Deep learning for fault detection in transformer using vibration data

The purpose of this thesis is to evaluate the virtue of deep neural networks in detecting incipient failures of transformers, in particular windings looseness, via vibration data analysis. The transformer vibration technique is an effective online and non-invasive method to monitor the failure of transformers. It is based on the analysis of vibration spectra measured by sensors located on the transformer tank. This thesis relies on measurements that were made in a dedicated laboratory in two different situations, with and without a load attached to the transformer, and under two different conditions, in presence or absence of clamping pressure on the windings. The analysis of data, oriented to fault detection, is performed by feedforward neural networks which, by experimental results, proved effective for a reliable and robust fault prediction. These outcomes are expected to be obtained also when the neural network will be implemented in real-case scenarios since various techniques are carried out to enforce generalization to out-of-sample-data for the obtained classifier.

Lo scopo di questa tesi è quello di valutare la validità delle reti neurali profonde nel rilevare i guasti imminenti dei trasformatori, in particolare l'allentamento degli avvolgimenti, attraverso l'analisi dei dati di vibrazione. La tecnica delle vibrazioni dei trasformatori è un metodo online efficace e non invasivo per monitorare i guasti dei trasformatori. Si basa sull'analisi degli spettri di vibrazione misurati da sensori situati sul serbatoio del trasformatore. Questa tesi utilizza misurazioni che sono state effettuate in un laboratorio dedicato in due situazioni diverse, con e senza carico attaccato al trasformatore, e in due diverse condizioni, in presenza o in assenza della pressione di chiusura sugli avvolgimenti. L'analisi dei dati, orientata alla rilevazione dei guasti, viene eseguita da reti neurali feedforward che, in base ai risultati sperimentali, si sono dimostrate efficaci per una previsione affidabile e robusta dei guasti. Questi risultati sono previsti anche quando la rete neurale verrà implementata in scenari reali in quanto varie tecniche sono state implementate per rafforzare la generalizzazione a dati fuori campione per il classificatore ottenuto.