Classification and Severity Estimation of Eccentricity Faults in Salient Pole Synchronous Machine Using Deep Learning
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 presented research work is focused on the classification and severity estimation of eccentricity faults in Salient Pole Synchronous Machines. Building on our comparative study of Artificial Neural Network and Convolutional Neural Network for eccentricity fault classification, we propose an end-to-end deep learning model, namely Hierarchical Convolutional Neural Network, for eccentricity classification and severity estimation. The deep learning model inherently consists of an eccentricity detection component for fault classification and a severity estimation component for fault quantification. The deep learning model is built using the experimental data of a 3-phase, 2-kW, salient pole synchronous machine. The machine is subjected to 20%, 40%, and 60% severities of static and dynamic eccentricity faults under different loading conditions. Stator line currents and line-to-line voltages obtained from different operating conditions are used to train, validate and test the proposed model. To enhance the model's performance, time delay construction was incorporated to augment the datasets and carefully evaluate the impact of selected raw input features, specifically stator currents and voltages, as well as the load. Among the evaluated scenarios, the use of voltage with time delay (V, TD) as input features produced the best results, achieving 100% classification accuracy and a root mean square error of 0.0046 for static eccentricity and 0.0188 for dynamic eccentricity estimation. Results indicate that the model performs excellently in fault classification and severity estimation. Compared to traditional machine learning models, the presented model is an end-to-end deep learning architecture devoid of manual feature extraction and is robust to load variations.
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 | 0,001 |
| 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 découle