تحلیل سیگنال چهار سطحی برای تشخیص نقص موتور القایی
ترجمه نشده

تحلیل سیگنال چهار سطحی برای تشخیص نقص موتور القایی

عنوان فارسی مقاله: الگوریتم آنالیز سیگنال چهار سطحی برای تشخیص نقص موتور القایی
عنوان انگلیسی مقاله: Quaternion Signal Analysis Algorithm for Induction Motor Fault Detection
مجله/کنفرانس: معاملات در الکترونیک صنعتی - Transactions on Industrial Electronics
رشته های تحصیلی مرتبط: مهندسی برق
گرایش های تحصیلی مرتبط: مهندسی الکترونیک، سیستم های قدرت، مهندسی کنترل و الکترونیک قدرت و ماشینهای الکتریکی
کلمات کلیدی فارسی: موتورهای القایی، تشخیص نقص، آمار چرخش چهارگانه، طبقه بندی درخت
کلمات کلیدی انگلیسی: Induction motors، fault detection، quaternion rotation statistics، tree classification
نمایه: JCR - Master Journal List - Scopus
شناسه دیجیتال (DOI): https://doi.org/10.1109/TIE.2019.2891468
دانشگاه: University of Guanajuato, Salamanca, Mexico
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 8/699 در سال 2018
شاخص H_index: 236 در سال 2019
شاخص SJR: 2/400 در سال 2018
شناسه ISSN: 0278-0046
شاخص Quartile (چارک): Q1 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 8
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12708
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


I- Introduction


II- Quaternion


III- Statistics


IV- Classification Tree


V- Algorithm


References

نمونه متن انگلیسی مقاله

Abstract


Induction motor fault identification is essential to improve efficiency in industrial processes improving costs, production line and maintenance time. This paper presents a novel motor fault detection methodology based on Quaternion Signal Analysis (QSA). The proposed method establishes the quaternion coefficients as the value of motor current measurement and the variables x, y and z are the measurements from a triaxial-accelerometer mounted on the induction motor chassis. The method obtains the rotation of quaternions and applies quaternion rotation statistics such as mean, cluster shades and cluster prominence in order to get their features, and these are used to classify the motor state using the proposed tree classification algorithm. This methodology is validated experimentally and compared to other methods to determine the efficiency of this method for feature detection and motor fault identification and classification.


INTRODUCTION


INDUCTION motors are important in industrial processes. Motor fault detection improves costs, production line and maintenance time. The induction motor is affected by electrodynamic forces, winding insulation, large voltage stresses, thermal aging and mechanical vibrations from external or internal sources [?]. The typical mechanical faults that occur in induction motors are stator fault, bearing fault, broken bars fault and rotor fault. The importance of the evaluation of induction motors has motivated the development of algorithms for early fault detection [?]. Bearing and rotor faults are the most common type of analysis performed on induction motor failures. For instance, in [?], a stator inter-turn fault is detected using an algorithm that analyzes impedance. The authors in this paper calculate the impedance using winding function theory, and then they compare their results with those in a database to detect a fault classification. A statistical method such as the least-mean-square is used with this kind of algorithms to obtain bearing fault detection by analyzing the vibration signals that are taken throughout the endurance test [?]. Similarly, spectral kurtosis-based algorithms are used to find faults in the bearing elements by using the stator current or the vibration signal to analyze the characteristic frequencies [?]- [?].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

تحلیل سیگنال چهار سطحی برای تشخیص نقص موتور القایی
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها