura ao longo do objeto. As imagens trmicas
do objeto sob inspeo so arquivadas num carto removvel, permitindo que as
mesmas possam ser analisadas em um computador, utilizando-se o programa de anlise
e relatrio Irwin 5.0 da Agema (1996). Ressalta-se que, atravs do programa, possvel
construir o histograma das temperaturas contidas nas imagens captadas o qual pode ser
devidamente analisado para compor novos atributos a serem incorporados ao processo
de reconhecimento.
44
______________________________________________________________________
3.4.1.6 Antena de VHF e Analisador de Espectro

A antena de VHF direcional utilizada permitia a captao de sinais na faixa de 20
a 100 Mz. Tal faixa no representava exatamente a faixa de interesse (0 a 60 Hz),
conforme recomendaes feitas por Stewart et al. (1999), o que pode conduzir a
impreciso no processo de reconhecimento a partir da utilizao desta antena de VHF
como elemento sensor. A antena foi acoplada ao analisador de espectro Tektronix
(1994) equipado com porta GPIB, permitindo interface com o computador,
viabilizando, portanto, a caracterizao de novos atributos associados aos espectros
adquiridos.
3.4.1.7 Preparao das Amostras

As amostras foram preparadas em conformidade com os critrios estabelecidos
por EPRI (1975), conforme detalhado na Tabela 3.
Tabela 3 - Caracterizao dos nveis de poluio - de acordo com EPRI (1975).3
Nveis
Classificao
Faixa de ESDD (mg/cm2)
Atmosfera limpa.
0,00 0,032
Contaminao muito leve.
0,032 0,038
Contaminao leve.
Contaminao pesada.
Contaminao muito pesada.
0,038-0,056
0,056 0,123
Maior que 0,123
Em funo do agrupamento estabelecido na Tabela 3, foram aplicados nveis de

poluio especficos em conformidade com os procedimentos descritos na IEC (1991),
tendo-se optado pela Composio de Caulim para formao da soluo aplicada sobre a
superfcie do isolador: 40 g de caulim, 1000 g de gua destilada e quantidade de NaCl
de pureza comercial necessria para produzir a condutividade apresentada na Tabela 4.
3
A classe 2 foi definida, em complemento caracterizao de EPRI (1975), com o intuito de gerar
amostras mais espaadas/diversificadas e, desta forma, poder produzir conjuntos de treinamento para o
processo de classificao dos sinais bem mais prximos de situaes reais encontradas em isoladores de
alta tenso presentes em um sistema de transmisso.
45
______________________________________________________________________
Tabela 4 - Valores escolhidos para elaborao das solues.
Nveis
ESDD(mg/cm2)
Condutividade da suspenso (mS/cm)
0,025
10
0,035
14
0,05
20
0,1
40
0,2
80
Aps produo das solues foram selecionados cinco isoladores de vidro de

caractersticas geomtricas idnticas para serem pulverizados superficialmente com as
solues adequadamente diludas.
3.4.1.8 Arranjo Experimental

O arranjo experimental foi montado no Laboratrio de Alta Tenso, agregando
todos os componentes descritos anteriormente. Na Figura 12 ilustrado o arranjo
implementado, no qual pode ser observado que os sinais de corrente de fuga so obtidos
de forma indireta, associados tenso resultante da passagem da corrente no resistor
. Todos os componentes encontram-se indicados na figura, ressaltando-se que o
sensor de ultra-som, antena de VHF e termovisor no possuem ligao direta com o
circuito de alta tenso que alimenta o objeto sobre ensaio (isolador poludo), fruto de
suas caractersticas no invasivas. Os dados adquiridos atravs do digitalizador (sinais
de corrente de fuga e ultra-som) foram gravados seqencialmente no computador que
controlava todo o processo de aquisio e encontra-se, tambm, identificado na figura.
A aquisio dos sinais de VHF foi realizada diretamente a partir do analisador de
espectro, controlado pelo computador. As imagens trmicas foram gravadas diretamente
no termovisor. Os dois ltimos equipamentos mencionados (digitalizador e computador)
ficavam acondicionados em cabine de comando, na qual eram feitos todos os ajustes das
tenses aplicadas e controle das aquisies dos sinais. A cabine ficava separada da
plataforma de ensaios, em alta tenso, onde se alocavam os demais equipamentos.
46
______________________________________________________________________
Cmara
de nvoa
Antena
Sensor de
ultra-som
Isolador
poludo
Digitalizador
Analisador
de espectro
Fonte
de alta
tenso
Controle
de
aquisio
Ultra som
Termovisor
i
Corrente
Circuito de
proteo
CPU
Plataforma de ensaio, em alta tenso

Cabine de comando
Figura 12 Arranjo eltrico dos ensaios de poluio em isoladores.
3.4.1.9 Identificao da Tenso de Ensaio

A tenso de 7 kV (por unidade isolante) foi escolhida em funo de anlises
prvias direcionadas no sentido de se identificar um valor limite que poderia ser
aplicado sem o risco da ocorrncia de curto circuito sobre o objeto ensaiado. Essa
tenso foi devidamente aferida atravs dos modelos descritos por Rizk (1981) e
Sundararajan e Gorur (1993), os quais foram adaptados/implementados para aferir a
tenso de ensaio utilizada, conforme se descreve a seguir.
Para anlise da tenso de descarga (V50%), ou seja, a tenso que provoca a
descarga total do isolador em 50% das aplicaes, foi implementada rotina especfica,
conforme ilustraes contidas na Figura 13. Na rotina, so calculados os valores de
tenso, em funo do nvel de poluio depositada, estando o mesmo submetido nvoa
limpa (umidade saturada).
Os clculos embutidos nessa rotina so realizados em conformidade com o
circuito representativo da manifestao de arcos em bandas secas na superfcie de
unidades isolantes, ilustrado na Figura 14.
47
______________________________________________________________________
Incio
Inicialize
Rarc, Larc em t=0
Entre
Condutividade e
Tenso aplicada
Calcule
Fator de forma,
Rpole corrente
Aumente
a tenso
Calcule
Earc e EP
V para nova
condutividade
No h propagao do arco
No
t=t+ t
EP>Earc
?
Sim
Calcule
Rarc=Rarc+ Rarc
O arco se propaga
Calcule Larc
Sim
Larc (2/3)L
No
Sada
tenso de descarga
Sim
Acabaram as
condutividades
No
Fim
Figura 13 Modelo computacional para clculo de tenses de 50%.

Na ilustrao contida na Figura 14, a tenso aplicada a um isolador tipo basto,
em seus terminais metlicos. O isolador possui duas partes dieltricas distintas. Na
primeira delas a superfcie encontra-se poluda e mida. Na segunda, a umidade
superficial foi inicialmente extrada por aquecimento oriundo de correntes de fuga, nas
proximidades da parte metlica da esquerda do isolador, formando bandas secas sobre o
mesmo. Essas bandas secas, ao serem submetidas a tenses eltricas, podem dar origem
a arcos, conforme ilustrado na Figura 14, em vermelho. O circuito, na parte inferior da
figura, procura reproduzir o comportamento eltrico da situao descrita anteriormente,
na qual p representa a resistncia eltrica da superfcie poluda e mida e Vs a tenso
aplicada. A modelagem matemtica de Rizk (1981), posteriormente implementada
computacionalmente por Sundararajan e Gorur (1993) e ilustrada na Figura 13, procura
avaliar as condies da poluio e tenso aplicada que conduziro propagao do arco
48
______________________________________________________________________
eltrico iniciado. A seguir sero detalhadas as etapas contidas no algoritmo ilustrado na
Figura 13.
Descarga Parcial
Superfcie poluda
e mida
Banda seca
P
Terminais
metlicos
Vs
Figura 14 Descargas parciais em bandas secas na superfcie de isoladores. Fonte: Rizk

(1981).
a) a equao da tenso escrita como:
Vs = Vc + Va + arc arc i + i p + s
sendo:
Vs = a tenso aplicada [V],
Vc = a queda de tenso no catodo [V],
Va = a queda de tenso no anodo [V],
arc = resistncia do arco por unidade de comprimento [/cm],
arc = comprimento do arco [cm],
i = corrente de entrada na camada poluda [A],
p = resistncia da camada de poluio [] e
s = resistncia interna da fonte supridora [].
(7)
49
______________________________________________________________________
b) desprezando s , a corrente em cada instante dada por:
V (Vc + Va )
i= s
;
arc arc + p
(8)
no tempo t = 0, para uma dada severidade da poluio (em termos da

condutividade da camada [S]) e tenso aplicada Vs [V], a corrente
calculada usando os valores iniciais seguintes:
arc = 1/100 da distncia de escoamento4 [cm],
arc = 100 [/cm],
Vc = 700 [V] (constante),
Va = 200 [V] (constante),
e
dl
1
, no qual:
p = , sendo =
arc
e = distncia de escoamento do isolador em cm,
dl = valor incremental da distncia de escoamento em cm,
l = raio a cada incremento de distncia dl em cm;
o fator de forma ( ) calculado a todo intervalo de tempo, dependendo do

comprimento do arco, atravs de tcnica especfica de integrao numrica; a
distncia a ser percorrida pelo arco varia a cada instante, dependendo da
propagao do mesmo. Isso ilustrado da seguinte maneira: em um dado
momento t1 a posio do arco A (Figura 15-a), ento o fator de forma
calculado para a poro A-B; no instante t2 = t1 + dt se o arco tiver se movido
para uma nova posio A (Figura 15-b), o fator de forma passa a ser calculado
para a poro A - B; desta maneira, a geometria considerada a cada instante
no clculo da tenso de descarga;
Distncia de escoamento de um isolador a menor distncia existente, desde a parte metlica superior
(campnula) at a parte metlica inferior (pino), contornando toda a superfcie do dieltrico (corte
vertical), segundo Fuchs (1979).
50
______________________________________________________________________
(a)
(b)
Figura 15 Propagao do arco no isolador poludo (a) tempo t1, (b) tempo t2.
c) o gradiente de tenso do arco calculado como:
arc = i ,
(9)
sendo que e so constantes (valores propostos pelos autores: = 63 e

= 0,5);
d) o gradiente de tenso na superfcie poluda calculado da seguinte forma:
p =
1
+1
+1
pol
,
(10)
no qual pol a resistncia uniforme da poluio por unidade de

comprimento [/cm], calculada como:
pol =
p
arc
(11)
e) o critrio de propagao do arco conferido, verificando se p > arc , ou

seja, o arco se propagar se o gradiente de tenso a frente do arco, isto o
gradiente de tenso da camada de poluio, for maior do que o gradiente do
arco; para esta condio, se o comprimento do arco for quase igual a distncia
de escoamento do isolador ( 2 3 ) isso representa a descarga total; caso o
51
______________________________________________________________________
comprimento do arco for menor do que 2 3 e o critrio de propagao do
arco for satisfeito, a mudana dinmica da resistncia do arco calculada,
usando uma tcnica numrica de diferenciao, como:
2 +1
d arc arc arc
i
,
=
dt
(12)
sendo que a constante de tempo do arco considerada igual a 100 s; a

nova resistncia do arco e a nova corrente so calculadas, conhecendo-se um
novo fator de forma, uma nova resistncia da poluio, etc; o critrio de
propagao do arco conferido novamente para os novos valores; caso haja a
descarga total a tenso crtica obtida; se arc p , ento o arco se
extingue; a tenso de alimentao aumentada, as etapas anteriores so
repetidas e a condio de propagao do arco testada novamente; os autores
utilizaram a seguinte equao para clculo da velocidade de propagao do
arco e conseqente tempo de propagao:
,5 4
= 1,54 10 4 2pol
i i c4 cm/s,
(13)
na qual: i c a corrente crtica dada por c pol ; o tempo de percurso para

cada deslocamento do arco dado por:
t =
arc
;
(14)
f) as etapas anteriores so repetidas para todas as outras severidades de poluio

desejadas. Na Figura 16 so ilustrados os resultados obtidos para o isolador
padro IEEE e anti-poluio, na figura so apresentados os valores de tenso
de descarga (V50%), conhecida na literatura como tenso de flashover, em
funo da poluio depositada, estando a umidade relativa saturada (100%).
Os nveis de poluio esto apresentados em S . Segundo o CIGR (1979),
esses valores podem ser transformados para ESDD (densidade equivalente de
sal
depositado,
em
mg cm 2 ),
atravs
da
seguinte
relao:
52
______________________________________________________________________
1S = 10 2 ESDD . Pode ser verificado que a tenso de 7 kV representa um
valor suportvel para qualquer das amostras, independente do ESDD aplicado,
para o caso de um isolador padro, tendo sido esta a tenso escolhida para os
ensaios analisados adiante.5 A ttulo ilustrativo, a figura mostra, ainda, como
seria o comportamento de um isolador anti-poluio, o qual no foi objeto dos
experimentos descritos a seguir.
(a) isolador padro
(b) isolador anti-poluio
Figura 16 Tenses de descarga para os isoladores: (a) padro e (b) anti-poluio.

importante ressaltar que, na rotina desenvolvida, foi utilizado o equacionamento
do circuito eltrico de corrente alternada proposto por Rizk (1991) a cada iterao e no
a soluo aproximada indicada pelo autor, o que conduziu a maior preciso do modelo
desenvolvido em relao ao descrito por Sundararajan e Gorur (1993), tendo como
referncia os resultados dos ensaios apresentados na Figura 16, em vermelho, os quais
foram registrados pelos autores aqui referidos.
5
Essas anlises suscitaram estudos especficos quanto a suportabilidade de cadeias de isoladores poludos
e a distribuio de tenso ao longo da cadeia, conforme descries feitas por Bezerra et al (2002 a), (2002
b) e (2003).
53
______________________________________________________________________
3.4.1.10 Desenvolvimento dos Experimentos

Os experimentos foram conduzidos de tal forma que, inicialmente, atravs da
cmara de nvoa, era produzido um ambiente de umidade saturada em torno de duas
unidades de isoladores, sobre as quais, previamente foram pulverizadas solues
contendo poluio nos nveis descritos na Tabela 4. A partir deste instante, era aplicada
tenso eltrica at se atingir o nvel de 14 kV, suficiente para produzir descargas
superficiais sem conduzir o isolador a descarga total, conforme anlises apresentadas
em 3.4.1.9. Ressalta-se que, segundo Bezerra et al. (2003) a distribuio de tenso para
as duas unidades linear, representando, portanto, que cada unidade foi submetida
tenso de ensaio definida anteriormente, durante todo o experimento. Ao se atingir este
nvel de tenso, eram adquiridos os sinais de ultra-som, corrente de fuga e VHF. As
imagens trmicas eram registradas 4 minutos aps se atingir a tenso de 14 kV, uma vez
que, observou-se previamente que esse era o tempo necessrio para se estabelecer uma
temperatura relativamente estvel. Todos os sinais e imagens trmicas eram adquiridos
em menos de dez minutos, em conformidade com os procedimentos recomendados pela
IEC (1991).
3.4.1.11 Processamento das Informaes

Os sinais extrados foram submetidos a processamentos preliminares que visaram
constituir as bases necessrias para extrao dos atributos bsicos descritos
anteriormente. Esses processamentos foram feitos a depender do tipo de sinal adquirido
e procuraram viabilizar a constituio de um conjunto de dados que pudesse ser
composto de forma adimensional e viabilizasse a avaliao comparativa entre os
sensores utilizados e atributos caracterizados e extrados para monitorar a evoluo das
descargas superficiais aos isoladores. A caracterstica adimensional foi assegurada pela
diviso de cada atributo pelo desvio padro deste atributo em todo o conjunto de
treinamento formado. Os processamentos implementados podem ser sintetizados da
seguinte forma:
submisso do sinal especfico a rotina de extrao de atributos;
normalizao dos atributos em relao ao seu desvio padro;
54
______________________________________________________________________
construo de funes discriminantes (lineares e no lineares) que

viabilizaro a montagem dos classificadores;
identificao de percentuais de acertos a partir do classificador construdo.
Os procedimentos acima foram complementados atravs de rotinas especficas de

validao, as quais incorporaram as funes discriminantes obtidas. A essas rotinas foi
submetido novo conjunto de dados de tal forma a se testar a validade do classificador no
sentido de diagnosticar estados desconhecidos do isolamento sob anlise. Esses
procedimentos sero detalhados atravs dos resultados apresentados a seguir. Ressaltase que, para efeito de se avaliar a contribuio de sinais e atributos para o processo de
classificao, foram feitas parties no conjunto de treinamento direcionadas para a
aferio do percentual de acertos, utilizando-se atributos associados apenas a
determinados sinais. A partir dessa estratgia foi viabilizada a avaliao de composies
de sinais e sensores, utilizando-se sempre o percentual de acertos no diagnstico como
indicador de desempenho do classificador.
3.4.2 Caso 2: Defeitos em Isoladores Polimricos

Os isoladores polimricos foram submetidos a defeitos artificiais que podem
surgir, na prtica, durante processos de montagens industriais associados fabricao
dos mesmos. Os ensaios foram desenvolvidos em laboratrio de descargas parciais. A
seguir so descritos os diversos componentes utilizados nos experimentos.
3.4.2.1 Circuito Experimental e seus Componentes

Os ensaios de descargas parciais foram implementados a partir do circuito
especfico ilustrado na Figura 17, em conformidade com a IEC (2000) e implementado
por Nri (2002).
Este circuito constitudo das seguintes partes: mesa de controle (Ferranti), filtros
de linha, transformador de 220 V/100 kV-10 kVA, detector de descargas parciais da
Biddle, digitalizador RTD 710A da Tektronix, osciloscpio da Tektronix com duplo
trao, capacitor de acoplamento ( C k ), com capacitncia de 170 pF/100 kV e imune a
55
______________________________________________________________________
descargas parciais, amostras experimentais ( C t ), um resistor de 39 k e um resistor de
alta tenso de 280 M e uma impedncia de medio ( Z m ). Os dois resistores so
conectados em srie e formam um divisor de tenso resistivo. O divisor de tenso serve
para monitorar o nvel de tenso aplicado a amostra a uma relao de 1/7180,5 V. Na
Figura 18 apresentada uma foto de uma parcela do citado circuito experimental, na
qual podem ser verificados o transformador (componente de maior dimetro), amostra
sob teste (componente mais a esquerda), resistor (componente ao centro) e o capacitor
de acoplamento (dispositivo na cor branca).
Micro-computador Digitalizador
Detector DP
Osciloscpio
Figura 17 Circuito experimental para medio de descargas parciais.
Figura 18 - Fotografia do arranjo experimental de deteco de descargas parciais. Fonte:

Medeiros (2003).
56
______________________________________________________________________
3.4.2.2 Preparao das Amostras

Foram ensaiados isoladores polimricos utilizados em linhas de transmisso de 69
kV. As avaliaes foram feitas em 4 unidades, sendo que uma apresentava total
integridade e foi considerada referencial; as demais unidades apresentavam trs
diferentes tipos de defeitos. Os defeitos descritos e ilustrados na Figura 19 foram
basicamente de interface de materiais internos ou superficiais6:
a) Fio de cobre com 10 cm de

comprimento, colocado entre o
basto e o revestimento no sentido
longitudinal, em contato com a
ferragem do lado fase;
b) Fio de cobre com 10 cm de
comprimento, colocado entre o
basto e o revestimento no sentido
longitudinal, a 10 cm de distncia da
c) Uma seo circular de 10 cm de
comprimento, sem aderncia entre o
revestimento e o basto, a partir da
Lado fase
Figura 19 Indicao e descrio dos defeitos em isoladores polimricos.
3.4.2.3 Procedimento dos Ensaios

Os ensaios eltricos nos isoladores foram realizados em sala blindada. A tenso
aplicada atingia, no mximo, valor de 69
3 1,5 kV. Durante todo experimento
foram monitorados os nveis de descargas parciais. Os ensaios tiveram a durao de 120

horas, para cada amostra, quando as tenses aplicadas s amostras e os nveis das
descargas parciais foram devidamente registrados. A prescrio de 120 horas de
ensaios, associada a uma tenso eficaz 50 % superior, estava direcionada no sentido de
submeter o isolador a estresse que redundasse em envelhecimento precoce da unidade.
6
Esse roteiro de ensaio parte integrante de projeto de pesquisa e desenvolvimento conduzido em

parceria (CEPEL/CHESF/UFCG). As amostras foram devidamente confeccionadas pelo fabricante
(ELETROVIDRO).
57
______________________________________________________________________
Na Figura 20 ilustrada parte da composio do arranjo eltrico para realizao dos
experimentos, na qual pode ser verificada a incluso de uma das amostras (isolador
polimrico) suspensa por barra horizontal aterrada, a qual est apoiada em colunas
isolantes, estando todo o conjunto inserido em sala blindada para aquisio dos sinais de
descargas parciais.
Figura 20 Ilustrao do objeto de ensaio (isolador polimrico).
3.4.2.4 Processamento das Informaes

Os sinais extrados foram submetidos a processamentos preliminares que visaram
estabelecer ajustes/sincronizaes necessrias extrao dos atributos. Com este
objetivo foram registrados, para cada janela de fase, trs sinais: tenso aplicada
amostra, descargas parciais ocorridas e a senide referencial do instrumento de
descarga. Nas Figuras 21 e 22 so registradas duas janelas de fase, correspondentes a
mais do que um ciclo de tenso, no primeiro caso, e a um ciclo de tenso, no segundo
caso, sem sincronizao e com sincronizao, respectivamente, ilustrando a necessidade
de se implementar os ajustes aqui registrados. A no sincronizao dos sinais est
associada, certamente, a reatncias internas ao instrumento de medio das descargas
que conduziram necessidade dos ajustes digitais ps-aquisio.
58
______________________________________________________________________
Figura 21 Sinais brutos adquiridos.
Figura 22 Janela de fase sincronizada.

