On the Feasibility of Localizing Transformer Winding Deformations Using Optical Sensing and Machine Learning
Notice bibliographique
Résumé
Mechanical vibrations induced by electromagnetic forces during transformer operation can lead to winding deformation or failure, an issue responsible for over 12% of all transformer faults. While previous studies have predominantly relied on accelerometers for vibration monitoring, this study explores the use of an optical sensor for real-time vibration measurement in a dry-type transformer. Experiments were conducted using a custom-designed single-phase transformer model specifically developed for laboratory testing. This experimental setup offers a unique advantage: it allows for the interchangeable simulation of healthy and deformed winding sections without causing permanent damage, enabling controlled and repeatable testing scenarios. The transformer’s secondary winding was short-circuited, and three levels of current (low, intermediate, and high) were applied to simulate varying stress conditions. Vibration displacement data were collected under load to assess mechanical responses. The primary goal was to classify this vibration data to localize potential winding deformation faults. Five supervised learning algorithms were evaluated: Random Forest, Support Vector Machine, K-Nearest Neighbors, Logistic Regression, and Decision Tree classifiers. Hyperparameter tuning was applied, and a comparative analysis among the top four models yielded average prediction accuracies of approximately 60%. These results, achieved under controlled laboratory conditions, highlight the promise of this approach for further development and future real-world applications. Overall, the combination of optical sensing and machine learning classification offers a promising pathway for proactive monitoring and localization of winding deformations, supporting early fault detection and enhanced reliability in power transformers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».