Analysis of a Partial Discharge Database to Determine When Stator Winding Insulation Maintenance is Needed
Notice bibliographique
Résumé
On-line partial discharge testing and monitoring have been widely applied by petrochemical industries on large motors and generators to determine the need for maintenance of the stator winding insulation system. Over the past 20 years, a single consistent method has been used to collect on-line PD data from over 22 000 motors and generators equipped with the required sensors. Of these, PD data from 8500 machines collected to the end of 2021 have been assembled into a single database, along with machine ratings and machine operating data. For each machine, the PD magnitude for each phase from the most recent test when the motor or generator was operating at normal load and stator winding operating temperature was statistically analyzed. The cumulative probability of occurrence for any PD activity level for any particular machine rating, manufacturing method and winding design etc. could then be produced. It has become clear that the probability distributions for different stator winding operating voltages produce statistically significant distributions for machines of various voltage ratings. Over the years, these probability tables have been correlated with visual inspections of hundreds of stator windings as well as off-line test results. This analysis indicates that when the PD magnitude is higher than about 90% of similar machines tested with the same method, then there is a very high probability of significant stator winding aging. This, combined with the evolution of PD over time, can be used to determine when maintenance is advisable.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».