S foram registradas as descargas superiores a 1 % do valor mximo das descargas
registradas em cada janela de fase. Para efeito de montagem dos processos de
classificao foram extradas as distribuies das grandezas definidas por Gulski e
Kreuger (1992), descritas em 2.2 e relacionadas a seguir.
59
______________________________________________________________________
Nmero de descargas em cada semiciclo da tenso aplicada.
Tenso de incio da descarga em cada semiciclo da tenso aplicada.
Nmero de descargas por fase (somatrio para todos os ciclos de tenso).
Soma das descargas mdias (pC) por fase (somatrio para todos os ciclos de
tenso).
Curtose calculada para a distribuio das descargas (integralizada hora a hora),

para cada semiciclo.
Assimetria calculada para a distribuio das descargas (integralizada hora a

hora), para cada semiciclo.
Fator de correlao modificado, integralizado hora a hora.
Para cada uma dessas distribuies foram extrados os parmetros estatsticos

mdia e desvio padro que passaram a constituir os atributos a serem submetidos ao
processo de reconhecimento de padres.
Uma outra alternativa utilizada para montagem dos classificadores levou a
formao dos vetores de atributos a partir diretamente do uso das trs ultimas
distribuies, sem o clculo adicional dos parmetros mdia e desvio padro. Esta
alternativa agrega mais valor ao processo de reconhecimento uma vez que as trs
ltimas distribuies j integralizam as anteriores.
importante enfocar que as grandezas propostas por Gulski e Kreuger (1992) so
construdas em funo da anlise de diversas janelas de fase que representam sinais
adquiridos em seqncia, cada um deles representando as descargas parciais registradas
ao longo de um ciclo completo da freqncia fundamental. Na Figura 23 ilustrado tal
processo, na qual as janelas de fase so registradas em seqncia, mas no
representam obrigatoriamente senides contguas, podendo, portanto, serem espaadas
adequadamente. O algoritmo que permitiu calcular as grandezas, luz das propostas dos
referidos autores contemplou as seguintes etapas, cabendo a ressalva de que toda a
metodologia proposta teve que ser adaptada ao caso em anlise e implementao das
tcnicas de reconhecimento de padres:
(1) entrada dos sinais senoidais aplicados s amostras ( ra1 ...ran ) e dos sinais de
descarga registrados ( rd1 ...rdn );
60
______________________________________________________________________
(2) ajuste da sincronizao entre os sinais;
(3) construo dos vetores q (dimenso da descarga) e U (valor da tenso aplicada
amostra em que ocorrem descargas), devidamente referenciados pela fase em
que ocorrem as descargas, para cada janela de fase;
(4) clculo dos vetores N q + e N q (nmero de descargas em cada semi-ciclo
positivo e negativo nas diversas janelas de fase);
(5) clculo dos vetores H +n ( ) e H n () (nmero de descargas observadas em
cada janela de fase, como uma funo do ngulo de fase), como tambm dos
+
() e H qn
() (amplitude mdia em cada janela de fase, como
vetores H qn
uma funo do ngulo de fase = nmero total em cada janela de fase dividida
pelo nmero de descargas na mesma janela);
(6) clculo dos operadores estatsticos (Q, , fcc, mcc, Sk, Ku) descritos no
Captulo 2.
U(kV)
U(kV)
15
15
U(kV)
15
Nq+
Nq+
10
5
Uinc
0
Nq+
10
q
i
i
10
5
Uinc
10
20
Nq-
t (ms)
q
0
5
Uinc
i
10
(ms) 20
q
0
Nq-
10
20
t (ms)
Nq-
Figura 23 Janelas de fase registradas em seqncia.

Definiu-se quatro classes em consonncia com os tipos de defeitos prestabelecidos. A classe 0 refere-se unidade sem defeitos. Adquiriu-se 800 sinais
(equivalentes a um ciclo de 60 Hz, cada um deles) para cada amostra ensaiada, ao longo
de 4 dias (96 horas). A matriz de atributos que ser manipulada para formao dos
conjuntos de treinamento foi construda a partir dos vetores de atributos ilustrados na
Figura 24, na qual as colunas so compostas pelos atributos extrados para cada amostra
analisada.
61
______________________________________________________________________
Vetores de atributos
Atributos
Desc. parciais
Classe 0 Classe 1
Classe 2
Classe 3
x1
x1
x1
x1
xN1
xN1
xN1
xN1
Figura 24 Vetores de atributos para formao da matriz de atributos.

Toda metodologia descrita neste captulo e detalhada em anexo, conduziu
construo do alicerce necessrio constituio da base de dados utilizada para a
caracterizao dos atributos e avaliao das tcnicas de reconhecimento de padres. No
Captulo 4 sero descritos e analisados os resultados alcanados a partir da base de
dados construda.
Captulo 4: Anlise e Discusso dos Resultados.
partir do estudo dos casos descritos no Captulo 3 foi possvel adquirir
sinais que conduziram a aplicao da metodologia apresentada,

procurando aplicar as tcnicas de processamento digital de sinais
associadas s tcnicas de reconhecimento de padres no sentido de viabilizar a

caracterizao e avaliao de atributos mais significativos para o processo de
diagnstico de defeitos em isolamentos eltricos de alta tenso.
Foram analisados os resultados dos dois estudos de caso apresentados no Captulo
3. No primeiro deles as anlises se concentraram na avaliao do estado de isoladores
submetidos tenso eltrica, nveis de poluio pr-estabelecidos e umidade saturada.
Para este caso, o objetivo foi identificar sensores e atributos que apresentassem
melhores resultados no processo de classificao dos nveis de poluio presentes.
Atravs dos estudos foi possvel estruturar possveis fuses da base de dados,
identificando-se as utilizaes mltiplas de instrumentos sensores que introduzissem
resultados vantajosos no processo final de diagnstico, como tambm explicitar
situaes em que tais composies conduzissem a resultados tcnico-econmico
insatisfatrios.
No segundo, a metodologia foi embasada no sentido de identificar a presena de
defeitos pr-fabricados em isoladores polimricos. Tais defeitos foram implementados
diretamente por empresa fabricante, tendo-se como base situaes resultantes de falhas
de montagens industriais e j descritas no captulo anterior.
Em ambos os casos, os dados foram organizados de tal forma a, inicialmente,
conhecer melhor os sinais a serem analisados, para, posteriormente, avaliar os atributos
a serem extrados. Foram realizadas diversas simulaes voltadas para avaliar a
sensibilidade do processo de classificao aos atributos definidos. A seguir, so
apresentados os resultados obtidos, para cada um dos casos, procurando-se estratific-
Captulo 4: Anlise dos Resultados Obtidos

63
______________________________________________________________________
los em funo do tipo de sinal, sensor e/ou transformada utilizada. importante j neste
momento, registrar que as anlises feitas quanto ao aumento no nmero de faixas do
histograma utilizadas como atributos pode conduzir a uma melhora ou piora no
desempenho do processo de classificao a depender da distribuio dos valores
analisados (corrente, temperatura, etc.).
4.1 Caso 1: Poluio em Isoladores

Para este caso, conforme foi adiantado no Captulo 3, foram utilizados quatro tipos
de sensores: termovisor, sensor de ultra-som, sensor de corrente de fuga e antena de
VHF acoplada a analisador de espectro. A seguir os dados adquiridos sero
apresentados e analisados, procurando-se, sempre que possvel, utilizar as transformadas
de Fourier e Wavelet para a extrao de atributos especficos. Essas transformadas
foram aplicadas aos sinais de ultra-som e corrente de fuga, os quais foram adquiridos
diretamente no domnio do tempo, facilitando tais aplicaes. Para o sinal de VHF as
anlises foram realizadas j no domnio da freqncia a partir do espectro adquirido
diretamente do analisador. Para as imagens trmicas foram feitas avaliaes da
distribuio da temperatura ao longo da superfcie dos isoladores, diante, inclusive, da
inrcia trmica identificada no domnio do tempo, aps 4 minutos decorridos a partir da
aplicao da tenso de ensaio.
Os classificadores foram construdos, inicialmente, a partir das tcnicas lineares de
Fisher e Karhunen-Love. Os conjuntos de treinamento foram organizados em
conformidade com a Tabela 5. Nesta tabela pode ser observado que o conceito de classe
se torna mais amplo. Foram atribudas classes especficas que aglutinam as amostras
submetidas aos diferentes nveis de poluio (0; 1; 2; 2; 3; 4) na ordem apresentada na
tabela. Essa forma de montagem dos conjuntos de treinamento permite que o processo
de classificao identifique amostras sem poluio das demais amostras (conjunto 1o),
amostras com poluio at o nvel 1, das demais amostras (conjunto 2o), amostras
com poluio at o nvel 2, das demais amostras (conjunto 3o), etc. Os classificadores
obtidos a partir dos conjuntos de treinamento permitem nortear mais adequadamente
aes de manuteno, uma vez que eventuais processos de alarme podero ser
acionados em conformidade com a evoluo dos nveis de poluio aferidos.

64
______________________________________________________________________
Tabela 5 Relao entre classes e conjuntos de treinamento.
Classes
Conjunto de
II
Treinamento
1; 2; 2; 3; 4
1o
0; 1
2; 2; 3; 4
2o
0; 1; 2
2; 3; 4
3o
0; 1; 2; 2
3; 4
4o
0; 1; 2; 2; 3
5o
4.1.1 Sensor Trmico (termovisor)

Na Figura 25 so apresentados os resultados bsicos obtidos a partir das imagens
trmicas registradas pelo termovisor, para os nveis extremos de poluio definidos para
composio das amostras (sem poluio e com poluio 4). So apresentadas as
imagens trmicas concentradas sobre os nveis mais intensos de temperatura superficial
das unidades ensaiadas. A direita de cada imagem trmica so apresentados os
histogramas das temperaturas registradas ao longo da superfcie do isolador. Verifica-se
que, com poluio mais intensa, o histograma registra a presena de temperaturas mais
elevadas ao longo da superfcie do isolador (espalhamento e deslocamento do
histograma para a direita).
Foram definidos dois atributos bsicos para caracterizar as imagens trmicas:
fsicos (dimetro do crculo C1 que contorna externamente as maiores intensidades de
temperatura e dimetro do menor crculo C2 que toca as maiores intensidades de
temperatura, conforme ilustra a Figura 25 (b)) e estatsticos (valor mdio, desvio padro
e faixas do histograma da distribuio da temperatura ao longo da superfcie do
isolador). O nmero de faixas do histograma foi avaliado em conformidade com o
percentual de acertos na classificao do estado do isolamento, utilizando-se apenas os
atributos trmicos na construo desses classificadores. Na Figura 26 so registrados os
casos analisados, na qual o eixo horizontal indica o conjunto de treinamento utilizado e
o eixo vertical o percentual de acertos para cada um dos modelos de classificao
aplicado. A legenda indica a tcnica de classificao linear avaliada e o nmero de

65
______________________________________________________________________
faixas do histograma, onde KL indica a tcnica de Karhunen-Love e FS a tcnica de
Fisher. importante ressaltar que o classificador obtido em funo do conjunto de
treinamento e da tcnica de classificao utilizada, cada ponto indicado na figura
representa um classificador obtido.
Imagem trmica
Histograma da imagem
(a) Isolador sem poluio
C2
C1
Imagem trmica
Histograma da imagem
(b) Isolador com poluio 4
Figura 25 Apresentao das imagens trmicas e histogramas bsicos para cada nvel
de poluio.
observado na figura que a utilizao do maior nmero de faixas do histograma
(56) melhora o desempenho do classificador a ser construdo a partir dos atributos

66
______________________________________________________________________
trmicos indicados, entretanto apresenta saturao em relao a um aumento ainda
maior neste nmero.
Figura 26 Desempenho do Classificador, para imagens trmicas, em funo do

nmero de faixas do histograma.
Outra observao que se poderia aplicar ao conjunto de atributos o critrio de
seleo de Fisher, o qual levaria a eliminar atributos no significativos, atendendo a
critrios coadjuvantes de correlao e/ou nmero de atributos na seqncia indicada na
Tabela 6. Tal procedimento no ser considerado ao longo do trabalho, entretanto, em
aplicaes prticas que se deseje diminuir o espao de atributos e/ou tempos de
processamento, a reduo indicada pelo critrio de Fisher seria recomendada.
Associados a Imagens Trmicas.
Atributo
selecionado
Numero de Fisher
Atributo
selecionado
Numero de Fisher
F23
F25
F39
1,155147
0,918583
0,907715
F28
F31
F13
0,347050
0,328372
0,306363

67
______________________________________________________________________
Associados a Imagens Trmicas. (continuao)
Atributo
selecionado
Numero de Fisher
Atributo
selecionado
Numero de Fisher
F24
F17
DesvPad
Media
DimTerm1
F16
F15
F42
F26
F27
F43
F18
F40
F22
F32
F37
F14
0,884422
0,820741
0,794053
0,791443
0,751603
0,661770
0,630452
0,622283
0,619869
0,604496
0,559815
0,525021
0,516719
0,488001
0,404334
0,381558
0,359964
F41
F20
F34
F29
F36
F10
F9
DimTerm2
F30
F33
F21
F38
F11
F19
F12
F35
0,267945
0,250778
0,183900
0,180409
0,132866
0,129099
0,129099
0,127848
0,127770
0,109719
0,101851
0,095041
0,093486
0,044714
0,039023
0,020650
Atributos que podem ser dispensados

F56
F55
F54
F53
F52
F51
F50
F49
F48
F47
F46
F45
F44
F8
F7
F6
F5
F4
F3
F2
F1
Os atributos indicados como dispensveis apresentaram valores idnticos para

todas as classes analisadas, no fornecendo, desta forma, nenhuma contribuio para o
processo de reconhecimento de padres.
4.1.2 Sensor de VHF

Na Figura 27 so apresentados os espectros de freqncia caractersticos dos sinais
de VHF obtidos para cada um dos experimentos para os nveis extremos de poluio
depositada (sem poluio e nvel de poluio 4). importante registrar que, nesses
espectros, encontram-se presentes no apenas os rudos provenientes das descargas
superficiais, mas, tambm, diversos outros rudos ambientais alm dos sinais das
estaes de rdio de Campina Grande. No processo de classificao desenvolvido no
se procurou eliminar os sinais dessas estaes uma vez que as anlises comparativas

68
______________________________________________________________________
implcitas ao processo passariam a considerar redundantes as faixas de freqncia
associadas aos mesmos.
(a) Sem poluio
(b) Com poluio 4
Figura 27 Espectro de freqncia para sinais de VHF tpicos.

Na Figura 28 so apresentados os resultados obtidos para classificadores montados
utilizando-se apenas atributos extrados dos sinais de VHF (energia contida por faixa do
espectro de freqncia).
Figura 28 Desempenho de classificador para sinais de VHF, em funo do nmero de

faixas no espectro.

69
______________________________________________________________________
No eixo horizontal, so identificados os conjuntos de treinamento utilizados e, no
eixo vertical, o percentual de acertos obtido para cada um dos modelos de classificao
aplicado. Foram avaliados nmeros diferentes de faixas do espectro. Pode ser observado
que 64 faixas do espectro de freqncia levaram a um melhor desempenho do
classificador, j com alguma saturao em relao utilizao de nmero de faixas
maiores.
4.1.3 Sensor de Ultra-som

Na Figura 29 so apresentados sinais tpicos de ultra-som adquiridos para os
nveis extremos de poluio depositada. As anlises relativas aos sinais de ultra-som
foram divididas por domnio e/ou transformada aplicada, conforme so detalhados a
seguir.
(a) Sem poluio
(b) Com poluio 4
Figura 29 Sinais tpicos de ultra-som para diferentes nveis de poluio.
4.1.3.1 Sinais de Ultra-som no Domnio do Tempo

Os sinais de ultra-som foram pr-analisados atravs de histogramas conforme
ilustraes bsicas apresentadas na Figura 30. No domnio do tempo foram extrados os
atributos relacionados na Tabela 2. O nmero de faixas do histograma foi avaliado em
funo da construo de classificadores apenas com atributos extrados dos sinais de
ultra-som no domnio do tempo, conforme registros feitos na Figura 31.

70
______________________________________________________________________
Os histogramas construdos permitiram identificar os limites extremos de -0,15 V
a 0,15 V de variao da tenso associada aos sinais de ultra-som enfocados. A Figura 31
indica que 60 ou 80 faixas do histograma apresentam os melhores desempenhos no
processo de classificao, para os atributos dos sinais de ultra-som no domnio do
tempo.
(a) Sem poluio
(b) Com poluio 4
Figura 30 Histogramas tpicos dos sinais de ultra-som no domnio do tempo.
Figura 31 Classificadores para o sinal de ultra-som no domnio do tempo.

71
______________________________________________________________________
4.1.3.2 Sinais de Ultra-som no Domnio da Freqncia

No domnio da freqncia foram construdas as densidades espectrais de potncia
ilustradas na Figura 32, de tal forma a direcionar a identificao de atributos.
(a) Sem poluio
(b) Com poluio 4
Figura 32 Densidade espectral de potncia para sinais tpicos de ultra-som.

O nmero de faixas da densidade espectral de potncia tambm foi avaliado para
constituio de atributos do sinal de ultra-som no domnio da freqncia, conforme se
encontra ilustrado na Figura 33.
Figura 33 Avaliao de classificadores para o sinal de ultra-som no domnio da

freqncia.

72
______________________________________________________________________
4.1.3.3 Sinais de Ultra-som. Avaliaes a partir das

Transformadas Wavelets
A Tabela 7 relaciona os nveis de decomposio obtida para os tipos de wavelet
contidos no aplicativo Matlab (20000). Esta tabela foi construda para sinais tpicos de
ultra-som adquiridos para diferentes nveis de poluio, utilizando-se a limitao de
entropia zero, conforme comentrios feitos no Anexo.
Tabela 7 Nmero de decomposio de sinais tpicos de ultra-som.
Wavelet
db1
db2
db3
db4
db5
db6
db7
db8
db9
db10
sym2
sym3
sym4
sym5
sym6
sym7
sym8
dmey
coif1
coif2
coif3
coif4
coif5
bior1.1
bior1.3
bior1.5
bior2.2
bior2.4
bior2.6
bior2.8
bior3.1
bior3.3
bior3.5
bior3.7
bior3.9
bior4.4
bior5.5
Sem Pol.
10
8
11
8
8
8
9
9
9
8
8
11
10
9
10
9
9
9
9
9
9
8
9
10
9
9
8
8
9
9
6
7
7
7
7
8
9
Decomposio mxima do sinal tpico para entropia <= 0

Pol 1
Pol 2
Pol 2L
Pol 3
9
9
10
7
7
7
8
8
12
11
10
9
7
7
8
7
8
7
8
7
7
8
8
9
9
7
7
12
9
8
7
8
8
7
7
8
7
7
7
8
7
7
8
8
12
11
10
9
8
8
10
9
7
9
9
9
8
8
8
9
8
8
8
9
8
8
8
8
9
8
8
9
9
9
8
8
8
7
8
9
8
8
7
8
8
7
8
8
8
8
7
8
9
9
10
7
8
8
9
7
7
8
8
7
8
8
8
7
8
8
8
7
8
8
8
7
7
8
7
7
6
6
6
6
6
6
6
7
6
6
7
7
6
7
6
7
6
7
6
7
8
8
8
8
8
8
9
10
Pol 4
10
8
9
8
9
9
9
9
9
8
8
9
9
9
10
9
10
10
8
10
9
9
9
10
9
9
8
9
9
9
7
7
7
7
7
9
10

73
______________________________________________________________________
Tabela 7 Nmero de decomposio de sinais tpicos de ultra-som
(continuao).
Wavelet
bior6.8
rbio1.1
rbio1.3
rbio1.5
rbio2.2
rbio2.4
rbio2.6
rbio2.8
rbio3.5
rbio3.7
rbio3.9
rbio4.4
rbio5.5
rbio6.8
Sem Pol.
9
10
9
9
8
9
9
9
8
9
8
9
7
9
Decomposio mxima do sinal tpico para entropia <= 0

Pol 1
Pol 2
Pol 2L
Pol 3
7
8
7
7
9
9
10
7
8
9
9
8
7
8
9
9
9
8
8
8
9
8
9
9
8
8
8
8
8
8
7
8
7
8
7
7
7
8
7
7
7
8
7
7
8
8
8
8
6
7
7
8
8
8
7
8
Pol 4
9
10
10
10
9
9
9
9
8
9
9
9
8
9
Na tabela so assinalados em amarelo os nveis de decomposio mxima, os

quais foram aplicados para todas as wavelets me indicadas, independente do nvel de
poluio. Este critrio possibilitou o atendimento restrio da entropia zero uma vez
que o nvel mximo de decomposio para cada wavelet passou a ser assumido como
sendo o nvel mnimo encontrado em cada linha da tabela.
Para cada um dos nveis mximos ressaltados anteriormente foram avaliados os
erros de decomposio e reconstituio dos sinais a partir das wavelets relacionadas na
Tabela 7. Observou-se que o erro cometido nessa operao inferior a 10-15,
excetuando-se a wavelet dmey que apresentou, de forma atpica, um erro de
2,38x10-4.
A ttulo ilustrativo, na Figura 34 so apresentadas decomposies de sinal tpico
de ultra-som a partir da wavelet bior3.1. Pode ser verificada a caracterstica da
transformada wavelet, na qual, para cada nvel de decomposio, os detalhes contidos
no sinal original so ampliados, sem perda dos referenciais no domnio do tempo. Para
cada decomposio possvel, inclusive, se associar a freqncia do sinal decomposto,
incorporando, desta forma a caracterstica peculiar tempo x freqncia da transformada
Wavelet.

