Sistema para el diagnóstico de fallas en transformadores de potencia mediante el análisis de sus emisiones acústicas, caso: Chile
Tesis Materias > Ingeniería Universidad Europea del Atlántico > Docencia > Trabajos finales de Máster Cerrado Español El método de detección de fallas por emisiones acústicas es uno de los ocho principales utilizados en el mantenimiento de transformadores de potencia de energía eléctrica. El objetivo de este proyecto final fue crear un sistema que detecte fallas en transformadores de potencia mediante el análisis de sus emisiones acústicas, que permita al personal técnico de mantenimiento de operaciones de transmisión realizar diagnósticos de manera ágil, gracias a la recolección de muestras sonoras con una aplicación móvil para smartphones. Para generar el análisis matemático para el algoritmo de detección de fallas, basado en factor cresta del espectro de frecuencia, se diseñó una metodología para la recolección de muestras sonoras con diversos sensores acústicos: sonómetro, sensores piezoeléctricos y cámara acústica. La recolección de muestras se realizó en dos subestaciones de energía eléctrica, propiedad de Sistema de Transmisión del Sur S.A., empresa filial de Grupo Saesa, en la localidad de Valdivia, Chile, y se aplicó a cuatro transformadores de potencia. Debido a la ausencia de transformadores defectuosos o ad-portas de fallar para recolectar ese perfil de muestras con las cuales probar el algoritmo, se alteraron las grabaciones recogidas en base a criterios del personal de mantenimiento más experimentado.El desarrollo del sistema se realizó mediante la metodología Scrum, el que dio como resultado tres subsistemas: una aplicación móvil para hacer las grabaciones acústicas en terreno; un sistema de administración del sistema a nivel de usuario para equipos de escritorio; y una interfaz de programas de aplicación, encargado de los servicios de análisis de emisiones acústicas e interoperabilidad de los sistemas. Las pruebas de uso se llevaron a cabo en dos subestaciones de la provincia de Valdivia y cuatro subestaciones de la provincia de Osorno, tanto por el personal técnico de mantenimiento como del personal administrativo de Sistema de Transmisión del Sur S.A.. El sistema logró evaluar las muestras tomadas en terreno, comparándolas con las muestras alteradas, y tuvo una recepción aceptable y fue percibido como una herramienta funcional por parte del personal de la empresa.Tras los logros obtenidos, en el trabajo futuro se plantean mejoras al sistema mediante un incremento de muestras de transformadores de potencia, y una mejora en la caracterización de señales utilizando inteligencia artificial. También se plantea que este tipo de sistemas podría tener cabida en la inspección de turbinas de generación eléctrica a través del método de emisiones acústicas. metadata Letelier Santibáñez, Tania Denisse mail tletelier@inf.uach.cl (2022) Sistema para el diagnóstico de fallas en transformadores de potencia mediante el análisis de sus emisiones acústicas, caso: Chile. Masters thesis, SIN ESPECIFICAR.
Texto completo no disponible.Resumen
El método de detección de fallas por emisiones acústicas es uno de los ocho principales utilizados en el mantenimiento de transformadores de potencia de energía eléctrica. El objetivo de este proyecto final fue crear un sistema que detecte fallas en transformadores de potencia mediante el análisis de sus emisiones acústicas, que permita al personal técnico de mantenimiento de operaciones de transmisión realizar diagnósticos de manera ágil, gracias a la recolección de muestras sonoras con una aplicación móvil para smartphones. Para generar el análisis matemático para el algoritmo de detección de fallas, basado en factor cresta del espectro de frecuencia, se diseñó una metodología para la recolección de muestras sonoras con diversos sensores acústicos: sonómetro, sensores piezoeléctricos y cámara acústica. La recolección de muestras se realizó en dos subestaciones de energía eléctrica, propiedad de Sistema de Transmisión del Sur S.A., empresa filial de Grupo Saesa, en la localidad de Valdivia, Chile, y se aplicó a cuatro transformadores de potencia. Debido a la ausencia de transformadores defectuosos o ad-portas de fallar para recolectar ese perfil de muestras con las cuales probar el algoritmo, se alteraron las grabaciones recogidas en base a criterios del personal de mantenimiento más experimentado.El desarrollo del sistema se realizó mediante la metodología Scrum, el que dio como resultado tres subsistemas: una aplicación móvil para hacer las grabaciones acústicas en terreno; un sistema de administración del sistema a nivel de usuario para equipos de escritorio; y una interfaz de programas de aplicación, encargado de los servicios de análisis de emisiones acústicas e interoperabilidad de los sistemas. Las pruebas de uso se llevaron a cabo en dos subestaciones de la provincia de Valdivia y cuatro subestaciones de la provincia de Osorno, tanto por el personal técnico de mantenimiento como del personal administrativo de Sistema de Transmisión del Sur S.A.. El sistema logró evaluar las muestras tomadas en terreno, comparándolas con las muestras alteradas, y tuvo una recepción aceptable y fue percibido como una herramienta funcional por parte del personal de la empresa.Tras los logros obtenidos, en el trabajo futuro se plantean mejoras al sistema mediante un incremento de muestras de transformadores de potencia, y una mejora en la caracterización de señales utilizando inteligencia artificial. También se plantea que este tipo de sistemas podría tener cabida en la inspección de turbinas de generación eléctrica a través del método de emisiones acústicas.
