Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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