74
______________________________________________________________________
Figura 34 - Visualizao da decomposio de sinal tpico de ultra-som em 6 nveis.

Utilizada a wavelet bior3.1.
Os histogramas apresentados na Figura 35 para sinais tpicos de ultra-som
decompostos atravs de wavelets especficas permitiram aferir os limites extremos de
-1,15 a 1,15 V para extrao de atributos estatsticos associados a faixas de histogramas
de sinais de ultra-som decompostos.

75
______________________________________________________________________
Sinal Som040, sem poluio, Wavelet db1, decomposio 7
Figura 35 Histogramas de sinais tpicos de ultra-som decompostos por wavelets

especficas.
Utilizando-se nmeros diferentes de faixas do histograma e as diversas wavelets
disponveis no aplicativo Matlab (2000), foi construda a Tabela 8, a qual relaciona, em
ordem decrescente, o percentual mdio de acertos, calculado para todos classificadores,
para cada conjunto de treinamento, utilizando-se tcnicas lineares de classificao
(Fisher e Kahunem-Love). Na tabela, pode ser observado que a wavelet bior1.1
levou o processo de reconhecimento de padres a apresentar o melhor percentual de
acertos a partir de 60 faixas do histograma. Observa-se, tambm, que a dmey foi a
pior na relao analisada.

76
______________________________________________________________________
Tabela 8 - Avaliao das Wavelets para decomposio de sinais de ultra-som.
Wavelet
db5
bior4.4
bior3.3
rbio1.3
rbio2.6
bior5.5
rbio2.4
bior3.1
sym7
rbio1.5
bior2.8
sym5
coif3
rbio6.8
db1
db7
rbio4.4
rbio1.1
db4
db3
sym3
bior1.3
rbio2.8
coif4
bior1.1
bior3.7
db6
rbio3.7
bior2.2
db10
db9
bior1.5
sym8
bior3.9
sym6
bior6.8
bior2.4
rbio3.3
coif2
rbio3.9
rbio3.1
db8
bior2.6
coif1
coif5
sym4
rbio5.5
bior3.5
rbio3.5
20 Faixas
Perc.Acertos
64,10
62,94
62,65
62,04
61,92
61,71
61,67
61,65
61,64
61,62
61,45
61,44
61,04
60,90
60,85
60,82
60,75
60,73
60,72
60,67
60,67
60,64
60,63
60,58
60,56
60,54
60,52
60,47
60,44
60,42
60,38
60,37
60,36
60,27
60,26
60,26
60,03
60,03
59,83
59,83
59,70
59,60
59,36
59,32
59,28
59,26
59,23
59,01
58,78
Wavelet
rbio2.4
rbio1.3
rbio1.1
bior1.1
db1
db5
sym6
bior3.3
sym5
db2
sym2
sym7
rbio4.4
rbio2.6
bior2.8
bior6.8
bior5.5
sym8
bior3.1
bior3.7
rbio3.1
db4
bior2.2
bior4.4
rbio3.7
rbio1.5
db10
bior3.5
coif3
sym4
db6
bior2.6
db3
sym3
coif1
bior3.9
db8
bior1.3
coif2
db7
rbio3.3
rbio6.8
rbio2.8
bior2.4
rbio3.9
rbio3.5
rbio5.5
db9
bior1.5
40 Faixas
Perc.Acertos
66,65
66,07
65,90
65,87
65,86
65,39
65,33
65,32
65,11
65,03
64,89
64,67
64,65
64,21
64,16
64,07
63,90
63,81
63,80
63,78
63,78
63,61
63,61
63,53
63,50
63,44
63,42
63,31
63,09
63,06
63,05
62,97
62,92
62,92
62,89
62,87
62,58
62,47
62,45
62,41
62,31
62,17
62,10
62,05
61,78
61,74
61,66
61,33
61,28
Wavelet
bior1.1
db1
rbio1.1
bior2.2
bior4.4
rbio1.3
rbio2.4
db5
bior3.3
rbio3.1
sym7
sym8
sym5
sym4
rbio3.3
rbio3.7
bior3.7
coif3
rbio3.5
bior5.5
rbio2.2
db3
sym3
db6
sym6
rbio5.5
rbio2.6
rbio4.4
bior1.5
bior6.8
rbio1.5
bior3.5
coif1
db10
db2
db4
bior2.8
bior3.9
db7
bior1.3
rbio3.9
sym2
bior3.1
coif2
bior2.4
rbio6.8
bior2.6
rbio2.8
coif4
60 Faixas
Perc.Acertos
68,96
68,88
68,47
67,88
67,49
67,25
66,62
66,57
66,50
66,37
66,17
66,14
66,07
66,02
65,92
65,80
65,60
65,58
65,57
65,39
65,38
65,33
65,33
65,29
65,23
65,20
65,17
65,14
65,03
64,95
64,95
64,91
64,88
64,82
64,70
64,68
64,60
64,47
64,44
64,44
64,35
64,33
64,27
64,20
63,90
63,72
63,60
63,48
63,47

77
______________________________________________________________________
Tabela 8 - Avaliao das Wavelets para decomposio de sinais de ultra-som
(continuao).
Wavelet
db2
sym2
rbio2.2
dmey
20 Faixas
Perc.Acertos
58,77
58,77
57,65
57,13
Wavelet
coif4
coif5
rbio2.2
dmey
40 Faixas
Perc.Acertos
61,26
60,35
59,81
57,86
Wavelet
coif5
db9
db8
dmey
60 Faixas
Perc.Acertos
62,99
62,35
61,93
60,31
O fato da wavelet dmey ter apresentado o pior desempenho corrobora os

resultados negativos obtidos atravs desta mesma wavelet, quando foram analisados os
erros cometidos na decomposio e recomposio dos sinais. importante ressaltar que
no se deve caracterizar este resultado como demrito para a wavelet dmey, a qual
pode apresentar excelentes desempenhos para outros tipos de sinais.
4.1.4 Sensor de Corrente de Fuga

Na Figura 36 so apresentados sinais tpicos de corrente de fuga, adquiridos em
conformidade com os nveis extremos de poluio depositados. As anlises relativas aos
sinais de corrente de fuga tambm foram divididas por domnio e/ou transformada
aplicada, conforme se detalha a seguir.
Sem poluio
Com poluio 4
Figura 36 Sinais tpicos de corrente de fuga, com a presena de umidade.

78
______________________________________________________________________
4.1.4.1 Sinais de Corrente de Fuga no Domnio do Tempo

Os sinais de corrente de fuga foram pr-analisados atravs de histogramas
conforme ilustraes bsicas apresentadas na Figura 37. Os histogramas construdos
permitiram identificar os limites extremos de variao da corrente de fuga.
No domnio do tempo foram extrados os atributos relacionados na Tabela 2. O
nmero de faixas do histograma foi avaliado em funo da construo de classificadores
apenas com atributos extrados dos sinais de corrente de fuga no domnio do tempo,
conforme registros feitos na Figura 38. Nesta figura a avaliao foi feita em funo do
nmero de faixas do histograma, no que tange ao percentual de acertos de classificao,
utilizando-se apenas a corrente de fuga no domnio do tempo para diagnosticar o
isolador. Observa-se que o nmero de 80 faixas apresenta um melhor desempenho, j
com alguma saturao presente.
(a) Sem poluio
(b) Com poluio 4
Figura 37 Histogramas para sinais tpicos de corrente de fuga, com presena de

umidade.

79
______________________________________________________________________
Figura 38 Avaliao de classificadores para o sinal de corrente de fuga no domnio do

tempo.
4.1.4.2 Sinais de Corrente de Fuga no Domnio da

Freqncia
No domnio da freqncia foram construdas as densidades espectrais de potncia
ilustradas na Figura 39, de tal forma a direcionar a identificao de atributos.
(a) Sem poluio
(b) Com poluio 4
Figura 39 Densidade espectral de potncia para sinais tpicos de ultra-som

80
______________________________________________________________________
O nmero de faixas da densidade espectral de potncia foi avaliado para
constituio de atributos do sinal de corrente de fuga no domnio da freqncia,
conforme se encontra ilustrado na Figura 40.
Figura 40 Avaliao de classificadores para o sinal de corrente de fuga no domnio da

freqncia.
O classificador construdo a partir da utilizao de 80 faixas do histograma como
atributos apresentou um desempenho melhor do que os demais.
4.1.4.3 Sinais de Corrente de Fuga. Avaliaes a partir das

Transformadas Wavelets
Foram aplicados os mesmos critrios de decomposio introduzidos para os sinais
de ultra-som. Observou-se que para o caso especfico de corrente de fuga os nveis
mximos de decomposio que atendeu aos critrios definidos anteriormente so todos
iguais a dois.
Para cada um dos nveis de decomposio foram avaliados os erros de
decomposio e reconstituio dos sinais a partir das wavelets relacionadas na Tabela 7.

81
______________________________________________________________________
Observou-se que o erro cometido nessa operao foi inferior a 10-18, excetuando-se,
mais uma vez, a wavelet dmey que apresentou, de forma atpica, um erro de
5,29 10 6 .
Os histogramas apresentados na Figura 41 para sinais tpicos de corrente de fuga,
decompostos atravs de wavelets especficas, permitem aferir os limites extremos para
extrao de atributos estatsticos associados a faixas de histogramas de sinais de
corrente de fuga decompostos.
Sinal 1, sem poluio, Wavelet db2, decomposio 2
Sinal 40, sem poluio, Wavelet db2, decomposio 2
Sinal 80, sem poluio, Wavelet rbio6.8, decomposio 2
Sinal 1, com poluio 4, Wavelet db2, decomposio 2
Figura 41 Histogramas de sinais tpicos de corrente de fuga, decompostos por

wavelets especficas.

82
______________________________________________________________________
Utilizando-se nmeros diferentes de faixas do histograma e as diversas wavelets
disponveis no aplicativo Matlab (2000), foi construda a Tabela 9, a qual relaciona, em
ordem decrescente, o percentual mdio de acertos em processo linear de classificao
(Fisher e Kahunem-Love). Nesta tabela, pode ser observado que a wavelet db6 levou
o processo de reconhecimento de padres a apresentar o melhor percentual de acertos a
partir de 60 faixas do histograma. Observa-se que a wavelet me dmey voltou a
apresentar o pior desempenho para todas as opes de nmero de faixas do histograma,
semelhantemente s constataes feitas para os sinais de ultra-som. Verificaes
similares j haviam sido registradas, tambm, para o caso da reconstituio dos sinais
decompostos, quando a wavelet dmey apresentou os maiores erros nesta operao,
tanto para os sinais de ultra-som quanto para os sinais de corrente de fuga.
Tabela 9 - Avaliao das Wavelets para decomposio de sinais de corrente de fuga.
Wavelet
bior1.3
db6
bior2.2
db2
sym2
bior3.1
db4
bior3.3
rbio4.4
rbio5.5
rbio2.4
rbio1.3
sym4
db3
sym3
coif1
db9
rbio3.1
bior1.5
bior2.6
db1
bior1.1
rbio1.1
rbio3.3
bior3.7
rbio1.5
bior4.4
bior3.5
20 Faixas
Perc.Acertos
66,77
66,48
66,44
66,35
66,35
66,30
66,27
66,09
66,07
65,99
65,98
65,93
65,87
65,76
65,76
65,74
65,58
65,56
65,55
65,54
65,46
65,46
65,46
65,27
65,13
65,11
65,09
65,05
Wavelet
db2
sym2
rbio4.4
rbio5.5
rbio2.4
bior4.4
bior1.3
bior3.3
bior2.4
rbio3.3
db7
rbio3.1
bior3.1
bior3.7
rbio1.3
db1
bior1.1
rbio1.1
bior1.5
bior2.2
db4
db10
db6
rbio1.5
coif1
bior2.6
sym6
sym3
40 Faixas
Perc.Acertos
68,56
68,55
68,43
67,88
67,80
67,62
67,53
67,43
67,25
67,19
67,15
67,11
67,08
66,95
66,91
66,89
66,89
66,89
66,86
66,74
66,67
66,66
66,50
66,44
66,31
66,27
66,13
66,10
Wavelet
db6
bior1.3
rbio5.5
db4
bior3.3
bior2.6
rbio3.3
bior2.2
sym4
rbio1.3
bior3.1
bior1.5
rbio1.5
coif1
db7
rbio4.4
bior3.7
coif2
db2
sym2
db8
bior3.9
db3
sym3
rbio3.1
bior3.5
sym8
rbio2.4
60 Faixas
Perc.Acertos
68,86
68,77
67,90
67,89
67,81
67,76
67,76
67,70
67,61
67,59
67,47
67,32
67,32
67,27
67,22
67,20
67,16
67,15
67,01
67,01
66,99
66,87
66,86
66,86
66,77
66,70
66,69
66,67

83
______________________________________________________________________
Tabela 9 - Avaliao das Wavelets para decomposio de sinais de corrente de fuga
(continuao).
20 Faixas
SYM6
coif4
db8
db7
db5
coif2
sym5
sym8
bior3.9
db10
bior2.4
sym7
rbio2.2
coif5
coif3
bior6.8
bior2.8
rbio6.8
rbio3.7
bior5.5
rbio3.5
rbio2.6
rbio3.9
rbio2.8
dmey
40 Faixas
65,04
65,03
64,97
64,88
64,86
64,86
64,77
64,66
64,44
64,33
64,26
64,19
64,12
64,11
64,07
64,07
64,05
64,01
64,00
63,97
63,61
63,49
63,46
63,33
62,53
DB3
rbio6.8
db5
rbio2.8
bior5.5
sym8
bior6.8
bior3.5
sym4
coif2
sym5
db9
bior2.8
db8
coif4
rbio2.2
bior3.9
rbio3.5
rbio3.7
sym7
rbio2.6
coif3
coif5
rbio3.9
dmey
66,09
66,09
66,05
66,00
65,98
65,82
65,79
65,76
65,72
65,71
65,55
65,53
65,53
65,47
65,25
65,23
65,08
64,98
64,90
64,83
64,71
63,88
63,77
63,70
62,58
60 Faixas
RBIO2.6
bior2.4
sym5
db1
bior1.1
rbio1.1
sym6
bior5.5
db5
rbio2.2
sym7
bior4.4
db9
rbio2.8
coif3
rbio6.8
rbio3.7
coif4
bior6.8
bior2.8
db10
rbio3.5
rbio3.9
coif5
dmey
66,63
66,62
66,58
66,45
66,45
66,45
66,44
66,34
66,29
66,22
66,21
66,03
66,01
65,86
65,84
65,83
65,40
65,33
65,16
65,09
65,03
64,91
64,33
63,83
63,54
4.1.5 Avaliao de Classificadores No Lineares

Com o intuito de identificar o algoritmo de treinamento da rede neural que
apresentasse melhor desempenho no processo final de classificao dos dados
levantados, foram avaliados diversos algoritmos disponveis no aplicativo Matlab
(2000), conforme relacionados em anexo. O algoritmo de Levemberg-Marquardt
apresentou melhor desempenho na classificao dos sinais bsicos analisados
(termovisor, corrente de fuga, enfocado por domnio, ultra-som, enfocada a
transformao wavelet e espectro de freqncia obtido atravs da antena de VHF e
analisador de espectro), conforme pode ser verificado nas Tabelas 10 e 11. A
representao dos sinais de ultra-som por seus atributos extrados atravs da
transformada wavelet foi motivada pelo maior percentual de acertos observados nas
classificaes feitas ao se utilizar tcnicas lineares de classificao, conforme ser visto
adiante. Foram feitas avaliaes na dimenso da rede no que tange ao nmero de

84
______________________________________________________________________
camadas e neurnios por camada, como tambm quanto s funes de ativao a se
utilizar. Nas tabelas so registrados alguns dos melhores resultados obtidos. Na tabela
10 foi avaliada a funo de transferncia tansig.

um neurnio na primeira e na segunda camada; funes de transferncia tansig nas
duas camadas).
Iteraes
Algoritmo
Termovisor
Som
Corrente
Tempo
Freqncia
Wavelet
(wavelet)
Espectro
traingd
traingdm
traingda
traincgp
traingdx
trainrp
traincgf
128
209
traincgp
91
116
traincgb
77
54
trainscg
223
trainbfg
trainoss
88
trainlm
Observaes: N significa que no houve convergncia (o nmero de iteraes foi limitado em 300 e foi
utilizada a tolerncia mxima de 10-5 para o erro mdio quadrtico cometido quando o processo de
treinamento da rede procura ajustar os pesos para se obter a informao de sada desejada).
Na Tabela 12 foi avaliada a mesma rede cujos resultados foram apresentados na

Tabela 10, utilizando-se agora a funo de ativao logsig, procurando-se aferir o
desempenho dos diversos algoritmos de treinamento.

85
______________________________________________________________________
um neurnio na primeira e na segunda camada; funes de transferncia logsig nas
duas camadas).
Iteraes
Algoritmo
Termovisor
Som
Corrente
Tempo
Freqncia
Wavelet
(wavelet)
Espectro
traingd
traingdm
traingda
241
traincgp
227
239
traingdx
243
243
trainrp
35
51
traincgf
17
61
traincgp
13
39
traincgb
16
47
trainscg
33
59
trainbfg
26
63
trainoss
51
trainlm
As mesmas observaes quanto convergncia e nmero de iteraes feitas para a Tabela 10 tambm so
vlidas para a Tabela 11, lembrando-se que a letra N indica que no houve convergncia para a
tolerncia e o nmero de iteraes indicados anteriormente.
A partir da utilizao do algoritmo de Levemberg-Marquardt foram construdas a

Tabelas 12 e 13, com o intuito de avaliar a dimenso adequada da rede neural e as
funes de transferncia a serem utilizadas. Os resultados apresentados na tabela 12
foram obtidos a partir da utilizao de uma rede com apenas um neurnio na primeira e
na segunda camadas.

86
______________________________________________________________________
Tabela 12 Nmero de iteraes para o algoritmo de Levemberg-Marquardt (um
neurnio na primeira e na segunda camada).
Funo de
transferncia
1a camada
2a camada
tansig
tansig
tansig
Iteraes
Corrente
Termovisor
Som
Espectro
Tempo
Freq.
Wave.
(wave.)
17
purelin
10
tansig
logsig
logsig
tansig
27
131
logsig
purelin
12
10
logsig
logsig
12
Os resultados apresentados Tabela 13 foram obtidos a partir da utilizao do

mesmo algoritmo de treinamento sobre uma rede com trs neurnios na primeira
camada e um neurnio na segunda camada.
Tabela 13 Nmero de iteraes para o algoritmo de Levemberg-Marquardt (trs

neurnios na primeira e um neurnio na segunda camada).
Iteraes
Funo de
transferncia
1a camada
2a camada
tansig
tansig
tansig
Corrente
Termovisor
Som
Espectro
Tempo
Freq.
Wave.
(wave.)
10
purelin
11
10
tansig
logsig
34
logsig
tansig
34
logsig
purelin
17
12
logsig
logsig
12

87
______________________________________________________________________
Observa-se que o uso da funo de transferncia logsig na primeira camada e
purelin na segunda camada e apenas um neurnio nas duas camadas representa a
melhor alternativa no que tange ao maior nmero de convergncias e menor nmero de
iteraes, para os casos analisados. Para aferir o desempenho dos demais algoritmos de
treinamento, luz de uma rede com duas camadas, um neurnio em cada camada,
utilizando-se a funo de transferncia logsig na primeira camada e purelin na
segunda camada, foi construda a Tabela 14.
Tabela 14 Avaliao de algoritmos de treinamento de redes neurais (duas camadas: 1
neurnio na primeira e segunda camadas; funes de transferncia logsig na primeira
camada e purelin na segunda camada).
Iteraes
Algoritmo
Termovisor
Som
Corrente
Tempo
Freqncia
Wavelet
(wavelet)
Espectro
traingd
traingdm
traingda
traingdx
traingrp
100
traincgf
129
traincgp
153
traincgb
46
79
trainscg
72
67
trainbfg
24
44
trainoss
214
trainlm
12
10
Observa-se que o algoritmo de treinamento trainlm obteve melhor desempenho

para o conjunto de dados analisados.

88
______________________________________________________________________
4.1.6 Anlise da Composio de Sinais e Sensores

A composio dos sinais e sensores foi viabilizada atravs da construo de
matrizes que agreguem ordenadamente os vetores de atributos associados a cada sinal
e/ou sensor especfico. Na Figura 42 so ilustrados esses procedimentos.
A tributos
Corrente
Ultra-som
x
x
10,N4
x81,N4
x
x160 ,1
x160,N1 x160,1
x160,N2 x
1 60,1
x160,1
x160,N3 x
x
x160,N4
x
x401,N1 x4 01,1
x401,1
x401,N 2 x
x401,1
x401,N3 x
x
x401,N4
x
x480,1
x480,N1 x4 80,1
x480,1
x480,N2 x
x480,1
x480,N3 x
x
x480,N4
x
Classe 1 Classe 0
x
x
x
80,N3 x
10,1
x81,1
x81,N3 x
x
Classe 5
x80,N2 x
8 0,1
x81,N2 x
8 1,1
Sinais
x80,N1 x80,1
x81,N1 x81,1
x401 ,1
x1,N2
VHF
x80, 1
x81, 1
X=
x1 ,1
Termovisor
x1,N1
x1,1
x1,1
x1,N3
x
x
1,1
x1,N4
x
Figura 42 Visualizao da composio da matriz de atributos.

Com o intuito de avaliar o efeito da composio dos sinais e sensores foram feitas
anlises especficas no que tange a aglutinao dois a dois, trs a trs e de todos os
sensores, avaliando-se, ainda, para o caso dos sinais de corrente de fuga e ultra-som, a
composio dos atributos extrados no domnio do tempo, no domnio da freqncia, e
atravs da transformada wavelet. A validade das composies foi aferida atravs do
percentual de acertos dos classificadores lineares e no lineares montados a partir da
matriz de atributos composta. Na Tabela 15 so resumidos os resultados obtidos. Para
facilitar a leitura da tabela, so descritas adiante as informaes contidas em cada uma
das colunas:
Coluna 1 (sensor / domnio): as informaes contidas nesta coluna esto

relacionadas com os sensores, cujos sinais foram utilizados para construo do
classificador; observa-se que, na coluna, encontra-se indicado o domnio

89
______________________________________________________________________
especfico objeto das anlises; para tanto foram utilizadas as seguintes
abreviaturas:
o Espect. densidade espectral do sinal de VHF, obtido a partir da
composio antena / analisador de espectro;

o Term. imagem trmica obtida a partir do termovisor;
o Corr. sinal de corrente de fuga;
o Som sinal de ultra-som;
o Tempo sinal analisado no domnio do tempo;
o Freq. sinal analisado no domnio da freqncia;
o Wave sinal decomposto atravs da transformada Wavelet.
Coluna 2 (Dimenso) : esto indicadas as dimenses do espao de atributos,

quando se utiliza o sinal que se encontra indicado na coluna 1 para construo
do classificador; observa-se que o primeiro nmero (6) est associado com a
quantidade de amostras ensaiadas; o segundo (80) indica a quantidade de
sinais adquiridos para cada amostra e o terceiro est associado com a
quantidade de atributos extrados do sinal ou sinais indicados na coluna 1.
Coluna 3 (Acertos): nesta coluna esto indicados os percentuais mdios de

acerto para cada modelo linear utilizado (Fisher ou Karhunem-Love).
Coluna 4 (Modelo no linear): nesta coluna esto registrados os percentuais

mdios de acerto obtidos a partir da utilizao da rede neural de duas camadas,
um neurnio na primeira e segunda camadas, funes de transferncia logsig
na primeira camada e purelin na segunda camada e algoritmo de treinamento
de Levemberg-Marquardt; esto registrados, tambm, o nmero de iteraes
para se obter o percentual mdio de acertos e o erro mdio quadrtico
( dif 2 ) cometido quando o processo de treinamento da rede procura ajustar
os pesos para se obter a informao de sada desejada.

90
______________________________________________________________________
Tabela 15 - Resumo dos resultados obtidos (todas as composies).
Sensor / domnio
Dimenso
Acertos - modelo
linear (%) (*)
Modelo no linear (**)
Fisher K.Love Acertos (%)

Espect.
Term.
Corr. (tempo)
Corr. (freq.)
Corr. (wave.)
Corrente
Som (tempo)
Som (freq.)
Som (wave.)
Som
Corr. X Espect.
Corr. X Som
Corr. X Term.
Som X Espect.
Som X Term.
Term. X Espect.
Corr. X Som X Espect.
Corr. X Som X Term.
Corr X Term X Espect.
Som X Term. X Espect.
Corr. X Som X Term. X Espect.
6x80x64
6x80x60
6x80x88
6x80x21
6x80x68
6x80x177
6x80x88
6x80x41
6x80x68
6x80x197
6x80x241
6x80x374
6x80x237
6x80x261
6x80x257
6x80x124
6x80x438
6x80x434
6x80x301
6x80x321
6x80x498
82,4
96,9
76,8
50,1
67,0
79,4
62,5
60,9
67,6
63,4
91,8
75,9
95,3
79,4
89,1
98,7
86,4
90,9
98,2
94,6
95,7
81,5
96,1
80,2
57,8
70,4
80,4
65,0
57,7
70,1
67,1
91,0
79,5
93,5
78,1
88,2
98,7
87,7
90,1
98,1
94,6
95,7
96,7
100,0
84,4
70,4
73,5
96,3
60,4
75,8
66,0
86,0
100,0
97,3
100,0
95,6
100,0
100,0
99,8
97,9
100,0
100,0
100,0
dif 2
No iteraes
3,10x10-02
3,50x10-06
1,26x10-01
1,99x10-01
1,80x10-01
3,60x10-02
2,39x10-01
1,74x10-01
2,24x10-01
1,21x10-01
2,14x10-06
1,61x10-02
2,25x10-06
4,12x10-02
2,66x10-06
5,16x10-06
2,07x10-03
2,04x10-02
4,13x10-06
3,26x10-06
2,55x10-06
35
8
20
20
10
50
10
20
8
20
8
10
4
10
8
6
5
20
10
4
3
Uma leitura da primeira linha da Tabela 15, por exemplo, permite obter as
seguintes informaes: os classificadores foram construdos para a densidade espectral
do sinal de VHF obtido a partir da composio antena / analisador de espectro; a
dimenso do espao de atributos resultante foi 6 x 80 x 64 (6 amostras de isoladores
com diferentes nveis de poluio depositada, 80 sinais adquiridos para cada amostra e
64 atributos extrados para cada sinal), cujas citaes e avaliaes foram feitas
anteriormente; foram obtidos 82,4 e 81,5 como percentuais de acertos ao se aplicar os
modelos de Fisher e Karhunem-Love, respectivamente; a aplicao do modelo no
linear conduziu ao percentual de 96,7 % de acertos, com erro mdio quadrtico de 3,10
x 10-2, aps 35 iteraes.
Verifica-se na Tabela 15 que a aglutinao dos atributos de ultra-som extrados
atravs da transformada Wavelet com os atributos extrados nos domnios do tempo e da
freqncia apresentaram queda no desempenho. Esta queda pode estar associada
sensibilidade do instrumento a rudos no ambiente que foram minimizados atravs da
transformada Wavelet, por intermdio de suas caractersticas de ressaltar variaes dos

91
______________________________________________________________________
sinais, diferentemente dos sinais brutos aferidos no domnio do tempo e da freqncia.
A Tabela 16 foi construda para explicitar os valores que permitam reavaliar as
composies anteriores, considerando agora que o sinal de ultra-som passou a ser
representado apenas pelos atributos extrados atravs da transformada Wavelet.
Tabela 16 -Resumo dos resultados obtidos (composies apenas com a transformada
wavelet do sinal de ultra-som).
Sensor / domnio
Dimenso
Acertos - modelo
linear (%) (*)
Modelo no linear (**)
Fisher K.Love Acertos (%)

Espect.
Term.
Corrente
Som (wave.)
Corr. X Espect.
Corr. X Som
Corr. X Term.
Som X Espect.
Som X Term.
Term. X Espect.
Corr. X Som X Term.
Corr X Term X Espect.
6x80x64
6x80x60
6x80x177
6x80x68
6x80x241
6x80x245
6x80x237
6x80x132
6x80x128
6x80x124
6x80x309
6x80x305
6x80x301
6x80x301
6x80x369
82,4
96,9
79,4
67,6
94,0
81,8
89,9
84,8
97,4
98,7
92,7
95,8
98,2
98,9
98,4
81,5
96,1
80,4
70,1
94,0
80,8
92,1
82,5
96,9
98,7
91,3
93,6
98,1
98,6
98,0
96,7
100,0
96,3
66,0
100,0
74,2
100,0
99,4
98,9
100,0
100,0
93,7
100,0
100,0
50,0
dif 2
No iteraes
3,10x10-02
3,50x10-06
3,60x10-02
2,24x10-01
2,14x10-06
1,91x10-01
2,25x10-06
6,21x10-03
1,02x10-02
5,16x10-06
5,23x10-06
5,72x10-02
4,13x10-06
7,44x10-06
2,50x10-01
35
8
50
8
8
20
4
10
23
6
8
10
10
6
5
Observaes:
(*) foi considerada a mdia dos valores obtidos para cada um dos conjuntos de treinamento (1,
2, ..., 5);
(**) com o intuito de simplificar a construo da tabela, registrou-se, apenas, os resultados
obtidos para o conjunto de treinamento 3, o qual conduziu a menores percentuais de acerto,
quando utilizados os modelos lineares;
Observa-se nesta tabela que houve uma melhora significativa nas novas
composies. Por outro lado, apontado na tabela que, apesar da melhor composio
observada, a utilizao conjunta de sensores para monitorar o fenmeno da poluio
nem sempre vantajosa. Em alguns casos aumenta-se significativamente a dimenso do
espao de atributos sem uma correspondente melhora no desempenho do processo de
diagnstico. Essas situaes encontram-se ressaltadas na prpria tabela, registrando-se
em nmeros vermelhos as composies desvantajosas e em nmeros verdes as
composies vantajosas. A ttulo de exemplo verifica-se que a composio do sensor de
corrente de fuga e termovisor conduziu a uma situao desvantajosa uma vez que o

92
______________________________________________________________________
percentual de acertos conjuntos (89,9 e 92,1) passou a ser menor do que quando da
utilizao do termovisor em separado (96,9 e 96,1). Em um outro exemplo, a
composio do termovisor (term.) e VHF foi vantajosa, uma vez que o percentual de
acertos conjunto (98,7 e 98,7) passou a ser maior do que quando os sensores
diagnosticaram em separado (82,4 e 81,5 para o sensor de VHF e 96,9 e 96,1 para o
termovisor).
Na tabela observado, tambm, que a utilizao de modelos no lineares pode
conduzir a percentuais de acerto ainda maiores do que os obtidos para os modelos
lineares. Entretanto, em alguns casos, sombreados na tabela, os modelos no lineares
podem no convergir para determinadas tolerncias definidas. possvel que outros
modelos venham a superar especificamente determinados problemas de no
convergncia apontados na tabela.
Uma outra observao importante visualizada nesta tabela que as melhores
composies observadas foram entre os sensores de ultra-som, termovisor e VHF
(espect). Mais importante ainda que esses sensores so no invasivos, contrariamente
aos sensores de corrente de fuga, fato que representa uma contribuio significativa aos
processos de diagnstico diante de sua relevncia prtica.
4.1.7 Validao dos Modelos

A validao dos modelos foi implementada atravs dos sinais adquiridos quando
dos experimentos em laboratrio. Naquela ocasio foram adquiridos 100 sinais
utilizando-se os sensores de corrente de fuga, ultra-som e VHF para cada uma das
amostras, sendo que 80 sinais foram processados para comporem o conjunto de
treinamento e 20 sinais ficaram reservados para comporem o conjunto de teste que
viabilizaram a fase de validao. Registra-se aqui que para o caso do termovisor foram
adquiridas apenas 20 imagens trmicas para cada amostra, face inrcia trmica
observada que implicaria em redundncias desnecessrias caso fosse adquirido um
nmero maior de imagens. Essas 20 imagens foram utilizadas tanto para o conjunto de
treinamento quanto para o conjunto de testes.
Portanto, a partir do conjunto de treinamento foram construdos os classificadores
que tiveram os respectivos desempenhos aferidos atravs dos valores constantes nas

93
______________________________________________________________________
Tabelas 15 e 16, anteriormente apresentadas. Os classificadores obtidos foram
submetidos ao conjunto de testes (20 sinais adicionais obtidos para cada amostra) que
compuseram a denominada fase de validao.
A validao foi realizada procurando-se aferir o percentual de acertos dos
classificadores construdos para cada uma das composies enfocadas anteriormente,
sendo que se optou por utilizar, para os sinais oriundos do sensor de ultra-som, apenas
os atributos extrados atravs da transformada Wavelet, diante dos melhores resultados
obtidos, conforme j foi comentado. A validao foi, ainda, subdividida de tal forma a
aferir o comportamento dos classificadores diante da presena de eventuais rudos
ambientais adicionais detectados pelos sensores de ultra-som e corrente de fuga. Na
Tabela 17 so apresentados os resultados obtidos sem a simulao de rudos adicionais,
onde, na coluna treinamento, encontram-se transcritos os percentuais de acerto obtidos
na fase de treinamento dos classificadores.
Tabela 17 - Validao dos Resultados (sem simulao de rudos).
Sensor / domnio
Espect.
Term. (*)
Corrente
Som (wave.)
Corr. X Espect.
Corr. X Som
Corr. X Term. (**)
Som X Espect.
Som X Term. (**)
Term. X Espect.
Corr. X Som X Term. (**)
Corr X Term X Espect (**)
Som X Term. X Espect. (**)
Corr. X Som X Term. X Espect. (**)
% de acertos
Treinamento
Validao
Fisher K.Love Fisher
K.Love
82,4
81,5
78,7
79,7
96,9
96,1
96,5
96,4
79,4
80,4
81,9
78,5
67,6
70,1
56,9
57,7
94,0
94,0
85,5
84,6
81,8
80,8
81,6
79,1
89,9
92,1
96,2
92,6
84,8
82,5
78,7
79,4
97,4
96,9
96,5
96,4
98,7
98,7
97,8
97,4
92,7
91,3
87,1
85,0
95,8
93,6
92,3
92,3
98,2
98,1
97,9
96,0
98,9
98,6
99,0
97,2
98,4
98,0
98,1
96,0
Observaes:
(*) a validao desse classificador foi feita com o prprio conjunto de treinamento, servindo
apenas para testar a rotina de validao;
(**) essas validaes ficaram parcialmente prejudicadas pelo mesmo motivo;
os percentuais de acerto so valores mdios para todas as amostras analisadas.

94
______________________________________________________________________
Observa-se na tabela que, de uma forma geral, houve uma boa aderncia entre os
resultados obtidos atravs do conjunto de treinamento e os obtidos a partir do conjunto
de teste. Registra-se, tambm, que a validao ficou parcialmente prejudicada pelo
pequeno nmero de imagens trmicas obtidas, entretanto, a inrcia trmica observada
quando da realizao dos ensaios, certamente no conduziria a disparidades nos
resultados registrados na tabela, caso fossem seqencialmente registradas outras
imagens.
Para implementao do novo processo de validao foram adicionados sinais de
rudo aos sinais de ultra-som e corrente de fuga originais. Para tanto foram simulados os
sinais de rudo com componentes senoidais e amplitudes aleatrias, apresentados a
seguir.
Rudos de ultra-som
rs = 10 2 (sen (2 200 t ) + sen ((2 520 t )) + c(t )) ,
(15)
na qual:
rs = sinal de rudo de ultra-som simulado (V);
t tempo (s);
c(t ) - componente de amplitude varivel aleatoriamente no tempo (V).
Rudos de corrente de fuga:

rf = 10 2 (sen (2 50 t ) + sen ((2 120t )) + cf (t )) ,
(16)
na qual:
rf = sinal de rudo de ultra-som simulado (A);
t tempo (s);
cf (t ) - componente de amplitude varivel aleatoriamente no tempo (A).
Nas Figuras 43 e 44 so apresentadas composies tpicas dos sinais de ultra-som

e corrente de fuga com simulao dos rudos formulados anteriormente.

95
______________________________________________________________________
Figura 43 Sinal de ultra-som com simulao de rudos.
Figura 44 Sinal de corrente de fuga com simulao de rudos.

Na Tabela 18 so apresentados os resultados dos diversos classificadores
construdos.

96
______________________________________________________________________
Tabela 18 - Validao dos Resultados (com simulao de rudos).
Sensor / domnio
Espect.
Term.
Corrente
Som (wave.)
Corr. X Espect.
Corr. X Som
Corr. X Term.
Som X Espect.
Som X Term.
Term. X Espect.
Corr. X Som X Term.
Corr X Term X Espect
% de acertos
Treinamento
Validao
Fisher K.Love Fisher
K.Love
82,4
81,5
82,4
81,5
96,9
96,1
96,9
96,1
79,4
80,4
52,7
52,8
67,6
70,1
58,2
56,2
94,0
94,0
69,4
79,0
81,8
80,8
52,9
54,3
89,9
92,1
88,5
96,9
84,8
82,5
76,9
79,0
97,4
96,9
96,5
96,4
98,7
98,7
97,8
97,4
92,7
91,3
71,8
77,5
95,8
93,6
89,0
96,6
98,2
98,1
97,4
97,7
98,9
98,6
98,0
97,4
98,4
98,0
97,3
97,7
Nesta tabela se encontram assinalados em vermelho os casos em que os

classificadores apresentaram queda acentuada de desempenho. Pode-se inferir que a
queda observada est associada presena dos rudos simulados. Por outro lado, a
composio com outros sinais que no foram corrompidos atravs de rudos, e so
imunes aos rudos inseridos, mantiveram o desempenho esperado em relao ao
treinamento inicialmente realizado.
4.1.8 Perspectivas Operacionais dos Classificadores.

Com o intuito de se visualizar a implementao operacional dos classificadores em
sistemas de transmisso de energia eltrica, foram enfocados dois pontos do sistema
CHESF, nos quais as inspees rotineiras com termovisor acusavam nveis discrepantes
da temperatura superficial das cadeias de isoladores indicativos da manifestao de
descargas superficiais motivadas pela presena de poluio sobre o dieltrico. O
primeiro ponto foi observado na Subestao de Natal, operando em 230 kV. A inspeo
de campo foi realizada s 18:30, do dia 14/12/2003, quando a umidade relativa e a
temperatura ambiente eram 74% e 28oC, respectivamente. Essas informaes seriam
importantes para efeito de comparaes e ajustes, quando de aferies em laboratrio.
Na Figura 45 se encontra registrada a imagem trmica captada na ocasio. Pode se

97
______________________________________________________________________
observar a cadeia de isoladores aquecida, principalmente no lado fase, onde a
temperatura mxima atingia 42,1oC.
FA: 42,1C
40,0C
40
30
20
14,0C
Figura 45 Imagem trmica de cadeia de isoladores na subestao de Natal.

O segundo ponto foi registrado na estrutura No 93/3 da Linha de Transmisso
Santa Cruz Natal, operando em 230 kV. A inspeo de campo foi realizada s 18:00
do dia 10/09/2003, quando a umidade relativa era de 73% e a temperatura ambiente de
22,5oC. Na Figura 46 encontra-se registrada a imagem trmica obtida, onde se observa
que a temperatura na superfcie do dieltrico atingia 30,4oC.
31,0C
30
FA: 30,4C
20
10
5,0C
Figura 46 - Imagem trmica de cadeia de isoladores na Linha de Transmisso de 230 kV

Santa Cruz Natal.

98
______________________________________________________________________
Para aferio do estado dos isoladores atravs dos classificadores descritos
anteriormente seriam realizados, inicialmente, ensaios qumicos com o intuito de
identificar o nvel real de ESDD contido na superfcie das unidades retiradas do campo.
Para cada um dos locais do sistema de transmisso seriam escolhidas duas unidades
para os ensaios qumicos em conformidade com a IEC (1991).
Utilizando-se duas unidades retiradas de cada um dos locais seriam realizados
ensaios eltricos no laboratrio de alta tenso, quando as mesmas seriam submetidas
tenso de 14 kV e umidade saturada. 100 sinais de corrente de fuga, ultra-som e rudos
de VHF e 20 imagens trmicas seriam registrados para cada par de unidades ensaiadas.
Nesta etapa seria utilizado algoritmo especfico de aferio, no qual o processo de
classificao seria j implementado com um enfoque operacional, utilizando-se,
gradativamente, os cinco classificadores para cada um dos casos e tcnicas analisadas,
levando a identificao do estado da poluio a indicaes similares analgica,
conforme ilustra a Figura 47. Atravs deste enfoque, em uma aplicao prtica, o
processo de classificao poderia ser adaptado para disparar sistemas de alarme, quando
a poluio atingisse nveis especficos de poluio preocupante em relao ao risco
operacional do sistema de transmisso.
2
1
0
2
3
4
Figura 47 Visualizao operacional do processo de classificao.

O fluxograma apresentado na Figura 48 procura ilustrar o processamento que seria
utilizado para construir a visualizao operacional citada; atendendo s seguintes etapas:

99
______________________________________________________________________
leitura do sinal monitorado;
extrao de atributos e normalizao em relao ao desvio padro de cada

vetor de atributos constituinte do conjunto de treinamento;
inicializao de contador associado ao classificador, na ordem indicada na

Tabela 19;
Incio
Leitura
do sinal
Extrao
e normalizao
i=1
Sim I>5
?
i=i+1
No
i
1
2
3
4
5
Sim
Sim
Estado
0
1
2
2
3
Mais
sinais
?
No
Fim
Figura 48 - Fluxograma para visualizao operacional do processo de classificao.
Tabela 19 Identificao da ordem dos classificadores.

Ordem
1
2
3
4
5
Classificador
(0)/(1,2,2,3,4)
(0,1)/(2,2,3,4)
(0,1,2)/(2,3,4)
(0,1,2,2)/(3,4)
(0,1,2,2,3)/(4)

100
______________________________________________________________________
se o contador for maior que cinco procede-se nova leitura de sinal
procede-se o teste da funo discriminante g(i) em relao a zero: caso

g(i)0 o estado do isolamento estar associado Tabela 20:
Tabela 20 Estado do isolamento.
i
1
2
3
4
5
Estado (classe)
0
1
2
2
3
Caso g(i)>0, o contador i incrementado e retorna-se ao passo IV.
1. O processo interrompido, quando no houver mais sinais para monitorar.
A ttulo de exemplo, na Figura 49 encontra-se ilustrada a evoluo da indicao do

estado operacional de um possvel isolador retirado da linha de transmisso ou
monitorado em tempo real, a partir de 100 sinais de corrente de ultra-som, avaliados
seqencialmente, utilizando-se classificador construdo em funo de atributos extrados
a partir da transformada Wavelt, utilizando-se o enfoque acima mencionado, onde o
nvel 2 retrata o diagnstico feito a partir dos ensaios qumicos ou nvel de poluio
operacionalmente aceito. Nesta figura se observa o registro do nvel -1. Esta indicao
representa a situao de nveis desconhecidos que levariam o processo de
reconhecimento a no emitir diagnstico, conforme ilustraes conceituais apresentadas
na Figura 64 do Anexo. Para clculo do percentual de acertos esses casos seriam
deduzidos do nmero total de sinais analisados.
Na Tabela 21 apresentado o modelo de resultados que poderiam ser obtidos a
partir do enfoque aqui mencionado.

101
______________________________________________________________________
Figura 49 Evoluo da indicao dos nveis de poluio.

Tabela 21 Avaliao operacional dos classificadores (ilustrao).
Sensor / domnio
Espect.
Term.
Corrente
Som (wave.)
Corr. X Espect.
Corr. X Som
Corr. X Term.
Som X Espect.
Som X Term.
Term. X Espect.
Corr. X Som X Term.
Corr X Term X Espect
Unidades LT
Unidades SE
Classif. (%)
Acertos (%)
Classif. (%)
Acertos (%)
*
*
*
81
*
*
*
*
*
*
*
*
*
*
*
*
*
*
100
*
*
*
*
*
*
*
*
*
*
*
*
*
*
67
*
*
*
*
*
*
*
*
*
*
*
*
*
*
95,5
*
*
*
*
*
*
*
*
*
*
*
Atravs das anlises realizadas na fase operacional ora descrita se poderia

incorporar, inclusive, o seguinte procedimento: os casos levantados em campo que
levassem o processo de diagnstico a cometer erro deveriam ser includos no conjunto

102
______________________________________________________________________
de treinamento para que fossem realizados refinamentos na construo dos
classificadores.
4.1.9 Avaliao do Estudo

Em uma anlise global desse estudo de caso foi possvel identificar a validade da
aplicao de tcnicas de reconhecimento de padres para dar suporte ao diagnstico do
estado do isolamento areo de sistemas de transmisso de energia. Observou-se que a
utilizao de sensores aplicados isoladamente ou em composio conduziu a percentuais
de acerto no diagnstico em torno de 90 %, o que representa uma constatao de cunho
prtico significativo.
4.2 Caso 2: Defeitos em Isoladores Polimricos

A extrao dos atributos definidos por Gulski e Kreuger (1992) e descritos em 2.2
permite aplicar as tcnicas de reconhecimento de padres j delineadas anteriormente.
Os atributos estaro diretamente associados s seguintes distribuies:
Nmero de descargas em cada semiciclo da tenso aplicada.
Tenso de incio da descarga em cada semiciclo da tenso aplicada.
Nmero de descargas por fase (somatrio para todos os ciclos de tenso).
Soma das descargas mdias (pC) por fase (somatrio para todos os ciclos de
tenso).
Curtose calculada para a distribuio das descargas (integralizada hora a hora),

para cada semiciclo.
Assimetria calculada para a distribuio das descargas (integralizada hora a

hora), para cada semiciclo.
Fator de correlao modificado, integralizado hora a hora.
4.2.1 Resultados Obtidos

As Figuras 50 a 52 apresentam as evolues das trs ltimas distribuies para
duas amostras ensaiadas, ao longo dos quatro dias de experimento.

103
______________________________________________________________________
(a)
(b)
Figura 50 Evoluo do fator de correlao modificado: (a) isolador sem defeito e (b)
isolador com defeito do tipo (a).
(a)
(b)
Figura 51 Evoluo da assimetria: (a) isolador sem defeito e (b) isolador com defeito
do tipo (a).
(a)
(b)
Figura 52 Evoluo da curtose: (a) isolador sem defeito e (b) isolador com defeito do
tipo (a).

104
______________________________________________________________________
Observa-se aqui que apesar do roteiro de ensaio prescrever 5 dias, infelizmente o
quinto dia ficou prejudicado para algumas amostras por incidentes diversos (falta de
energia, queima de componentes do circuito, etc).
A aplicao das tcnicas de classificao conduziram aos resultados apresentados
na Tabela 22, na qual as tcnicas lineares e no lineares so comparadas a partir do
percentual de acertos no diagnstico dos defeitos presentes nos isoladores ensaiados.
Para montagem da tabela foram construdos classificadores a partir dos atributos
mdia e desvio padro extrados das sete distribuies descritas anteriormente.
Tabela 22 Anlise comparativa entre as tcnicas de classificao (a partir dos
parmetros estatsticos das distribuies).
Classes
Percentual de acertos
Modelo linear
Modelo no linear
Sem defeito
17
81
Defeito tipo (a)
33
80
Defeito tipo (b)
100
77
Defeito tipo (c)
100
76
Na construo dos classificadores no lineares, cujos resultados foram

apresentados na Tabela 22, foram utilizados 1 neurnio na primeira camada, cinco na
segunda camada, as funes de ativao logsig e purelin e o modelo de treinamento
de Levenberg-Marquardt, os quais apresentaram melhor desempenho, diante dos demais
parmetros e modelos analisados. Pela tabela pode-se observar que houve dificuldade
dos modelos lineares na classificao das unidades sem defeito e com defeito do tipo
(a), levando aos menores percentuais de acerto (17 e 33, respectivamente).
Na Tabela 23 so apresentados os resultados obtidos a partir da utilizao direta
das trs ltimas distribuies apresentadas. Ou seja, nesta alternativa, os atributos
passaram a ser cada um dos valores integralizados hora a hora, os quais compuseram as
trs ltimas distribuies (curtose, assimetria e fator de correlao). Esta tabela foi
construda a partir da mesma rede neural descrita anteriormente, alterando-se, apenas, os
atributos de entrada. Observa-se, tambm, que os resultados obtidos para os modelos
lineares apresentaram 100% de acerto no diagnstico dos defeitos presentes nas

105
______________________________________________________________________
unidades, superando a dificuldade registrada, quando da anlise da alternativa anterior.
Os modelos no lineares no tiveram o mesmo sucesso, alm de chegarem aos
percentuais de acerto com uma tolerncia prxima de 10-1, ou seja, para uma tolerncia
limite menor, esses modelos teriam problemas de convergncia.
Tabela 23 - Anlise comparativa entre as tcnicas de classificao (a partir do uso direto
das trs ltimas distribuies).
Classes
Percentual de acertos
Modelo linear
Modelo no linear
Sem defeito
100
75
Defeito tipo (a)
100
76
Defeito tipo (b)
100
77
Defeito tipo (c)
100
92
4.2.2 Validao dos Modelos

A validao dos modelos que conduziram aos resultados apresentados nas Tabelas
22 e 23 deve ser realizada a partir da submisso de novos sinais de descargas parciais
aos classificadores construdos. Os sinais devem ser adquiridos atravs de ensaios
similares sobre as mesmas amostras apresentadas, durante um perodo de ensaio de 4
dias. A utilizao do mesmo perodo usado para aquisio dos sinais que subsidiaram a
constituio do conjunto de treinamento se deve ao fato de que os atributos utilizados
esto diretamente associados integralizao de parmetros estatsticos computados ao
longo do perodo de ensaio (96 horas, para o caso analisado).
4.2.3 Avaliao do Estudo

Neste estudo de caso, portanto, foi possvel verificar, tambm, a validade da
utilizao das tcnicas de reconhecimento de padres para se diagnosticar a presena de
defeitos internos a isoladores polimricos. Chegou-se, inclusive, a construo de
classificadores que conduziram a um perfeito diagnstico das amostras analisadas,
atravs de tcnicas lineares.
Captulo 5: Concluses
s atenes direcionadas ao longo deste trabalho estavam sempre no sentido

de se construir critrios e procedimentos que viabilizassem a identificao
de atributos que venham a se caracterizar como efetivos em um processo de
reconhecimento de padres de sinais oriundos de descargas superficiais em isolantes

externos ou descargas parciais (internas) em isolantes.
Foram utilizadas tcnicas de processamento digital de sinais, transformaes de
Fourier e Wavelet para balizar a caracterizao e extrao dos atributos utilizados para
construo dos diversos classificadores obtidos.
Ao longo de toda a pesquisa foi possvel identificar contribuies significativas
aderentes contextualizao estabelecida. A seguir sero destacadas as principais
contribuies alcanadas, agrupando-as em funo de suas caractersticas tcnicocientficas ou tecnolgicas.
5.1 Contribuies de Carter Tcnico-cientfico

Neste grupo encontram-se descritas as contribuies de cunho metodolgico,
avaliao de modelos, aferio de sensibilidades, etc. As contribuies so explicitadas
uma a uma, comentando-se especificamente os detalhes registrados no texto e
associados a cada uma delas.
A avaliao da contribuio dos atributos caracterizados para o processo de

classificao em funo do sensor, domnio ou transformada utilizada.
Cada atributo caracterizado foi avaliado quanto a sua contribuio ao processo de

classificao. Optou-se por construir classificadores especficos para cada sensor
107
______________________________________________________________________
analisado, como tambm, quando possvel, foram feitas avaliaes por domnio (tempo,
freqncia e a partir da transformada wavelet). A estratgia possibilitou aferir a
contribuio no apenas dos sensores utilizados, como tambm dos diversos atributos
caracterizados. A partir das anlises individuais foi possvel realizar as anlises
conjuntas, agregando os atributos mais significativos ao processo de reconhecimento
dos sinais.
As anlises de sensibilidade do processo de classificao quanto ao nmero de faixas

de histogramas e da densidade espectral de potncia como atributos a se considerar no
processo de reconhecimento.
Nas anlises individuais realizadas por tipo de sensor e por domnio foram
avaliadas as sensibilidades do processo de reconhecimento utilizao de nmero
crescente de faixas, tanto nos histogramas construdos no domnio do tempo, quanto nas
densidades espectrais de potncia dos sinais avaliados. As anlises feitas permitiram
verificar que, geralmente, se obtm uma melhora no processo de reconhecimento,
quanto maior for o nmero de faixas utilizadas, observando-se algumas excees e
saturaes neste nmero.
O enriquecimento de informaes atravs da utilizao da transformada wavelet;
A partir da decomposio dos sinais originais de corrente de fuga e ultra-som

atravs da transformada Wavelet foi possvel observar a validade dessa transformada,
tendo em vista a melhora nos resultados finais de reconhecimento de padres. Tais
constataes esto certamente associadas s caractersticas inerentes transformada
Wavelet que permite realar as oscilaes contidas nos sinais sob anlise. Neste
contexto foi introduzido critrio para limitar o nmero mximo de decomposies
associado a aferio da informao (entropia) ainda incorporada aos sinais
decompostos.
A identificao da wavelet me que mais contribui para o processo de reconhecimento,

para cada tipo de sinal analisado.
108
______________________________________________________________________
Alm da identificao da contribuio da transformada Wavelet para o processo

de reconhecimento foi possvel, tambm, investigar qual a wavelet me que mais se
destacou neste papel. Verificou-se que as wavelets me bior1.1 e db6 apresentaram
melhores resultados para os sinais de ultra-som e corrente de fuga, respectivamente.
A avaliao de tcnicas de construo de classificadores lineares e no lineares.
As tcnicas de construo de classificadores lineares analisadas (Fisher e

Karhunen-Love) apresentaram, de uma maneira geral, resultados semelhantes. H de
se ressaltar que a tcnica de Karhunen-Love j incorpora processo de reduo da
dimensionalidade do espao de atributos, tendo-se utilizado fator de correlao de 0,97
que baliza esta reduo, o qual pode ter contribudo para a semelhana dos resultados
obtidos.
No tocante aos algoritmos para construo de classificadores no lineares o
algoritmo de Levemberg-Marquardt apresentou melhor desempenho na classificao
dos sinais bsicos analisados (termovisor, corrente de fuga, enfocado por domnio, ultrasom, enfocada a transformao wavelet e espectro de freqncia obtido atravs da
antena de VHF e analisador de espectro). Observa-se, tambm, que o uso da funo de
transferncia logsig na primeira camada e purelin na segunda camada e apenas um
neurnio nas duas camadas representou a melhor alternativa no que tange ao maior
nmero de convergncias e menor nmero de iteraes, para os casos analisados.
A anlise conjunta dos dois tipos de tcnicas de classificao (lineares e no
lineares) permitiu identificar que a utilizao de modelos no lineares pode conduzir a
percentuais de acerto ainda maiores do que os obtidos para os modelos lineares.
Entretanto, em alguns casos, os modelos no lineares podem no convergir para
determinadas tolerncias definidas.
5.2 Contribuies de Carter Tecnolgico

Neste grupo encontram-se descritas as contribuies que incorporam valores a
procedimentos operacionais empregados por empresas do setor de energia eltrica.
109
______________________________________________________________________
A utilizao de tcnicas de reconhecimento de padres para avaliar a fuso de dados

oriundos de diferentes sensores e identificar as vantagens e desvantagens de tais fuses.
A contribuio foi atingida a partir da montagem de experimentos voltados para

avaliar o comportamento de isoladores submetidos a diferentes nveis de poluio e
submetidos a umidade controlada atravs de cmara de nvoa construda
especificamente para desenvolvimento dos experimentos relatados. Foram utilizados
quatro tipos de sensores: ultra-som, corrente de fuga e antena de VHF acoplada a
analisador de espectro para monitorar a manifestao das descargas superficiais. Ficou
constatado que a utilizao conjunta de sensores para monitorar o fenmeno da poluio
nem sempre vantajosa. Em alguns casos aumenta-se significativamente a dimenso do
espao de atributos sem uma correspondente melhora no desempenho do processo de
diagnstico.
A constatao de que sensores no invasivos podem conduzir a resultados semelhantes

ou at melhores do que os obtidos a partir de sensores invasivos no diagnstico de
poluio em isoladores.
A avaliao das junes de dados obtidos a partir dos sensores permitiu aferir os
resultados dos processos de reconhecimento, utilizando-se diversas combinaes. Os
resultados obtidos apontaram que junes de sensores no invasivos para produzir o
diagnstico do estado de isoladores poludos podem levar a resultados semelhantes ou
at melhores do que os obtidos a partir do uso de sensores invasivos. A anlise dos
experimentos realizados apontou que a melhor composio observada foi entre os
sensores de ultra-som, termovisor e VHF, todos no invasivos, fato que representa uma
contribuio significativa aos processos de diagnstico diante de sua relevncia prtica.
A construo de classificadores para diagnosticar o nvel de poluio de isoladores a

partir de avaliaes de imagens trmicas.
110
______________________________________________________________________
A partir da caracterizao de atributos para as imagens trmicas adquiridas foi
possvel construir classificadores para diagnosticar os nveis de poluio em isoladores,
com percentuais mdios de acerto superiores a 95%. Os resultados alcanados se
revestem de grande importncia, quando se considera que os termovisores so
instrumentos utilizados largamente no setor eltrico para monitorar a temperatura de
conexes eltricas. A aplicao realizada ao longo das pesquisas, alm de abrir uma
nova perspectiva de aplicao para o termovisor representa que a tecnologia pesquisada
poder ser implantada a baixos custos diante da difuso do uso desse tipo de sensor.
A agregao de valores a sensores caracterizados como obsoletos e/ou de aplicaes

limitadas.
Alm da expanso da aplicao de sensores, j comentada anteriormente para o

caso de termovisores, foi possvel, ainda, agregar valores ao sensor de ultra-som, o qual,
tradicionalmente, utilizado para identificao de descargas internas a transformadores
de potncia, porm j tido como obsoleto. Algumas dificuldades associadas a rudos
ambientais captados pelo sensor podem ser superadas, parcialmente, atravs da
aplicao da transformada wavelet, j descritas acima.
A obteno de elevado grau de acertos no processo de diagnstico de defeitos em

isoladores polimricos a partir de anlise de sinais de descargas parciais.
A aplicao de tcnicas de reconhecimento de padres aos atributos de descargas

parciais definidos por Gulski e Kreuger (1992) possibilitou a obteno de
classificadores que apresentaram elevado nvel de desempenho. Os classificadores
construdos a partir de tcnicas lineares alcanaram, inclusive, um desempenho superior
aos construdos a partir de tcnicas no lineares. No que tange a convergncia das
tcnicas no lineares observou-se, mais uma vez, dificuldades quando da aplicao de
tolerncias especficas.
111
______________________________________________________________________
5.3 Refinamentos Propostos para Continuidade das Pesquisas

So visualizados alguns refinamentos que podem ser implementados em futuras
pesquisas similares a serem empreendidas, no aprofundamento do estudo dos casos
analisados:
para o estudo de caso No 1 (poluio em isoladores):

o utilizao de antena de VHF que cubra todo o espectro de freqncia
de interesse (0 a 60 MHz);
o reviso no sistema de ar comprimido direcionada para se aproximar
mais das caractersticas preconizadas pela IEC (1991);

o utilizao de gua desmineralizada para alimentao da cmara de
nvoa, uma vez que os valores da condutividade medida estavam no

limiar mximo permitido pela IEC (1991).
para o estudo de caso No 2 (defeitos em isoladores polimricos):

o aplicao da transformada wavelet para filtrar os sinais de descargas
parciais, realando as suas variaes, antes de serem submetidos s

rotinas de extrao de atributos;
o insero de sensores no invasivos para aferio das descargas parciais;
o aquisio de mais dados, equivalentes a quatro dias de ensaios, que
permitam consolidar a etapa de validao.

Alm dos aspectos acima mencionados importante ressaltar, ainda, a necessidade
de que os modelos no lineares sejam mais explorados no sentido de se buscar
alternativas, quando o procedimento de treinamento apresentar caracterstica no
convergente.
5.4 Consideraes Finais

Por fim, cabe registrar a validade da metodologia de reconhecimento de padres
aplicada diante dos resultados obtidos nos experimentos laboratoriais que conduziram
112
______________________________________________________________________
caracterizao e anlises de atributos direcionados para a aferio do estado de
isolamentos areos submetidos a poluio e isoladores polimricos com defeitos de
montagens industriais.
importante enfatizar que a passagem da fase de prottipos concebidos em
laboratrio para a fase operacional dos classificadores construdos requer adequaes
adicionais, nas quais as amostras retiradas de sistemas de transmisso em operao
(submetidas a intempries) e que no forem bem classificadas necessitaro ser
incorporadas ao conjunto de treinamento com o intuito de implementar ajustes iterativos
que redundem no aprimoramento dos classificadores. Cabe ressaltar, tambm, que a
metodologia utilizada pode ser adaptada a diversas outras aplicaes semelhantes,
abrindo uma perspectiva concreta de modernizaes das tcnicas de diagnstico
atualmente praticadas para monitorao de equipamentos e instalaes eltricas.
Anexo
Neste anexo so apresentados detalhes da metodologia utilizada para

reconhecimento de padres, como tambm para processamento digital dos sinais
voltados para a caracterizao dos atributos propostos ao longo das pesquisas realizadas.
A.1 Tcnicas Lineares de Reconhecimento de

Padres
Como mencionado no texto, o conceito de classificao pode ser expresso em
termos da partio do espao de atributos. Uma das formas de realizar esta partio
atravs do uso de funes discriminantes. Tais funes so associadas a cada uma das
classes e do uma medida da separao entre elas.
Segundo Sklansky e Wassel (1981), uma funo discriminante g j um
mapeamento a partir do conjunto de vetores de atributos para um nmero real, sendo
que cada valor de j est associado com uma regio de deciso R j . Ento para cada vetor
de padres x existe um conjunto de valores g j (x ) . Usualmente, mas nem sempre, cada

R j est associado com uma regio de classe c j .
Em um classificador linear as funes discriminantes so lineares, representando

hiper-superfcies de deciso, as quais so determinadas por um conjunto de funes
discriminantes g j (x ) , como segue:
R j = x g j (x ) g i (x ) para todo i ,
sendo g j (x ) da forma:
(17)
Anexo
114
______________________________________________________________________
g j (x ) = w Tj x + w j0 ,
(18)
no qual w tj = ( w j1, ..., w jd ) t representa o transposto do vetor peso w j , ento g j (x )

uma funo discriminante linear e o classificador denominado classificador linear.
Ainda segundo Sklansky e Wassel (1981), uma vantagem dos classificadores lineares
sobre os no lineares que os procedimentos de treinamento disponveis para
classificadores lineares so relativamente simples e bem compreendidos, e o nmero de
pesos w ji a serem ajustados durante a fase de treinamento relativamente pequeno.
Em algumas situaes se torna mais adequado expressar as funes discriminantes
lineares em termos de vetores aumentados. Um vetor de atributos aumentado definido
por y = (x 0 , x 1, x 2 , ..., x N ) t , sendo na maioria dos casos x 0 = 1. O vetor peso
aumentado definido por v = (w 0 , w 1, ..., w N )t . Desta forma, em um espao de
atributos aumentados, a equao (8) se torna:
g j (y ) = v tj y .
(19)
Supondo que N atributos tenham sido extrados a partir de cada padro de entrada,
cada conjunto de N atributos considerado um vetor de atributos x, e pode ser
representado por um ponto no espao de atributos X , de dimenso N. O problema da
classificao associar cada possvel vetor ou ponto no espao de atributos a uma classe
de padres apropriada. Conceitualmente, as funes discriminantes podem ser
caracterizadas da maneira descrita a seguir.
Sejam c1 , c 2 , ... c k especificados como as k possveis classes de padres a serem
reconhecidos, e x = [x 1, x 2 , ... x N ]t o vetor de atributos, no qual x i representa o isimo atributo medido. Uma funo discriminante
g j (x) : x R
x g j (X ),
(20)
Anexo
115
______________________________________________________________________
associada classe c j , (j=1,2, ... , k) tal que se o padro de entrada representado pelo
vetor de atributos x pertence classe c i (x c i ) , ento o valor de g i ( x ) deve ser o
maior. Isto , para todo x c i ,
g i (x ) > g j (x ), i, j = 1,2, ..., k, i j .
(21)
Assim, no espao de atributos x , a fronteira da partio, chamada fronteira (ou

superfcie) de deciso, entre as regies associadas com as classes c i e c j ,
respectivamente, expressa pela seguinte equao:
g i (x ) g j (x ) = 0 .
(22)
Para a situao em que apenas duas classes estejam presentes, dado um vetor de
atributos x, a regra de deciso ser:
Se g 1(x ) > g 2 (x ) , ento x c1 ;
(23)
Se g 1(x ) < g 2 (x ) , ento x c 2 .
(24)
Se g 1(x ) = g 2 (x ) , x pode ser classificado em c1 ou c 2 , uma vez que

g 1(x ) g 2 (x ) = 0 . Tal situao caracteriza que x est na superfcie de deciso, no caso
um hiperplano. Para duas classes, portanto, uma funo pode ser usada, em vez de duas,
a qual definida da seguinte forma:
g(x ) = g1 (x ) g 2 (x ) .
(25)
Assim, a regra de deciso passa a ser:

Se g(x ) > 0 , ento x c1 ;
(26)
Se g(x ) < 0 , ento x c 2 .
(27)
A equao g(x ) = 0 define a superfcie que separa os pontos associados a c1 dos

pontos associados a c 2 . Em geral o hiperplano de separao, divide o espao de
Anexo
116
______________________________________________________________________
atributos em dois semi-espaos: a regio de deciso R 1 , para c1 , e a regio de deciso
R 2 , para c 2 .
O exemplo a seguir traa, no espao x , o hiperplano parametrizado pelo vetor
peso
aumentado
v t = (2, 2, 1) .
Portanto,
hiperplano
ser
definido
por
g(x ) = v t y = 0 , ou seja:
1

v y = (2, 2, - 1) x 1 = 2 + 2x 1 x 2 .
x
2
t
O hiperplano obtido encontra-se ilustrado na Figura 53. Os componentes de v,

exceto v 0 , determinam o vetor peso w. Portanto w t = (2, - 1) , como indicado na figura.
A regio R 1 definida como o conjunto x v t y < 0 . Similarmente R 2 = x v t y > 0 .
Essas regies tambm so ilustradas na figura.

A equao g(x ) = 0 define a superfcie de deciso que separa os pontos
pertencentes a c1 dos pontos pertencentes a c 2 . Se x 1 e x 2 esto ambos na superfcie
de deciso, ento:
w t x1 + w 0 = w t x 2 + w 0 ,
(28)
w t (x 1 x 2 ) = 0 ,
(29)
ou
desta forma w normal a qualquer vetor que repouse no hiperplano. Em geral, o

hiperplano (H, definido a partir de g(x)=0) divide o espao de atributos x em dois
meio espaos, conforme encontra-se ilustrado na Figura 54. Desde que g(x)>0 se x
estiver em R1 segue que o vetor normal w aponta para R1. comum afirmar que todo x
em R1 est no lado positivo de x , e todo x em R2 est no lado negativo.
117
Anexo
______________________________________________________________________
x2
ty
=0
R1
0
-2
R2
1
-1
-1
x1
-2
Figura 53 Exemplificao da montagem do hiperplano. Fonte: Slansky e Wassel

(1981).
A funo discriminante g(x) fornece uma medida algbrica da distncia de x ao
hiperplano. Se x for expresso como:
x = xp + d
w
,
w
(30)
na qual x p a projeo normal de x sobre H, e d a distncia algbrica desejada,

positiva se x estiver no lado positivo e negativa se x estiver no lado negativo. Ento,
( )
desde que g x p = 0 ,
g (x ) = w t x + w 0 = d w ,
(31)
g (x ) = w t x + w 0 = d w ,
(32)
Anexo
118
______________________________________________________________________
ou:
d=
g (x ) v t y
=
.
w
w
(33)
X
d
Xp
X
R2
R1
H
g(x)>0
g(x)<0
g(x)=0
Figura 54 A superfcie de deciso g(x)=0. Fonte: Slansky e Wassel (1981).

Na Figura 55 so ilustradas algumas outras relaes de distncias em um espao
de atributos bi-dimensional. possvel observar que w t x w , w 0 w , e v t y w
representam distncias sinalizadas positiva ou negativa, indicando, respectivamente a
mesma direo ou direo oposta a de w.
Algumas vezes conveniente representar o vetor atributo aumentado y por:
y, se x c1
,
=
y, se x c 2
(34)
Anexo
119
______________________________________________________________________
x2
vt y
w
w0
w2
R2
R1
wt x
w
w0
w
w0
w1
ty
=0
x1
Figura 55 Relaes de distncias em um espao bi-dimensional. Fonte: Slansky e

Wassel (1981).
na qual denominado vetor atributo aumentado com normalizao de sinal. Com esta
notao, a inequao de classificao reduzida a:
vt > 0 ,
(35)
para um que determinado pelo vetor de atributos a partir das classes c1 e c 2 .
A.1.1 Tcnicas para Determinao do Classificador

Linear
Diversas tcnicas tm sido desenvolvidas para reduzir a dimensionalidade do
espao de atributos de tal forma a se obter um problema mais tratvel. A seguir sero
abordadas 3 tcnicas clssicas para determinao de classificadores lineares: Fisher,
Karhunen-Love e Redes Neurais.
Anexo
120
______________________________________________________________________
A.1.1.1 Tcnica de Fisher

A tcnica de Fisher pertence a um grupo que procura reduzir a dimensionalidade
do problema a apenas uma dimenso. Desse grupo fazem parte, tambm as tcnicas de
Incremento Proporcional, Frao Fixada, Gradiente decrescente e Ho-Kashyap. A
maioria dessas tcnicas baseia-se em processos iterativos, onde o vetor normal V
ajustado constantemente, em funo de um conjunto de treinamento, at atingir um
ponto timo de classificao. Apenas a tcnica de Fisher est fundamentada num
mtodo direto, tendo apenas que resolver um sistema de equaes lineares de dimenso
igual a dimenso do espao de caractersticas
A tcnica procura projetar as amostras em uma linha, conforme pode ser
visualizado na Figura 56.
x2
x
x
x
(a)
xx
xx
x1
(b)
x1
Figura 56 Projeo de amostras sobre uma reta: (a) inadequada e (b) adequada. Fonte:
Duda e Hart (1973).
importante observar que, mesmo se as amostras estiverem bem separadas no
espao original, a projeo das mesmas em uma linha arbitrria poder produzir uma
mistura entre as classes, conforme pode ser observado na figura. Entretanto, movendo a
linha, pode ser encontrada uma orientao para a qual a projeo das amostras apresente
uma boa separao. Esse o objetivo das anlises discriminantes clssicas.
Anexo
121
______________________________________________________________________
Suponha que se possui um conjunto de n amostras de dimenso N (x1, ..., xn), n1
no subconjunto 1 rotulado por c1 e n2 no subconjunto 2 rotulado por c 2 . Se
formarmos uma combinao linear dos componentes de x, obtemos o escalar:
y=wtx,
(36)
e um conjunto correspondente de n amostras y1, ..., yn, divididos em dois subconjuntos

1 e 2 . Geometricamente, se w = 1, cada yi a projeo do xi correspondente em
uma linha na direo de w. Se imaginarmos que as amostras associadas a c1 e as
amostras associadas a c 2 esto agrupadas separadamente, desejamos que as projees
sobre a linha resultem em uma boa separao e no um indesejvel entrelaamento entre
as amostras, conforme ilustrado na Figura 56 (a).
Uma medida da separao entre as amostras projetadas a diferena da mdia das
amostras. Se mi a mdia das amostras obtidas por:
mi =
1
x,
n i x
(37)
ento, a mdia das amostras projetadas dada por:
1
~ = 1
m
y=
w t x = w t mi ,
i
n i y n i x
i
portanto, segue que
(38)
~ m
~ = w t (m m ) , e que podemos tornar essa
m
1
2
1
2
diferena to grande quanto necessitamos atravs da escolha apropriada de w. Para

obter uma boa separao dos dados projetados necessrio que a diferena entre as
mdias seja grande em relao a alguma medida do desvio padro para cada classe. Em
vez da formao de varincias amostrais, foi definido o espalhamento para as amostras,
da seguinte forma:
Anexo
122
______________________________________________________________________
s i2 = (y m i )2 .
yi
(39)
Ento ~s12 + ~s22 n uma estimativa da varincia dos dados agrupados e ~s12 + ~s22
denominado espalhamento interclasses para os dados projetados. O discriminante
linear de Fisher , ento, definido como a funo linear w t x para a qual a funo
critrio:
~ m
~ 2
m
1
2
J(w ) =
~s 2 + ~s 2
1
(40)
mxima. Para obter J como uma funo explicita de w, so definidas as matrizes de

espalhamento S i e S w da seguinte forma:
S i = (x m i )(x m i ) t ,
(41)
S w = S1 + S 2 .
(42)
2
t
t
~s 2 =
w
x
w
m
= w t (x m i )(x m i ) t w = w t S i w .
i
i
(43)
xi
Ento,
xi
xi
De tal forma que:

~s 2 + ~s 2 = w t S w .
w
1
2
Similarmente,
(44)
Anexo
123
______________________________________________________________________
(m~1 m~ 2 )2 = (w t m1 w t m 2 )
= w t (m1 m 2 )(m1 m 2 ) t w = w t S B w , (45)
sendo:
S B = (m1 m 2 )(m1 m 2 ) t .
(46)
A matriz S W denominada matriz de espalhamento interclasse e S B

denominada matriz de espalhamento intraclasses. Na forma matricial, a funo critrio J
pode ser escrita como:
J (w ) =
w tSB w
w t SW w
(47)
Pode ser mostrado que o vetor w que maximiza J deve satisfazer a seguinte
equao,segundo Duda e Hart (1973):
S B w = S W w ,
(48)
o qual representa um problema generalizado de autovalores. Se S W for no singular (o

que geralmente verdadeiro, caso n>N) o problema se torna de autovalores
convencional, permitindo escrever:
S W1S B w = w .
(49)
No nosso caso particular, no necessrio resolver a equao anterior para os

autovalores e auto-vetores de S W1S B devido ao fato de que S B w est sempre na
direo de m1 m 2 . Desde que o fator de escala de w no tem significado, a soluo
pode ser escrita diretamente como:
Anexo
124
______________________________________________________________________
1
w = SW
(m1 m 2 ) .
(50)
Portanto, a equao (39) representa o discriminante linear de Fisher, a funo

linear com a maior relao entre o espalhamento intraclasses e interclasse.
A.1.1.2 Tcnica de Fisher para Seleo de Atributos

Como vimos, matematicamente, cada padro de entrada pode ser representado por
um vetor de dimenso N, cujas coordenadas so parmetros que procuram fornecer
informaes sobre o fenmeno em estudo, ou seja, so valores que procuram representar
caractersticas do referido fenmeno.
comum N ser razoavelmente grande, caracterizando a necessidade de uma
seleo de atributos, eliminando-se o mximo de redundncias, para que se tenha
conseqentemente uma reduo significativa da dimenso dos vetores. Alm disso, os
atributos selecionados no espao reduzido podem ser melhores reunidos no espao de
atributos e, possivelmente, admitir superfcies de deciso mais simples. Esta etapa do
processo recebe a denominao de seleo de atributos. Ela de grande importncia,
desde que os atributos selecionados devem assegurar uma boa representao dos
padres originais para que os possveis erros de classificao sejam minimizados.
Uma maneira bem simples e imediata de fazer uma seleo de atributos atravs
do critrio de Fisher modificado. Este critrio fornece uma medida do erro de
classificao que pode surgir quando a varivel xi utilizada como atributo. Quanto
maior for Fi , menor ser a probabilidade de ocorrer um erro de classificao, usando a
varivel xi.
Fi =
X i1 X i2
i1 + i2
, i = 1,...N ,
na qual:
X ij = mdia dos valores do atributo xi na classe j, j = 1,2;
ij = desvio padro do atributo xi na classe j, j = 1,2.
(51)
Anexo
125
______________________________________________________________________
Ao se colocar os nmeros de Fisher ( Fi , i=1, ..., N), obtidos para todos os
atributos, em ordem decrescente, a seleo pode ser realizada de duas maneiras:
atribuindo-se o valor mnimo de Fi ou definindo-se o nmero mximo de atributos a
serem considerados. Cada atributo escolhido pode eliminar outros, desde que o
coeficiente de correlao seja maior do que algum valor pr-estabelecido (80 %, por
exemplo). A grande vantagem de usar esta tcnica se levar em considerao tanto as
informaes interclasses, como intraclasses. Outra vantagem est associada estimativa
da validade do atributo analisado no processo de classificao.
A.1.1.3 Tcnica de Karhunen-Love

A transformao de Karhunen-Love equivalente a uma rotao da base,
segundo a direo definida por um novo conjunto de vetores ortogonais, o qual aumenta
a condio para separao das classes e incorpora a reduo de atributos. Segundo
Fukunaga (1972), a transformao est contida na categoria de transformaes
rotacionais e, a exemplo das transformaes diagonais descritas anteriormente para a
tcnica de Fisher, ela fornece informaes intraclasses. Este mtodo pode ser
considerado um caso particular da anlise de componentes principais adaptado para a
classificao das amostras.
Em geral, para se obter uma boa transformao, adota-se um critrio de
otimizao, entre eles destacam-se o mnimo erro quadrado e a entropia. Estes critrios
associados s transformaes tm por objetivo auxiliar a discriminao das classes
existentes, de maneira a maximizar as distncias interclasses e a minimizar as distncias
intraclasses. A transformada Karhunen-Love procura otimizar o mnimo erro quadrado
Na realidade, a transformao do espao de representao dos padres aumenta a
possibilidade de separao dos conjuntos de padres. Uma boa separao no espao de
atributos resultar em grandes simplificaes ao classificador.
Segundo Anderson (1960), a extrao de atributos via transformada KarhunenLove pode ser implementada da seguinte forma: seja {X} um conjunto de vetores,
obtidos por amostragem, de uma classe de sinais aleatrios. Um representante de {X}
dado por x j = x j,1 , x j, 2 . . .x j, N . A amostra x j pode ser aproximada por:
Anexo
126
______________________________________________________________________
k
x j = y j,11 + y j,2 2 + ... + y j,k k = y j,ii k < N ,

i =1
y j,i = x tj i
i = 1,2, ..., k ,
(52)
(53)
sendo N o nmero total de atributos da amostra e k o nmero de atributos utilizados na

aproximao.
Por definio, o mnimo erro quadrado, , dado pela expresso:
2
k
N
= y j,i i y j,i i .
i =1
i=1
(54)
Anderson (1960) mostrou que:

N
= it S i .
i =K +1
(55)
Segundo Anderson (1960), { i } constitui a base ortogonal de Karhunen-Love,

os elementos i so determinados a partir dos autovetores de S, de acordo com a
equao:
S i = i i ,
(56)
na qual i so os autovalores da matriz de covarincia. De tal forma que o erro de

truncamento minimizado pela equao:
N
Min {i } = i .
i = k +1
(57)
Isto significa que, se utilizarmos apenas k autovetores para a representao de

funes, o erro de truncamento ser a soma dos autovalores da matriz de covarincia,
sendo dado pela equao acima. A amostra x j , escrita em termos dos auto-vetores da
matriz de covarincia, denominada expanso Karhunen-Love. A correspondente
Anexo
127
______________________________________________________________________
transformao ortogonal inversa, ( y j,i = x tj i
i = 1,2, ..., k ), chamada transformada
Karhunen-Love.
A transformao apresentada pode ser utilizada para reconhecimento de padres.
O processo de amostragem fornece uma seqncia de valores que definem o padro
dado r (r1, r2, ..., rM). Portanto, aps este processo, o padro de entrada tratado como
um vetor M-dimensional.
Obtido o vetor, correspondente ao padro de entrada, inicia-se o processo de
extrao de tributos, obtendo-se o vetor x ( x1 , x 2 , ..., x N ) . O estgio seguinte consiste
na transformao Karhunen-Love dos valores de entrada, esta prov um mapeamento
um para um, transformando o vetor de atributos x
(x1 , x 2 , ..., x N )
em outro u
(u1 , u 2 , ..., u N ) , de mesma dimenso.

