Motor fault classification system including a novel hybrid feature reduction methodology
Visualitza/Obre
06119683.pdf (666,7Kb) (Accés restringit)
Sol·licita una còpia a l'autor
Què és aquest botó?
Aquest botó permet demanar una còpia d'un document restringit a l'autor. Es mostra quan:
- Disposem del correu electrònic de l'autor
- El document té una mida inferior a 20 Mb
- Es tracta d'un document d'accés restringit per decisió de l'autor o d'un document d'accés restringit per política de l'editorial
Cita com:
hdl:2117/14914
Tipus de documentText en actes de congrés
Data publicació2011
Condicions d'accésAccés restringit per política de l'editorial
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
Abstract
The fault diagnosis field is in a continuous movement towards the generation of more reliable and powerful machine health monitoring schemes. Improved data processing
methodologies are required to reach high diagnosis demands. For that reason, a contribution in motor fault classification
methodology is presented. Different physical magnitudes such as phase currents, voltages and vibrations, are acquired from an
electromechanical system based on Brushless DC motor. Statistical features, from time and frequency domains, are calculated to supply a classification algorithm based on Neural Network and enhanced by Genetic Algorithm. The significance of feature space dimensionality, related with the number of used features, for classification success is analyzed. The combination of a feature selection technique (by Sequential Floating Forward Selection), with a feature extraction technique (by Principal Component Analysis), is proposed as a novel hybrid feature reduction methodology to improve the classification performance in electrical machine fault diagnosis. The proposed
methodology is validated experimentally and compared with classical feature reduction strategies.
CitacióDelgado, M. [et al.]. Motor fault classification system including a novel hybrid feature reduction methodology. A: IEEE International Conference on Industrial Electronics. "IECON 2011 - 37th Annual Conference on IEEE Industrial Electronics Society". Melbourne: 2011, p. 2388-2393.
ISBN978-1-61284-969-0
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
06119683.pdf | 666,7Kb | Accés restringit |