ポンプシステムにおけるターン間故障検出のための機械学習の応用

Jul 15, 2023

Scientific Reports volume 12、記事番号: 12906 (2022) この記事を引用

1589 アクセス

3 引用

3 オルトメトリック

メトリクスの詳細

ポンプはさまざまな主要分野で使用される重要な機器であるため、ポンプの故障診断はデバイスのメンテナンスと安全性にとって不可欠です。適切な時期に故障を診断することで、メンテナンスコストを削減し、エネルギーを節約できます。この記事では、数式に基づく Simulink モデルを使用して、巻間故障状態における三相誘導電動機ベースの遠心ポンプのパラメーター推定の影響を解析します。巻線間故障は大規模なイン、つまり電流の大幅な増加を引き起こし、モータとポンプの両方のパラメータに深刻な影響を与えます。これらは、Matlab Simulink モデルを介したシミュレーションによって分析されました。その後、結果はハードウェアインループ (HIL) ベースのシミュレーターによって検証されます。この論文では、機械学習 (ML) ベースの人工ニューラルネットワーク (ANN) および AFIS (ANN およびファジー) モデルを障害検出に適用しました。 ANN および AFIS ベースのモデルは、満足のいくレベルの精度を提供します。これらのモデルは、正確なトレーニングとテストの結果を提供します。二乗平均平方根誤差 (RMSE)、R2、予測精度、平均検証値に基づいて、これらのモデルが比較され、どちらがこの実験に適しているかが判断されます。さまざまな教師ありアルゴリズムを ANN、ANFIS と比較し、最後にどれがこの実験に最も適しているかを見つけます。

誘導電動機はさまざまな産業に欠かせない一般的な機器であり、その堅牢な構造、高性能、信頼性、およびメンテナンスコストの点で注目を集めています1。誘導電動機に何らかの障害が発生すると、電動機に接続されている機器やシステム全体に重大な影響を及ぼします。故障した誘導モーターにポンプを接続すると、揚程が変化し、流量が変化し、巨大な振動により重大な損傷が発生します2。システム全体の故障はシステムの損傷を引き起こし、莫大なエネルギー損失を引き起こし、計画外の突然のダウンタイムは莫大なメンテナンスコストを引き起こします。誘導電動機ではステータ巻線間故障により 30 ～ 40% の故障が見られると報告されています 3。これは実際には電気的な障害であり、この電気的な障害は非常に敏感であり、重大な損傷を引き起こします。わずか 10 ～ 20% の巻線間故障が誘導電動機の電流の大幅な上昇を引き起こし、巻線の絶縁損失を引き起こします4。電気的故障は、ステータ故障とロータ故障の両方に分類されます5。誘導電動機で見られるローターの故障は、ローターバーの破損です。固定子故障には主に、相間故障、巻線間故障、相地絡故障の 3 つがあります。そのうち、ターン間断層は重要かつ重大です6。このターン間故障により、誘導電動機の動作とポンプ動作が妨げられます。機械的および油圧的な故障に加えて、電気的な故障もポンプの性能を妨げます。遠心ポンプは、パイプを通して流体を移送するために使用される回転機械です。ポンプシステムが突然停止すると、メンテナンスに多大な損失が発生します7。維持費の70％はポンプシステムにかかると分析されています。そのため、メンテナンス技術を向上させてコストを削減する必要があります。誘導電動機の巻線間故障検出については、さまざまな研究が行われてきました。線間電圧、モーターの中性点およびスター点が故障検出に使用されました。これをモーターのモデルとして使用したところ、巻線間短絡故障によりアンバランスが発生しました。デバイスが完全に故障して重大な損傷を受ける前に、この不均衡を特定する必要があります8。逆相インピーダンスが推定され、研究における故障指標として使用されました。モーターの不均衡により、逆相インピーダンスが見られました。パーク変圧電流に使用される発振は、不均衡のために作成された故障検出に使用されました。

この問題を特定するには、空間ベクトル解析が必要です9。電気的故障は、モーター電流シグネチャ解析 (MCSA) および振動解析によって検出できます。モーターの負性インピーダンスを推定するために、不平衡電圧供給に対するロバスト性がアプローチとして追加されました10。周波数スペクトルと高速フーリエ変換 (FFT) 解析も、誘導電動機の故障検出に役立ちます。ウェーブレットパッケージ変換 (WPT) と FFT は、ある種の分類子とともにいくつかの作品で使用されました 11,12。

固定子の故障については、高次統計量（HOS）を用いて知識を抽出した。回転機械の場合、ポンプの状態監視により、供給電圧、電流、電力、トルク、および速度の値を分析できます。機械の故障は高調波解析によっても分析および特定できます。この場合、固定子電流により瞬間的に高調波電流が発生します13。パラメータ推定技術により、ポンプの状態監視プロセスも実行されます。高調波周波数によりマシンの状態を分析できます。原子力発電所、製紙工場、化学工場、陸上および海上施設など、機械へのアクセスが困難な危険で極端な環境条件では、この方法は機械の状態監視に適用されます14、15。 MCSA は、主に重工業で広く応用されている電気機械の監視技術です。モーターの故障検出に使用できます。ただし、この方法には限界があり、高速フーリエ変換 (FFT)、ファジーロジック、パークのベクトル解析などの他のテクノロジと組み合わせて使用すると、パフォーマンスが向上するという点があります。人工知能 (AI) の最新の開発は、さまざまなデバイスの故障パターンを検出できる「転移学習」です。この技術は、局所的な異常を見つけるために MCSA の代わりに使用でき、ベアリングの故障を診断するために MCSA の代わりに使用されることが提案されています。誘導電動機のインペラ破損故障16. 回転機械の故障検出のためのさまざまな機能に基づいて、ランダムフォレスト、サポートベクターマシン、極限機械学習法 (ELM)、確率的ニューラルネットワークが比較されています。精度に基づいて、データサイズが制限されている場合、ランダムフォレストは他のアルゴリズムよりもうまく機能することがわかります17。複雑なシステムの故障診断には、畳み込みニューラルネットワーク (CNN) を備えた時空間パターンネットワーク (STPN) がハイブリッドモデルとして使用されています。この深層学習手法は、ケーススタディとして軸受故障データセットの分析に使用されています。 STPN-CNN の性能は正解率 18 に基づいて評価されています。 CNN とディープ敵対的畳み込みニューラルネットワーク (DACNN) は、ある研究で機械的故障の診断に使用されています。新しい DACNN は、ドメイン不変の特徴を捕捉するために使用されます。さまざまなトレーニングサンプルと 11 件のケーススタディに基づいて、ギアボックスの故障診断が実行されました19。ディープオートエンコーダは、機械のさまざまなベアリング損傷の分析に使用されています。スケール指数線形単位 (SELU) は、機械的故障解析の振動データの品質を向上させるために使用されています。ディープ転送テクノロジーにより、システムをより強力かつ柔軟にすることができます20。