Na prtica, a dimenso dos padres, N, muito grande, sendo necessria sua
reduo. Portanto, o estgio de extrao de atributos complementado atravs da
escolha dos componente mais significativos do vetor transformado y. O resultado da
etapa ser um vetor z, ( z1 , z 2 , ..., z k ) , com k componentes de y , tal que k<<N. Esta
reduo de dimensionalidade alcanada segundo os critrios que norteiam a
transformada Karhunen-Love, de maneira que o erro seja to pequeno quanto se deseja
e facilmente calculado conforme descrito anteriormente.
A matriz de covarincia desenvolvida por classe dada por:
S = P1S1 + P2 S 2 + ... + PM S M ,
(58)
sendo Si a matriz de covarincia da i-sima classe e Pi a probabilidade de ocorrncia

da classe c i ( assumido que esta probabilidade igual a
1
, sendo L o nmero de
L
classes envolvidas). A transformada Karhunen-Love dada pelo conjunto dos

autovetores extrados da matriz de covarincia, S, a qual foi representada por T.
Portanto, a transformao do espao de atributos dada por:
u=Tx,
(59)
Anexo
128
______________________________________________________________________
portanto, a fixao dos k primeiros componentes de u, associados as maiores varincias,
permite obter o vetor z ( z1 , z 2 , ..., z k ) que pode ser denominado de vetor de atributos
transformado e reduzido.
Atravs da tcnica de Karhunen-Love possvel construir e treinar um
classificador que seja capaz de localizar automaticamente a classe a que pertence um
determinado padro, associado ao seu vetor de atributos transformado e reduzido z.
O classificador pode ser projetado baseado no critrio de mnima distncia
quadrada, o qual definido a partir da seguinte regra: um padro associado ao vetor z
dito pertencente a classe c i se z mais prximo a z i , sendo que c i corresponde a
classe i e z i o vetor mdio da classe c i .
Na Figura 57 ilustrado o processo de classificao para trs classes ( c1 , c 2 e c 3 ).
Neste caso, o padro associado ao vetor z ser reconhecido como elemento pertencente
a classe c 2 .
Representando D i2 a distncia quadrada entre z e os z i , a frmula para o clculo
da distncia dada por:
D i2 = z z i
= (z z i )(z z i )t i = 1,..., L ,
(60)
sendo que z o vetor associado ao padro a ser classificado e z i o vetor mdio da

classe i, L o nmero de classes.
z z1
z2
z z3
c1
z1
z z z2
c2
z3
c3
Figura 57 - Representao geomtrica de um classificador de mnima distncia

quadrada para trs classes. Fonte: Anderson (1960).
Anexo
129
______________________________________________________________________
A equao anterior pode ser re-escrita da seguinte forma:
D i2 = z
1
2
2 z i z t z i i = 1,..., L .
2
(61)
1
2
Observando a equao acima, D i2 mnimo quando o termo z i z t z i

2
mximo. Assim, para se obter o classificador baseado na mnima distncia necessrio

apenas calcular este termo. Desta forma, podemos descrever o classificador pela
seguinte funo discriminante:
g i (z ) = z i z t
na qual o termo z i
1
2
zi
i = 1,..., L ,
2
(62)
2 conhecido por limiar.
A partir da formulao acima, portanto, o classificador calcula L valores reais

g1 (z ), g 2 (z ),...g L (z ) e os compara. O padro associado ao vetor z pertence a classe c i
quando g i (z ) for o maior valor encontrado entre os g i (z ) para i = 1,2, ..., L.
A.1.1.4 Tcnicas de Redes Neurais

Segundo Beale e Jackson (1991), reconhecimento de padres uma das reas
dominantes das aplicaes de redes neurais. Essas redes podem ser constitudas de
vrias camadas, associadas aos nmeros de neurnios utilizados. Quando da utilizao
de uma nica camada (apenas um neurnio) a rede passa a ter uma aplicao restrita a
classificao de padres linearmente separveis.
Na constituio de uma rede de uma camada se procura identificar as
caractersticas de um simples neurnio e como ele pode ser modelado. A funo bsica
de um neurnio biolgico adicionar informaes de entrada e produzir uma sada, se
essa soma for maior do que um determinado valor conhecido como condio de
disparo. Na Figura 58 ilustrado, j numa viso matemtica, a representao de um
neurnio.
Anexo
130
______________________________________________________________________
Entrada
Pesos
multiplicativos
O neurnio adiciona suas entradas,

podendo vir a disparar
Sada
Pesos
multiplicativos
Entrada
Figura 58 Representao de um neurnio simples. Fonte: Beale e Jackson (1991).

Como pode ser observado, o neurnio produz uma soma ponderada de suas
entradas, compara essa soma com o nvel de disparo e se torna ativo unicamente se esse
nvel excedido. Matematicamente, se houverem N entradas, ento sero necessrios
N pesos associados a essas entradas. A entrada total pode ser formulada da seguinte
maneira:
N
g(x ) = wi xi ,
i =1
(63)
sendo que:
g(x) o valor da sada;
wi o peso associado entrada i;

xi o valor da entrada i.
Essa soma, portanto, deve ser comparada com um certo valor intrnseco ao
neurnio; o valor de disparo. O disparo realizado aps um processo de comparao
feito pelo neurnio. Se a soma das entradas multiplicadas por seus respectivos pesos for
Anexo
131
______________________________________________________________________
maior do que o valor de disparo ento a sada 1, se for menor, a sada zero. Isso pode
ser visualizado graficamente na Figura 59, sendo que o eixo dos x representa a entrada e
o eixo dos y representa a sada. A funo que descreve este comportamento
denominada funo de ativao.
0
(b)
(a)
Figura 59 A funo de ativao: (a) disparo em e (b) disparo em 0. Fonte: Beale e

Jackson (1991).
Equivalentemente, o valor de disparo pode ser subtrado da soma ponderada, e o
valor resultante comparado com zero. Neste caso, conforme ilustrado na figura, o
disparo passa a ocorrer na origem dos eixos. Para essa nova situao, pode ser escrito:
N
g( x ) = f h wi xi ,
i=1
(64)
na qual o valor de disparo e f h uma funo degrau (conhecida como funo de

Heaviside) e:
f h (x ) = 1 se x > 0 ,
f h (x ) = 0 se x 0 ,
(65)
note que a funo produz unicamente 1 ou 0, de tal forma que o neurnio estar ativo ou
inativo.
Se for utilizado o artifcio de estabelecer uma tendncia ao neurnio, pode se
definir uma entrada extra (0), a qual sempre colocada ativa, com um peso que
representa a tendncia aplicada ao neurnio. A equao que descreve a sada pode ento
ser escrita como:
Anexo
132
______________________________________________________________________
N
g( x ) = f h wi x i .
i =0
(66)
Observa-se que o limite inferior do somatrio foi mudado de 1 para 0 e que o valor da
entrada x 0 sempre assumida igual a 1. Vide ilustrao na Figura 60.
No processo de treinamento, os pesos das entradas ativas devem ser aumentados,
quando a inteno que a sada seja ativa e diminuir esses pesos quando a inteno
que a sada seja inativa. Isso define a regra bsica de treinamento.
x0
w0
x1
w
1
x2
w2
x3
w3
Disparo unitrio
.
.
.
w
N
x
Figura 60 Detalhe do modelo bsico. Fonte: Beale e Jackson (1991).
O comportamento do processo de classificao atravs de redes neurais de uma

camada pode ser visualizado atravs da Figura 61, na qual o processo de aprendizado
inicia em uma posio aleatria incorreta associada linha 0 at a posies corretas
ilustradas pelas linhas 10, 20 e 30. Observe que o processo no procura otimizar as
distncias entre as amostras associadas classe ilustrada por pequenos quadrados pretos
da classe ilustrada por pequenas circunferncias.
Anexo
133
______________________________________________________________________
0
5
10
20
30
Figura 61 Evoluo da rede neural de uma camada. Fonte: Beale e Jackson (1991).
Por outro lado, a rede neural de apenas uma camada apresenta limitaes para
casos especficos. Um exemplo clssico descrito por Beale e Jackson (1991) conduz
seguinte situao: um sistema apresenta o resultado 1 sempre quando for submetido a
entradas diferentes (0,1 ou 1,0) e apresenta resultado igual a 0 sempre que as entradas
forem iguais (0,0 ou 1,1). Na Figura 62 so ilustrados os resultados de tal sistema, na
qual os crculos mais escuros representam entradas que produzem sadas iguais a 1.
Portanto as duas classes distintas apresentadas em tons de cinza diferentes no so
linearmente separveis, ou seja, no possvel construir retas que separe as duas classes
adequadamente, conforme pode ser visualizado nas linhas tracejadas ilustradas,
remetendo a solues mais elaboradas que sero analisadas no prximo tpico. Este
problema, aqui montado para redes neurais de uma camada, tambm seria vlido para os
classificadores lineares analisados anteriormente (Fisher e Karhunen-Love). Tais
situaes sero solucionveis apenas atravs de classificadores no lineares.
Anexo
134
______________________________________________________________________
x
coordenadas
Sada
Figura 62 Classes linearmente inseparveis. Fonte: Beale e Jackson (1991).

Uma outra limitao a ser considerada que as tcnicas de classificao lineares
podem, tambm, conduzir a situaes de indefinio. As situaes de classificaes
indefinidas so descritas por Duda e Hart (1973) e ilustradas na Figura 63 (a) e (b),
atravs das reas sombreadas.
R1
R1
C1
C1
C3
C3
R3
C2
R2
C2
(a)
R3
R2
(b)
Figura 63 - Exemplo de regies de classificao indefinida.
Anexo
135
______________________________________________________________________
A.2 Tcnicas No Lineares de Reconhecimento

de Padres
As tcnicas de projeto de classificadores discutidas at aqui estavam restritas a
superfcies de deciso lineares (hiperplanos). Em diversas situaes prticas, tais
hiperplanos no permitem a desejada separao de tal forma que uma superfcie de
deciso no linear se torna necessria. Um exemplo de tais situaes foi ilustrado na
Figura 62.
A utilizao de redes neurais para solucionar os tipos de problema no lineares
tem se tornado mais usual ultimamente. Esta tcnica busca a implementao de um
novo tipo de classificador atravs da construo de mltiplas camadas do modelo bsico
do neurnio anteriormente analisado. A implementao de uma rede de mltiplas
camadas conduz a que as sadas dos neurnios de uma camada passem a representar
entradas para novos neurnios em uma outra camada. Esta soluo, descrita por Beale e
Jackson (1991) requer adaptaes que habilitem a nova rede a serem treinadas. Tais
adaptaes passam pela redefinio da funo de ativao, tornando a regio de
transio mais atenuada. Trs alternativas de funo de ativao so apresentadas na
Figura 64.
0
-1
(a)
(b)
(c)
Figura 64 Funes de ativao: (a) linear, (b) log-sigmide e (c) tan-sigmide.

Nos trs casos, o valor da sada ser praticamente um se a soma ponderada
exceder bastante o valor de ativao e, inversamente, ser zero ou menos 1 se a soma
ponderada for muito menor que o valor da ativao. Entretanto, no caso em que a
ativao e a soma ponderada forem aproximadamente os mesmos, a sada do neurnio
Anexo
136
______________________________________________________________________
ter um valor entre os dois extremos. Isso significa que a sada do neurnio estar
relacionada com as entradas de uma forma mais til e informativa.
Nesse novo modelo os neurnios so arranjados em trs camadas denominadas
entrada, sada e intermediria ou oculta. As funes de transio para os
neurnios so dos tipos apresentados na Figura 64.
Segundo informaes contidas no manual do Matlab (2000), a rede neural
implementada atendendo a arquitetura bsica ilustrada na Figura 65.
Vetor
de
entrada
Mx1
Iw1,1
Sada
b1
Figura 65 Arquitetura bsica de uma rede neural no Matlab (2000).

Nesta figura, M representa o nmero de elementos do vetor de entrada, b1 o vis e
w o vetor peso. A sada calculada atravs da aplicao da funo de ativao:
Saida = log sig Iw1,1 x + b1 .
(67)
A arquitetura bsica apresentada pode ser composta em diversas camadas de tal

forma a atender ao problema a ser analisado. O processo de treinamento da rede
denominado regra delta generalizada ou regra retro-propagao (back propagation)
e requer um conjunto de treinamento que traduza o comportamento esperado da rede
vetor de entrada p e vetor objetivo t. Durante o processo de treinamento, o vetor peso w
e o vetor de vis b so iterativamente ajustados para melhorar o desempenho da rede. A
Anexo
137
______________________________________________________________________
funo desempenho normalmente traduzida pelo erro mdio quadrtico entre a sada
da rede e o vetor objetivo t.
Existem diversos algoritmos de treinamento. Todos eles usam o gradiente da
funo desempenho para determinar como ajustar os vetores peso e de vis de tal forma
a melhorar o desempenho da rede. O gradiente determinado atravs da tcnica back
propagation, a qual implementada por intermdio de avaliaes retroativas ao longo
da rede. Existem diversas variaes dessa tcnica. A implementao mais simples
consiste em atualizar os vetores peso e de vis na direo na qual a funo erro decresce
mais rapidamente o negativo do gradiente. Uma iterao desse algoritmo pode ser
escrita como:
w k +1 = w k k k ,
(68)
onde wk o vetor de pesos e vis corrente, k o gradiente corrente e k a taxa de

aprendizagem.
No manual do Matlab (2000) so descritas duas maneiras nas quais os algoritmos
de gradiente descendentes podem ser implementados: modo incremental e modo
retroativo. No modo incremental, o gradiente calculado e os vetores de peso e vis so
atualizados aps a aplicao dos vetores de entrada na rede. No modo retroativo todos
os vetores de entrada so aplicados antes dos vetores de peso e vis serem atualizados.
Na referncia aqui citada so descritos diversos algoritmos que procuram treinar a rede
a partir dessa ltima tcnica. Para a base de dados constituda foram testados os
seguintes algoritmos, cujos resultados sero apresentados e discutidos no Captulo 4:
traingd Batch Gradient Descent;
traingdm - Batch Gradient Descent with momentum;
traingda Variable Learning Rate;
traingdx variao do algoritmo anterior;
traingrp Resilient Backpropagation;
traincgf Fletcher-Reeves Update;
traincgp Polak-Ribire Update ;
traincgb Powell-Beale Restarts;
Anexo
138
______________________________________________________________________
trainscg Scaled Conjugate Gradient;
trainbgf BFGS Algorithm;
trainoss One Step Secant Algorithm;
trainlm Levemberg-Marquardt.
A.3 Extrao de Atributos

Sempre que possvel, procurou-se extrair atributos para cada um dos domnios:
tempo, freqncia e a partir das transformadas wavelets. Os tpicos a seguir abordam os
procedimentos matemticos utilizados em cada uma dessas situaes, fazendo uma
introduo preliminar s tcnicas de processamento digital de sinais.
A.3.1 Tcnicas de Processamento Digital de Sinais

O advento de computadores digitais providos de capacidade de processamento
cada vez maiores, o desenvolvimento de algoritmos mais eficazes e as novas pesquisas
cientficas que incorporaram modelos matemticos ainda mais robustos tm permitido
que a anlise e processamento de sinais sejam implementados computacionalmente,
permitindo, inclusive, monitoraes em tempo real de diversos fenmenos eltricos,
aes essas que, at pouco tempo atrs, caracterizavam-se como impensveis.
No processamento digital de sinais, duas ferramentas assumem importantes
papis: a transformada de Fourier e as transformadas wavelets, sendo que estas ltimas
vm assumindo um papel de destaque diante de sua habilidade de realizar anlise local,
isto , analisar uma minscula rea de um sinal de grandes propores.
Alm das transformadas, alguns aspectos fundamentais de processamento digital
de sinais sero abordados nos tpicos a seguir, tais como o processo de aquisio
associado s anlises de erros de amostragem, quantizao e truncamento.
Os erros de amostragem no processamento digital de sinais esto associados taxa
de aquisio de dados estabelecida. Tal taxa define o ponto instantneo no qual os dados
devem ser registrados. Deve-se procurar efetuar a amostragem a intervalos igualmente
Anexo
139
______________________________________________________________________
espaados com o cuidado de se evitar a deformao do sinal (alliasing), segundo
descrevem Oppenheim e Schafer (1999).
Os erros de quantizao, conforme descreve Oppenheim et al. (1997), esto
associados ao processo de converso analgico-digital (A/D). Um conversor A/D ideal
converte um sinal contnuo no tempo para um sinal discreto no tempo, sendo que cada
amostra conhecida com preciso infinita. O erro de quantizao cometido quando do
arredondamento para o nvel de quantizao mais prximo do valor real amostrado.
O erro de truncamento est associado ao comprimento finito para armazenamento
binrio das palavras no digitalizador. Existe uma correlao direta entre a capacidade de
memria e o comprimento das palavras (bits) e conseqentemente o custo dos
dispositivos.
A.3.2 Transformada de Fourier

Segundo Oppenheim e Willsky (1983), o desenvolvimento das anlises de Fourier
tem uma longa histria envolvendo uma grande quantidade de indivduos e a
investigao de diversos fenmenos fsicos distintos. O conceito do uso de somas
trigonomtricas para descrever fenmenos peridicos remonta, no mnimo, era dos
babilnios, os quais usaram tais idias para predizer eventos astronmicos. A histria
moderna associada ao tema comeou em 1748 com L. Euler que examinou o
movimento da vibrao de molas. Suas teorias foram criticadas por Bernoulli, em 1753,
e por J. L. Lagrange, em 1759. Em 1807, Jean Baptiste Joseph Fourier apresentou seus
estudos que tiveram um dos maiores impactos no desenvolvimento da matemtica, os
quais tm sido e ainda so de grande importncia em uma larga faixa de aplicaes
cientficas e de engenharia.
Um aspecto importante a se considerar na aplicao das transformadas de Fourier
aos sinais eltrico sob anlise est associado a suas caractersticas aleatrias. Nesse
contexto, ao estabelecer classes de processos estocsticos, Priestley (1996) estabeleceu
duas categorias:
a) processos que so estacionrios no mnimo at a ordem dois;
b) demais processos.
Anexo
140
______________________________________________________________________
Conforme descreveu o mesmo autor, um processo estacionrio at a ordem dois
se: (i) ele tem o mesmo valor mdio, em todo intervalo de tempo; (ii) ele tem a mesma
varincia, em todo intervalo de tempo e (iii) a covarincia entre os valores em dois
momentos, i e j, depende unicamente de (i-j) e no da localizao dos dois momentos
especificamente.
Para ilustrar essa distino o autor listou alguns exemplos prticos de cada um dos
tipos estabelecidos, nos quais os rudos provenientes de circuitos eltricos pertencem
categoria (a), podendo ser considerados estacionrios.
Com este mesmo enfoque, Oppenheim e Schafer (1999) afirmam que processos
estocsticos so, freqentemente, utilizados para modelar sinais, quando o processo que
gera o sinal muito complexo para uma modelagem determinstica razovel.
Tipicamente, quando a entrada para um sistema linear invariante no tempo modelado
como um processo estocstico estacionrio, muitas das caractersticas essenciais da
entrada e da sada so representadas adequadamente por mdias, varincia, funes de
auto-correlao ou densidade espectral de potncia. Conseqentemente, de particular
interesse estimar essas grandezas para um determinado sinal. Um estimador tpico para
o valor mdio de um processo aleatrio de um segmento de comprimento finito de
dados M a mdia amostral, definida como:
x =
m
1 M 1
r[n ] .
M n =0
(69)
Similarmente, um estimador tpico da varincia a varincia amostral, definida

como:
2
2 =
1 M 1
x) .
(r[n ] m
M 1 n =0
(70)
Para o caso do espectro de potncia, existem duas formas bsicas para a sua
estimao:
anlise do periodograma (baseado na transformao direta de Fourier de

segmentos de comprimento finito do sinal), e
clculo da transformada de Fourier da estimativa da seqncia de autocovarincias do sinal.
Anexo
141
______________________________________________________________________
Em qualquer um dos casos, o interesse obter estimadores consistentes e no
tendenciosos. Infelizmente, a anlise de tais estimadores muito difcil e, geralmente,
apenas anlises aproximadas podem ser obtidas. Nesse contexto, importante introduzir
uma ressalva associada ao enfoque feito por Ljung (1999), o qual demonstra que o
espectro de um sinal r[n], n=1, ..., M, enfocado como determinstico, coincide com o
enfoque estocstico, quando M tende para infinito. A partir dessa premissa, a densidade
espectral de potncia do sinal sob anlise foi obtida atravs da operacionalizao
computacional do seguinte par de transformada de Fourier, vlidos para sinais discretos
no tempo:
r[n ] =
( )
1
R e j e j d ,
2 2
( )
R e j =
(71)
r[n ] e jn .
(72)
n =
A.3.3 Transformada Wavelet

