دانلود رایگان مقالات IEEEدانلود رایگان مقالات ژورنالی برقدانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI الکترونیک به زبان انگلیسیدانلود رایگان مقاله ISI الکترونیک قدرت به زبان انگلیسیدانلود رایگان مقاله ISI سیستم های قدرت به زبان انگلیسیدانلود رایگان مقاله ISI ماشینهای الکتریکی به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی برق به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کنترل به زبان انگلیسیسال انتشارمقالات Q1 مهندسی برق به زبان انگلیسیمقالات مهندسی برق با ایمپکت فاکتور بالا به زبان انگلیسی

مقاله انگلیسی رایگان در مورد الگوریتم آنالیز سیگنال چهار سطحی برای تشخیص نقص موتور القایی – ۲۰۱۹ IEEE

 

مشخصات مقاله
ترجمه عنوان مقاله الگوریتم آنالیز سیگنال چهار سطحی برای تشخیص نقص موتور القایی
عنوان انگلیسی مقاله Quaternion Signal Analysis Algorithm for Induction Motor Fault Detection
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۸ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) JCR – Master Journal List – Scopus
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۸٫۶۹۹ در سال ۲۰۱۸
شاخص H_index ۲۳۶ در سال ۲۰۱۹
شاخص SJR ۲٫۴۰۰ در سال ۲۰۱۸
شناسه ISSN ۰۲۷۸-۰۰۴۶
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی برق
گرایش های مرتبط مهندسی الکترونیک، سیستم های قدرت، مهندسی کنترل و الکترونیک قدرت و ماشینهای الکتریکی
نوع ارائه مقاله
ژورنال
مجله  معاملات در الکترونیک صنعتی – Transactions on Industrial Electronics
دانشگاه University of Guanajuato, Salamanca, Mexico
کلمات کلیدی موتورهای القایی، تشخیص نقص، آمار چرخش چهارگانه، طبقه بندی درخت
کلمات کلیدی انگلیسی Induction motors، fault detection، quaternion rotation statistics، tree classification
شناسه دیجیتال – doi
https://doi.org/10.1109/TIE.2019.2891468
کد محصول E12708
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

I- Introduction

II- Quaternion

III- Statistics

IV- Classification Tree

V- Algorithm

References

 

بخشی از متن مقاله:

Abstract

Induction motor fault identification is essential to improve efficiency in industrial processes improving costs, production line and maintenance time. This paper presents a novel motor fault detection methodology based on Quaternion Signal Analysis (QSA). The proposed method establishes the quaternion coefficients as the value of motor current measurement and the variables x, y and z are the measurements from a triaxial-accelerometer mounted on the induction motor chassis. The method obtains the rotation of quaternions and applies quaternion rotation statistics such as mean, cluster shades and cluster prominence in order to get their features, and these are used to classify the motor state using the proposed tree classification algorithm. This methodology is validated experimentally and compared to other methods to determine the efficiency of this method for feature detection and motor fault identification and classification.

INTRODUCTION

INDUCTION motors are important in industrial processes. Motor fault detection improves costs, production line and maintenance time. The induction motor is affected by electrodynamic forces, winding insulation, large voltage stresses, thermal aging and mechanical vibrations from external or internal sources [?]. The typical mechanical faults that occur in induction motors are stator fault, bearing fault, broken bars fault and rotor fault. The importance of the evaluation of induction motors has motivated the development of algorithms for early fault detection [?]. Bearing and rotor faults are the most common type of analysis performed on induction motor failures. For instance, in [?], a stator inter-turn fault is detected using an algorithm that analyzes impedance. The authors in this paper calculate the impedance using winding function theory, and then they compare their results with those in a database to detect a fault classification. A statistical method such as the least-mean-square is used with this kind of algorithms to obtain bearing fault detection by analyzing the vibration signals that are taken throughout the endurance test [?]. Similarly, spectral kurtosis-based algorithms are used to find faults in the bearing elements by using the stator current or the vibration signal to analyze the characteristic frequencies [?]- [?].

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا