AVALIAÇÃO DE ISOLADORES ELÉTRICOS UTILIZANDO ULTRASSOM E

APRENDIZADO DE MÁQUINA
Rafael Bruns2, Gabriel de Jesus¹, Luis Augusto Kühn¹, Luiz Henrique Meyer2, Andreza Sartori¹-2
Departamento de Sistemas e Computação (Laboratório de Desenvolvimento e Transferência de Tecnologia LDTT)¹, e Departamento de Engenharia de
Telecomunicações, Elétrica e Mecânica (Programa de Pós-Graduação em Engenharia Elétrica – PPGEE)2
Departamento de Sistemas e Computação1 e Departamento de Engenharia de Telecomunicações, Elétrica e Mecânica2, Universidade Regional de Blumenau - FURB

INTRODUÇÃO
Nas redes de distribuição de energia elétrica são utilizados isoladores
elétricos, que têm como finalidades dar sustentação mecânica aos cabos
e isolamento elétrico. A verificação da qualidade dos isoladores elétricos
instalados possui uma metodologia baseada no conhecimento adquirido
por técnicos, sendo que esta verificação não é realizada sem a análise
intuitiva de um profissional.
OBJETIVOS
Uma metodologia baseada em técnicas de processamento de sinais e
Aprendizado de Máquina para a construção de um algoritmo capaz de
identificar automaticamente possíveis danos em isoladores elétricos.
Para isso foram utilizados dois isoladores, em duas condições distintas,
mostrados nas figuras abaixo.

(a) (b) (c) (d)

Figura 1. Isoladores Figura 2. Detalhamento dos dois isoladores utilizados no experimento: (a) são apresentados os dois isoladores, a
elétricos, equipamento esquerda o isolador bom e a direita o isolador perfurado; (b) fundo do isolador bom; (c) vista superior do isolador
da linha eléctrica [1]. perfurado; (d) é possível verificar que a perfuração atravessou totalmente o material isolante.

METODOLOGIA E RESULTADOS
Modelos de Aprendizado de Máquina
• O SVM se trata de um conjunto de métodos que encontra a maior de
distancia entre duas classes e traça uma linha de separação [2-3].
• O algoritmo k-Nearest Neighbours é capaz de analisar a proximidade das
características que já foram apresentas para poder classificar novas [4].
• O algoritmo de Árvores de Decisão divide o problema apresentado em
diversos subproblemas menores, e esta divisão é realizada por ordem dos
atributos mais importantes [5].

Modelo Precisão
Figura 3. Microfone ultrassônico Gráfico 1. Sobreposição de duas amostras, uma do isolador bom
utilizado na aquisição de dados, fixado
em suporte com o intuito de manter a
(Laranja) e uma do isolador perfurado (Azul), onde é possível Support Vector Machine 78,0%
verificar visualmente a diferença entre os dois tipos de sinais
inclinação fixa para todos os testes. amostrados.
K-Nearest Neighbors 97,6% Tabela 1 – Precisão dos
Diagrama do Algoritmo criado em Python principais modelos de
aprendizagem de máquinas
Decision Tree 98,8% utilizados após
aprimoramento.

Com estes resultados, pode-se observar que o algoritmo construído é capaz

de classificar com alta precisão se o isolador elétrico está em um bom estado
de conservação ou com falhas de perfuração.
Figura 4. Diagrama de Blocos do Algoritmo criado em Python

CONSIDERAÇÕES FINAIS REFERÊNCIAS

• Almeja-se elaborar um algoritmo para realizar a comparação entre as
curvas obtidas neste experimento com as curvas obtidas em campo.
• Mais testes devem ser realizados para aprimorar ainda mais a acurácia dos
dados utilizados.
[1] Meyer, Luiz Henrique, Autor
[2] C. A. D. M. Lima. “Comitê de Máquinas: uma abordagem unificada empregando máquinas de vetores-
suporte.” 2004.
[3] C. W. Hsu, C. C. Chang, & C. J. Lin, “A practical guide to support vector classification”, 2003.
[4] S. Robinson, “K-Nearest Neighbors Algorithm in Python and ScikitLearn”. [S. l.], 15 fev. 2018, disponível em:
https://stackabuse.com/knearest-neighbors-algorithm-in-python-and-scikit-learn/, acesso em: 21 ago. 2019.
[5] Norvig, Peter, and Stuart Russell. Inteligência Artificial: Tradução da 3a Edição. Vol. 1. Elsevier Brasil, 2014.