DSpace DSpace UPC
 Català   Castellano   English  

E-prints UPC >
Altres >
Enviament des de DRAC >

Empreu aquest identificador per citar o enllaçar aquest ítem: http://hdl.handle.net/2117/13682

Arxiu Descripció MidaFormat
EVALUATION OF MACHINE LEARNING 1.pdf612,43 kBAdobe PDFThumbnail
Veure/Obrir

Citació: Delgado, M. [et al.]. Evaluation of machine learning techniques for electro-mechanical system diagnosis. A: European Conference on Power Electronics and Applications. "14th European Conference on Power Electronics and Applications". Birmingham: IEEE Press. Institute of Electrical and Electronics Engineers, 2011, p. 1-10.
Títol: Evaluation of machine learning techniques for electro-mechanical system diagnosis
Autor: Delgado Prieto, Miquel Veure Producció científica UPC; García Espinosa, Antonio Veure Producció científica UPC; Urresty Betancourt, Julio César Veure Producció científica UPC; Riba Ruiz, Jordi-Roger Veure Producció científica UPC; Ortega Redondo, Juan Antonio Veure Producció científica UPC
Editorial: IEEE Press. Institute of Electrical and Electronics Engineers
Data: 2011
Tipus de document: Conference report
Resum: The application of intelligent algorithms, in electro-mechanical diagnosis systems, is increasing in order to reach high Reliability and performance ratios in critical and complex scenarios. In this context, different multidimensional intelligent diagnosis systems, based on different machine learning techniques, are presented and evaluated in an electro-mechanical actuator diagnosis scheme. The used diagnosis methodology includes the acquisition of different physical magnitudes from the system, such as machine vibrations and stator currents, to enhance the monitoring capabilities. The features calculation process is based on statistical time and frequency domains features, as well as timefrequency fault indicators. A features reduction stage is, additionally, included to compress the descriptive fault information in a reduced feature set. After, different classification algorithms such as Support Vector Machines, Neural Network, k-Nearest Neighbors and Classification Trees are implemented. Classification ratios over inputs corresponding to previously learnt classes, and generalization capabilities with inputs corresponding to learnt classes slightly modified are evaluated in an experimental test bench to analyze the suitability of each algorithm for this kind of application.
URI: http://hdl.handle.net/2117/13682
Versió de l'editor: http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=6020305
Apareix a les col·leccions:Altres. Enviament des de DRAC
MCIA - Centre MCIA Innovation Electronics. Ponències/Comunicacions de congressos
Departament d'Enginyeria Electrònica. Ponències/Comunicacions de congressos
Departament d'Enginyeria Elèctrica. Ponències/Comunicacions de congressos
Comparteix:


Stats Mostra les estadístiques d'aquest ítem

SFX Query

Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets.

Per a qualsevol ús que se'n vulgui fer no previst a la llei, dirigiu-vos a: sepi.bupc@upc.edu

 

Valid XHTML 1.0! Programari DSpace Copyright © 2002-2004 MIT and Hewlett-Packard Comentaris
Universitat Politècnica de Catalunya. Servei de Biblioteques, Publicacions i Arxius