論文の概要: An Improved Fault Diagnosis Strategy for Induction Motors Using Weighted Probability Ensemble Deep Learning
- arxiv url: http://arxiv.org/abs/2412.18249v1
- Date: Tue, 24 Dec 2024 08:02:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-25 15:54:15.104017
- Title: An Improved Fault Diagnosis Strategy for Induction Motors Using Weighted Probability Ensemble Deep Learning
- Title(参考訳): 重み付き確率組込みディープラーニングによる誘導電動機の故障診断方法の改善
- Authors: Usman Ali, Waqas Ali, Umer Ramzan,
- Abstract要約: 誘導電動機の故障早期検出は, 産業環境での未中断運転の確保に不可欠である。
WPEDL法は振動と電流の特徴から抽出した高次元データを用いて誘導電動機故障を効果的に診断する。
提案モデルは他のモデルよりも優れ,98.89%の精度を実現している。
- 参考スコア(独自算出の注目度): 1.438310481395707
- License:
- Abstract: Early detection of faults in induction motors is crucial for ensuring uninterrupted operations in industrial settings. Among the various fault types encountered in induction motors, bearing, rotor, and stator faults are the most prevalent. This paper introduces a Weighted Probability Ensemble Deep Learning (WPEDL) methodology, tailored for effectively diagnosing induction motor faults using high-dimensional data extracted from vibration and current features. The Short-Time Fourier Transform (STFT) is employed to extract features from both vibration and current signals. The performance of the WPEDL fault diagnosis method is compared against conventional deep learning models, demonstrating the superior efficacy of the proposed system. The multi-class fault diagnosis system based on WPEDL achieves high accuracies across different fault types: 99.05% for bearing (vibrational signal), 99.10%, and 99.50% for rotor (current and vibration signal), and 99.60%, and 99.52% for stator faults (current and vibration signal) respectively. To evaluate the robustness of our multi-class classification decisions, tests have been conducted on a combined dataset of 52,000 STFT images encompassing all three faults. Our proposed model outperforms other models, achieving an accuracy of 98.89%. The findings underscore the effectiveness and reliability of the WPEDL approach for early-stage fault diagnosis in IMs, offering promising insights for enhancing industrial operational efficiency and reliability.
- Abstract(参考訳): 誘導電動機の故障早期検出は, 産業環境での未中断運転の確保に不可欠である。
誘導電動機、ベアリング、ローター、ステーター断層で発生する様々な断層タイプの中で最も多い。
本稿では,振動と電流の特徴から抽出した高次元データを用いて,誘導電動機故障を効果的に診断するためのWPEDL法を提案する。
短時間フーリエ変換(STFT)は、振動信号と電流信号の両方から特徴を抽出するために用いられる。
WPEDL故障診断法の性能を従来のディープラーニングモデルと比較し,提案方式の有効性を実証した。
WPEDLに基づくマルチクラス断層診断システムは、軸受(振動信号)の99.05%、ローター(電流信号と振動信号)の99.10%、ステータ断層(電流信号と振動信号)の99.52%、それぞれ99.52%という、様々な断層タイプにわたる高い精度を達成する。
マルチクラスの分類決定の堅牢性を評価するため,3つの断層を包含する52,000 STFT画像の統合データセットを用いて実験を行った。
提案モデルは他のモデルよりも優れ,98.89%の精度を実現している。
本研究は, IMの早期故障診断におけるWPEDL手法の有効性と信頼性を実証し, 産業運用効率と信頼性を高めるための有望な洞察を提供するものである。
関連論文リスト
- A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset [1.148237645450678]
誘導電動機(IM)の正確なAIベースの診断システムは、プロアクティブなメンテナンスを強化し、計画外のダウンタイムを軽減し、産業環境における全体的なメンテナンスコストを抑制する可能性を秘めている。
研究者らは、信号処理(SP)、機械学習(ML)、ディープラーニング(DL)、BRB故障のハイブリッドアーキテクチャを用いた様々な故障診断手法を提案している。
本稿では,1,2,3,4のBRB断層を電流信号と振動信号データを用いて診断するために,ShuffleNetV2というトランスファーラーニングに基づく軽量DLモデルを用いて,BRB断層の大規模データを実装する。
論文 参考訳(メタデータ) (2025-01-07T12:40:11Z) - 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) - 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) - Steel Plate Fault Detection using the Fitness Dependent Optimizer and Neural Networks [4.395397502990339]
本章は, 実験用テキストデータを用いて鋼板の欠陥発生の可能性を診断し, 予測することを目的とする。
様々な機械学習手法を用いて鋼板を欠陥または非欠陥と分類する。
FDOベースのCMLPモデルとCMLPモデルは、テストされたすべてのデータセットで100%の精度で、常に最高の結果を得た。
論文 参考訳(メタデータ) (2024-01-26T18:30:03Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - 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) - Diffusion Denoising Process for Perceptron Bias in Out-of-distribution
Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。
DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。
CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-11-21T08:45:08Z) - Data-driven design of fault diagnosis for three-phase PWM rectifier
using random forests technique with transient synthetic features [2.382536770336505]
3相パルス幅変調(PWM)は通常、絶縁ゲートバイポーラトランジスタ(IGBT)の開回路欠陥の発生時に動作を維持することができる。
データ駆動型オンライン故障診断手法を提案する。
論文 参考訳(メタデータ) (2022-11-02T05:48:30Z) - Fault diagnosis for three-phase PWM rectifier based on deep feedforward
network with transient synthetic features [0.0]
過渡的な合成特徴を持つディープフィードフォワードネットワークに基づく断層診断手法を提案する。
平均断層診断精度は、過渡的な合成断層データに対して97.85%に達する。
オンライン断層診断実験により,本手法が故障IGBTを正確に検出できることが判明した。
論文 参考訳(メタデータ) (2022-11-01T02:32:20Z) - 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)
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。