Frequency Response Analysis Interpretation Using Numerical Indices and Machine Learning: A Case Study Based on a Laboratory Model
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
Frequency response analysis is a powerful tool for mechanical fault diagnostics in power transformers. However, interpretation schemes still today depend on expert analyses, mainly because of the complex structure of power transformers. One of the fundamental shortcomings of experimental investigations is that mechanical deformations cannot be managed on real transformers to obtain data for different scenarios because they are too destructive. To address this issue in a systematic way, the current research used a specially designed laboratory transformer model that allows mechanical defects to be introduced so its frequency response can be evaluated under different conditions. The key feature of this model is the non-destructive interchangeability of its winding sections, allowing reproducibility and repeatability of frequency response measurements. Numerical indices were compared over key performance indicators (linearity, sensitivity and monotonicity). The analysis indicated that comparative standard deviation offered promising results for evaluation of mechanical deformations on the laboratory winding model given its monotonic behaviour, sensitivity and linear increase with fault severity. Additionally, support vector machine learning, radial basis function neural network and the statistical k-nearest neighbour method were used for fault classification with different strategies and configurations. While limited data from different transformers are used in the available literature, the approach discussed here considers 371 measurements from the same transformer model. The test results are supportive and demonstrate great accuracy when machine learning is used for winding fault classification.
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 | 0,001 |
| 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