Documents disponibles écrits par cet auteur

Induction Machine Condition Monitoring Using Neural Network Modeling / Hua Su in IEEE transactions on industrial electronics, Vol. 54 N°1 (Fevrier 2007) 

Public ISBD [article]  in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 241-249 p. Titre : Induction Machine Condition Monitoring Using Neural Network Modeling Titre original : Surveillance d'Etat de Machine d'Induction en Utilisant le Modèle de Réseau Neurologique Type de document : texte imprimé Auteurs : Hua Su, Auteur ; Kil To Chong, Auteur Article en page(s) : 241-249 p. Note générale : Génie Electrique Langues : Anglais (eng) Mots-clés : Condition  monitoring  Induction  motors  Neural  networks  Vibration  signal.Surveillance  de  condition  Moteurs  à  induction  Réseaux  neurologiques  Signal  de  vibration. Index. décimale : 621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X Résumé : Condition monitoring is desirable for increasing machinery availability, reducing consequential damage, and improving operational efficiency. Model-based methods are efficient monitoring systems for providing warning and predicting certain faults at early stages. However, the conventional methods must work with explicit motor models, and cannot be applied effectively for vibration signal diagnosis due to their nonadaptation and the random nature of vibration signal. In this paper, an analytical redundancy method using neural network modeling of the induction motor in vibration spectra is proposed for machine fault detection and diagnosis. The short-time Fourier transform is used to process the quasi-steady vibration signals to continuous spectra for the neural network model training. The faults are detected from changes in the expectation of vibration spectra modeling error. The effectiveness of the proposed method is demonstrated through experimental results, and it is shown that a robust and automatic induction machine condition monitoring system has been produced. La surveillance de condition est souhaitable pour la disponibilité croissante de machines, réduisant des dommages consécutifs, et améliorant l'efficacité opérationnelle. les méthodes Modèle-basées sont les systèmes de surveillance efficaces pour fournir certains défauts avertissants et de prévisions aux parties. Cependant, les méthodes conventionnelles doivent fonctionner avec les modèles explicites de moteur, et ne peuvent pas être appliquées efficacement pour le diagnostic de signal de vibration dû à leur nonadaptation et à la nature aléatoire du signal de vibration. En cet article, on propose une méthode analytique de redondance employant modeler de réseau neurologique du moteur à induction dans des spectres de vibration pour la détection et le diagnostic de défaut de machine. La transformée de Fourier à court terme est employée pour traiter les signaux quasi-stationnaires de vibration aux spectres continus pour la formation de modèle de réseau neurologique. Les défauts sont détectés des changements de l'espérance des spectres de vibration modelant l'erreur. L'efficacité de la méthode proposée est démontrée par des résultats expérimentaux, et on lui montre qu'un système de surveillance robuste et automatique d'état de machine d'induction a été produit. DEWEY : 621 ISSN : 0278-0046 En ligne : huasu@mit.edu, kitchong@chonbuk.ac.k [article] Induction Machine Condition Monitoring Using Neural Network Modeling = Surveillance d'Etat de Machine d'Induction en Utilisant le Modèle de Réseau Neurologique [texte imprimé] / Hua Su, Auteur ; Kil To Chong, Auteur . - 241-249 p. Génie Electrique Langues : Anglais (eng) in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 241-249 p. Mots-clés : Condition  monitoring  Induction  motors  Neural  networks  Vibration  signal.Surveillance  de  condition  Moteurs  à  induction  Réseaux  neurologiques  Signal  de  vibration. Index. décimale : 621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X Résumé : Condition monitoring is desirable for increasing machinery availability, reducing consequential damage, and improving operational efficiency. Model-based methods are efficient monitoring systems for providing warning and predicting certain faults at early stages. However, the conventional methods must work with explicit motor models, and cannot be applied effectively for vibration signal diagnosis due to their nonadaptation and the random nature of vibration signal. In this paper, an analytical redundancy method using neural network modeling of the induction motor in vibration spectra is proposed for machine fault detection and diagnosis. The short-time Fourier transform is used to process the quasi-steady vibration signals to continuous spectra for the neural network model training. The faults are detected from changes in the expectation of vibration spectra modeling error. The effectiveness of the proposed method is demonstrated through experimental results, and it is shown that a robust and automatic induction machine condition monitoring system has been produced. La surveillance de condition est souhaitable pour la disponibilité croissante de machines, réduisant des dommages consécutifs, et améliorant l'efficacité opérationnelle. les méthodes Modèle-basées sont les systèmes de surveillance efficaces pour fournir certains défauts avertissants et de prévisions aux parties. Cependant, les méthodes conventionnelles doivent fonctionner avec les modèles explicites de moteur, et ne peuvent pas être appliquées efficacement pour le diagnostic de signal de vibration dû à leur nonadaptation et à la nature aléatoire du signal de vibration. En cet article, on propose une méthode analytique de redondance employant modeler de réseau neurologique du moteur à induction dans des spectres de vibration pour la détection et le diagnostic de défaut de machine. La transformée de Fourier à court terme est employée pour traiter les signaux quasi-stationnaires de vibration aux spectres continus pour la formation de modèle de réseau neurologique. Les défauts sont détectés des changements de l'espérance des spectres de vibration modelant l'erreur. L'efficacité de la méthode proposée est démontrée par des résultats expérimentaux, et on lui montre qu'un système de surveillance robuste et automatique d'état de machine d'induction a été produit. DEWEY : 621 ISSN : 0278-0046 En ligne : huasu@mit.edu, kitchong@chonbuk.ac.k