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

Imagine os transformadores massivos e zumbintes que mantêm nossas luzes acesas e nossos telefones carregados. Dentro desses gigantes, um líquido especial chamado óleo isolante atua como um guardião silencioso, resfriando o equipamento e impedindo que a eletricidade salte para onde não deveria. Mas quando as coisas dão errado dentro deles — como uma pequena faísca ou a formação de um ponto quente — o óleo começa a se decompor, liberando gases invisíveis como hidrogênio ou metano. Pense nesses gases como a "fumaça" de um incêndio que você ainda não consegue ver. Por décadas, engenheiros têm usado uma técnica chamada Análise de Gás Dissolvido (DGA) para farejar esses gases e adivinhar o que está errado. É um pouco como um médico ouvindo um batimento cardíaco; o padrão dos gases conta uma história sobre a saúde da máquina. No entanto, ler essa história sempre foi complicado. Alguns métodos são como listas de verificação rígidas que se confundem quando os números são pequenos, enquanto outros são como mapas complexos que podem se sobrepor e deixar você perdido. E embora programas de computador inteligentes (Inteligência Artificial) possam aprender a detectar padrões, eles às vezes agem como caixas pretas que não explicam por que fizeram um palpite, ou se confundem se não tiverem visto exatamente aquele problema antes.

Este artigo apresenta uma nova maneira de resolver essa confusão, chamada "Modelo de Fusão de Confiança Híbrida". Em vez de confiar em apenas um detetive, os autores sugerem reunir toda uma equipe. Eles pegam as melhores partes das antigas listas de verificação baseadas em regras, dos mapas visuais (como o Triângulo de Duval) e dos computadores inteligentes de IA, e fazem com que votem sobre qual é o problema. Mas aqui está a parte inteligente: nem todo detetive recebe um voto igual. O modelo atribui um "escore de confiança" a cada método com base em quão confiável ele é para a situação específica. Se a IA costuma estar certa sobre faíscas elétricas, mas é ruim sobre calor, e a regra antiga é ótima para calor, mas ruim para faíscas, o modelo pesa suas opiniões de acordo. O resultado é um diagnóstico único e mais confiável que combina as forças de todos. Em seus testes, essa abordagem de equipe alcançou uma precisão de 89%, superando a maioria dos métodos individuais trabalhando sozinhos. Os autores sugerem que isso torna a manutenção mais segura e confiável, especialmente quando o equipamento está agindo de forma estranha ou quando a falha é uma mistura de diferentes problemas.

A História dos Guardiões Silenciosos

No fundo da rede elétrica, transformadores e outras máquinas pesadas são cobertos por um banho de óleo isolante. Este óleo é o sangue vital do equipamento, mantendo-o resfriado e evitando que a eletricidade cause arcos onde não deveria. Mas quando uma máquina começa a adoecer — talvez devido a um fio solto causando uma faísca ou uma bobina superaquecendo — o óleo começa a se decompor. É como uma torrada queimando; o calor ou a eletricidade quebram as ligações químicas no óleo, liberando gases como hidrogênio, metano e etileno. Esses gases se dissolvem no óleo, esperando para serem descobertos.

Por muito tempo, engenheiros usaram a Análise de Gás Dissolvido (DGA) para encontrar esses gases. É um pouco como um médico tirando uma amostra de sangue. Ao medir quanto de cada gás está presente, eles podem dizer se a máquina tem uma falha térmica (superaquecimento) ou uma falha elétrica (faísca). O artigo explica que esses gases se formam através de reações químicas específicas. Por exemplo, quando o óleo se decompõe, ele pode produzir metano (CH4) ou acetileno (C2H2), e o tipo de gás indica a "temperatura" ou a "energia" da falha.

O Dilema do Detetive

O problema é que descobrir exatamente o que está errado nem sempre é fácil. O artigo destaca três formas principais pelas quais os engenheiros tentaram resolver esse quebra-cabeça, e cada uma tem seus próprios defeitos.

Primeiro, existem os Métodos Baseados em Regras. Estes são como manuais de instruções estritos. Eles usam razões fixas (comparando a quantidade de um gás com outro) ou consultam um gráfico para decidir a falha. O artigo menciona normas como IEC 60599 e IEEE C57.104, que são os livros de regras oficiais. Embora sejam simples e padronizados, podem ser rígidos. Se os níveis de gás forem muito baixos, ou se os números caírem exatamente na borda de uma categoria, esses métodos podem fornecer respostas conflitantes ou ignorar a falha inteiramente. É como tentar separar bolas de gude pelo tamanho usando uma régua que só possui marcações para "pequeno" e "grande", deixando as médias em uma área cinzenta confusa.

