Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2024

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: stator inter turn fault

Sortuj według:

Ogranicz wyniki do:

An effective approach for electric motor fault diagnosis using deep learning

Padmavathi R., Aravinda K., Vetrivel M., Santhana Lakshmi C., Satheesh Kumar R., Sivakumar S.

Przegląd Elektrotechniczny

2024

R. 100, nr 6

253--256

Induction motors have versatile applications across various industries. However, during their integration into different systems, they can be susceptible to a range of failures such as broken bars and interturn faults. To mitigate the risks of unforeseen motor breakdowns, this study introduced an Artificial Neural Network (ANN) based fault detector to assess the severity of fault conditions. The primary goal is to enhance the reliability and longevity of induction motors by promptly identifying potential issues. In this proposed model, Levenberg–Marquardt back-propagation algorithm is utilised for training and the ANN was subjected to testing under both healthy and five distinct fault conditions of the electrical machine.The results obtained from the experimentation phase are promising, revealing that the proposed ANN topology exhibits a noteworthy accuracy level of around 96%. This accuracy surpasses that of the pre-existing topology, indicating a significant advancement in fault detection capability.

Silniki indukcyjne mają wszechstronne zastosowanie w różnych gałęziach przemysłu. Jednakże podczas integracji z różnymi systemami mogą być podatne na szereg awarii, takich jak pęknięte pręty i uszkodzenia międzyzwojowe. Aby ograniczyć ryzyko nieprzewidzianych awarii silnika, w badaniu wprowadzono detektor usterek oparty na sztucznej sieci neuronowej (ANN) w celu oceny powagi warunków awarii. Głównym celem jest zwiększenie niezawodności i trwałości silników indukcyjnych poprzez szybką identyfikację potencjalnych problemów. W proponowanym modelu do uczenia wykorzystano algorytm propagacji wstecznej Levenberga-Marquardta, a sieć SSN poddano testom zarówno w warunkach prawidłowego działania, jak i w pięciu odrębnych stanach usterek maszyny elektrycznej. Wyniki uzyskane w fazie eksperymentów są obiecujące i ujawniają, że zaproponowany model Topologia SSN charakteryzuje się godnym uwagi poziomem dokładności wynoszącym około 96%. Dokładność ta przewyższa dokładność istniejącej topologii, co wskazuje na znaczny postęp w zakresie możliwości wykrywania usterek.