Szczegóły publikacji
Opis bibliograficzny
Comparative study of SVM, MLP, and CNN for induction motor fault diagnosis with limited data — Porównanie zastosowania SVM oraz perceptronu wielowarstwowego z CNN do diagnostyki uszkodzeń silników indukcyjnych przy ograniczonym zbiorze danych / Wojciech Wroński, Maciej Sułowicz, Michał RAD // Przegląd Elektrotechniczny / Stowarzyszenie Elektryków Polskich ; ISSN 0033-2097 . — 2025 — R. 101 nr 11, s. 122–132. — Bibliogr. s. 131–132, Abstr., Streszcz. — Publikacja dostępna online od: 2025-11-24
Autorzy (3)
- Wroński Wojciech
- Sułowicz Maciej
- AGHRad Michał
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 165883 |
|---|---|
| Data dodania do BaDAP | 2026-03-05 |
| Tekst źródłowy | URL |
| DOI | 10.15199/48.2025.11.17 |
| Rok publikacji | 2025 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Przegląd Elektrotechniczny |
Streszczenie
W artykule przedstawiono nową metodę diagnostyki uszkodzeń silników indukcyjnych klatkowych, ze szczególnym uwzględnieniem wykrywania pęknięć prętów klatki wirnika w przejściowym stanie pracy, jakim jest rozruch. Analiza została przeprowadzona z wykorzystaniem metody TMCSA (ang. Transient Motor Current Signature Analysis). Opracowana metoda opiera się na unikalnym zbiorze danych zawierającym sygnały prądów rozruchowych pochodzące z kilkunastu różnych silników, co stanowi niespotykaną dotąd skalę różnorodności obiektów badawczych w literaturze. Do uzyskanych sygnałów zastosowano ciągłą transformację falkową (CWT), a następnie ich transformaty zostały rozszerzone syntetycznie z wykorzystaniem techniki spectrogram augmentation. Na tak przygotowanych obrazach nauczono lekką sieć neuronową typu CNN. Zaproponowaną metodę porównano z klasycznymi technikami sztucznej inteligencji: maszyną wektorów nośnych (SVM) – z użyciem metody HOG (ang. Histogram of Oriented Gradients) – oraz perceptronem wielowarstwowym (MLP). Metodologia oparta na obrazach niskiej rozdzielczości umożliwia implementację na platformach przenośnych. Wyniki wskazują, że proponowana metoda głębokiego uczenia może osiągać skuteczność porównywalną lub lepszą od klasycznych metod nawet przy ograniczonym zbiorze danych.
Abstract
This paper presents a novel fault diagnosis method for squirrel-cage induction motors, specifically targeting rotor bar breakage detection during the transient operating state of motor startup. The analysis was conducted using the Transient Motor Current Signature Analysis (TMCSA) method. The approach is based on a unique dataset comprising startup current signals from several distinct motor units, offering an unprecedented variety of test objects in the literature. Continuous Wavelet Transform (CWT) was applied to generate time-frequency representations, which were synthetically augmented using spectrogram augmentation. These images were used to train a lightweight Convolutional Neural Network (CNN). The proposed method was compared with traditional artificial intelligence techniques: Support Vector Machine (SVM) and Multilayer Perceptron (MLP). A new application of the Histogram of Oriented Gradients (HOG) technique was introduced for SVM-based image classification. The methodology relies on low-resolution images, enabling implementation on portable platforms. Results show that the proposed approach performs comparably to or better than classical AI methods, even with limited data.