この提案記事では、三相誘導電動機ベースのポンプシステムの固定子巻線間故障について説明します。ここでは、ターン間断層は、ほとんどの産業部門における重要かつ不可欠な問題として説明されています。ほとんどの業界では運用コストとメンテナンスコストの削減が主な目的となっており、機械の状態監視の重要性が高まっています。機械の突然の故障により、追加の設備の必要性とメンテナンス費用が業界の負担となります。巻線間故障により巻線が損傷するため、損失を回避するには、機械の巻線の状態を監視することが非常に重要です。この研究記事では、固定子巻線の全体的な故障について次のセクションで説明し、モータとポンプの両方のパラメータが固定子故障によってどのような影響を受けるかについても説明します。 ML ベースのアルゴリズムを通じて最適な方法で故障検出の継続的な監視と予測が可能であるため、ML アルゴリズムベースの ANN および AFIS モデルは、誘導電動機ベースのポンプシステムのターン間ステータ故障の検出に適用されます。これらのモデルは両方とも提案された研究で使用されており、両方のアルゴリズムのパフォーマンスが比較されています。さらに、より良い結果を見つけるために、さまざまな教師ありアルゴリズムが ANN および AFIS と比較されます。既存の作品の中にはANNやAFISと比較したものもあります。

提案された研究は、誘導モーターと結合されたポンプシステムのいくつかの数学方程式に基づいて行われました。これらの方程式は、誘導モーターベースのポンプシステムの Matlab Simulink モデルの構築に適用されます。リアルタイムシステムで障害が発生すると重大な損害が発生するため、正常な状況と障害のある状況を分析するために数式ベースの simulink モデルが開発されました。最初に、モデルはパラメータ値を変更せずに健全な状態で分析されました。次に、障害状況を分析するために、A 相の電流が急激に増加するように A 相巻線が分類され、B 相と C 相の電流も増加します。電流値の変化により、トルクと速度値も変化し、ポンプが誘導電動機と結合され、最大 3 つの小見出しレベルまで同じ速度で動作するため、圧力や流量などのポンプパラメータも強制的に変更されます。小見出しには番号を付けないでください。

このセクションでは、誘導電動機の固定子と回転子の電圧、電流、磁束を表すさまざまな式について説明します。

どこ

V は電圧、I は電流、磁束は \({\lambda }_{i}\) で表されます。ここで、「s」と「r」はそれぞれ固定子と回転子を表し、a、b、c は 3 つの要素を表します。フェーズシステム。 as1、as2はそれぞれステータの不良部、不良部を示します。ここで P はラプラス演算子であり、導関数演算子 \(\frac{d}{dt}\) は P に置き換えられます。

これらの式は、固定子巻線電圧の短絡部分を示しています。 βはショートターンを示します。

抵抗マトリックスは次のように表示されます。

ここで、式は固定子巻線の相互インダクタンスと自己インダクタンスを表します12、13、14。

βはa相の巻数、\({\theta }_{r}\)は回転子の位置、Lsは自己インダクタンス、Lrは回転子の自己インダクタンス、Lsrは固定子と回転子の相互インダクタンスを表します。水は定水位水槽から汲み出され、ポンプシステムは水槽、非同期三相誘導電動機などで構成されます。タンクは入力流量 \(\mathrm{represented \; by} {q}_{{v}_{1}}\) の液体を受け取ります。制御バルブの出力流量は \({q}_{{v) で表されます}_{2}}\)。流体力学と基本的な物理法則の助けを借りて、プラントの動力学解析が行われ、数学的モデルが開発されました21。この数理モデルには、遠心ポンプとタンクの数理モデルが含まれます。ニュートンの力の法則に相当するものは、角加速度が軸上のトルクに比例するというものです。したがって、方程式はモーターとポンプのセットの動きを示しています。

Jは慣性モーメントを示します。ここで、慣性モーメントは特定の場合の比例定数です。非同期モーターの有効トルクは \({M}_{MT} \; \mathrm{and \; 加速度 \; トルク \; は \; によって示されます \; {M}_{a}\) 、ポンプの受動的または抵抗トルクは \(M_{p}\) で示され、粘性トルクは \(M_{\zeta }\)22 で表されます。ネットワーク周波数は f で示され、ステータ極対数は 1 であると仮定されます。ここで、非同期モータのトルクは次式で表されます。

粘性トルクと受動的トルクは次のように表すことができます。

式１８は遠心ポンプの基本パラメータを示しており、ポンプ流量をＱ、Ｈをポンプ揚程、角速度をωで表している。インペラ流路の外周断面と速度の子午線成分がポンプ流量を表します。流量が角速度に比例するのと同様に、ヘッドの値も角速度に比例します23。

最後の式では、ポンプ効率係数は一定であり、異なるモードでは他のパラメータを反映してある程度変化します。

オペレーティングシステムの合計 \(H_{Total}\) は次のように定義できます。

ここで、静的落差は \({H}_{S}\)、動的な落差は \({H}_{D}\) で表され、受水槽の水面にかかる圧力は圧力は \({P}_{RT}\) で表され、貯水タンク内の水面の圧力は \({P}_{RES}\) で表されます24。

ポンプ高さの圧力変化に基づいており、これは無視できる値であると考えられます。しかし、気圧は高さに応じて変化します。方程式は、貯水池と受水槽の間の圧力の変化と標高差を示します。しかし、これはそれほど重要ではなく、無視できるものと考えられます。

したがって、方程式は次のようになります

排出点と受入タンクへの貯留槽の表面との差は、\({H}_{S}\) で示される静水頭です。システムの静水頭は、最大水頭値と最小水頭値の間で変化します。貯水池の水位も変化します。

ここで、上部水位は TWL、下部水位は BWL です。

システム内では、動摩擦の結果としてヘッドが生成されます。基本的な Darcy Weisbach 方程式は動的ヘッドの計算に役立ちます

ここで、損失係数は K、パイプ内の速度は、加速度は \(g\) で示されます。

速度は次のように表示されます。

ここで、パイプを通る流量は Q で示され、断面積は A で示されます。

エリアAは次のように表示されます

損失係数 K は、次の 2 つの要素の形式です。

\({K}_{fittings}\) は、貯水池からシステムの配管に使用されるレシーバータンク継手に水を汲み上げる様子が示されています。

\({K}_{pipe}\) は、パイプの長さ、摩擦、パイプの直径に関連付けられます。

ここで、Fは摩擦係数、Lはパイプの長さ、Dはパイプの直径を示します。 Colebrook White 方程式の修正版により、摩擦係数 f を求めることができます。

ここで、粗さ係数は k、レイノルズ数は Re です。粗さ係数 k は、標準テーブルから収集された標準の固定値であり、パイプの材質とパイプの状態によって異なります。パイプ内のあらゆる流れについて、レイノルズ数 25 の計算には次の式が使用されます。

\(\vartheta \) は動粘度です。ポンプシステムの動作は親和性の法則に基づいています。第一の親和性の法則は、流量 Q がシャフト速度 N に比例する方程式で示されます。

第 2 の親和性の法則に従って、ヘッドはシャフト速度の 2 乗に比例します。

ポンプの動力は次のように計算できます。

ここで、P はポンプに必要な動力、H は揚程、\(g\) 加速度重力、水の密度です。

実験は、3 相、50 Hz、415 V、0.75 馬力のかご形誘導モーターと、速度 2800 RPM、揚程 23.5 m の VFD ベースの遠心ポンプを組み合わせて行われました。健全な状態では、三相誘導モーターは正相電流のみを生成し、対称的です。故障中に対称性が崩れると、正、負、ゼロのシーケンスが生成されます。実験は、誘導電動機に巻線間故障を作成し、電動機と連結ポンプの両方のパラメータ変化を分析することによって行われました。単相巻線に巻故障がある三相誘導モーターの Simulink モデルが、MATLAB ソフトウェアを使用して構築されました。 Simulink モデルは、実験的に、高いパーセンテージ値の短絡による障害の発生が困難であることを考慮して開発されました。開発されたモデルが完成したら、モデルが正常な状態と故障した状態の両方で検証されます。 1 つの相巻線のさまざまなレベルの短絡でモデルがシミュレーションされ、相電流値が MATLAB ワークスペースに保存されます。これらの値から逆相電流、正相電流、零相電流を計算します。次のステップは、巻線間故障が誘導電動機と組み合わせたさまざまなポンプパラメーターにどのような影響を与えるかを検証することです。シミュレーションプロセスの後、結果は検証のためにOP5700リアルタイムシミュレータ(ループ内のハードウェア)によって検証されます。実験の別の部分では、MATLAB を通じて収集されたシミュレーションデータに ML アルゴリズムが実装され、誘導電動機ベースのポンプシステムの故障を特定して予測し、どのアルゴリズムが故障の検出に適しているかを分析しました。 Simulink モデルは、「誘導電動機ベースのポンプシステムの数学モデル」の数式に基づいて構築されました。図 1 は、誘導電動機ベースのポンプシステムにおけるターン間故障検出のブロック図を示しています。

誘導電動機ベースのポンプシステムにおけるターン間故障検出のフローチャート。

誘導電動機の詳細は、固定子抵抗 Rs が 0.288 Ω、回転子抵抗 Rr が 0.158 Ω、固定子インダクタンス Ls が 0.0425 H、回転子インダクタンス Lr が 0.0438 H、相互インダクタンス Lm が 0.0412 H、イナーシャ J が 0.4 です。ここでは極数は2です。

主な入力パラメータは、相巻線の故障レベルの重大度を分類するための正相電流と逆相電流の単位当たりの変化を示します。

システムが正常な状態であれば、短絡は発生しません。ただし、システムが故障状態にある場合、巻線故障の割合が増加すると、逆相電流が増加します。提案された研究では、巻線間故障の最大 40% が測定されました。 40%、\(\delta \; \mathrm{さまざまな \; から } \; 1 \; \mathrm{ から } \; 0.98, \; \mathrm{ の \; 短い \; 回路 \; レベル \ ; of } \; 0 \; \mathrm{ to } \; 40{\%}\) 図 2 は、三相電源、VFD ドライブ、およびポンプと結合された誘導モーター。表 1 に相電流とシーケンス成分電流の大きさを示します。

誘導モーターベースの遠心ポンプの Simulink モデル。

シミュレーションモデルは 0 ～ 40% の短絡故障で分析されていますが、HIL OP5700 の結果は正常な短絡故障と 40% の短絡故障の間で比較され、極端な故障状態での最大の変動を確認しています。巻線間故障が発生すると、A 相電流が増加し、B 相および C 相電流の増加に役立ちます。障害状態の間、モーターのトルク応答は振動の影響を受けます。障害が発生するとモーターは大きな振動に見舞われ、ターン間障害が発生するとモーターは大きな振動に直面します。回転の割合が増加すると、トルク値も増加し、速度値は減少します。モーターはポンプに接続されているため、ポンプにも速度が供給されます。ポンプが故障状態で動作すると、流量値が突然増加し、圧力が低下します。ここで、圧力が蒸気圧を下回るとキャビテーションの問題が発生し、流量が急激に増加するとシステム全体に振動の問題が発生します。

これらの図は、正常な状態と故障した状態の両方における、時間に対する電流、速度、トルクの性能曲線と、流量と揚程の値に対するポンプ曲線を示しています。すべての結果は、シミュレーション結果を検証した OP5700 HIL ベースのデバイスから得られました。図 3a、b は、ステータ電流の健全な状態と 40% の巻線間故障状態を示しています。障害が発生すると、A 相、B 相、および C 相の電流が増加します。図 4a、b は、健全な状態と 40% のターン間故障状態の速度値を示しています。

(a) 誘導電動機の健全な状態での固定子電流。 (b) 誘導電動機の 40% 巻線間故障後の固定子電流。

(a) 健全な状態の誘導電動機の速度。 (b) 誘導電動機の速度 40% 固定子巻間故障が発生します。

同様に、図 5a、b は正常な状態と 40% の巻間故障状態のトルク値を示しています。故障中、コンディションモーターは振動を起こします。同じ負荷条件で回転率が増加すると、振動のサイズが変化します。振動によって機械の定格出力が増加すると、トルクの振動も増加します。

