Machine Learning-Based Fault Diagnosis for Single- and Multi-Faults in Induction Motors Using Measured Stator Currents and Vibration Signals
Pourquoi ce travail est-il 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.
Prédiction distillée sur la base complète
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.
- Catégories candidates
- Méta-épidémiologie (sens strict)
- Catégories consensuelles
- aucune
- Domaine
- Signal candidat: aucuneSignal consensuel: aucune
- Devis d'étude
- Signal candidat: Simulation ou modélisationSignal consensuel: Simulation ou modélisation
- Genre
- Signal candidat: EmpiriqueSignal consensuel: aucune
- Score de désaccord entre enseignants
- 0,557
- Score d'incertitude au seuil
- 1,000
- Statut de validation
machine_predicted_unvalidated·codex-gemma-dda1882f352a
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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
Résumé
In this paper, a practical machine learning-based fault diagnosis method is proposed for induction motors using experimental data. Various single- and multi-electrical and/or mechanical faults are applied to two identical induction motors in lab experiments. Stator currents and vibration signals of the motors are measured simultaneously during experiments and are used in developing the fault diagnosis method. Two signal processing techniques, matching pursuit, and discrete wavelet transform, are chosen for feature extraction. Three classification algorithms, support vector machine (SVM), K-nearest neighbors (KNN), and ensemble, with 17 different classifiers offered in MATLAB Classification Learner toolbox are used in the study to evaluate the performance and suitability of different classifiers for induction motor fault diagnosis. It is found that five classifiers (fine Gaussian SVM, fine KNN, weighted KNN, bagged trees, and subspace KNN) can provide near 100% classification accuracy for all faults applied to each motor, but the remaining 12 classifiers do not perform well. A novel curve fitting technique is developed to calculate features for the motors that stator currents or vibration signals under certain loadings are not tested for a particular fault. The proposed fault diagnosis method can accurately detect single- or multi-electrical and mechanical faults in 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.
La notice
- Revue
- IEEE Transactions on Industry Applications
- Thématique
- Machine Fault Diagnosis Techniques
- Domaine
- Engineering
- Établissements canadiens
- Memorial University of Newfoundland
- Organismes subventionnaires
- IEEE Foundation
- Mots-clés
- Induction motorStatorSupport vector machineFault (geology)Artificial intelligenceVibrationComputer sciencePattern recognition (psychology)Feature extractionCondition monitoringEngineeringAcousticsVoltage
- Résumé présent dans OpenAlex
- oui