論文の概要: Fault Detection in Induction Motors using Functional Dimensionality
Reduction Methods
- arxiv url: http://arxiv.org/abs/2306.09365v1
- Date: Wed, 14 Jun 2023 06:46:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 16:46:30.725414
- Title: Fault Detection in Induction Motors using Functional Dimensionality
Reduction Methods
- Title(参考訳): 関数次元化法による誘導電動機の故障検出
- Authors: Mar\'ia Barroso, Jos\'e M. Bossio, Carlos M. Ala\'iz and \'Angela
Fern\'andez
- Abstract要約: 本研究は, 誘導電動機の故障条件の検出と分類を行うため, 従来のモータ電流シグナチャ解析手法と機能次元低減手法を組み合わせた方法論である。
提案手法から得られた結果は, 誘導電動機の故障をリアルタイムに検出するだけでなく, オフライン解析による多数の故障の特定にも有効である可能性が示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The implementation of strategies for fault detection and diagnosis on
rotating electrical machines is crucial for the reliability and safety of
modern industrial systems. The contribution of this work is a methodology that
combines conventional strategy of Motor Current Signature Analysis with
functional dimensionality reduction methods, namely Functional Principal
Components Analysis and Functional Diffusion Maps, for detecting and
classifying fault conditions in induction motors. The results obtained from the
proposed scheme are very encouraging, revealing a potential use in the future
not only for real-time detection of the presence of a fault in an induction
motor, but also in the identification of a greater number of types of faults
present through an offline analysis.
- Abstract(参考訳): 回転する電気機械の故障検出および診断のための戦略の実装は、現代の産業システムの信頼性と安全性に不可欠である。
本研究の貢献は、誘導電動機の故障状況を検出し分類するための、従来のモータ電流シグナチャ解析の戦略と機能的主成分分析と機能的拡散マップという機能的次元削減手法を組み合わせた方法論である。
提案手法は, 誘導電動機における故障の存在をリアルタイムに検出するだけでなく, オフライン解析によって発生する多くの種類の故障の同定にも有用であることを示す。
関連論文リスト
- Counterfactual Explanation for Auto-Encoder Based Time-Series Anomaly Detection [0.3199881502576702]
オートエンコーダは意思決定プロセスに固有の不透明さを示し、大規模な実践を妨げている。
本研究では,機能セレクタを用いて特徴を抽出し,モデル出力にコンテキストを与える。
実験結果から,提案手法がモデル決定過程に有意義かつ有意義な洞察を与える可能性が示唆された。
論文 参考訳(メタデータ) (2025-01-03T19:30:11Z) - Fault Analysis And Predictive Maintenance Of Induction Motor Using Machine Learning [0.0]
本稿では,誘導電動機故障の故障検出と分類のための機械学習モデルを提案する。
本研究の目的は、重要な電気成分を保護し、早期発見と診断による異常事象の進行を防止することである。
0.33HP誘導電動機のリアルタイムデータは、ニューラルネットワークのトレーニングとテストに使用される。
論文 参考訳(メタデータ) (2024-09-16T02:37:07Z) - Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。
提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文 参考訳(メタデータ) (2024-07-12T01:50:07Z) - Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。
効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。
本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文 参考訳(メタデータ) (2024-04-24T13:50:27Z) - Enhancing Functional Safety in Automotive AMS Circuits through Unsupervised Machine Learning [9.100418852199082]
AMS回路における早期異常検出のための教師なし機械学習に基づく新しいフレームワークを提案する。
提案手法では、様々な回路位置や個々のコンポーネントに異常を注入して、多種多様な総合的な異常データセットを作成する。
これらの異常条件下でのシステムの挙動をモニタリングすることにより、異常の伝播とその影響を異なる抽象レベルで捉える。
論文 参考訳(メタデータ) (2024-04-02T04:33:03Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳(メタデータ) (2022-08-30T20:16:17Z) - On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。
モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。
提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
論文 参考訳(メタデータ) (2021-10-17T13:42:37Z) - An Explainable Artificial Intelligence Approach for Unsupervised Fault
Detection and Diagnosis in Rotating Machinery [2.055054374525828]
本稿では,回転機械の故障検出と診断のための新しい手法を提案する。
この手法は,特徴抽出,障害検出,障害診断の3つの部分からなる。
提案手法の有効性は,機械的故障の異なる3つのデータセットに示される。
論文 参考訳(メタデータ) (2021-02-23T18:28:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。