Monitoring and diagnosis of faults in interior permanent magnet motors using discrete wavelet transform
Notice bibliographique
Résumé
This paper presents a novel application of the discrete wavelet transform (DWT) based algorithm for detecting and diagnosing various disturbances caused by electrical faults in the three-phase interior permanent magnet (IPM) motor. The DWT coefficients of fault currents of different levels of resolution using a selected mother wavelet are transformed to the root mean square (RMS) values through the determination of signal energies of different frequency bands of the DWT. The RMS values are then used in a rule-based classifier (RBC) in order to differentiate between different faulted and normal conditions. The criterion for the fault detection is the comparison of the DWT coefficients of the fifth level details (d <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">5</sup> ) of fault currents using a selected mother wavelet with a threshold determined experimentally during the healthy condition of the motor. The complete protection technique incorporating the proposed DWT based diagnosis algorithm is implemented in real-time using the ds1102 digital signal processor board for a laboratory 1-hp IPM motor. It is found that the proposed DWT based protection algorithm is very fast, and has responded at the instant or within one cycle of the fault occurrence in all cases of investigated faults.
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 ».