Multi-sensor fault diagnosis of induction motors using random forests and support vector machine
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23220%2F20%3A43960210" target="_blank" >RIV/49777513:23220/20:43960210 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/9270689" target="_blank" >https://ieeexplore.ieee.org/document/9270689</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICEM49940.2020.9270689" target="_blank" >10.1109/ICEM49940.2020.9270689</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Multi-sensor fault diagnosis of induction motors using random forests and support vector machine
Popis výsledku v původním jazyce
This paper presents a fault diagnosis scheme for induction machines (IMs) using Support Vector Machine (SVM) and Random Forests (RFs). First, a number of timedomain and frequency-domain features are extracted from vibration and current signals in different operating conditions of IM. Then, these features are combined and considered as the input of SVM-based classification model. To avoid overfitting, RF is utilized to determine the most dominant features contributing to accurate classification. It is proved that the proposed method is capable of achieving highly accurate fault diagnosis results for broken rotor bar and eccentricity faults and it can appro
Název v anglickém jazyce
Multi-sensor fault diagnosis of induction motors using random forests and support vector machine
Popis výsledku anglicky
This paper presents a fault diagnosis scheme for induction machines (IMs) using Support Vector Machine (SVM) and Random Forests (RFs). First, a number of timedomain and frequency-domain features are extracted from vibration and current signals in different operating conditions of IM. Then, these features are combined and considered as the input of SVM-based classification model. To avoid overfitting, RF is utilized to determine the most dominant features contributing to accurate classification. It is proved that the proposed method is capable of achieving highly accurate fault diagnosis results for broken rotor bar and eccentricity faults and it can appro
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20201 - Electrical and electronic engineering
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings : 2020 International Conference on Electrical Machines (ICEM 2020)
ISBN
978-1-72819-945-0
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
1404-1410
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
virtual, Gothenburg, Sweden
Datum konání akce
23. 8. 2020
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—