Artificial neural network–based fault diagnosis for induction motors under similar, interpolated and extrapolated operating conditions
Notice bibliographique
Résumé
The diagnosis of mechanical and electrical faults of induction motors (IMs) has been performed using artificial neural networks (ANN) for similar, interpolated and extrapolated operating speeds. The current and vibration signals of faulty and healthy IMs measured from a Machinery Fault Simulator are used in this work. In total, ten different IM fault conditions have been considered: four mechanical faults (bearing fault, unbalanced rotor, misaligned rotor, and bowed rotor), five electrical faults (broken rotor bar, phase unbalanced fault with two severity levels, and stator winding fault with two severity levels), and one healthy motor condition. An ANN model is developed in which raw time domain data of faulty IMs are used and the fault diagnosis is then performed for the motor’s various operating conditions. Initially, diagnosis is performed to predict and classify the motor faults, for the same operating conditions for which we trained ANN. The diagnosis is then extended for interpolated and extrapolated speeds in order to accomplish the diagnosis when data are not available at all the required operating speeds. From the results, it is found that the present ANN-based diagnosis is effective in the same speed case for various operating conditions (seven speeds as well as three loads). In addition, the diagnosis is found to be satisfactory for all interpolated and extrapolated speed cases. It is also observed that the present IM fault diagnosis is better in the interpolation speed cases than the extrapolation speed cases.
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 | 0,001 |
| 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 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 ».