Segundo, existem os Métodos Gráficos, como o famoso Triângulo de Duval e o Pentágono de Duval. Imagine plotar os níveis de gás em um mapa colorido dividido em zonas. Cada zona representa um tipo diferente de falha. Isso é muito mais visual e ajuda com concentrações baixas de gás, mas o artigo observa que esses mapas possuem limites fixos. Falhas do mundo real nem sempre se encaixam perfeitamente em um triângulo; elas podem ser bagunçadas, sobrepostas ou não lineares. É como tentar desenhar um círculo perfeito ao redor de uma nuvem; a forma simplesmente não se ajusta.

Terceiro, existem os Métodos de Inteligência Artificial (IA). Estes são os computadores inteligentes que aprendem com milhares de exemplos passados para reconhecer padrões. Eles são ótimos para lidar com dados complexos e bagunçados que os livros de regras não conseguem decifrar. No entanto, o artigo aponta que a IA tem seus próprios problemas. Ela depende fortemente dos dados nos quais foi treinada; se ela vir um novo tipo de falha que não aprendeu, pode errar o palpite. Além disso, a IA pode ser uma "caixa preta", o que significa que ela fornece uma resposta, mas não explica a razão física do porquã, o que faz com os engenheiros hesitarem em confiar nela cegamente.

A Solução de Trabalho em Equipe

É aqui que os autores, Joydip Dhar, Sovan Dalai e Saibal Chatterjee, entram com seu Modelo de Fusão de Confiança Híbrida. Em vez de escolher um único detetive, eles construíram um sistema onde todos os detetives trabalham juntos e votam.

Veja como a "fusão" funciona:

1. A Cabine de Votação: O modelo pega os resultados dos melhores métodos baseados em regras (como o Triângulo de Duval) e dos melhores métodos de IA.
2. O Escore de Confiança: Nem todo voto conta o mesmo. Durante uma fase de treinamento, o modelo observa o quão preciso cada método é. Se um modelo de IA específico é ótimo em detectar falhas elétricas, mas ruim em térmicas, ele recebe um "esscore de confiança" alto para falhas elétricas e um mais baixo para falhas térmicas.
3. A Decisão Ponderada: Quando uma nova amostra chega, o modelo calcula um escore ponderado para cada possível falha. Ele usa uma fórmula matemática para combinar esses escores, priorizando os métodos que são mais confiáveis para aquela situação específica.

Pense como um grupo de amigos tentando adivinhar a resposta de uma pergunta de conhecimentos gerais. Um amigo é um entusiasta de história, outro é um gênio da ciência e um terceiro é bom em dar palpites. Se a pergunta for sobre história, o palpite do entusiasta de história conta mais. Se for sobre ciência, o gênio da ciência tem a voz mais alta. O Modelo de Fusão de Confiança Híbrida faz exatamente isso, mas para falhas de transformadores. Ele ajusta dinamicamente quem deve falar com base em quem costuma estar certo.

O Que Eles Descobriram

Os autores testaram seu novo modelo contra os métodos antigos usando dados do mundo real. Eles compararam a precisão de seu modelo de "Fusão de Confiança Híbrida" (HCF) contra métodos individuais como modelos de Aprendizado de Máquina (ML1 e ML2), o Conjunto de Gases Característicos (CGE) e o Triângulo de Duval 1 (DT1).

Os resultados foram promissores. Os métodos individuais tiveram níveis variados de sucesso:

• O Triângulo de Duval 1 (um método gráfico popular) teve uma precisão de cerca de 72%.
• Os Modelos de Aprendizado de Máquina (ML1 e ML2) variaram de 76% a 80%.
• O Modelo de Fusão de Confiança Híbrida alcançou uma precisão de 89%.

O artigo também analisou outras métricas como Precisão e Recall (que medem a frequência com que o modelo está correto ao dizer "falha" e quantas falhas reais ele captura). O modelo HCF obteve uma precisão de 0,78 e um recall de 0,78, com um F1-Score de 0,77. Isso sugere que, ao combinar os métodos, o modelo tornou-se mais robusto, especialmente ao lidar com "cenários de falhas mistas", onde a máquina pode ter problemas de calor e elétricos ocorrendo ao mesmo tempo.

Por Que Isso Importa

O artigo conclui que, embora os métodos baseados em regras sejam bons por serem fáceis de entender, e a IA seja boa em detectar padrões complexos, nenhum deles é perfeito por si só. O Modelo de Fusão de Confiança Híbrida sugere um caminho do meio. Ele não descarta as regras antigas e confiáveis, nem confia cegamente na nova IA. Em vez disso, cria um sistema onde eles se complementam.

Os autores enfatizam que esta abordagem ajuda a resolver conflitos quando diferentes métodos dão respostas distintas. Ao usar "escores de confiança adaptativos", o modelo pode lidar com dados esparsos (quando não há muito gás para medir) e falhas mistas melhor do que as técnicas isoladas. Embora o artigo observe que isto é uma simulação e testes em conjuntos de dados específicos, a precisão de 89% sugere que esta estratégia de "trabalho em equipe" é uma direção forte para o futuro da manutenção de nossos equipamentos de energia. Ela promete um futuro onde podemos detectar problemas mais cedo e manter as luzes acesas com maior confiança.