Tipo de Documento: | Tesis (Masters) |
---|---|
Palabras Clave: | Emisión Acústica, Software, Transformador, Mantenimiento |
Clasificación temática: | Materias > Ingeniería |
Divisiones: | Universidad Europea del Atlántico > Docencia > Trabajos finales de Máster |
Depositado: | 10 Nov 2023 23:30 |
Ultima Modificación: | 10 Nov 2023 23:30 |
URI: | https://repositorio.uneatlantico.es/id/eprint/1760 |
Acciones (logins necesarios)
![]() |
Ver Objeto |
en
close
Enzymatic treatment shapes in vitro digestion pattern of phenolic compounds in mulberry juice
The health benefits of mulberry fruit are closely associated with its phenolic compounds. However, the effects of enzymatic treatments on the digestion patterns of these compounds in mulberry juice remain largely unknown. This study investigated the impact of pectinase (PE), pectin lyase (PL), and cellulase (CE) on the release of phenolic compounds in whole mulberry juice. The digestion patterns were further evaluated using an in vitro simulated digestion model. The results revealed that PE significantly increased chlorogenic acid content by 77.8 %, PL enhanced cyanidin-3-O-glucoside by 20.5 %, and CE boosted quercetin by 44.5 %. Following in vitro digestion, the phenolic compound levels decreased differently depending on the treatment, while cyanidin-3-O-rutinoside content increased across all groups. In conclusion, the selected enzymes effectively promoted the release of phenolic compounds in mulberry juice. However, during gastrointestinal digestion, the degradation of phenolic compounds surpassed their enhanced release, with effects varying based on the compound's structure.
Peihuan Luo mail , Jian Ai mail , Qiongyao Wang mail , Yihang Lou mail , Zhiwei Liao mail , Francesca Giampieri mail francesca.giampieri@uneatlantico.es, Maurizio Battino mail maurizio.battino@uneatlantico.es, Elwira Sieniawska mail , Weibin Bai mail , Lingmin Tian mail ,
Luo
en
close
A novel machine learning-based proposal for early prediction of endometriosis disease
Background Endometriosis is one of the causes of female infertility, with some studies estimating its prevalence at around 10 % of reproductive-age women worldwide and between 30 and 50 % in symptomatic women. However, its diagnosis is complex and often delayed, highlighting the need for more accessible and accurate diagnostic methods. The difficulty lies in its diverse etiology and the variability of symptoms among those affected. Methods This study proposes a predictive model based on supervised machine learning for the early identification of endometriosis, providing support for decision-making by healthcare professionals. For this purpose, an anonymised dataset of 5,143 female patients diagnosed with endometriosis at the private fertility clinic Inebir was used. The model integrates clinical records and genetic analysis through supervised machine learning algorithms, focusing on clinical variables and pathogenic and potentially pathogenic genetic variants. Results The developed predictive model achieves high accuracy in identifying the presence of endometriosis, highlighting the importance of combining clinical and genetic data in diagnosis. The integration of this data into the DELFOS platform, a clinical decision support system, demonstrates the utility of machine learning in improving the diagnosis of endometriosis. Conclusions The findings underscore the potential of clinical and genetic factors in the early diagnosis of endometriosis using supervised machine learning algorithms. This study contributes to the classification of clinical variables that influence endometriosis, offering a valuable tool for clinicians in making therapeutic and management decisions for their female patients.
Elena Enamorado-Díaz mail , Leticia Morales-Trujillo mail , Julián-Alberto García-García mail , Ana Teresa Marcos Rodríguez mail anateresa.marcos@uneatlantico.es, José Manuel Navarro-Pando mail jose.navarro@uneatlantico.es, María-José Escalona-Cuaresma mail ,
Enamorado-Díaz
<a class="ep_document_link" href="/17788/1/s40537-025-01167-w.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Detecting hate in diversity: a survey of multilingual code-mixed image and video analysis
The proliferation of damaging content on social media in today’s digital environment has increased the need for efficient hate speech identification systems. A thorough examination of hate speech detection methods in a variety of settings, such as code-mixed, multilingual, visual, audio, and textual scenarios, is presented in this paper. Unlike previous research focusing on single modalities, our study thoroughly examines hate speech identification across multiple forms. We classify the numerous types of hate speech, showing how it appears on different platforms and emphasizing the unique difficulties in multi-modal and multilingual settings. We fill research gaps by assessing a variety of methods, including deep learning, machine learning, and natural language processing, especially for complicated data like code-mixed and cross-lingual text. Additionally, we offer key technique comparisons, suggesting future research avenues that prioritize multi-modal analysis and ethical data handling, while acknowledging its benefits and drawbacks. This study attempts to promote scholarly research and real-world applications on social media platforms by acting as an essential resource for improving hate speech identification across various data sources.
Hafiz Muhammad Raza Ur Rehman mail , Mahpara Saleem mail , Muhammad Zeeshan Jhandir mail , Eduardo René Silva Alvarado mail eduardo.silva@funiber.org, Helena Garay mail helena.garay@uneatlantico.es, Imran Ashraf mail ,
Raza Ur Rehman
<a class="ep_document_link" href="/17794/1/s41598-025-95836-8.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Accurate solar and photovoltaic (PV) power forecasting is essential for optimizing grid integration, managing energy storage, and maximizing the efficiency of solar power systems. Deep learning (DL) models have shown promise in this area due to their ability to learn complex, non-linear relationships within large datasets. This study presents a systematic literature review (SLR) of deep learning applications for solar PV forecasting, addressing a gap in the existing literature, which often focuses on traditional ML or broader renewable energy applications. This review specifically aims to identify the DL architectures employed, preprocessing and feature engineering techniques used, the input features leveraged, evaluation metrics applied, and the persistent challenges in this field. Through a rigorous analysis of 26 selected papers from an initial set of 155 articles retrieved from the Web of Science database, we found that Long Short-Term Memory (LSTM) networks were the most frequently used algorithm (appearing in 32.69% of the papers), closely followed by Convolutional Neural Networks (CNNs) at 28.85%. Furthermore, Wavelet Transform (WT) was found to be the most prominent data decomposition technique, while Pearson Correlation was the most used for feature selection. We also found that ambient temperature, pressure, and humidity are the most common input features. Our systematic evaluation provides critical insights into state-of-the-art DL-based solar forecasting and identifies key areas for upcoming research. Future research should prioritize the development of more robust and interpretable models, as well as explore the integration of multi-source data to further enhance forecasting accuracy. Such advancements are crucial for the effective integration of solar energy into future power grids.
Oussama Khouili mail , Mohamed Hanine mail , Mohamed Louzazni mail , Miguel Ángel López Flores mail miguelangel.lopez@uneatlantico.es, Eduardo García Villena mail eduardo.garcia@uneatlantico.es, Imran Ashraf mail ,
Khouili
<a class="ep_document_link" href="/17796/1/1-s2.0-S2773032825000070-main.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Despite the global increase of women in business, there is still a very small proportion of female business leaders, although the distribution varies greatly by region and sector. Considering innovation, in its many forms, as well as female entrepreneurship, both considered as a path towards sustainability, the question arises as to whether this drive for sustainability leads to a greater presence of female CEOs. Current studies predominantly examine the impact of women's presence on a company's economic and financial performance, as well as any potential effects on its innovation strategy. However, the examination of factors that help understand the economic and business context influencing the presence of women in leadership roles is often overlooked. This empirical study fills this gap by exploring the micro and macro context influencing the presence of female CEOs in innovative firms worldwide stressing the influence of female owners. The sample comprises 107,026 companies from manufacturing and service industries in 118 countries, from 2007 to 2023, data obtained from the World Bank Enterprise Surveys. The econometric model applied is logistic regression with clustered standard errors. The study contains six estimations generating strong evidence supporting most of the formulated hypotheses. Findings suggest women CEOs are likely to lead women-owned firms which promote (sustainable) innovation through developing new products for new markets, allocating less investment in R&D, product innovation and business processes, although with some nuances. Other important factors to consider are productivity, sales strategy, firm size, sector, and socio-economic context with a gender focus.
Inna Alexeeva-Alexeev mail , Pilar Guaita-Fernandez mail , Cristina Mazas Pérez-Oleaga mail cristina.mazas@uneatlantico.es,
Alexeeva-Alexeev