Navegando por Assunto "GAN (Generative adversarial network)"

Agora exibindo 1 - 1 de 1

Acesso aberto (Open Access)
Técnica semiautomática de rotulagem e sistema para geração artificial de PRPDs aplicados ao treinamento de classificador de descargas parciais em hidrogeradores
(Universidade Federal do Pará, 2024-02-29) LOPES, Frederico Henrique do Rosário; ZAMPOLO, Ronaldo de Freitas; http://lattes.cnpq.br/9088524620828017; OLIVEIRA, Rodrigo Melo e Silva de; http://lattes.cnpq.br/4768904697900863
Hidrogeradores são ativos cruciais tanto para empresas geradoras de energia quanto para a população que depende desse abastecimento. No entanto, essas máquinas estão suscetíveis a vários tipos de defeitos que podem resultar em interrupções inesperadas, se nada for feito a respeito. A análise de descargas parciais é uma abordagem já consolidada para avaliar a condição de equipamentos de alta tensão, sendo essencial a detecção automática de diferentes tipos de defeitos, uma vez que diferentes níveis de risco à operação variam de acordo com o tipo de descarga. Redes neurais profundas têm sido propostas visando à classificação de descargas parciais usando diagramas PRPD (phase-resolved partial discharge). Contudo, a obtenção de conjuntos de dados rotulados com grande número de exemplos é um problema que impacta diretamente no desempenho de classificadores treinados de maneira supervisionada. Neste contexto, nesta dissertação propõe-se uma técnica semiautomática para a rotulagem de PRPDs, baseada em estratégias de redução de dimensionalidade e agrupamento de dados, bem como investiga-se o uso de GAN (generative adversarial network) na ampliação artificial do conjunto de treinamento. O conjunto de dados usado no trabalho é composto por PRPDs reais obtidos por meio de procedimentos de monitoramento online de descargas parciais em hidrogeradores. O desempenho dos sistemas propostos é contrastado com resultados recentes representativos do estado da arte na área. Os resultados demonstram que a aplicação da técnica proposta para rotulagem semiautomática tem potencial para reduzir consideravelmente a carga de trabalho e o tempo associados à classificação manual. Além disso, o uso de PRPDs artificiais gerados pela GAN resultou notável melhoria no desempenho do classificador que alcançou 94,72% de acurácia média, em comparação com 89,44% obtido com a melhor técnica concorrente. Foram observados ganhos semelhantes também nas acurácias por classe.