Diagnostic feature selection for efficient recognition of different faults of rotor bars in the induction machine

• Autorzy: Kurek J. , Osowski S.

Warianty tytułu

PL

Selekcja cech diagnostycznych w zastosowaniu do rozpoznania różnych uszkodzeń prętów maszyny indukcyjnej

• Języki publikacji: EN

Abstrakty

EN

The paper presents two-step selection method of the most important diagnostic features in application to the localization of the faulty bars of the squirrel cage induction machine. The registered waveforms of the stator current, voltage and shaft flux are first transformed to the frequency spectrum using FFT. These harmonics are the potential candidates to be the features on the basis of which the SVM classifier is able to localize the faulty bars. The selection of the optimal set of harmonics is done in two-step approach. In the first step the wide set of harmonics is identified on the basis of comparison their values for two classes of data. In the second step the forward and backward regressive selection is applied to eliminate the strongly correlated features and to leave only the features well correlated with the recognized classes. The results of numerical experiments are presented and discussed in the paper.

PL

Praca przedstawia dwuetapową skuteczną metodę selekcji cech diagnostycznych dla potrzeb lokalizacji uszkodzonych prętów w maszynie indukcyjnej. Badania diagnostyczne prętów maszyny odbywają się na podstawie zarejestrowanych przebiegów czasowych prądu i napięcia stojana oraz strumienia wałowego rozproszenia. Wielkości te poddane są transformacji dyskretnej Fouriera (FFT) a uzyskane spektrum częstotliwościowe poddane jest analizie ukierunkowanej na wyłowienie cech diagnostycznych (harmonicznych) najbardziej różnicujących różne klasy uszkodzeń prętów maszyny. Zaproponowano dwustopniowy algorytm selekcji cech stosujący wielokrokową selekcje regresyjną eliminującą cechy skorelowane ze sobą i pozostawiającej w zbiorze jedynie cechy najlepiej skorelowane z rozpoznawaną klasą. Ten system selekcji cech został sprawdzony w praktycznym rozwiązaniu komputerowym on-line wykorzystującym jako klasyfikator sieć typu Support Vector Machine (SVM) i przetestowany na silniku indukcyjnym o zmodyfikowanej konstrukcji umożliwiającej symulację fizyczną uszkodzeń różnych prętów maszyny.

Słowa kluczowe

EN

induction machine; support vector machine (SVM)

PL

selekcja cech diagnostycznych; diagnostyka prętów klatki; maszyna indukcyjna; SVM

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2010
• Tom: R. 86, nr 1
• Strony: 121--123
• Opis fizyczny: Bibliogr. 8 poz., tab., wykr.

Twórcy

autor

Kurek J.

autor

Osowski S.

• Szkoła Główna Gospodarstwa Wiejskiego,

Bibliografia

• [1] Guyon I., Elisseeff A., An introduction to variable and feature selection, Journal of Machine Learning Research, 2003, vol. 3, pp. 1158 – 1182
• [2] Fang R., Induction machine rotor diagnosis using support vector machines and rough set, Lecture Notes in Computer Science, 2006, 4114:631-636
• [3] Kurek J., Diagnostyka uszkodzeń prętów klatki maszyny indukcyjnej z zastosowaniem sieci neuronowych, rozpr. dokt. PW, 2008
• [4] Kurek J., Biernat A., Osowski S., Markiewicz T., Diagnosis of induction motor using Support Vector Machine, VII Conf. CPEE, Odessa, Ukraine, 2006, 98-101
• [5] Matlab user manual, MathWorks, 2007
• [6] Osowski S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza PW, 2006
• [7] Schölkopf B., Smola A., Learning with kernels, Cambridge, MIT Press, MA. 2002
• [8] Weisberg S., Applied linear regression, Wiley, 2005,