Techniques de diagnostic et de classification de l'état de surface d'un isolateur pollué sous tension alternative 50 Hz

Abstract

Ce présent travail porte sur le diagnostic et la caractérisation de l’état de surface d’un modèle plan d’isolateur HT pollué sous tension alternative 50 Hz. Notre investigation comporte deux principales approches basées sur les traitements d’image et de signal. En effet, dans un premier travail, un algorithme combinant différentes méthodes et outils de traitement d’image est proposé pour la détection des arcs électriques. Cet algorithme procède d’abord en segmentant les images par la méthode d’Otsu. Cette étape permet d’extraire la décharge électrique de son arrière-plan. Par la suite, le filtrage morphologique est entrepris en combinant les opérations d’érosion et de dilatation, Une fois l’image filtrée et la décharge électrique extraite, le calcul du vecteur des caractéristiques par l’étiquetage des composantes connexes est effectué. Ce vecteur comporte le nombre de décharges, l’amplitude de la plus grande décharge, sa longueur et sa largeur en pixels. Ce vecteur sera l’entrée des méthodes de classification (Support Vecteur Machine, Naïve Bayésienne et k-plus proches voisins) de l’image en deux classes ; arc ou non arc. Dans un second travail, nous utilisons le traitement du signal du courant de fuite pour le diagnostic de l’état de surface de l’isolateur sous pollution. En effet, une fois que le signal du courant de fuite est décomposé à travers la transformée en ondelettes discrètes (DWT), le diagramme de récurrence (RP) est calculé. Sur la base de ce diagramme, l’analyse quantitative de récurrence (RQA) est appliquée pour obtenir huit indicateurs, ou mesures. Ces indicateurs varient sensiblement avec la valeur de la conductivité de la couche de pollution. De ce fait, leurs valeurs moyennes sont utilisées comme entrées aux méthodes de classification susmentionnées. Ces dernières méthodes permettent d’obtenir la valeur de la conductivité de la pollution. Les résultats obtenus dans ce travail montrent que les algorithmes de traitement d’image et de signal que nous avons élaborés nous permettent d’aboutir à d’excellents résultats de classification.