Application of Artificial Vision Based on Convolutional Neural Networks for Predictive Detection of Faults in Electrical Distribution Line Insulators

Abstract

Los aisladores desempeñan un papel crucial en el transporte y la distribución de energía eléctrica. Separan el conductor energizado de la estructura metálica y sostienen los conductores frente a condiciones meteorológicas adversas, como el viento y la lluvia. Sin embargo, estos dispositivos pierden sus propiedades aislantes y mecánicas al exponerse a factores climáticos como la radiación solar, la lluvia, el polvo y la contaminación ambiental. Esto se debe a la formación de una capa de materia orgánica y a la aparición de roturas y fisuras, lo cual puede desencadenar efectos adversos, como la generación de arcos eléctricos. Por ello, resulta esencial identificar estos fallos de manera eficaz. En esta investigación se propone una solución innovadora que integra la visión artificial en vehículos no tripulados, utilizando la tecnología de detección de objetos YOLOv5 —basada en redes neuronales convolucionales— para analizar 3000 imágenes de los aisladores en busca de signos de deterioro, tales como la presencia de materia orgánica, roturas o grietas. Los resultados mostraron una precisión superior al 90 % en la detección de fallos. La implementación de YOLOv5 junto con un vehículo no tripulado permite realizar una inspección más rápida y precisa de los aisladores en las líneas de distribución eléctrica en tiempo real. Además, el uso de esta tecnología de visión artificial permite recopilar datos detallados sobre el estado de los aisladores de forma automatizada, lo que facilita la planificación de acciones de mantenimiento preventivo y correctivo. Esto no solo reduce los costes asociados al mantenimiento de las líneas de distribución, sino que también contribuye a mejorar la fiabilidad y la eficiencia del sistema eléctrico.