論文の概要: Fault Analysis And Predictive Maintenance Of Induction Motor Using Machine Learning
- arxiv url: http://arxiv.org/abs/2409.09944v1
- Date: Mon, 16 Sep 2024 02:37:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 16:50:37.053132
- Title: Fault Analysis And Predictive Maintenance Of Induction Motor Using Machine Learning
- Title（参考訳）: 機械学習を用いた誘導電動機の故障解析と予測保守
- Authors: Kavana Venkatesh, Neethi M,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Induction motors are one of the most crucial electrical equipment and are extensively used in industries in a wide range of applications. This paper presents a machine learning model for the fault detection and classification of induction motor faults by using three phase voltages and currents as inputs. The aim of this work is to protect vital electrical components and to prevent abnormal event progression through early detection and diagnosis. This work presents a fast forward artificial neural network model to detect some of the commonly occurring electrical faults like overvoltage, under voltage, single phasing, unbalanced voltage, overload, ground fault. A separate model free monitoring system wherein the motor itself acts like a sensor is presented and the only monitored signals are the input given to the motor. Limits for current and voltage values are set for the faulty and healthy conditions, which is done by a classifier. Real time data from a 0.33 HP induction motor is used to train and test the neural network. The model so developed analyses the voltage and current values given at a particular instant and classifies the data into no fault or the specific fault. The model is then interfaced with a real motor to accurately detect and classify the faults so that further necessary action can be taken.
- Abstract（参考訳）: 誘導電動機は最も重要な電気機器の1つであり、幅広い用途で産業で広く利用されている。
本稿では,3相電圧と電流を入力として,誘導電動機故障の検出と分類を行う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。
この研究は、過電圧、電圧下、単相、非平衡電圧、過負荷、地上欠陥など、一般的に発生する電気的欠陥のいくつかを検出するために、高速なフォワード人工ニューラルネットワークモデルを示す。
モータ自体がセンサのように動作し、監視された信号だけがモータに与えられる入力である独立したモデルフリー監視システムを提供する。
電流値と電圧値の制限は、分類器によって行われる故障および健全な条件に対して設定される。
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。
このようなモデルにより、特定の瞬間に与えられる電圧と電流値を分析し、そのデータを障害や特定の障害に分類する。
その後、モデルは実際のモータとインターフェースされ、欠陥を正確に検知し分類し、さらなる必要なアクションを取ることができる。
関連論文リスト
- Fault Diagnosis on Induction Motor using Machine Learning and Signal
Processing [0.0]
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。
論文 参考訳（メタデータ） (2024-01-27T14:12:42Z) - Fault Detection in Induction Motors using Functional Dimensionality
Reduction Methods [0.0]
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。
論文 参考訳（メタデータ） (2023-06-14T06:46:58Z) - A new transformation for embedded convolutional neural network approach
toward real-time servo motor overload fault-detection [0.0]
DCサーボモーターの過負荷は、多くの企業が専門家を見つけるという問題に直面しているため、業界において大きな関心事である。
本稿では,人間の干渉を伴わないリアルタイム入力信号から障害を抽出する新しい変換法を用いて,畳み込みニューラルネットワーク(CNN)を用いた組込み人工知能アプローチを提案する。
論文 参考訳（メタデータ） (2023-04-08T13:36:33Z) - Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。
実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
論文 参考訳（メタデータ） (2022-12-12T18:36:02Z) - PreMa: Predictive Maintenance of Solenoid Valve in Real-Time at Embedded
Edge-Level [0.6117371161379209]
スマートでリアルタイムなエッジベース電子製品PreMaの構築について述べる。
PreMaは基本的にソレノイド弁(SV)の健康をモニターするセンサー
データの忠実度と測定精度は、ハイエンド機器で捉えた信号に匹敵する。
論文 参考訳（メタデータ） (2022-11-21T06:13:12Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - 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) - 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) - Bidirectional Interaction between Visual and Motor Generative Models
using Predictive Coding and Active Inference [68.8204255655161]
本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。
我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
論文 参考訳（メタデータ） (2021-04-19T09:41:31Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z)
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。