(a) 健全な状態の誘導電動機のトルク。 (b) 故障状態の誘導電動機のトルク。

図3よりA相の電流値が増加することがわかります。巻線間故障が発生し、巻数が増加すると電流値も増加します。 B相電流、C相電流の増加も加速されます。同様に、図 3 と図 4 に示すように、故障状態では速度とトルクの値も増加します。モーター速度が増加すると、ポンプ速度も増加します。速度が増加すると流量が増加し、揚程値が減少します。図 6a、b は、正常な状態と 40% のターン間故障状態におけるポンプ性能曲線とシステム曲線を示しています。図 7 は、HIL デバイスのハードウェア設定を示しています。

(a) 健全な状態でのポンプ性能曲線とシステム曲線 (b) 40% ターン間故障状態でのポンプ性能曲線とシステム曲線。

HIL デバイスのハードウェアセットアップ。

一般に、ML アルゴリズムには教師ありアルゴリズムと教師なしアルゴリズムの 2 種類があり、教師ありアルゴリズムには入力変数の予測値から生成されるターゲット変数があります。図 8 は、最適なアルゴリズムを見つけるためのデータ収集後の提案された研究の一般化されたブロック図を示しています。

最適なアルゴリズムを選択するために提案された研究のブロック図。

誘導電動機をより正確に診断するには、強力な技術ANNが使用されます。ニューラルネットワーク (NN) はパターン分類器の 1 つです。多くの問題は、変数認識を伴う NN k のパターン分類を使用することで解決できます。誘導、モーターの故障診断の場合、完全に説明または予測することはできません。数学モデルベースの計算アルゴリズムは、人間の脳と思考プロセスのように動作する ANN です。同様の並列処理、自己組織化、自己学習、分類、非線形マッピング機能などのさまざまな機能を備えています。 Fuzzy と ANN を組み合わせたものが AFIS26,27 であり、速度、耐障害性、適応性を向上させ、より優れたモデリングシステムを得るために組み合わせられます。 RMSE、R2 値に基づいて、どのアルゴリズムが誘導電動機ベースのポンプシステムにおける巻間故障検出に適しているかを比較できます。

誘導電動機ANNおよびAFISモデルにおける巻線間故障検出を提案した。 ANN の人工免疫システムは自己適応制御を備えており、連続的な非線形機能に対してより優れたパフォーマンスを発揮します。このプロセスはオンライン監視を通じて実行できます28。 ANN は高度に相互接続されており、人間の脳に似ており、人間と同じような学習プロセスに従います29。ユニット間には相互接続があり、ユニットを通過する値によって乗算される重みがあります。ユニットにはバイアスと呼ばれる固定入力があります。各ユニットはバイアスが追加された加重和を形成します。伝達関数はこの合計を分析します。 NN の予測は、トレーニングデータとテストデータに依存します。 ML アルゴリズムの主な仕事は、特徴抽出を行うことです。特徴抽出は、分析のためにトレーニングデータとテストデータを分類するのに役立つ重要なツールです。最もハイブリッドな機能は、二乗平均平方根 (RMS)、尖度値 (KV)、根振幅、ピークツーピーク値 (PPV)、標準偏差 (SD)、歪度値 (SV)、クリアランスファクター、クレストファクター (CF) です。）、インパルス係数（IF）、形状係数（SF）、平均値（MV）。これらの統計的特徴は、正常な状態および故障した状態における各信号の分析に役立ちます。特徴抽出技術は、信号全体に反映される現在の信号に含まれる大量の情報を削減するための統計分析に使用されます。生の電流信号は、インテリジェントシステムをサポートするための複数の機能の変換に使用され、正常な状態と故障した状態を分析および分類します。この全体的な手順を特徴抽出と呼びます。提案された研究に使用された統計的特徴と方程式を表 2 に示します。

これらの方程式では、x は信号、N はサンプル数です。 ANN は、誘導電動機の故障を特定できる強力な技術です。ニューラルネットワークはパターン分類子であり、パターン分類問題に使用されます。最も一般的に使用されるニューラルネットワークは、多層フィードフォワードネットワークまたはレーベンバーグマルカート法です。提案された研究では、Levenberg Marquardt 法が使用されました。

トレーニングの成功は、インプットの適切な選択に大きく影響されます30。学習プロセスではテストデータが使用され、NN は入出力マッピングを構築します。生成された出力と目的の出力との間で測定された何らかの誤差の最小化または最適化に基づく反復により、重みとバイアスを調整できます。このプロセスは、許容できる収束基準が得られるまで繰り返されます。 NN は、図 9 に示すように、入力層、隠れ層、出力層で構成されます。出力層は、健康状態、5 ターン短絡、10 ターン短絡、20 ターン短絡、30 ターン短絡、および40ターンの短絡。アルゴリズムは試行錯誤プロセスによって隠れ層の数を選択できます。

ニューラルネットワークのブロック図。

電流パラメータが巻線間故障の主な原因であるため、固定子電流は、さまざまな巻線短絡状態などの健全な状態と故障状態の両方で収集されます。次に、電流を qd フレームに変換する必要があります。電流信号は特徴抽出を使用して前処理され、これらの特徴は誘導電動機の故障を診断するために分類器に供給されます。実験が健康な状態で行われ、現在のデータが収集された最初のケースです。次に、5、10、20、30、および 40 ターン条件の電流データが障害条件中に収集されました。三相電流はクラーク変換により qd フレームに変換されます。 0.2 秒の各信号持続時間ごとに 5000 個のサンプルが収集されました。各信号は 1000 サンプルの 50 セグメントに分割されました。生データ信号の処理には特徴抽出が必要であり、これらのセグメントから 6 つの特徴が抽出され、信号が 2 つあったため、合計 12 次元のデータセットが形成されました。データセットの合計次元は \(12 \times 300\) です。これらの特徴は、ニューラルネットワークの入力特徴として使用されました。次に、データセットはトレーニングデータセット、相互検証セット、テストデータセットに分割されました。表 3 に示すように、トレーニングデータセットは 70%、相互検証用に 15%、テストデータセット用に 15% です。トレーニングデータセットはモデルのトレーニングに使用され、相互検証とテストデータセットはモデルのパフォーマンスの評価に使用されました。モデルの精度を調べるための分類器。平均二乗誤差はネットワーク経由で計算され、重みを調整し、トレーニングおよびテストデータセットを通じて最終的な精度率を見つけました。

レーベンバーグマルカート逆伝播はトレーニング目的で選択され、トレーニングデータとテストデータは ANN の平均最小二乗誤差 (MSE) を取得するのに役立ちます。隠れ層に存在する処理要素に関する平均 MSE 値を表 4 および 5 に示します。処理要素に関して、健全なおよび異なるターン故障状態に対する隠れ層の精度のパーセンテージを表 4、表 5、図 4、および図 5 に示します。ほとんどの場合、表 4、表 5、および図は、トレーニング、相互検証、データセットのテストの両方で、健全な状態と欠陥のある状態の精度が 100 であることを示しています。

正常な状態および障害のある状態の処理要素に関する精度のパーセンテージ (トレーニングデータセット)。

正常な状態および障害のある状態にある処理要素に関する精度のパーセンテージ (相互検証およびテストデータセット)。

インテリジェントシステムニューロファジー技術 AFIS は、不明確で不確実なシステムをモデル化し、制御するために使用されます。検討中のシステムの入力/出力データのペアは AFIS を構築します。 ANFIS は、ANN とファジーを組み合わせたもので、ファジーシステムの学習能力に使用されます。 AFIS は 5 つの層で構成されています 31,32。レイヤー 1 はメンバーシップ関数を計算するファジー化レイヤーです。レイヤ 2 はルールレイヤを表し、その出力は各ノードの発火強度です。レイヤー 3 は、計算された発火強度を正規化する正規化レイヤーを強調表示します。層 4 は結果層を示し、その出力層は正規化された発火強度とファジールール結果多項式の積です。レイヤ 5 は全体的な出力を示し、非ファジー化レイヤを定義します。その出力は全体的な AFIS 出力です。モバイル学習環境における継続的な変化の問題は、ANFIS33 によって解決されます。提案された AFIS モデルは、学習者のコンテキストをモデル化するために使用できます。入力値と出力値、入力値のファジーセット、ファジールールの定義、NN の作成とトレーニングは、AFIS を学習者モデルに適用する手順です 34。ここでも固定子電流が収集され、クラーク変換を通じて qd フレームに変換されます。 ANFIS モデルは、離散ウェーブレット変換 (DWT) または連続ウェーブレット変換 (CWT) を使用します。 CWT は FFT と似た概念ですが、サイン関数とコサイン関数の代わりにウェーブレットの数を関数として使用します。ウェーブレットはスケールと平行移動の 2 つのパラメーターで構成され、信号は 1 次元平面ではなく 2 次元の時間スケール平面で表示されます。方程式 (35) は CWT 機能を示します。

ここで、Wx は 2 つのパラメーターにリンクされたウェーブレット変換です。ここで、a はスケールパラメーター、b は時間パラメーターを示します。 ϕ はウェーブレット関数、x (t) は元の信号です。 DWT は回転子の故障を収集するために使用され、提案された研究では主に特徴抽出に使用されます。提案された作業では、より優れたパフォーマンスを見つけるために、ANN モデルと AFIS モデルが実装および比較されます。 R2 と二乗平均平方根誤差 (RMSE) は、誘導電動機ベースのポンプシステムの故障検出に最適なモデルを見つけるために使用されます。 RMSEとR2は主にAFISの障害解析に使用されます。 DWT に基づいてパフォーマンス評価を実行できます (表 6)。

AFIS の ANN と同様に、5000 個のデータサンプルが収集され、各セクションに 500 個のサンプルがある 100 個のセクションに分割されています。これら 100 のセクションは特徴抽出に使用されます。健全な状態やターンフォルト状態などの各状態に 100 個のサンプルが使用されます。 6 つの条件で合計 600 個のサンプルが作成されました。これらのサンプルのうち、300 個のサンプルはトレーニング目的に使用され、300 個のサンプルはテスト目的に使用されました (表 7)。

表 8 は、さまざまな条件でのトレーニングデータとテストデータの RMSE 値を示しています。

モデルの構築が完了した後、取得した ANN モデルと AFIS モデルのパフォーマンスも比較されます。 RMSE と R2 には、ANN モデルと AFIS モデルの比較統計値があり、それを表 9 に示します。モデルの検証データは 0.05 です。予測精度は R2 と RMSE によっても測定されます。 ANN の予測精度 (R2 は 100、RMSE は 0.054) は、AFIS モデル (R2 は 96.91、RMSE は 0.121) よりも優れています。これは全条件の平均比較です。

ANN モデルと AFIS モデルは両方とも良好なパフォーマンスを示し、障害検出と互換性があり、障害を予測できます。ただし、トレーニングデータとテストデータの RMSE と R2 に基づくと、提案された実験では ANN が AFIS よりも優れたパフォーマンスを示しました。 ANN モデルは最大 200 エポックまで適用され、150 エポックで最良の検証が得られました。図 12 は、トレーニング、テスト、検証、および全体の値に関して、提案された ANN モデルの最適値を示しています。

ANN モデルの最適な出力。

誘導モータおよびモータベースのポンプシステムのターン間故障検出のために、これまでにさまざまな研究が行われてきました。これまで、誘導電動機の巻線間故障に関する研究では、故障発生後の誘導電動機パラメータの変化のみが解析されてきました。しかし、モーターがターン間故障の問題に直面すると、結合されたポンプも影響を受け、ポンプのパラメーターも変化します。提案された研究では、巻線間故障に影響を与えるモータパラメータの変化を含め、ポンプパラメータの変化も分析されています。誘導電動機の巻線間故障解析のための電流座標変換アルゴリズムを開発した。 Mexbios 開発スタジオは、障害状態時の誘導モーターのパラメーター変化を分析するために設立されました。これを産業用途に実装することは可能ですが、このプロセスでは障害が発生して大きな損害が発生する前に障害を予測することはできません35。提案されたモデルはシンプルで簡単なプロセスであり、データ量を減らし、大規模な障害が発生する前に障害を予測するのに役立ちます。さまざまな巻線に関する誘導電動機の巻線間故障検出のためのANNアルゴリズムが使用されました。実験では最大 10% の巻線間故障が発生し、A 相電流の変化が得られました。実験では、正相電流と逆相電流の単位変化を解析しました。実験は最大 54 エポックまで行われました。ここでは、小さなレベルの値に対して実験分析が行われました36。ターン間故障解析用に、5 つの異なるモーターの無負荷、50% 負荷、および全負荷条件の 3 つの異なる条件の NN モデルが開発されました。最大 15% の巻線間故障が開発され、さまざまなモーターの NN モデルの精度率は 88 ～ 99% の範囲で変化しました 37。新しいウェーブレット解析は研究で開発されました。

このモデルは、Park のベクトル変換を使用した離散ウェーブレット変換に基づいてターン間断層を解析するために構築されました。健全な状態およびさまざまな巻故障状態に対してパフォーマンス分析が行われました。 MSE は、正常な状況と障害のある状況のパフォーマンス精度分析のために取得されました38。他の研究は FFT 分析とパーク変換に基づいていますが、これらの研究は予測制御モデルには適しておらず、重工業用途には役に立ちません 39。 ANN の提案手法は、巻線間故障時の誘導電動機とポンプのパラメータ変化を解析するための Matlab モデルを開発した現在の研究で使用されています。 Simulink モデルなので、ターン間断層の最大 40% までの高範囲を作成して解析することが可能です。

ここでは、ANN モデルと AFIS モデルが実験結果に実装されており、ANN のパフォーマンスが AFIS モデルよりも優れていることがわかります。

同様に、著者らは、SVM、K-NN、デシジョンツリー、ナイーブベイズ、ANN および AFIS を使用した回帰分析などのさまざまな教師あり ML アルゴリズムも実装しました。正解率、予測速度、トレーニング時間に基づいてアルゴリズムを比較し、この実験に最適なアルゴリズムを見つけます。一般に、ML アルゴリズムには独立変数から予測されるターゲット変数があり、これらの変数は、目的の出力を達成するために入力をマッピングするための関数を生成します。その後、より良い成果とより正確性を得るためにトレーニングプロセスを実行する必要があります。トレーニングプロセスは、必要な精度が得られるまで続行されます。教師なし学習はクラスタリングプロセスに従うため、ターゲット変数は必要ありません。 SVM は、主に分類と回帰に使用されるよく知られたパターン認識アルゴリズムです。

SVM は、データセットを分離し、分類タスクを実行することにより、超平面とマージンを持ちます。 SVM の最適超平面では、クラスの重複を避けるために超平面の幅が最大になります。これが分類プロセスです。マージンはハードマージンとソフトマージンに分類されます。今回の診断では非線形分類問題を扱うため、ソフトマージンを使用します。 SVM の精度は、しきい値関数、コスト関数、カーネル関数の 3 つの要素に依存します。 K-NN は、分類問題や回帰問題にも使用されるノンパラメトリックな多用途学習アルゴリズムです。アルゴリズムは、識別関数を学習する代わりに、トレーニングデータセットを記憶します。トレーニングセットを最小限に抑えることで、集中的な学習を行うことでエラーを回避できます。 K-NN の欠点は、十分なメモリストレージ、長い予測時間、無関係な特徴に対する不必要な感度です。ただし、データサイズが制限されている場合、K-NN は他の教師あり学習アルゴリズムよりもうまく機能します。決定木樹枝状分類モデルは、分類問題と回帰問題の両方に使用されます。より小さなサブセットに分割して分類プロセスを実行し、これに基づいて特徴の選択を行うことができます。最終的な構造は木の枝のようなもので、各ノードが特徴を強調表示します。回帰分析は、データを予測するためのグラフのユーザー方程式を提供します。予測のために常に加重平均値が表示されます。統計分析を通じて、正確な出力を予測できます。初歩的な統計コースのほとんどは、散布図の作成や線形回帰の実行などの基本的なテクニックをカバーしています。全体的な正解率、予測速度、トレーニング時間に基づいて、最適なアルゴリズムを見つけることができます。

実験では、特徴は 70:30 の比率で 2 つのカテゴリにランダムに分割されます。ほとんどの場合、データの 70% がトレーニング目的に使用され、30% が評価のためのテストデータに使用されます。すべてのアルゴリズムでルールは同じです。サンプルデータサイズはANN、AFISと同様に5000です。特徴抽出を目的として、より適切な分析を行うために 300 個のデータサンプルが作成されました。このうち 70% はトレーニング目的に使用され、15% は相互検証に使用され、残りの 15% はテスト目的に使用されます。診断全体は、MATLAB パターン認識および分類学習アプリを通じて実行されます。評価に基づいて、各アルゴリズムの正解率が式を使用して取得されます。分類学習器アプリの助けを借りて、各アルゴリズムの正解率、予測速度、トレーニング時間が分析され、比較されました。

表 10 から、この研究では K-NN と ANN のパフォーマンスが優れていることがわかります。ただし、正解率、予測速度、トレーニング時間に基づくと、ANN よりも K-NN の方が適しています。図 13 は、ML アルゴリズムの全体的な精度を示しています。

さまざまな ML アルゴリズムの全体的な精度。

この記事では、誘導電動機ベースのポンプシステムの巻線間故障解析について説明し、さまざまな巻線条件での故障状況におけるパラメータの変化が示されています。シミュレーション結果は HIL ループベース (OP5700) デバイスによって検証されており、故障が発生するとモーターの相電流が増加します。電流が増加すると、速度とトルクも増加し、ポンプシステムに影響を与えます。速度によりポンプの流量が急激に増加し、大きな圧力降下と揚程値の減少が発生します。圧力が急激に低下するとキャビテーションの問題が発生し、流量が急激に増加すると配管内に大きな振動が発生してウォーターハンマーの問題が発生します。この研究では、まず、ANN および AFIS アルゴリズムに基づくモデルの特定と障害の予測が行われました。両方の手法が使用されており、RMSE 値と R2 値に基づいて、ANN のパフォーマンスが AFIS よりも優れていることがわかります。他のさまざまな研究成果も提案研究と比較され、提案研究の新たな展開が見出されます。提案された研究は産業応用に適しており、大量のデータの欠陥状態を簡単に特定できることが観察されています。将来的には、ANN はモーターやポンプシステム、その他の機械の他の故障検出にも使用され、包括的な診断技術になる可能性があります。著者らはまた、さまざまな ML アルゴリズムを ANN および ANFIS と比較しました。その中で、精度率、予測速度、トレーニング時間に基づいて、提案された研究では K-NN と ANN がより効果的に機能することがわかりました。しかし、全体的な正解率に基づくと、K-NN は ANN よりも優れています。さらに、開発された技術の実験室環境への展開は、現在の研究の延長です。 HIL ベースの OP5700 デバイスを使用してシミュレーション結果を検証することで、より多くの研究が可能になります。

この研究中に生成または分析されたすべてのデータは、この公開された論文 [およびその補足情報ファイル] に含まれています。補足ファイルには、表形式のすべてのデータが追加されています。さらに、この研究のデータをリクエストしたい場合は、責任著者または第一著者に連絡してください。

Neti、P.、Subhasis、N. リラクタンス同期モーターの固定子巻線間故障解析。電気およびコンピュータ工学に関するカナダ会議、2005 年、1283–1286。 (IEEE、2005)。

ニューハンプシャー州オベイド、B. ティエリー、ニューメキシコ州ババク三相永久磁石同期モーターの初期の巻線故障のモデル化と診断。 IEEEトランス。インド出願。 52(5)、4426–4434 (2016)。

記事 Google Scholar

Gao, F.、Zhang, G.、Li, M.、Gao, Y.、Zhuang, S. インバータ高調波に基づく表面実装永久磁石同期モータの巻線間故障の特定。エネルギー 13(4)、899 (2020)。

記事 Google Scholar

Maraaba, LS、Twaha, S.、Memon, A. & Al-Hamouz, Z. 音響信号を使用した内部取り付け LSPMSM の固定子巻線巻間故障の認識。シンメトリー 12(8)、1370 (2020)。

記事 Google Scholar

Yassa, N. & Rachek, M. 固定子電流シグネチャ解析を使用した、永久磁石同期モーターの固定子巻線の巻間故障のモデル化と検出。数学。計算します。サイマル。 167、325–339 (2020)。

記事 MathSciNet Google Scholar

キム、B.-W.、キム、K.-T. & Hur, J. IPM タイプ BLDC モーターの巻間故障の簡素化されたインピーダンスモデリングと解析。 J.パワーエレクトロン。 12(1)、10–18 (2012)。

記事 Google Scholar

Kalaskar、CS、Gond、VJ 誘導モーターの故障を検出するためのモーター電流シグネチャー解析。内部。 J.Eng. 解像度応用 4(6)、58–61 (2014)。

Google スカラー

Mohanty、AR、Prasanta、KP、Nitaigour、PM、Sabyasachi、GD 振動とモーター電流のシグネチャ分析を使用した遠心ポンプの故障検出。内部。Ｊ．オートム．コントロール 6(3–4)、261–276 (2012)。

記事 Google Scholar

Orrù、PF et al. 石油・ガス産業における遠心ポンプの故障予測のための、MLP および SVM アルゴリズムを使用した機械学習アプローチ。サステナビリティ 12(11)、4776 (2020)。

記事 Google Scholar

Sołjan, Z.、Hołdyński, G.、Zajkowski, M. 4 線式非正弦波非対称システムにおける平衡補償器の CPC ベースの最小化。エネルギー 14(7)、1815 (2021)。

記事 Google Scholar

Ranganatha Chakravarthy、HS、Bharadwaj、SC、Umashankar、S.、Padmanaban、S.、Dutta、N.、Bo Holm-Nielsen、J. 遠心水ポンプの機械学習アルゴリズムを使用した電気的故障検出。 2019 年の環境および電気工学に関する IEEE 国際会議および 2019 年の IEEE 産業用および商用電力システムヨーロッパ (EEEIC/I&CPS ヨーロッパ)、1 ～ 6。 (IEEE、2019)。

Dutta, N.、Palanisamy, K.、Umashankar, S. 居住地における揚水の電力品質に対するモーターの振動問題の影響。 IOP カンファレンスシリーズ: 材料科学と工学、vol. 937、いいえ。 1、012019. (IOP Publishing、2020)。

アルン・シャンカール、VK 他産業用並列ポンプシステムにおけるキャビテーションとウォーターハンマーの電力特性の実験的調査。エネルギー 12(7)、1351 (2019)。

記事 Google Scholar

Jain, G. & Umashankar, S. 摂動およびオブザーバー MPPT アルゴリズムを使用した、揚水用途向けの太陽光発電給電誘導モーターのモデリングとシミュレーション。 2016 年持続可能性のためのエネルギー効率の高い技術に関する国際会議 (ICEETS)、250-254。 (IEEE、2016)。

Nabanita, D.、Sreedhar, S.、Neha, Z.、Onkar, B.、Pratik, P.、Raja Singh, R. 巻線回転子誘導機のターン間故障解析。 IOP カンファレンスシリーズ: 材料科学と 2019、エンジニアリング、vol. 623、いいえ。 1、012016. (IOP Publishing、2019)。

Hussein, HA、Taha, M.、Ammar, E. & Moustafa Hassan, MA 三相誘導電動機の固定子巻線の故障解析を人工知能に基づいて行います。内部。Ｊ．Ｓｙｓｔ．ディン。応用 IJSDA。 6(3)、1–19 (2017)。

Google スカラー

Han, Te.、Jiang, D.、Zhao, Qi.、Wang, L. & ying, K. 回転機械のインテリジェント診断のためのランダムフォレスト、人工ニューラルネットワーク、およびサポートベクターマシンの比較。トランス。研究所測定。コントロール。 40(8)、2681–2693 (2018)。

記事 Google Scholar

Han, Te.、Liu, C.、Linjiang, Wu.、Sarkar, S. & Jiang, D. 複雑なシステムの障害診断のための適応時空間特徴学習アプローチ。メカ。システム。信号プロセス。 117、170–187 (2019)。

記事 ADS Google Scholar

Han, Te.、Liu, C.、Yang, W. & Jiang, D. 機械的故障のインテリジェントな診断のためのディープ畳み込みニューラルネットワークの新しい敵対的学習フレームワーク。知識ベースのシステム 165、474–487 (2019)。

記事 Google Scholar

Zhiyi, He.、Haidong, S.、Lin, J.、Junsheng, C.、Yang, Yu。強化されたディープオートエンコーダを使用して、さまざまな機械に取り付けられているベアリングの故障診断を転送します。測定 152、107393 (2020)。

記事 Google Scholar

Skowron, M.、Orlowska-Kowalska, T.、Wolkiewicz, M.、Kowalski, CT 畳み込みニューラルネットワークベースの固定子電流データに基づくインバータ給電誘導電動機の初期固定子故障診断。エネルギー 13(6)、1475 (2020)。

