Feature Extraction of Partial Discharges During Multiple Simultaneous Defects in Low-Voltage Electric Machines
Notice bibliographique
Résumé
Partial discharge (PD) defects are initiated in the electrical machines over different life stages. The intensity of PD defects increases continuously with time, which may lead to insulation failure. In some cases, multiple PD defects may occur concurrently leading to a faster equipment failure.This article presents a methodology for the separation of multiple PD defects in low-voltage motors. The characteristics of the recorded PD signals have been investigated to estimate the severity of these defects. The cumulative energy (CE) function in the time domain has been calculated from the PD signals and its significant features, which include amplitude, range, skewness, kurtosis, autocorrelation functions, cross correlation functions, and width parameter of CE signals, have been compared for the separation of various defects. Therefore, 6-D feature space consisting of peak value, dispersion, symmetry, sharpness, similarity, and shape features of CE functions has been produced for the separation of multiple defects in the motors. Finally, the K-mean clustering classification algorithm has been adopted using significant features of CE functions to discover their clusters in the feature space. The proposed algorithm has been validated based on the adjusted Rand index (ARI) function. Thus, it has been observed that the proposed procedure is effective for the separation of mixed PD signals from multiple defects.
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 ».