論文の概要: Fault Diagnosis on Induction Motor using Machine Learning and Signal Processing

• arxiv url: http://arxiv.org/abs/2401.15417v1
• Date: Sat, 27 Jan 2024 14:12:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 18:27:32.033063
• Title: Fault Diagnosis on Induction Motor using Machine Learning and Signal Processing
• Title（参考訳）: 機械学習と信号処理による誘導電動機の故障診断
• Authors: Muhammad Samiullah, Hasan Ali, Shehryar Zahoor and Anas Ali
• Abstract要約: 機械学習とSimulinkを用いた信号処理による誘導電動機故障の検出と同定について検討する。 誘導電動機の4つの故障(開回路故障、短回路故障、過負荷、破折ローターバー)を発生させた。 テストセットのモデルの精度を比較すると、決定木は92%の精度で最善を尽くしたと結論づけた。
• 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 detection and identification of induction motor faults using machine learning and signal processing is a valuable approach to avoiding plant disturbances and shutdowns in the context of Industry 4.0. In this work, we present a study on the detection and identification of induction motor faults using machine learning and signal processing with MATLAB Simulink. We developed a model of a three-phase induction motor in MATLAB Simulink to generate healthy and faulty motor data. The data collected included stator currents, rotor currents, input power, slip, rotor speed, and efficiency. We generated four faults in the induction motor: open circuit fault, short circuit fault, overload, and broken rotor bars. We collected a total of 150,000 data points with a 60-40% ratio of healthy to faulty motor data. We applied Fast Fourier Transform (FFT) to detect and identify healthy and unhealthy conditions and added a distinctive feature in our data. The generated dataset was trained different machine learning models. On comparing the accuracy of the models on the test set, we concluded that the Decision Tree algorithm performed the best with an accuracy of about 92%. Our study contributes to the literature by providing a valuable approach to fault detection and classification with machine learning models for industrial applications.
• Abstract（参考訳）: 機械学習と信号処理による誘導電動機故障の検出と同定は、産業4.0の文脈で植物の乱れや停止を避けるための貴重なアプローチである。 本研究では,MATLAB Simulinkを用いた機械学習と信号処理による誘導電動機故障の検出と同定について述べる。 そこで我々は,MATLAB Simulinkで3相誘導電動機のモデルを構築し,健康かつ不良なモータデータを生成する。 収集されたデータは、固定子電流、ローター電流、入力電力、スリップ、ローター速度、効率などであった。 誘導電動機には, 開回路障害, 短絡障害, 過負荷, ロータバーの破損の4つの障害が発生した。 健康データと故障したモータデータの60～40%の比率で合計15万のデータポイントを収集した。 高速フーリエ変換 (fft) を適用し, 健康状態および不健康状態の検出と同定を行い, 特徴を付加した。 生成されたデータセットは、異なる機械学習モデルでトレーニングされた。 テストセットにおけるモデルの精度を比較することで,決定木アルゴリズムの精度が約92%で最高の結果を得た。 本研究は,産業用機械学習モデルを用いた断層検出と分類に有用なアプローチを提供することにより,文献に寄与する。

関連論文リスト

• 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)
• DKDL-Net: A Lightweight Bearing Fault Detection Model via Decoupled Knowledge Distillation and Low-Rank Adaptation Fine-tuning [0.0]
  本稿では,これらの課題を解決するための軽量軸受故障診断モデルDKDL-Netを提案する。 このモデルは、知識蒸留と低階適応微調整を分離することにより、CWRUデータセットに基づいて訓練される。 実験により、DKDL-Netは、モデル性能を維持しながら、テストセットにおける計算複雑性の99.48%の精度を達成することが示された。
  論文  参考訳（メタデータ） (2024-06-10T09:09:08Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• 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)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• A Vision Transformer-Based Approach to Bearing Fault Classification via Vibration Signals [4.287341231968003]
  本研究では、現状のViT(Vision Transformer)を用いて、ベアリング欠陥を分類する。 このモデル全体の精度は98.8%に達した。
  論文  参考訳（メタデータ） (2022-08-15T08:37:30Z)
• T4PdM: a Deep Neural Network based on the Transformer Architecture for Fault Diagnosis of Rotating Machinery [0.0]
  本稿では,Transformerアーキテクチャの修正版であるT4PdMに基づいて,自動故障分類器モデルを構築した。 T4PdMは2つのデータセットの総合精度99.98%と98%を達成した。 回転する産業機械の故障の検出・分類におけるモデルの有用性を実証した。
  論文  参考訳（メタデータ） (2022-04-07T20:31:45Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• 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)
• Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
  障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。 本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
  論文  参考訳（メタデータ） (2021-07-05T11:46:00Z)
• Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines [0.19116784879310028]
  自動エンコーダモデルに基づく回転機の状態監視手法を異常検出手法を用いて提案する。 提案手法は, 生の振動信号から塩分の特徴を直接抽出できる。 2つの実世界のデータセットにおける実験結果は、提案手法が有望な結果をもたらすことを示している。
  論文  参考訳（メタデータ） (2021-01-27T16:49:49Z)

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。