Quantification of Visual Inspection Results to be Integrated as a Diagnostic Tool for Hydrogenerators
Notice bibliographique
Résumé
Visual inspection of generators is a widely used and industry-proven diagnostic technique. It can detect or confirm many symptoms or anomalies related to the generator failure mechanisms and complements conventional diagnostic tools to provide a more comprehensive assessment of the condition of generators. However, a visual inspection tool poses two major challenges: quantifying the symptoms of observed degradation and managing the information. Over the past decade, Hydro-Quebec has developed a methodology for quantifying the observations made during visual inspection in the same way as any other diagnostic tools. The initial version of the visual inspection tool only included the stator components. Quantification algorithms from this first version were updated based on feedback from more than ten years of collecting stator visual inspection results, and rotor components were integrated into the diagnostic tool. The latest version of the visual inspection tool for stator and rotor has been implemented in a new in-house application called DIAAA. The aim of this paper is to present the methodology developed to objectively quantify the results of visual inspection of stator and rotor components. The structure is described for the automatic calculation of the condition index based on the classification of observable symptoms, subcomponents, and components. Results obtained from the visual inspection tool can now be judiciously combined with other tools to improve the diagnostic of generators and automatically identify stator and rotor failure mechanisms.
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 | 0,001 |
| 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 ».