Szczegóły publikacji
Opis bibliograficzny
Recognition of acoustic signals of induction motor using FFT, SMOFS-10 and LSVM — Rozpoznawanie sygnałów akustycznych silnika indukcyjnego z zastosowaniem FFT, SMOFS-10 i LSVM / Adam GŁOWACZ // Eksploatacja i Niezawodność = Maintenance and Reliability / Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne ; ISSN 1507-2711. — 2015 — vol. 17 no. 4, s. 569-574. — Bibliogr. s. 572-574. — Wersja polska http://www.ein.org.pl/sites/default/files/2015-04-12p.pdf
Autor
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 93180 |
|---|---|
| Data dodania do BaDAP | 2015-10-09 |
| Tekst źródłowy | URL |
| DOI | 10.17531/ein.2015.4.12 |
| Rok publikacji | 2015 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Eksploatacja i Niezawodność = Maintenance and Reliability |
Streszczenie
Prawidłowa diagnostyka obwodów elektrycznych jest bardzo istotna w zakładach przemysłowych. Artykuł zajmuje się metodą rozpoznawania stanów przedawaryjnych silnika indukcyjnego. Opisane podejście jest oparte na rozpoznawaniu wzorców. Sygnały akustyczne określonego silnika indukcyjnego są badanymi wzorcami. Sygnały akustyczne zawierają informację o stanie silnika. Analiza wzorców została przeprowadzona dla trzech stanów silnika indukcyjnego używając FFT, skróconej metody wyboru częstotliwości (SMoFS-10) i liniowej maszyny wektorów wspierających (LSVM). Wyniki obliczeń sugerują, że metoda jest skuteczna i może być również zastosowana dla celów diagnostycznych.
Abstract
A correct diagnosis of electrical circuits is very essential in industrial plants. An article deals with a recognition method of early fault detection of induction motor. The described approach is based on patterns recognition. Acoustic signals of specific induction motor are analyzed patterns. Acoustic signals include information about motor state. The analysis of the patterns was conducted for three states of induction motor using Fast Fourier Transform (FFT), shortened method of frequencies selection (SMoFS-10) and Linear Support Vector Machine (LSVM). The results of calculations suggest that the method is efficient and can be also used for diagnostic purposes.
