Adapting the FBG cavity sensor structure to monitor and diagnose PD and vibration sparking in large generator
Notice bibliographique
Résumé
The FBG cavity sensor was invented to measure and trend End Winding Vibrations (SEW) inside larger power generators. The sensor consists of a twin grating cavity which can be used to monitor vibration as well as temperature change by changing the center wavelength of the transmitting laser to track the movement of the interference fringes. This paper will discuss the adaptation of this FBG cavity structure to measure much higher frequency signals like those found in Partial Discharge (PD) events. Special package design is necessary to maintain the signal to noise ratio as the high frequency PD signal propagates along the conductor inside the stator slots to the end windings. The challenge would be the coupling of these signals to our PD sensors. They will be mounted at the same locations where SEW sensors would be installed for end winding vibration. We would select the windings with the highest induced voltage hence most susceptible to PD. By trending the vibration amplitude related to loading, we would be able to diagnose each winding structure has become loose. These sensing channels would be correlated with PD amplitudes as well as their signature; more work would be required to relate the signature to the degradation process of the insulation layer. By measuring time of arrival differences at both ends of the generator, we can estimate which slot is associated with the discharge event. The addition of the PD sensor to vibration and temperature capability makes TG Guard a comprehensive solution for safeguarding the generator; its diagnostic capability would also shorten maintenance time and reduced the required resources. Owner would know exactly what to do by integrating all the trending data.
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 ».