Self detection of accelerated aging in cast resin transformers via vibrational data: a method based on SVDD

This thesis investigates the application of Support Vector Data Description (SVDD), a machine learning technique, to the problem of monitoring cast resin transformers based on their vibrational behavior. The study explores how changes in the vibrational spectrum caused by electromagnetic forces acting on the windings and core can indicate the onset of degradation within the transformer’s insulation system. The proposed approach builds on an unsupervised, data-driven framework capable of modeling the normal operational regime without requiring labeled fault data. A sliding window mechanism is introduced to detect deviations over time, and the Scenario Approach is used to provide certified probabilistic guarantees for the learned models. The algorithm is first tested on synthetic data and then applied to real-world measurements collected from a transformer over several months, which includes two known failure events. Despite the challenges posed by high-dimensional inputs and limited failure samples, the results show that SVDD is capable of identifying early anomalies correlated with physical aging. These findings highlight the value of vibrational monitoring as a non-invasive, real-time diagnostic tool and support further research into its integration within predictive maintenance frameworks for critical assets such as dry-type transformers.

Questa tesi esplora l'applicazione dell'algoritmo Support Vector Data Description (SVDD), una tecnica di apprendimento automatico, al problema del monitoraggio dei trasformatori in resina attraverso l’analisi del loro comportamento vibrazionale. Lo studio analizza come le variazioni nello spettro delle vibrazioni indotte dalle forze elettromagnetiche agenti sugli avvolgimenti e sul del trasformatore stesso segnalare l'inizio di fenomeni di invecchiamento nel sistema di isolamento del trasformatore. L’approccio proposto si basa su un framework non supervisionato e guidato dai dati, in grado di modellare il regime operativo nominale senza la necessità di dati relativi a guasti. Viene introdotto un meccanismo a finestra mobile per rilevare deviazioni nel tempo, mentre l’approccio a scenari (Scenario Approach) viene utilizzato per fornire garanzie probabilistiche sui modelli appresi. L’algoritmo è inizialmente testato su dati sintetici e successivamente applicato a misure reali raccolte su un trasformatore nell’arco di diversi mesi, durante i quali si sono verificati due eventi di guasto noti. Nonostante le difficoltà legate all’alta dimensionalità dei dati e alla limitata disponibilità di esempi di guasto, i risultati dimostrano che SVDD è in grado di identificare precocemente anomalie correlate con fenomeni di invecchiamento fisico. Questi risultati confermano il valore del monitoraggio vibrazionale come strumento diagnostico non invasivo e in tempo reale, supportando ulteriori sviluppi nell’ambito della manutenzione predittiva per componenti critici come i trasformatori a secco.