As transformadas Wavelets se constituem em uma nova tecnologia que procura
realizar algo alm do que a transformada de Fourier possibilita. Segundo Burrus et al.
(1998), diferentemente da transformada de Fourier, na qual o sinal decomposto em
bases senoidais, na transformada wavelet as bases de decomposio so sinais que
podem ter diversas formas, porm todas oriundas de translaes e escalonamentos de
uma base me (t), chamada funo wavelet me.
f ( t ) = b j, k j,k (t ) .
k
(73)
Nesta equao, j,k(t) a Transformada Wavelet Discreta (TWD). A transformada

dita discreta porque as funes j,k(t) so obtidas por escalonamentos e translaes
discretas de (t), na forma:
Anexo
142
______________________________________________________________________
j,k (t ) = 2 j 2 2 j t k ,
(74)
sendo os coeficientes b j, k obtidos pelo produto interno7:

b j,k =< f (t ), j,k (t ) >= f (t ) j, k (t )dt .
(75)
O produto interno, nada mais do que uma comparao entre as funes f(t) e
j,k(t). Na funo j,k(t), o parmetro j escalona a funo (t), e conseqentemente
determina o contedo de freqncia do sinal, obedecendo assim propriedade do
escalonamento da Transformada de Fourier. A Equao (76) representa essa
propriedade:
f (t a ) F(b ) .
(76)
Ou seja , alargando-se uma funo no tempo, estreita-se o seu espectro de

freqncia e vice-versa. E, assim, ocorre um deslocamento da freqncia mdia da
funo F(). Tendo em vista essas consideraes, pode-se concluir que variando j na
Equao (92), varia-se todo espectro de freqncia. O coeficiente b j, k caracteriza, de
maneira satisfatria, o sinal f(t) em relao ao espectro. Tambm na Equao (74), o
parmetro k desloca j,k (t) no tempo. Assim, o produto interno da Equao (75) permite
que se observem e se analisem fenmenos rpidos no tempo que esto contidos no sinal.
Uma maneira mais eficiente, em termos de algoritmo computacional, para
caracterizar um sinal desmembrar a Equao (73), nas Equaes (77) e (78):
f (t ) = c(k ) k (t ) +
k =
d ( j, k ) j,k (t ) ,
j= k =
(77)
em que,
k (t) = (t-k).
(78)
A funo (t) conhecida como funo escala. A funo escala serve inicialmente
para uma caracterizao mais grosseira do sinal, enquanto as funes wavelets j,k (t)
7
Os sinais < e > representam o produto interno entre as funes internas aos mesmos.
Anexo
143
______________________________________________________________________
refinam a caracterizao. Os coeficientes c(k) e d(j,k) so determinados pelos produtos
internos, os quais esto representados matematicamente nas Equaes (79) e (80):
c(k ) = f (t ) k (t )dt ,
(79)
d ( j, k ) = g(t ) j,k (t )dt .
(80)
As funes escala e wavelet possuem uma relao biunvoca, ou seja, quando se

determina uma delas, a outra tambm ser definida.
Diversas famlias de wavelets so descritas na literatura. Atravs do aplicativo
Matlab (2000), por exemplo, possvel o processamento de at 53 tipos diferentes de
wavelets, conforme se encontram relacionados na Tabela 24.
Tabela 24 Relao das wavelets disponveis no aplicativo Matlab (2000).
Cdigo
db
sym
coif
bior
rbio
dmey
FAMLIA DAS WAVELETS

Descrio
Sub-cdigo dos Componentes da famlia
Wavelets Daubechies. 1; 2; 3; 4; 5; 6; 7; 8; 9; 10.
Wavelets Symlets.
2; 3; 4; 5; 6; 7; 8.
Wavelets Coiflets.
1; 2; 3; 4; 5.
Wavelets bi-ortogonal. 1.1; 1.3; 1.5; 2.2; 2.4; 2.6; 2.8; 3.1; 3.3; 3.5; 3.7;
3.9; 4.4; 5.5; 6.8.
Wavelets bi-ortogonal 1.1; 1.3; 1.5; 2.2; 2.4; 2.6; 2.8; 3.1; 3.3; 3.5; 3.7;
reversa
3.9; 4.4; 5.5; 6.8.
Aproximao discreta
da Wavelet de Meyer
O Captulo 4 apresenta resultados obtidos atravs do manuseio dessas ferramentas

matemticas, no sentido de processar os sinais adquiridos, extrair atributos dos sinais e
utilizar tcnicas de classificao. Uma etapa a ser avaliada a escolha da wavelet me
que conduza ao melhor resultado no processo de reconhecimento, como tambm o nvel
mximo de decomposio do sinal. Segundo Burrus et al. (1998), a decomposio
feita em nveis nos quais cada um deles incorpora dois parcelamentos do sinal
denominados de aproximao e detalhe.
Teoricamente, o
processo
de
decomposio poderia se dar indefinidamente, entretanto, na prtica, aplicado nmero

adequado de decomposio baseado em critrio que avalie a informao contida em
cada sinal decomposto, interrompendo o processo quando o novo sinal decomposto no
incorporar refinamento significativo. Um dos critrios utilizados para aferir a
Anexo
144
______________________________________________________________________
informao contida no sinal decomposto atravs do clculo da entropia. Segundo
Cover e Thomas (1991), a entropia definida como a informao mdia de uma fonte.
Dentre diversas formulaes contidas no aplicativo Matlab (2000), foi escolhida a
modelagem de Shannon.
A partir da aplicao da transformada Wavelet, o sinal decomposto estar mais
refinado, quanto menor a entropia. O nvel mnimo de entropia pode ser, ento, definido
como critrio para interrupo do processo de decomposio. A ltima parcela
encontrada deve ser o foco para obteno de padres a serem submetidos ao processo de
reconhecimento.
Bibliografia
AGEMA, Thermovision 550. Manual de Operao. 1996.

ANDERSON, T. W., An Introduction to Multivariate Statistical Analysis. John
Wiley & Sons, Inc. 1960.
BEALE, R. e JACKSON, T., Neural Computing. Adam Hilger, Bristol, Philadelphia
and New York, 1991.
BEZERRA, J. M. B., Aplicao de Tcnicas de Reconhecimento de Padres no
Diagnstico de Defeitos em Linhas de Transmisso. Dissertao defendida no
Mestrado de Engenharia Eltrica e Sistemas do Centro de Tecnologia e

Geocincias da UFPE, Recife, PE, Brasil. 1995.
BEZERRA, J. M. B. e SILVA, A. F. D., Use of Pattern Recognition Techniques in
Transmission Lines Defects Monitoring. IEEE/KTH Stockholm Power Tech
Conference., pp 22-27. 1995.

BEZERRA, J.M.B. Diagnstico de Linhas de Transmisso com Vistas a
Implementao do Processo de Recapacitao. III-ENEAT Encontro Nacional
de Engenharia de Alta Tenso. 2000a. Anais em CD.

BEZERRA, J.M.B.; REGIS, O. E LICOLIN, E. Aplicao de Termovisores de ltima
Gerao no Controle e Ampliao da Ampacidade de Linhas de Transmisso.
VII-SEPOPE Symposium of Specialists in Electric Operational and Expansion

Planning. 2000b. Anais em CD.
BEZERRA, J. M. B.; DEEP, S. S. e LIMA, A. M. N., Application of Risk Criteria on
Transmission System Insulation Upgrade. IEEE Conference on Electrical
Insulation and Dielectric Phenomena. Mxico. Anais em CD e cadastrado no

IEEE/xplore. 2002a.
Bibliografia
146
______________________________________________________________________
BEZERRA, J. M. B.; LIMA, A. M. N.; DEEP, G. S., The Application of Finite
Elements to Accident Risk Evaluation in Hot Line EHV Insulators
Maintenance. V INDUSCON Conferencia de Aplicaes Industriais.
Salvador/BA. Anais em CD. 2002b.

BEZERRA, J. M. B.; LIMA, A. M. N.; DEEP, G. S. e COSTA, E. G., Estudo da
Distribuio de Tenso em Cadeias de Isoladores Areos de Alta Tenso em
Ambientes Poludos. XVII SNPTEE Seminrio Nacional de Produo e
Transmisso de Energia Eltrica, realizado em Uberlndia, MG, Brasil. 2003a.

BOLOGNA, F. F; BRITTEN, A. C.; WATRIDGE, G. e STEVENS, D. J. e
GRIGORAKIS, G., Leakage Currents on Lightly Polluted on 275 kV Glass
Disc Insulator String in Condition of Light Wetting. IEEE, pp 739-742. 1999.
BIDDLE, Leak and Corona Detection. Bulletin 56-1a. 1990.

BURRUS, C. S., GROPINATH, R. A. e GUO, H., Introduction to Wavelet
Transforms, Primeira Edio, Prentice Hall, Inc., Upper Saddle River, NJ. 1998.
BUXTON, B.F.; LANGDON, W.B. e BARRET, S. J. Data Fusion by Intelligent

Classifier Combination. Measurement and Control. vol 34, No. 8, October
2001, p 229-234.
CHESF, Relatrio de Desempenho de Linhas de Transmisso. Documento interno.
2003.
CIGR, Grupo de Trabalho 04 do Comit de Estudos No 33, A Critical Comparison of
Artificial Pollution Test Method for HV Insulators. ELECTRA, No 64. 1979.
COVER, T. M. e THOMAS, J. A., Elements of Information Theory. John Wiley and

Sons, Inc., Canada. 1991.
DANIKAS, M. G.; GAO, N. e ARO, M., Partial Discharge Recognition Using
Neural Networks: a Review. Electrical Engineering. Springer-Verlag, pp 87-93.
2003.
DUDA, R. O. e HART, P. E., Pattern Classification and Scene Analysis. John Wiley
& Sons, New York, NY, USA. 1973.
EPRI - Electric Power Research Institute, Transmission Line Reference Book 345 kV
and Above. Fred Weidner & Son Printers, Inc., New York, NY, USA. 1975
Bibliografia
147
______________________________________________________________________
FERNANDO, M. A. R. M. e GUBANSKI, S. M., Leakage Current Patterns on
Artificially Polluted Composite Insulators. IEEE Conference on Electrical
Insulation and Dielectric Phenomena, San Francisco, USA, pp 394-397. 1996.

FERNANDO, M. A. R. M. e GUBANSKI, S. M. Analysis of Leakage Current Wave
Forms for Field-aged and New Composite Insulators. IEEE Conference on
Electrical Insulation and Dielectric Phenomena, pp 350-353. 1997.

FUKUNAGA, K., Introduction to Statistical Pattern Recognition. Academic Press,
New York, NY, USA. 1972.
FUCHS, R. D., Transmisso de Energia Eltrica. Linhas Areas. Livros Tcnicos e
Cientficos Editora S.A, So Paulo, SP, Brasil. 1979.
FURTADO, R.C.; BEZERRA, J.M.B.; SOARES, F.G.; DACONTI, J.R. The
Incorporation of Environmental Costs into the Planning of a Power System
Interconnection in Brazil. Bienal CIGRE. 2000.
GULSKI, E. e KREUGER, F. H., Computer-aid Recognition of Discharge Sources.

IEEE Transactions on Electrical Insulation, Vol. 27, No 1, pp 82-92. 1992.
HOEL, P. G. Estatstica Matemtica. Trad. de Othon Guilherme Pinto Bravo. Editora
Guanabara Dois S. A. Quarta edio, S. A., Rio de Janeiro, RJ. 1980.
HOOF, M. e PATCH, R., Voltage Difference Analysis, a Tool for Partial
Discharge Source Identification. International Symposium on Electrical
Insulation, Montreal, Quebec, Canada, pp 401-406. IEEE. 1996.

IEC 60270, High-voltage Test Techniques Partial Discharge Measurements. IEC.
2000.
IEC 507, Artificial Pollution Tests on High-Voltage Insulators to be used on a.c.
Systems. Segunda edio. IEC. 1991.
IEC 815, Guide for The Selection of Insulators in Respect of Polluted Conditions.
IEC. 1986.
JAIN, R., KASTURI, R. e SCHUNCK, B. G., Machine Vision. McGraw-Hill, Inc.,
KLEINE-OSTMAM, T. e BELL, A. E. A Data Fusion Architecture for Enhanced
Position Estimation in Wireless Networks. IEEE Communications Letters, Vol.
5, No. 8, August 2001, p 343-345.
Bibliografia
148
______________________________________________________________________
KREUGER, F. H., Partial Discharge Detection in High-Voltage Equipment.
Butterworth & Co. (Publishers) Ltd., London, UK. 1989.
LJUNG, L., System Identification. Theory for The User. Prentice Hall PRT.
Information and System Science Series, Upper Saddle River, NJ, USA. 1999.
LOPES, I. J. S., A Study of Surface Discharges During the Early Ageing of Silicone
Rubber Insulation Using Partial Discharge Analysis. Tese de Doutorado.
Universidade de Waterloo, Canada. 2001.

MATLAB, The Language of Technical Computing. Version 6.0. 2000.
MEDEIROS, M. A. A, Projeto e Implementao de um Circuito Para Deteco e
Aquisio de Dados de Descargas Parciais em Sistemas Convencionais.
Dissertao de Mestrado. COPELE/UFCG, Campina Grande, PB, Brasil. 2003.

NERI, M. G. G., Um Sistema Computadorizado para Medio de Descargas
Parciais. PIBIC/CNPq/UFCG. Relatrio Final. Campina Grande, PB, Brasil.
2002.
NIGRI, A. I., Desempenho de Linhas de Transmisso. Ponto de Vista da
Manuteno. XV-SNPTEE Seminrio Nacional de Produo e Transmisso de
Energia Eltrica, Foz do Iguau, PR, Brasil, anais em CD. 1999.

OPPENHEIM, A. V. e Willsky A. S. com Nawab H. S., Signals & Systems. Prentice
Hall Signal Processing Series, Upper Saddle River, NJ, USA. 1983.
OPPENHEIM, A. V. e Schafer, R. W. com Buck, J. R., Discrete-Time Signal
Processing. Prentice Hall Signal Processing Series, Upper Saddle River, NJ,
USA. 1999.
PRIESTLEY, M. B., Spectral Analysis and Time Series Probability and
Mathematical Statistics, Vol. II. Academic Press Inc., San Diego, Ca, USA.
1996.
PROJECT EHV, EHV Transmission Line Reference Book. Edison Electric Institute,
RGIS, O.; FREIRE, A.R.F.; BEZERRA, J.M.B. Sobrecarga em Ativos do Agente de
Transmisso. XVI-SNPTEE. 2001.
RICHARDS, C. N. e RENOWDEN J. D., Development of a Remote Insulator

Contamination Monitoring System. IEEE Transactions on Power Delivery, Vol.
12, No. 1, pp 389 397. 1997.
Bibliografia
149
______________________________________________________________________
RIZK, F. A. M., Mathematical Models for Pollution Flashover. Electra, Vol. 78, pp.
71-103. 1981.
SALAM, M.A.; SATTAR S. A.; SAYED, Y. e GHALLY, M., Early Detection of
Weak Points in MEEC Distribution System. IEEE pp 2541 - 2545. 2001.
SATISH, L. e NAZNEEN, B., Wavelet-based Denoising of Partial Discharge Signals

Buried in Excessive Noise and Interference. IEEE Transaction on Dielectrics
and Electrical Insulation, pp 354 367. abril/2003.

SATISH, L. e GURURAJ, B. I., Partial Discharge Pattern Classification Using
Multilayer Neural Networks. IEE Proceedings A., Vol. 140, pp 323 330.
1993.
SILVA, D., Estudo Qualitativo de Tcnicas Lineares de Seleo de Atributos: Uma
Aplicao em Sistemas de Potncia. Dissertao de Mestrado, UFPE, Recife,
PE, Brasil.1990.
SCHALKOFF, R., Pattern Recognition Statistical, Structural and Neural
Approaches. John Wiley and Sons, Inc., Canada. 1992.
SLANSKY, J. e WASSEL, G. N., Pattern Classifier and Trainable Machines. Spring

Verlag New York Inc., NY, USA. 1981.
SHIM, J. J S. e SIEW, W. H., Digital Signal Processing Applied to the Detection of
Partial Discharge: an Overview. IEEE Electrical Insulation Magazine, Vol. 16,
No 3, pp 6-12. 2000.
STEWART, B. G.; HEMPBURN, D. M; KEMP, I. J.; NESBIT, A. e WATSON, J.,
Detection and Characterization of Partial Discharge Activity on Outdoor
High
Voltage Insulating
Structures
by
RF Antenna
Measurement
Techniques. High Voltage Engineering Symposium, Conference Publication No
467, pp 5.188 5.191. 1999.

SUNDARARAJAN, R. e GORUR R. S., Dynamic Arc Modeling of Pollution
Flashover of Insulators under dc Voltage. IEEE Transactions on Electrical
Insulation, Vol. 28, No. 2, pp 209 218. April 1993.

TEKTRONIX, Spectrum Analyzer 2714. User Manual. 1994.
TEKTRONIX, Getting Started with the TD2301/S45D010. Measurement Software.
Product Group 45. 1992.
Bibliografia
150
______________________________________________________________________
VAZQUEZ; I. R e CHAVEZ, J. L. F., Criteria for the Diagnostic of Polluted
Ceramic Insulators Based on the Leakage Current Monitoring Technique.
IEEE Conference on Electrical Insulation and Dielectric Phenomena, pp 715

718. 1999.

Tese

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tese

Uploaded by

Copyright:

Available Formats

Universidade Federal de Campina Grande

Centro de Cincias e Tecnologia - CCT

Jos Maurcio de Barros Bezerra

Caracterizao de Atributos de Sinais para Utilizao de

Caracterizao de Atributos de Sinais para Utilizao de Tcnicas

Jos Maurcio de Barros Bezerra

Tese aprovada em 23.04.2004

Antonio Marcus Nogueira Lima,Dr.,UFCG,

Gurdip Singh Deep, Ph.D., UFCG

Edson Guedes da Costa, D.Sc., UFCG,

Jos Pissolato Filho, Dr., UNICAMP

Ivan Jos da Silva Lopes, Ph.D., UFMG

Washington Luiz Arajo Neves, Ph.D., UFCG

Francisco Marcos de Assis, Dr., UFCG

Ficam aqui registrados os agradecimentos a CAPES e ao PRONEX/CNPq pelo aporte de

Figura 1 Desenvolvimento das descargas em uma unidade de isolador contaminado

Tabela 1 Detalhamento da legenda do diagrama de estatstica de falhas.................... 18

Lista dos Smbolos Principais

Coeficientes da srie de Fourier.

Fator de correlao cruzada.

Vetor peso associado funo discriminante j.

s falhas em isolamentos eltricos so as principais responsveis por

interrupes no fornecimento de energia eltrica aos diversos consumidores

Figura 1 Desenvolvimento das descargas em uma unidade de isolador contaminado

Figura 2 Estatstica de falhas transitrias1 no sistema CHESF (perodo 1987 2002).

Observa-se, na Figura 3, que o sistema CHESF passa por um perodo de calmaria,

As falhas transitrias se caracterizam por no requererem a ao de equipes de manuteno para

Figura 3 - Taxa de falhas transitrias no sistema CHESF, por poluio.

Figura 4 Regies mais crticas de poluio no sistema CHESF.

simplificadamente, em diagrama de blocos, conforme ilustra a Figura 5, na qual o

propiciar a tomada de deciso necessria ao processo (diagnstico do estado do

Figura 5 Um sistema de reconhecimento de padres.

Os atributos so aferies feitas sobre o padro obtido, com o intuito de levantar

que sejam computacionalmente prticos;

conduzam a bons resultados no processo de reconhecimento de padres;

reduza o processamento a uma quantidade tratvel de dados sem descartar

O processo de seleo de atributos envolve de certa forma um julgamento. Em

Captulo 2: Reviso Bibliogrfica

isolamento eltrico se constitui em um componente muito crtico em sistema

de potncia em alta tenso. Apesar dos avanos nas reas de manufatura,

2.1 Descargas em Isoladores Areos

2.2 Descargas em Isolantes Internos

grandezas bsicas: observadas durante um ciclo de tenso;

grandezas calculadas: valores integrados a partir das grandezas bsicas

operadores estatsticos: parmetros estatsticos extrados das grandezas

Para registro das grandezas bsicas, os valores momentneos da tenso de ensaio e

Para o registro das grandezas calculadas, as grandezas bsicas precisam ser

Figura 6 Ilustrao das grandezas bsicas de descarga. Fonte: Gulski e Kreuger

A assimetria das descargas Q o cociente do nvel mdio das descargas obtido a

N so os nmeros de descargas obtidos a partir de H +n () e H n () , respectivamente.

A assimetria de fase usada para estudar a diferena da tenso de incio de

o Fator de Correlao Cruzada

na qual p a amplitude mdia de descarga em uma janela de fase no meio ciclo de

o Assimetria em Relao Distribuio Normal

o Curtose (grau de achatamento em relao distribuio normal)

sendo xi o valor discreto de x, Pi a probabilidade de xi, o valor mdio da distribuio e

Captulo 2: Reviso Bibliogrfica

s metodologias descritas ao longo deste captulo procuram embasar a

aplicao de tcnicas de reconhecimento de padres a sinais adquiridos a

3.1 Conceitos Preliminares de Reconhecimento

x i do vetor x usualmente uma caracterstica ou propriedade de um objeto sob anlise.

ou desejvel classificao. Um classificador treinvel um classificador que conduz a

como fase de treinamento. O conjunto de vetores de atributos ou observaes utilizado

coincidir ou se sobreporem. Esse usualmente o caso no qual o treinamento no