Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault / J. F. Martins in IEEE transactions on industrial electronics, Vol. 54 N°1 (Fevrier 2007)  

Public ISBD [article]  inIEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 259-264 p. Titre : Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault Titre original : Réseau Neurologique Non Surveillé Basé l'Algorithme pour un Diagnostic en Ligne de Défaut Triphasé de Redresseur de Moteur à Induction Type de document : texte imprimé Auteurs : J. F. Martins, Auteur ; A. J. Pires ; V. Ferno Pires, Auteur Année de publication : 2007 Article en page(s) : 259-264 p. Note générale : Génie Electrique Langues : Anglais (eng) Mots-clés : Fault diagnosis Hebbian learning Induction motors Neural networks Unsupervised learning.Diagnostic de défaut Etude Moteurs à induction Réseaux neurologiques non surveillée. Index. décimale : 621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X Résumé : In this paper, an automatic algorithm based an unsupervised neural network for an on-line diagnostics of three-phase induction motor stator fault is presented. This algorithm uses the alfa-beta stator currents as input variables. Then, a fully automatic unsupervised method is applied in which a Hebbian-based unsupervised neural network is used to extract the principal components of the stator current data. These main directions are used to decide where the fault occurs and a relationship between the current components is calculated to verify the severity of the fault. One of the characteristics of this method, given its unsupervised nature, is that it does not need a prior identification of the system. The proposed methodology has been experimentally tested on a 1kW induction motor. The obtained experimental results show the effectiveness of the proposed method. En cet article, un algorithme automatique a basé un réseau neurologique non surveillé pour dessus une ligne diagnostic de défaut triphasé de redresseur de moteur à induction est présenté. Cet algorithme emploie les alfa-bêtas courants de redresseur comme variables d'entrée. Puis, on applique une méthode non surveillée complètement automatique dans laquelle un Hebbian a basé le réseau neurologique non surveillé est employé pour extraire les composants principaux des données de courant de redresseur. Ces directions principales sont employées pour décider où le défaut se produit et un rapport entre les composants courants est calculé pour vérifier la sévérité du défaut. Une des caractéristiques de cette méthode, données sa nature non surveillée, est qu'elle n'a pas besoin d'une identification antérieure du système. La méthodologie proposée a été expérimentalement examinée sur un moteur à induction 1kW. Les résultats expérimentaux obtenus montrent l'efficacité de la méthode proposée. DEWEY : 621 ISSN : 02780046 En ligne : jmartins@est.ips.pt, vpires@est.ips.pt, apires@est.ips.pt [article] Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault = Réseau Neurologique Non Surveillé Basé l'Algorithme pour un Diagnostic en Ligne de Défaut Triphasé de Redresseur de Moteur à Induction [texte imprimé] / J. F. Martins, Auteur ; A. J. Pires ; V. Ferno Pires, Auteur . - 2007 . - 259-264 p. Génie Electrique Langues : Anglais (eng) in IEEE transactions on industrial electronics > Vol. 54 N°1 (Fevrier 2007) . - 259-264 p. Mots-clés : Fault diagnosis Hebbian learning Induction motors Neural networks Unsupervised learning.Diagnostic de défaut Etude Moteurs à induction Réseaux neurologiques non surveillée. Index. décimale : 621.38 Dispositifs électroniques. Tubes à électrons. Photocellules. Accélérateurs de particules. Tubes à rayons X Résumé : In this paper, an automatic algorithm based an unsupervised neural network for an on-line diagnostics of three-phase induction motor stator fault is presented. This algorithm uses the alfa-beta stator currents as input variables. Then, a fully automatic unsupervised method is applied in which a Hebbian-based unsupervised neural network is used to extract the principal components of the stator current data. These main directions are used to decide where the fault occurs and a relationship between the current components is calculated to verify the severity of the fault. One of the characteristics of this method, given its unsupervised nature, is that it does not need a prior identification of the system. The proposed methodology has been experimentally tested on a 1kW induction motor. The obtained experimental results show the effectiveness of the proposed method. En cet article, un algorithme automatique a basé un réseau neurologique non surveillé pour dessus une ligne diagnostic de défaut triphasé de redresseur de moteur à induction est présenté. Cet algorithme emploie les alfa-bêtas courants de redresseur comme variables d'entrée. Puis, on applique une méthode non surveillée complètement automatique dans laquelle un Hebbian a basé le réseau neurologique non surveillé est employé pour extraire les composants principaux des données de courant de redresseur. Ces directions principales sont employées pour décider où le défaut se produit et un rapport entre les composants courants est calculé pour vérifier la sévérité du défaut. Une des caractéristiques de cette méthode, données sa nature non surveillée, est qu'elle n'a pas besoin d'une identification antérieure du système. La méthodologie proposée a été expérimentalement examinée sur un moteur à induction 1kW. Les résultats expérimentaux obtenus montrent l'efficacité de la méthode proposée. DEWEY : 621 ISSN : 02780046 En ligne : jmartins@est.ips.pt, vpires@est.ips.pt, apires@est.ips.pt

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
aucun exemplaire