Learning Machine Based on Optimized Dimensionality Reduction Algorithm for Fault Diagnosis of Rotor Broken Bars in Induction Machine
Notice bibliographique
Résumé
Induction machine health monitoring is considered a developing technology for the online detection of faults that occur even at the initial stage. The objective of this study is to present an artificial intelligence (AI) technique for the detection and localization of adjacent and distant broken bar faults in the induction machine, through a multi-winding model for the simulation of these cases. In this work, it was found that the application of Artificial Neural Networks (ANN) based on Mean Squared Error (MSE) and Random Forest (decision tree) plays an important role in detecting and locating defaults. The stator current signal Ias of a motor in the dynamic state was acquired from a healthy and faulty motor with a broken rotor bar fault. 9 statistical features and 8 wavelet packet parameters are extracted from the stator current signal. These features were employed as an input vector to train and test the ANN and random fores29t and determine whether the motor was running under normal conditions or defective. For optimizing the rotor bar defect classification procedure, feature selection algorithms are adopted, such as BBAT and BPSO. For feature reduction, we used the principal component analysis (PCA) algorithm, to reduce the number of features. The results showed that the random forest classifier based on statistical parameters and wavelet packet parameters followed by PCA can detect the defective with high accuracy (98.3333%) compared to other methods.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».