Fault Diagnosis of Three-Phase Induction Motors Using Convolutional Neural Networks
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
The challenges associated with diagnosing faults in three-phase induction motors necessitate the development of innovative, non-invasive methods that can increase efficiency and reduce costs.This study presents a novel approach to fault detection in these motors, leveraging advanced machine learning technology.The primary focus is the identification of faults related to the stator, including single-phase and three-phase faults, current interruptions, and sudden torque changes.Convolutional Neural Networks (CNN), inspired by the human visual nervous system, form the backbone of the proposed fault detection methodology.This technique utilizes external measurements for processing, circumventing the need for intrusive measures such as opening the motor or installing internal sensors.The non-intrusive nature of this method not only simplifies the process but also significantly reduces associated costs.The CNN-based approach offers superior accuracy in diagnosing faults, facilitating timely prevention measures and potentially saving human lives.It also reduces the time and effort required to identify fault types, thus minimizing motor downtime and associated costs.Simulations were conducted using MATLAB software, and individual fault scenarios were applied and analyzed.The results obtained demonstrate the efficacy of the CNN-based fault diagnosis method, thereby highlighting its potential for implementation in real-world scenarios.This study contributes to the field by providing a detailed exploration of a non-invasive, cost-effective, and highly accurate method for fault detection in three-phase induction motors.It opens avenues for further research into the application of machine learning techniques for fault diagnosis in other types of 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.
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 découle