基于随机森林的LS-PMSM断条故障检测
机器学习
2017-11-08 v1
摘要
本文提出一种新方法,利用随机森林诊断直线启动永磁同步电机(LS-PMSM)的断条故障。从健康电机和具有断条故障的故障电机获取了电机启动过程中的瞬态电流信号。我们从启动瞬态电流信号中提取了13个统计时域特征,并使用这些特征训练和测试随机森林,以判断电机是在正常还是故障状态下运行。对于特征选择,我们利用随机森林的特征重要性将特征数量减少至两个特征。结果表明,随机森林使用全部特征以98.8%的准确率将电机状态分类为健康或故障,仅使用均值指数和脉冲特征时准确率为98.4%。将随机森林的性能与决策树、朴素贝叶斯分类器、逻辑回归、线性岭回归和支持向量机进行比较,随机森林的准确率始终高于其他算法。所提方法可用于工业中LS-PMSM电机的在线监测与故障诊断,其结果有助于工厂制定预防性维护计划。
引用
@article{arxiv.1711.02510,
title = {Fault Detection of Broken Rotor Bar in LS-PMSM Using Random Forests},
author = {Juan C. Quiroz and Norman Mariun and Mohammad Rezazadeh Mehrjou and Mahdi Izadi and Norhisam Misron and Mohd Amran Mohd Radzi},
journal= {arXiv preprint arXiv:1711.02510},
year = {2017}
}
备注
Elsevier Measurement