MétaCan
Menu
Retour à la cohorte
Enregistrement W2889475028 · doi:10.1109/ccece.2018.8447776

Current Spectral Analysis of Broken Rotor Bar Faults for Induction Motors

2018· article· en· W2889475028 sur OpenAlexaff
Kenneth Edomwandekhoe, Xiaodong Liang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMachine Fault Diagnosis Techniques
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésInduction motorMultitaperRotor (electric)Fast Fourier transformStatorFault (geology)SidebandComputer scienceFault detection and isolationBar (unit)Finite element methodControl theory (sociology)Spectral densityEngineeringArtificial intelligenceAlgorithmStructural engineeringElectrical engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Traditional fast Fourier transform (FFT) has gained enormous recognition for broken rotor bar (BRB) fault detection in induction motors using the sideband features as fault indices, however, the false alarm from inaccurate diagnosis remains a major setback associated with the technique. This paper presents two reliable spectral analysis approaches for BRB fault detection and analysis for induction motors: Thompson Multitaper (MTM) power spectral density (PSD) estimate, and Welch PSD estimate. The two methods are implemented using the simulated stator current signal of an induction motor obtained by the finite element method. The Finite Element analysis software, ANSYS, is used to design and simulate different motor conditions: a healthy motor, a motor with one, two and three BRBs. It is verified that the proposed methods provide robust and reliable BRB fault detection for induction motors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,366
Score d'incertitude au seuil0,433

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,313
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMachine Fault Diagnosis TechniquesTravaux en français237 207