MétaCan
Menu
Retour à la cohorte
Enregistrement W4394678730 · doi:10.3390/wevj15040159

Power Signal Analysis for Early Fault Detection in Brushless DC Motor Drivers Based on the Hilbert–Huang Transform

2024· article· en· W4394678730 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueWorld Electric Vehicle Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueMachine Fault Diagnosis Techniques
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésDC motorPower (physics)Fault (geology)Fault detection and isolationSIGNAL (programming language)Automotive engineeringComputer scienceSignal processingControl theory (sociology)Artificial intelligenceElectrical engineeringEngineeringDigital signal processingPhysicsBiologyComputer hardwareActuator

Résumé

récupéré en direct d'OpenAlex

Brushless DC machines have demonstrated significant advantages in electrical engineering by eliminating commutators and brushes. Every year, these machines increase their presence in transportation applications. In this sense, early fault identification in these systems, specifically in the electronic speed controllers, is relevant for correct device operation. In this context, the techniques reported in the literature for fault identification based on the Hilbert–Huang transform have shown efficiency in electrical systems. This manuscript proposes a novel technique for early fault identification in electronic speed controllers based on the Hilbert–Huang transform algorithm. Initially, currents from the device are captured with non-invasive sensors in a time window during motor operation. Subsequently, the signals are processed to obtain pertinent information about amplitudes and frequencies using the Hilbert–Huang transform, focusing on fundamental components. Then, estimated parameters are evaluated by computing the error between signals. The existing electrical norms of a balanced system are used to identify a healthy or damaged driver. Through amplitude and frequency error analysis between three-phase signals, early faults caused by system imbalances such as current increasing, torque reduction, and speed reduction are detected. The proposed technique is implemented through data acquisition devices at different voltage conditions and then physical signals are evaluated offline through several simulations in the Matlab environment. The method’s robustness against signal variations is highlighted, as each intrinsic mode function serves as a component representation of the signal and instantaneous frequency computation provides resilience against these variations. Two study cases are conducted in different conditions to validate this technique. The experimental results demonstrate the effectiveness of the proposed method in identifying early faults in brushless DC motor drivers. This study provides data from each power line within the electronic speed controller to detect early faults and extend different approaches, contributing to addressing early failures in speed controllers while expanding beyond the conventional focus on motor failure analysis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,638
Score d'incertitude au seuil0,766

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,237
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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