Fault Detection of Three-Phase Controlled Rectifiers Using Supervised Machine Learning Algorithms
Notice bibliographique
Résumé
Power converters are integral to modern power systems and industrial applications, facilitating efficient and reliable energy transfer between sources and loads. However, their widespread use increases the likelihood of faults, particularly open-circuit faults, and performance degradation due to prolonged or harsh operating conditions. This study investigates the effectiveness of five supervised machine learning (ML) classifiers: Random Forest (RF), Support Vector Machine (SVM), Naïve Bayes (NB), K-Nearest Neighbors (KNN), and Stochastic Gradient Descent (SGD), in detecting three fault types in a three-phase controlled rectifier: open-circuit faults, wear-out faults, and their combination. The dataset was generated entirely using a detailed MATLAB/Simulink model of the rectifier, ensuring controlled fault injection for training and evaluation of the classifiers. Four key electrical features: output voltage, voltage ripple, voltage ratio, and impedance, were extracted and analyzed to assess their impact on fault detection performance. The study provides a detailed performance comparison of the classifiers based on classification accuracy and execution time. Results show that the KNN algorithm offers the best trade-off between precision and computational execution time having achieved a precision of 95.59% with an execution time of only 0.014 s while RF achieves the highest precision of 99.88% but with an execution time of 1.258 s. The study highlights the potential of ML-based approaches for accurate and timely fault detection in power converters, contributing to improved system reliability and operational safety.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».