Development of a generator prognostic tool
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the past decades, significant improvements in generator diagnostics were made possible by using continuous online measurements and a number of periodic tests. In recent years, the data provided has been converted into more useful information thanks to integrated diagnostic systems. For example, an integrated methodology for generator diagnostics (MIDA) was developed at Hydro-Québec's research institute (IREQ) using a Web-based application. This comprehensive diagnostic system gives the degradation state of generator stator winding insulation by using a portfolio of diagnostic tools. Combining the various results leads to a health index ranging from 1 (good condition) to 5 (worst condition). This system is used by power plant managers as well as technical support and maintenance engineers at Hydro-Québec in the context of condition-based maintenance (CBM). The next step of development is to add new prognostic-related characteristics. This involves automatic identification of active failure mechanisms, root cause analysis and estimation of the stage of advancement of any active mechanism. These characteristics form the basis of predictive maintenance and support the optimization of maintenance strategies. The approach chosen is based on a number of cause- and-effect chains formed by the combination of sequential physical degradation states that ultimately lead to failure. Each combination of physical states is unique and defines a particular failure mechanism. Failure mechanism analysis was followed by identification of all observable symptoms (diagnostics from MIDA) for each physical state. This paper presents a first step toward the development of a prognostic tool, where the modeling of failure mechanisms is combined with automatic analysis of observable symptoms from our diagnostic system. It puts forward probable failure mechanisms for a given generator.
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.
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 découle