Novel Hybrid Framework for Detection, Discrimination, and Classification of Stator Winding Faults in Induction Motors
Notice bibliographique
Résumé
This paper presents a hybrid fault diagnosis framework that integrates the <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">d–q–0</i> transformation with a Temporal Convolutional Attention Network (TCAN) for detecting, discriminating, and classifying stator winding faults in induction motors (IMs). Initially, the Modified-Discrete Fourier Transform algorithm is applied for phasor estimation of acquired current signals, while the phase angle is estimated from voltage signals using a Synchronous Reference Frame Phase-Locked Loop. Thereafter, the estimated phase angle and current phasors from both the supply and remote ends are transformed into their corresponding <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">d-q-0</i> components. After extracting domain-specific features of <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">d-q-0</i> components, the TCAN model has been trained using 10-fold cross-validation. The experimental data were gathered from a laboratory setup capable of simulating various fault severities under different load and fault resistance conditions, including external faults with current transformer saturation. The effectiveness of the presented technique is assessed using standard evaluation metrics and compared with other deep learning models such as CNN, LSTM, GRU and TCN. Results display superior accuracy and fault discrimination capability of the presented approach, highlighting its robustness and reliability for accurate classification of healthy, internal, and external fault situations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».