記事 Google Scholar

Salih、HR、Ali、AA & Basarab、DG simulink/MATLAB プログラムを使用したポンプ駆動システムの動的モデリング。内部。解像度 J.Eng. テクノロジー。 IRJET 3(1)、21–24 (2016)。

Google スカラー

Husari, F. & Jeevanand, S. ハイブリッド HCNN-SVM ベースのモデルを使用した電気駆動システムの初期ターン間故障検出と重大度評価。 IEEEトランス。インドに知らせる。 18、1823–1832 (2021)。

記事 Google Scholar

Ostojic, P.、Arijit, B.、Dhaval, P.、Wrichik, B.、Shahid, A. 高度なモーターの監視と診断。 Industry Applications Society 第 60 回年次石油化学産業会議において、1-9。 (IEEE、2013)。

Haroun, S.、Nait Seghir, A.、Touati, S. 原子炉冷却材ポンプの固定子巻線間故障および電圧不平衡の検出と識別のアプローチ。第 3 回システムと制御に関する国際会議、99 ～ 104 年。 (IEEE、2013)。

マサチューセッツ州モハメッドら。 AFIS アルゴリズムと DWT ベースの特徴抽出による誘導電動機の故障の診断モデリング。応用科学。 11(19)、9115 (2021)。

記事 CAS Google Scholar

Rajeswari, R. & Kamiraj, N. ウェーブレットベースの AFIS を使用した、同期発電機の固定子の巻線間故障の診断。世界アカデミー。科学。工学テクノロジー。 36、203–209 (2007)。

Google スカラー

Panda、S.、Mishra、DP、Dash、SN 長い伝送路における障害分類と位置特定における AFIS と ANN 技術の比較。 2018 年の電気・電子・通信工学における最近のイノベーションに関する国際会議 (ICRIEECE)、1112 ～ 1117 年。 (IEEE、2018)。

Esakimuthu、P.、Shrinathan、YM、および久秀、N。誘導電動機の軽微なベアリング故障の検出における機械学習アルゴリズムと人工知能ニューラルネットワークの比較研究。エネルギー 12(11)、2105 (2019)。

記事 Google Scholar

Duan, F. & Rastko, Z. 固定子故障のある誘導モーターのモデル。 2012 年の第 22 回オーストラリア大学電力工学会議 (AUPEC)、1-5。 (IEEE、2012)。

Samanta, S.、Bera, N.、Sarkar, G.、誘導機の重大度と位相検出のためのインテリジェントな適応ニューロファジィベースの故障診断システム。モデリングとシミュレーションに関する講義、41–51。

サウスカロライナ州ガファリ転動体軸受によってサポートされる回転機械の故障診断システム。 (ウォータールー大学、2007)。

Solodkiy, E.、Dmitry, D.、および Saveliy, S. 電流座標変換を使用した三相誘導モーターの固定子巻線間短絡の検出。 2019 年の第 26 回電気ドライブに関する国際ワークショップ: 電気ドライブの効率の向上 (IWED)、1-4。 (IEEE、2019)。

Ghorbanzadeh, O.、Blaschke, T.、Aryal, J. & Gholaminia, K. 地盤沈下感受性マッピングのための適応ニューロファジィ推論システムを使用した新しい GIS ベースの手法。 J.スパット。科学。 65(3)、401–418 (2020)。

記事 Google Scholar

Rajamany, G.、Sekar, S.、Krishnan, R.、Ramesh, KN 人工ニューラルネットワークを使用した、線電流シーケンス成分に基づく誘導電動機の固定子巻線間短絡故障検出。Ｊ．Ｅｌｅｃｔｒ．計算します。工学 2019、1–12 (2019)。

Maraaba, L.、Al-Hamouz, Z.、Abido, M. 誘導電動機用の効率的なステータ巻線間故障診断ツール。エネルギー 11(3)、653 (2018)。

記事 Google Scholar

Umashankar, S.、Sanjeevikumar, P.、および Paramasivam, S. pmsm 駆動遠心ポンプの直接トルク制御に基づく適応ニューロファジィ推論システム (anfis)。（2017年）。

Babaa, F. & Bennis, O. 誘導電動機専用の正確な巻線間短絡故障モデル。内部。Ｊ．Ｅｌｅｃｔｒ．計算します。工学 11(1)、9 (2021)。

Google スカラー

Irfan, M. & Glowacz, A. 遠心ポンプの故障解析のための新しい電気診断技術の設計。応用科学。 9(23)、5093 (2019)。

記事 Google Scholar

リファレンスをダウンロードする

著者らは、この研究をリアルタイムで実行および技術実装できるようにしてくれた VIT 大学の Danfoss Advanced Drives Laboratory に心から感謝の意を表したいと思います。産業用ポンプソリューションの産学共同プロジェクトです。このコラボレーションは、VIT Vellore と Danfoss Pvt Ltd 業界の間で行われます。

この研究活動には資金源がありません。

Nabanita Dutta、Palanisamy Kaliannan、Paramasivam Shanmugam などの著者も同様に貢献しました。

エネルギーおよびパワーエレクトロニクス学科、電気工学部、ヴェールール工科大学、ヴェールール、632014、インド

ナバニータ・ダッタ & パラニサミー・カリアンナン

Esab India Limited、チェンナイ、インド

パラマシヴァムシャンムガム

PubMed Google Scholar でこの著者を検索することもできます

ND、PKは、誘導電動機ベースの遠心ポンプシステムのターン間故障解析を行いました。 VFD および誘導モーターベースのポンプを使用したポンプシステムの駆動、制御、および故障解析の分野の専門知識は PS によって共有されています。著者全員が、完全な研究論文として最終的に描写するための研究作業を明確にするために等しく貢献しています。

パラニサミー・カリアンナンへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Dutta, N.、Kaliannan, P.、Shanmugam, P. ポンプシステムにおけるターン間故障検出のための機械学習の応用。 Sci Rep 12、12906 (2022)。 https://doi.org/10.1038/s41598-022-16987-6

引用をダウンロード

受信日: 2022 年 2 月 17 日

受理日: 2022 年 7 月 19 日

公開日: 2022 年 7 月 28 日

DOI: https://doi.org/10.1038/s41598-022-16987-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

前: Seepex、自動調整可能なプログレッシブキャビティポンプを発表次: 水槽のフィルターポンプの掃除方法

お問い合わせを送信

送信