Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

Imagine los enormes y zumbantes transformadores que mantienen nuestras luces encendidas y nuestros teléfonos cargados. Dentro de estos gigantes, un líquido especial llamado aceite aislante actúa como un guardián silencioso, enfriando el equipo y evitando que la electricidad salte hacia donde no debería. Pero cuando algo sale mal dentro —como una pequeña chispa o la formación de un punto caliente— el aceite comienza a descomponerse, liberando gases invisibles como hidrógeno o metano. Piense en estos gases como el "humo" de un fuego que aún no se puede ver. Durante décadas, los ingenieros han utilizado una técnica llamada Análisis de Gases Disueltos (DGA, por sus siglas en inglés) para detectar estos gases y adivinar qué está pasando. Es un poco como un médico escuchando un latido; el patrón de los gases cuenta una historia sobre la salud de la máquina. Sin embargo, leer esta historia siempre ha sido complicado. Algunos métodos son como listas de verificación rígidas que se confunden cuando los números son pequeños, mientras que otros son como mapas complejos que pueden superponerse y dejarte perdido. Y aunque los programas informáticos inteligentes (Inteligencia Artificial) pueden aprender a detectar patrones, a veces actúan como cajas negras que no explican por qué hicieron una suposición, o se confunden si no han visto exactamente ese problema antes.

Este artículo presenta una nueva forma de resolver esa confusión, llamada "Modelo de Fusión de Confianza Híbrida". En lugar de confiar en un solo detective, los autores sugieren reunir a todo un equipo. Toman las mejores partes de las viejas listas de verificación basadas en reglas, los mapas visuales (como el Triángulo de Duval) y las computadoras de IA inteligentes, y hacen que voten sobre cuál es el problema. Pero aquí está la parte ingeniosa: no todos los detectives reciben un voto igual. El modelo asigna un "puntaje de confianza" a cada método basándose en qué tan confiable es para la situación específica. Si la IA suele acertar con las chispas eléctricas pero es mala con el calor, y la vieja lista de verificación es excelente con el calor pero mala con las chispas, el modelo pondera sus opiniones en consecuencia. El resultado es un diagnóstico único y más confiable que combina las fortalezas de todos. En sus pruebas, este enfoque de trabajo en equipo alcanzó una precisión del 89%, superando a la mayoría de los métodos individuales trabajando por su cuenta. Los autores sugieren que esto hace que el mantenimiento sea más seguro y confiable, especialmente cuando el equipo se está comportando de manera extraña o cuando la falla es una mezcla de diferentes problemas.

La historia de los guardianes silenciosos

En lo profundo de la red eléctrica, los transformadores y otras máquinas de alta potencia están cubiertos por un baño de aceite aislante. Este aceite es la savia vital del equipo, manteniéndolo frío y evitando que la electricidad salte en arcos donde no debería. Pero cuando una máquina empieza a enfermar —tal vez debido a un cable suelto que causa una chispa o una bobina que se sobrecalienta— el aceite comienza a descomponerse. Es como una tostada quemándose; el calor o la electricidad rompen los enlaces químicos en el aceite, liberando gases como hidrógeno, metano y etileno. Estos gases se disuelven en el aceite, esperando ser descubiertos.

Durante mucho tiempo, los ingenieros han utilizado el Análisis de Gases Disueltos (DGA) para encontrar estos gases. Es un poco como un médico tomando una muestra de sangre. Al medir cuánto de cada gas está presente, pueden determinar si la máquina tiene una falla térmica (sobrecalentamiento) o una falla eléctrica (chisporroteo). El artículo explica que estos gases se forman mediante reacciones químicas específicas. Por ejemplo, cuando el aceite se descompone, puede producir metano (CH4) o acetileno (C2H2), y el tipo de gas te indica la "temperatura" o la "energía" de la falla.

El dilema del detective

El problema es que determinar exactamente qué está mal no siempre es fácil. El artículo destaca tres formas principales en las que los ingenieros han intentado resolver este rompecabezas, y cada una tiene sus propios defectos.

Primero, están los Métodos Basados en Reglas. Estos son como manuales de instrucciones estrictos. Utilizan proporciones fijas (comparando la cantidad de un gas con otro) o consultan un gráfico para decidir la falla. El artículo menciona estándares como IEC 60599 e IEEE C57.104, que son los libros de reglas oficiales. Aunque son simples y estandarizados, pueden ser rígidos. Si los niveles de gas son muy bajos, o si los números caen justo en el límite de una categoría, estos métodos podrían dar respuestas contradictorias o pasar por alto la falla por completo. Es como intentar clasificar canicas por tamaño usando una regla que solo tiene marcas para "pequeño" y "grande", dejando a las medianas en una zona gris confusa.

Segundo, están los Métodos Gráficos, como el famoso Triángulo de Duval y el Pentágono de Duval. Imagine graficar los niveles de gas en un mapa colorido dividido en zonas. Cada zona representa un tipo diferente de falla. Esto es mucho más visual y ayuda con las concentraciones bajas de gas, pero el artículo señala que estos mapas tienen límites fijos. Las fallas del mundo real no siempre encajan perfectamente en un triángulo; pueden ser desordenadas, superpuestas o no lineales. Es como intentar dibujar un círculo perfecto alrededor de una nube; la forma simplemente no encaja.

Tercero, están los Métodos de Inteligencia Artificial (IA). Estas son las computadoras inteligentes que aprenden de miles de ejemplos pasados para reconocer patrones. Son excelentes para manejar datos complejos y desordenados que los libros de reglas no pueden descifrar. Sin embargo, el artículo señala que la IA tiene sus propios problemas. Depende fuertemente de los datos con los que fue entrenada; si ve un nuevo tipo de falla que no ha aprendido, podría adivinar mal. Además, la IA puede ser una "caja negra", lo que significa que da una respuesta pero no explica la razón física del porqué, lo que hace que los ingenieros duden en confiar ciegamente en ella.

La solución del trabajo en equipo

Aquí es donde los autores, Joydip Dhar, Sovan Dalai y Saibal Chatterjee, intervienen con su Modelo de Fusión de Confianza Híbrida. En lugar de elegir un solo detective, construyeron un sistema donde todos los detectives trabajan juntos y votan.

Así es como funciona la "fusión":

1. La cabina de votación: El modelo toma los resultados de los mejores métodos basados en reglas (como el Triángulo de Duval) y los mejores métodos de IA.
2. El puntaje de confianza: No todos los votos cuentan lo mismo. Durante una fase de entrenamiento, el modelo observa qué tan preciso es cada método. Si un modelo de IA específico es excelente detectando fallas eléctricas pero malo con las térmicas, recibe un "puntaje de confianza" alto para fallas eléctricas y uno más bajo para las térmicas.
3. La decisión ponderada: Cuando llega una nueva muestra, el modelo calcula un puntaje ponderado para cada posible falla. Utiliza una fórmula matemática para combinar estos puntajes, priorizando los métodos que son más confiables para esa situación específica.

Piense en ello como un grupo de amigos tratando de adivinar la respuesta a una pregunta de trivia. Un amigo es un experto en historia, otro es un genio de la ciencia y un tercero es bueno adivinando. Si la pregunta es sobre historia, el consejo del experto en historia cuenta más. Si es sobre ciencia, el genio de la ciencia tiene la voz más fuerte. El Modelo de Fusión de Confianza Híbrida hace exactamente esto, pero para las fallas de los transformadores. Ajusta dinámicamente quién debe hablar basándose en quién suele tener la razón.

Lo que encontraron

Los autores probaron su nuevo modelo contra los métodos antiguos utilizando datos del mundo real. Compararon la precisión de su modelo de "Fusión de Confianza Híbrida" (HCF) contra métodos individuales como los modelos de Aprendizaje Automático (ML1 y ML2) y el Triángulo de Duval 1 (DT1).

Los resultados fueron prometedores. Los métodos individuales tuvieron niveles de éxito variables:

• El Triángulo de Duval 1 (un popular método gráfico) tuvo una precisión de aproximadamente el 72%.
• Los modelos de Aprendizaje Automático (ML1 y ML2) oscilaron entre el 76% y el 80%.
• El Modelo de Fusión de Confianza Híbrida alcanzó una precisión del 89%.

El artículo también analizó otras métricas como la Precisión y la Sensibilidad (que miden qué tan seguido el modelo acierta cuando dice que hay una "falla" y cuántas fallas reales logra captar). El modelo HCF obtuvo una precisión de 0.78 y una sensibilidad de 0.78, con un F1-Score de 0.77. Esto sugiere que, al combinar los métodos, el modelo se volvió más robusto, especialmente al tratar con "escenarios de fallas mixtas", donde la máquina puede tener tanto problemas de calor como eléctricos ocurriendo al mismo tiempo.

Por qué es importante

El artículo concluye que, si bien los métodos basados en reglas son buenos por ser fáciles de entender, y la IA es buena para detectar patrones complejos, ninguno es perfecto por sí solo. El Modelo de Fusión de Confianza Híbrida sugiere un camino intermedio. No desecha las viejas y confiables reglas, ni confía ciegamente en la nueva IA. En su lugar, crea un sistema donde ambos se complementan.

Los autores enfatizan que este enfoque ayuda a resolver conflictos cuando diferentes métodos dan respuestas distintas. Al utilizar "puntajes de confianza adaptativos", el modelo puede manejar mejor los datos dispersos (cuando no hay mucho gas para medir) y las fallas mixtas que las técnicas aisladas. Aunque el artículo señala que esto es una simulación y se basa en conjuntos de datos específicos, la precisión del 89% sugiere que esta estrategia de "trabajo en equipo" es una dirección sólida para el futuro del mantenimiento de nuestros equipos de potencia. Promete un futuro donde podamos detectar problemas más temprano y mantener las luces encendidas con mayor confianza.