Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Guettaf, Abderrazak" wg kryterium: Autor


Wyświetlanie 1-1 z 1
Tytuł:
Early detection and localization of stator inter-turn short circuit faults based on variational mode decomposition and deep learning in induction motor
Autorzy:
Guedidi, Asma
Laala, Widad
Guettaf, Abderrazak
Arif, Ali
Powiązania:
https://bibliotekanauki.pl/articles/27313828.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
convolutional neural networks
CNNs
deep learning
short circuit fault diagnosis
variational mode decomposition
information map
silnik indukcyjny
konwolucyjne sieci neuronowe
uczenie głębokie
mapa informacyjna
Opis:
The existing diagnostic techniques for detecting inter-turn short circuits (ITSCs) in induction motors face two primary challenges. Firstly, they suffer from reduced sensitivity, often failing to detect ITSCs when only a few turns are short-circuited. Secondly, their reliability are compromised by load fluctuations, leading to false alarms even in the absence of actual faults. To address these issues, a novel intelligent approach to diagnose ITSC fault is proposed. Indeed, this method encompasses three core components: a novel multi-sensor fusion technique, a knowledge map, and enhanced Convolutional Neural Networks (CNNs). First, the raw data collected from multiple sensors undergoes a transformation into 2D data using a novel image transformation based on Hilbert transform (HT) and variational mode decomposition (VMD), which is concatenate to a novel information map including frequency fault information and rotational speed. Then, this 3D multi information image is used as input to an improvement CNN model that apply a transfer learning for an enhanced version of SqueezNet with incorporating a novel attention mechanism module to precisely identify fault features. Experimental results and performance comparisons demonstrate that the proposed model attains high performance surpassing other Deep Learning (DL) methods in terms of accuracy. In addition, the model has consistently demonstrated its ability to make precise predictions and accurately classify fault severity, even under different working conditions.
Źródło:
Diagnostyka; 2023, 24, 4; art. no. 2023401
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-1 z 1

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies