AI-Driven Condition Monitoring and Fault Detection in Electrical Power and Industrial Control Systems
Notice bibliographique
Résumé
This study examined intelligent condition monitoring and fault diagnosis in electrical power and control systems using a quantitative predictive analytics framework grounded in machine learning and construct-based modeling. A total of 268 responses were collected from professionals working in power distribution, industrial control, and power electronics environments, and after data screening 241 responses were retained for analysis, representing an 89.9% retention rate. The final sample was dominated by engineers (38.6%) and maintenance specialists (27.0%), with 73.9% reporting daily interaction with condition monitoring tools. Five constructs were evaluated: Condition Monitoring Effectiveness, Fault Detection Accuracy, Predictive Maintenance Capability, System Integration Quality, and Operational Performance Impact. Descriptive results indicated generally high perceptions of monitoring and diagnostic performance, with construct means ranging from 3.62 to 4.08 on a five-point scale and moderate dispersion (SD range = 0.58–0.72). Distribution diagnostics supported normality, with skewness values between −0.48 and −0.21 and kurtosis between −0.37 and 0.42. Internal consistency reliability was strong across constructs, with Cronbach’s alpha values ranging from .81 to .88 and two items removed during refinement due to weak item-total contribution. Multiple regression analysis was performed to evaluate the predictive influence of the independent constructs on Operational Performance Impact. The regression model was statistically significant, F(4, 236) = 67.84, p < .001, and explained 53.5% of the variance in the dependent construct (R² = .535; adjusted R² = .527), with independence of errors supported (Durbin–Watson = 1.94). Predictive Maintenance Capability demonstrated the strongest effect (β = .34, p < .001), followed by Condition Monitoring Effectiveness (β = .26, p < .001) and System Integration Quality (β = .19, p = .002), while Fault Detection Accuracy produced a smaller but significant contribution (β = .14, p = .018). Multicollinearity was not problematic (VIF range = 1.31–1.58). Overall, the findings confirmed that operational performance outcomes were significantly associated with the effectiveness of monitoring, diagnostic accuracy, predictive maintenance capability, and integration quality, providing quantitative evidence that structured machine learning–driven condition monitoring systems contribute meaningfully to measurable operational performance improvement in electrical power and control environments.
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) | 0,001 | 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 | 0,001 | 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 ».