Multi-sensor fault diagnosis of induction motors using random forests and support vector machine

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>

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

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

—