Informacja

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

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "klasyfikacja uszkodzeń" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Zastosowanie uczenia nadzorowanego do klasyfikacji defektów PPZ na podstawie sygnałów EA
    Application of supervised learning for classification of OLTC defects on the basis of AE signals
    Autorzy:
    Wotzka, D.
    Cichoń, A.
    Manowski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/376716.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
    Tematy:
    analiza sygnałów EA
    podobciążeniowe przełączniki zaczepów
    PPZ
    klasyfikacja uszkodzeń PPZ
    uczenie nadzorowane
    Opis:
    Tematyka artykułu dotyczy rozpoznawania defektów podobciążeniowych przełączników zaczepów (PPZ) z wykorzystaniem uczenia nadzorowanego. PPZ to specjalistyczne urządzenie będące częścią transformatora elektroenergetycznego, które pozwala na skokową zmianę przekładni a tym samym napięcia na zaciskach tego transformatora. Jako metodę diagnostyczną zastosowano metodę emisji akustycznej (EA), której zaletą jest możliwość stosowania podczas normalnej pracy transformatora bez konieczności jego wyłączania. Sygnały EA pozyskane z badań laboratoryjnych, w których symulowano cztery rodzaje defektów - typowych uszkodzeń PPZ, poddano wstępnej analizie z wykorzystaniem filtrów cyfrowych i transformaty Hilberta, a następnie poddano procesowi klasyfikacji. W artykule zawarto przykładowe przebiegi czasowe sygnałów EA oraz wyniki wstępnych badań dotyczących klasyfikacji defektów PPZ z wykorzystaniem siedmiu metod wraz z oceną ich skuteczności.
    The subject of the article concerns recognition of defects of on load tap changers (OLTC) with the use of supervised learning. OLTC is a specialized device that is part of a power transformer, which allows for a step change of the gear and thus the voltage at the terminals of this transformer. The acoustic emission (AE) method was applied as diagnostic method. The advantage of this method lies in the possibility of its application during normal operation of the device without having to turn it off. EA signals were obtained from laboratory tests in which four types of defects - typical OLTC damages, were simulated. The gathered signals were pre-analyzed using digital filters and Hilbert transforms, and then subjected to the classification process. The article contains examples of EA signal waveforms and the results of preliminary research on the classification of OLTC defects with the use of seven methods together with an assessment of their effectiveness.
    Źródło:
    Poznan University of Technology Academic Journals. Electrical Engineering; 2018, 93; 335-344
    1897-0737
    Pojawia się w:
    Poznan University of Technology Academic Journals. Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Supervised and unsupervised learning process in damage classification of rolling element bearings
    Nadzorowany i nienadzorowany proces uczenia w klasyfikacji uszkodzeń łożysk tocznych
    Autorzy:
    Strączkiewicz, M.
    Czop, P.
    Barszcz, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/327924.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    fault classification
    pattern recognition
    rolling element bearing
    multiple classifiers comparison
    klasyfikacja uszkodzeń
    rozpoznawanie wzorców
    łożysko toczne
    porównanie klasyfikatorów
    Opis:
    Damage classification plays a crucial role in the process of management in nearly every branch of industry. In fact, is becomes equally important as damage detection, since it can provide information of malfunction severity and hence lead to improvement of a production or manufacturing process. Within this paper selected supervised and unsupervised pattern recognition methods are employed for this purpose. The attention of the authors is given to assessment of selection, performance benchmarking and applicability of selected pattern recognition methods. The investigation is performed on the data collected using an experimental test grid and rolling element bearing with deteriorating condition of an outer race.
    Klasyfikacja uszkodzeń odgrywa ważną rolę w procesie zarządzania w niemalże każdej gałęzi przemysłu. W rzeczywistości staje się ona równie istotna co samo wykrywanie uszkodzenia ponieważ pozwala określić stopień uszkodzenia, a co za tym idzie, poprawić efektywność zarządzania zakładem przemysłowym. W tym celu wykorzystano wybrane nadzorowane i nienadzorowane metody rozpoznawania wzorców. W artykule zwrócono uwagę na ocenę wyboru, porównanie wydajności oraz możliwości wykorzystania tych metod. Analiza przeprowadzona została na danych zgromadzonyh na eksperymentalnym stanowisku testowym, gdzie obserwowany jest stan łożyska tocznego z pogłębiającym się uszkodzeniem bieżni zewnętrznej.
    Źródło:
    Diagnostyka; 2016, 17, 2; 71-80
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Ensemble of feature extraction methods to improve the structural damage classification in a wind turbine foundation
    Autorzy:
    Leon-Medina, Jersson X.
    Parés, Núria
    Anaya, Maribel
    Tibaduiza, Diego A.
    Pozo, Francesc
    Powiązania:
    https://bibliotekanauki.pl/articles/27311417.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    structural health monitoring
    wind turbine foundation
    damage classification
    machine learning
    feature extraction
    XGBoost
    monitorowanie stanu konstrukcji
    fundament turbiny wiatrowej
    klasyfikacja uszkodzeń
    uczenie maszynowe
    ekstrakcja cech
    Opis:
    The condition monitoring of offshore wind power plants is an important topic that remains open. This monitoring aims to lower the maintenance cost of these plants. One of the main components of the wind power plant is the wind turbine foundation. This study describes a data-driven structural damage classification methodology applied in a wind turbine foundation. A vibration response was captured in the structure using an accelerometer network. After arranging the obtained data, a feature vector of 58 008 features was obtained. An ensemble approach of feature extraction methods was applied to obtain a new set of features. Principal Component Analysis (PCA) and Laplacian eigenmaps were used as dimensionality reduction methods, each one separately. The union of these new features is used to create a reduced feature matrix. The reduced feature matrix is used as input to train an Extreme Gradient Boosting (XGBoost) machine learning-based classification model. Four different damage scenarios were applied in the structure. Therefore, considering the healthy structure, there were 5 classes in total that were correctly classified. Five-fold cross validation is used to obtain a final classification accuracy. As a result, 100% of classification accuracy was obtained after applying the developed damage classification methodology in a wind-turbine offshore jacket-type foundation benchmark structure.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2023, 71, 3; art. no. e144606
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Detection and classification of short-circuit faults on a transmission line using current signal
    Autorzy:
    Coban, Melih
    Tezcan, Suleyman S.
    Powiązania:
    https://bibliotekanauki.pl/articles/2086833.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    transmission line
    fault detection
    fault classification
    support vector machine
    SVM
    linia przesyłowa
    wykrywanie uszkodzeń
    klasyfikacja błędów
    maszyna wektorów nośnych
    Opis:
    This study offers two Support Vector Machine (SVM) models for fault detection and fault classification, respectively. Different short circuit events were generated using a 154 kV transmission line modeled in MATLAB/Simulink software. Discrete Wavelet Transform (DWT) is performed to the measured single terminal current signals before fault detection stage. Three level wavelet energies obtained for each of three-phase currents were used as input features for the detector. After fault detection, half cycle (10 ms) of three-phase current signals was recorded by 20 kHz sampling rate. The recorded currents signals were used as input parameters for the multi class SVM classifier. The results of the validation tests have demonstrated that a quite reliable, fault detection and classification system can be developed using SVM. Generated faults were used to training and testing of the SVM classifiers. SVM based classification and detection model was fully implemented in MATLAB software. These models were comprehensively tested under different conditions. The effects of the fault impedance, fault inception angle, mother wavelet, and fault location were investigated. Finally, simulation results verify that the offered study can be used for fault detection and classification on the transmission line.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 4; e137630, 1--9
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    System diagnostyki małych silników prądu stałego z wykorzystaniem metody identyfikacji
    System of diagnostics of small dc motors with the usage of identification method
    Autorzy:
    Hanzel, M.
    Moczulski, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/328537.pdf
    Data publikacji:
    2007
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    diagnostyka
    wykorzystanie modelu
    identyfikacja
    silnik elektryczny małej mocy
    detekcja uszkodzeń
    klasyfikacja residuów
    logika rozmyta
    model-based diagnostics
    diagnostics through identification
    small-power DC motor
    fault detection
    classification of residuals
    fuzzy logic
    Opis:
    W referacie opisano system diagnostyki małych silników prądu stałego, stosowanych w samochodach osobowych. Zaprojektowanie, skonstruowanie stanowiska pomiarowego, opracowanie metody i oprogramowania, a także weryfikacja takiego systemu były przedmiotem pracy dyplomowej magisterskiej pierwszego z autorów. Zastosowane podejście bazuje na modelu analitycznym silnika, opisującym część elektryczną i mechaniczną. Do detekcji i lokalizacji uszkodzeń wykorzystuje się dwie stałe: elektromechaniczną stałą czasową oraz elektromagnetyczną stałą czasową obwodu twornika. Estymacja wartości tych stałych następuje na podstawie zmierzonych wielkości: prędkości obrotowej i parametrów elektrycznych. Uzyskane wyniki porównywane są z wartościami wzorcowymi otrzymanymi z modelu. Otrzymane residua są klasyfikowane z wykorzystaniem prostego algorytmu progowego, a także przez rozmytą sieć neuronową. Wstępne badania weryfikacyjne, przeprowadzone dla kilku obiektów tego samego typu, potwierdziły poprawne działanie systemu.
    The paper deals with a system of diagnostics of small DC motors that are applied in personal cars. Design and development of a measuring stand, development of a method and respective software, and verification of this system were the subject of MSc thesis of the first author. The approach to the problem is based on analytical model of the motor, which describes both the electrical and mechanical parts of the object. Two time constants are applied in order to detect and isolate faults: electro-mechanical one and electro-magnetic time constant of the rotor circuit. These constants are estimated basing on such measured quantities as rotating speed and electric parameters. The obtained results are compared with pattern values calculated from the model. Received residuals are classified by using simple threshold algorithm, and by fuzzy neural network. The initial verification carried out for several motors of the same type confirmed correct operation of the diagnostic system.
    Źródło:
    Diagnostyka; 2007, 1(41); 67-74
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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