A machine learning approach to fault detection in transformers by using vibration data

Transformer Vibration Technique has been considered as an online and non-invasive method to monitor the failure of transformers and in particular windings looseness or deformation. The technique relies on analyzing the vibration data collected from sensors in various positions on the transformer. Several methods have been proposed to investigate the failures of the transformer. This thesis deals with the application of the Support Vector Machine algorithm as an alternative approach for fault detection of the power transformer via vibration data analysis. The investigation covers two limit cases of the windings’ condition, namely absence or presence of clamping pressure on windings. The reliability and robustness of the proposed SVM algorithm have been confirmed on empirical data collected from either nearby positions of the sensor and in various points of extended positions on the tank.

La misura delle vibrazioni nei trasformatori è considerata un metodo efficace e non invasivo per monitorare l'integrità degli elementi strutturali di queste macchine, in particolare l'allentamento o la deformazione degli avvolgimenti. La tecnica si basa sull'analisi dei dati di vibrazione raccolti da vari sensori posizionati in diversi punti del trasformatore. Sono state proposte varie procedure di analisi per studiare i guasti di un trasformatore. Questa tesi tratta dell'applicazione dell'algoritmo Support Vector Machine come approccio alternativo per il rilevamento dei guasti di un trasformatore di potenza tramite analisi di dati vibrazionali. L'indagine copre due casi limite delle condizioni degli avvolgimenti, ovvero l'assenza e la presenza di allentamento su di essi. L'affidabilità e la robustezza dell'algoritmo SVM proposto sono confermate da risultati sperimentali registrati da sensori collocati sia in posizioni vicine tra loro sia in punti diversi di un'area estesa del transformatore.