현장 권선에서 초기 권선 단락 결함의 지능형 데이터 기반 진단하는 방법

이 기사는 기계 학습(ML) 및 신호 처리가 현장 권선에서 초기 권선 단락(ITSC) 결함을 드러내기 위한 온라인 상태 모니터링에 사용될 수 있는지를 조사합니다. 이는 ITSC 결함을 감지하기 위해 여러 ML 분류기를 생성하는 방식으로 이루어졌습니다. ML을 위한 데이터셋은 빠른 푸리에 변환으로 추출된 공극 자기장 전력 스펙트럼 밀도, 이산 웨이블렛 변환 에너지 및 스케일 가능한 가설 테스트(Scalable Hypothesis tests, TSFRESH)를 기반으로 한 시계열 특징 추출(Time Series FeatuRe Extraction)을 사용하여 생성되었습니다. 이 데이터셋을 사용하여 다양한 분류기들이 ITSC 결함의 존재 여부를 감지하도록 훈련되었습니다. 평가된 분류기는 로지스틱 회귀, K- 최근접 이웃, 방사 기저 함수 서포트 벡터 기계(SVM), 선형 SVM, XGBoost 결정 트리 숲, 다층 퍼셉트론, 그리고 위에서 언급한 모든 것을 포함하는 스태킹 앙상블 분류기입니다. 분류기는 하이퍼파라미터 그리드 검색을 사용하여 최적화되었습니다. 또한, 무작위 숲 특징 선택, TSFRESH 특징 선택, 주성분 분석과 같은 일부 특징 선택 및 축소 알고리즘도 평가되었습니다. 결과적으로 ITSC 결함을 포함하는 샘플의 84.5%를 감지할 수 있는 분류기가 나타났으며, 결함 감지가 올바를 확률은 92.7%입니다.