PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

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

Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
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.
Rocznik
Strony
121--123
Opis fizyczny
Bibliogr. 8 poz., tab., wykr.
Twórcy
autor
autor
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,
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BPOB-0025-0013
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.