Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: selekcja cech diagnostycznych

Sortuj według:

Ogranicz wyniki do:

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

100%

Kurek J. , Osowski S.

Przegląd Elektrotechniczny

2010

tom R. 86, nr 1

121-123

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.

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.

Metody selekcji cech diagnostycznych w prognozowaniu obciążeń energetycznych

67%

Ciechulski T.

Logistyka

2015

tom nr 3

728--736, CD 1

Praca dotyczy porównania metod selekcji cech diagnostycznych w prognozowaniu zapotrzebowania na energię elektryczną w małym systemie elektroenergetycznym w Polsce. W symulacji brały udział sieci neuronowe typu MLP, RBF i SVM, które zostały zaimplementowane w środowisku MATLAB. Do badań użyty został przedział czasowy obejmujący 729 dni. Spośród nich, 500 dni zostało przeznaczonych do zbioru danych uczących, pozostałe zaś przydzielono do zbioru danych testujących. Oprócz danych zużycia energii elektrycznej, włączone do analizy zostały również dane dotyczące typu dnia, pory roku oraz atmosferyczne zawierające wartości temperatury i prędkości wiatru. Symulacje zostały przeprowadzone w czterech etapach. W etapie pierwszym użyto całego zbioru dostępnych danych wejściowych, tzn. bez selekcji, co stanowi bazę porównawczą dla dalszych etapów. W etapie drugim użyto metodę selekcji cech bazującą na liniowej regresji krokowej. W etapie trzecim użyta została selekcja cech z zastosowaniem algorytmu genetycznego. W etapie czwartym użyto metodę selekcji cech za pomocą zespołu drzew decyzyjnych czyli lasu losowego.

The paper compares methods of the input attribute selection for electrical load forecasting in a small power system in Poland. Three neural networks were used in the simulations: MLP, RBF and SVM implemented in the MATLAB computing environment. Forecasted period covers 729 days. 500 days were used as a training set and other 229 days as a test set. Except of the electrical load data, the day type bit, the season bits and the weather data such as values of temperature and wind speed were added to the analysis. The simulations were carried out in four stages. In the first one the whole data set without the selection was used in the forecast. It is done for the comparison to the other stages of simulations. In the second stage, the stepwise regression was used for the selection of the most important input attributes. In the third stage for the selection, genetic algorithm was used. In the fourth stage, the random forest was used as the selection method. The results of the simulations were shown in the last chapter of the article. The comparison of results has shown different influence of the selection methods to the improvement of prediction accuracy.