عنوان انگلیسی: Fault detection of broken rotor bar in LS-PMSM using random forests
سال نشر: ۲۰۱۸
نویسنده: Juan C. Quiroz,Norman Mariun,Mohammad Rezazadeh Mehrjou,Mahdi Izadi,Norhisam Misron,Mohd Amran Mohd Radzi
تعداد صفحه فارسی: ۲۲ – تعداد صفحه انگلیسی: ۸
دانشگاه: Sunway University, Bandar Sunway, Selangor, Malaysia b Centre of Advanced Power and Energy Research (CAPER), Universiti Putra Malaysia, 43400 Serdang, Selangor, Malaysia c Department of Electrical and Electronic Engineering, Universiti Putra Malaysia, 43400 Serdang, Selangor, Malaysia d Centre for Electromagnetic and Lightning Protection Research (CELP), Universiti Putra Malaysia, 43400 Serdang, Selangor, Malaysia e Department of Electrical Engineering, Firoozkooh Branch, Islamic Azad University
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس
چکیده
این مقاله یک رویکرد جدید برای تشخیص نقص شکست روتور شکسته در یک موتور خطی دائمی مغناطیسی آغازین (LS-PMSM) با استفاده از جنگل های تصادفی ارائه می دهد. سیگنال جریان گذرا در هنگام راه اندازی موتور از یک موتور سالم و یک موتور معیوب با خطای یک روتور شکسته به دست آمد. ما ۱۳ ویژگی آماری دامنه زمانی را از سیگنال جریان گذرا شروع کردیم و از این ویژگی ها برای آموزش و آزمایش یک جنگل تصادفی برای تعیین اینکه آیا موتور در شرایط نرمال یا معیوب عمل می کند، استفاده کردیم. برای انتخاب ویژگی، ما از اهمیت ویژگی ها از جنگل تصادفی برای کاهش تعداد ویژگی ها به دو ویژگی استفاده کردیم. نتایج نشان داد که جنگل تصادفی شرایط موتور را چه سالم و چه معیوب با دقت ۹۸.۸٪ با استفاده از تمام ویژگی ها طبقه بندی می کند و با استفاده از شاخص های متوسط و ویژگی های تاثیرگذارتر با دقت ۴/۹۸٪ می باشد. عملکرد جنگل تصادفی با یک درخت تصمیم گیری، طبقه بندی Bayes Naïve، رگرسیون لجستیک، ریج خطی و support vector machineها با یکدیگر به صورت تصادفی از دقت بیشتری نسبت به الگوریتم های دیگر، مقایسه شد. روش پیشنهادی میتواند در صنعت برای نظارت آنل
Abstract
This paper proposes a new approach to diagnose broken rotor bar failure in a line start-permanent magnet synchronous motor (LS-PMSM) using random forests. The transient current signal during the motor startup was acquired from a healthy motor and a faulty motor with a broken rotor bar fault. We extracted 13 statistical time domain features from the startup transient current signal, and used these features to train and test a random forest to determine whether the motor was operating under normal or faulty conditions. For feature selection, we used the feature importances from the random forest to reduce the number of features to two features. The results showed that the random forest classifies the motor condition as healthy or faulty with an accuracy of 98.8% using all features and with an accuracy of 98.4% by using only the mean-index and impulsion features. The performance of the random forest was compared with a decision tree, Naïve Bayes classifier, logistic regression, linear rid
محصولات مشابه
امتیاز شما:
(No Ratings Yet)
(No Ratings Yet)