感应电机断条的轻量级检测系统和数据集的研究

智能系统与应用17（2023）200167一种新的数据集和轻量级检测系统，用于使用可优化神经网络的感应电机断条Wejdan Abu Elhaija，Qasem Abu Al-Haijab，*aSumaya公主技术大学电气工程系，约旦bSumaya公主技术大学网络安全系，约旦A R T I C L EI N FO保留字：感应电机断条机器学习可优化的神经网络检测模型A B S T R A C T感应电动机（IM）中的转子条断裂（BRB）是一种常见的故障，也是最难检测的故障之一，因为感应电动机在没有任何故障迹象的情况下继续正常运行。已经提出了几种用于识别IM中的BRB的方法。然而，为了参数化电流信号，他们需要具有高计算成本的工具，使得难以在线实现适当的监测系统。因此，本文提出了一种新的基于人工智能的方法，使用来自两个三相400 V感应电动机的新型多类数据集来检测和分类IM中的BRB故障;2.2kW，两极，50 Hz，24个定子槽和20，29和32个转子条数（M24 Ns，（20，29，32）Nb），以及2.2kW，四极，60 Hz，36个定子槽，28和44个转子线棒编号（M36 Ns，（28，44）Nb），以帮助分析健康和故障IM，以及分类性能评估和基准测试。所开发的轻量级，智能和自动检测系统采用了自配置的神经网络模型的BRB在IM模型。它提供四种分类输出：健康、一个BRB、两个BRB和三个BRB。仿真结果表征了（M24 Ns，（20，29，32）Nb）和（M36 Ns，（28，44）Nb）IM以及两种电机的组合模式的性能，表明所提出的方法在检测和分类BRB方面非常有效，其检测和分类准确率为99.8%，预测时间为1.64微秒。1. 介绍鼠笼式感应电动机有着广泛的应用，使得检测早期故障的能力对于寻找前所未有的电动机故障问题的长期解决方案至关重要。电机装配、安装、负载公差和维护计划可能与机器故障有关（Liang和Edomwandekhoe，2017年，Hong等人， 1991年）。机器的轴承、转子或定子中的故障可能发生在感应电动机中（Brkovic等人， 2017年，Henao 等 人 ， 2014 年 ， Edomwandekhoe 和 Liang ， 2018 年 ，Edomwandekhoe和Liang，2018年，Culbert和Letal，2017年，Gritli等人，2013年，Mehrjou等人，2011年，Zhang等人，2011年，Soualhi和Razik，2013年）。在所有感应电动机故障中，约9%是由于转子条断裂以及其他故障（Ayhan等人， 2003年）。由于鼠笼式转子和定子之间没有直接的电气连接，转子断条缺陷很难识别 故障可能导致数天或数周的生产损失以及数百万美元的停机时间和维修成本 ， 因 此 可 靠 性 和 维 护 对 于 设 备 评 估 至 关 重 要 （ Liang 和Edomwandekhoe，2017年，Hong等人， 1991年）出版利用本文的方法，可以对感应电动机转子导条的故障进行跟踪和定位.由于计划外机器故障转子断条故障可能对工业金融部门产生重大负面影响，可以通过适当的策略来避免。以下情况可能导致转子导条断裂（Nandi等人，1999年）：（a）直接在线启动在转子笼绕组上产生大量的热和机械负载，（b）脉动机械负载（如往复式压缩机或碎煤机）可在转子笼上施加大量应力，以及（c）转子笼制造工艺的问题。转子棒的击穿和转子棒加热和断裂是大型电动机中的常见故障模式，特别是在负载下多次启动的电动机中。由于转子的运动速度低于同步速度，因此初始条件对转子条施加最大的应变。高电流导致棒相对于转子加热和膨胀，而不同棒的电阻变化会产生不均匀的加热和膨胀。结果，将杆连接到短路环的接头失效。当裂缝出现时，该条的电阻增加，* 通讯作者。电子邮件地址：elhaija@psut.edu.jo（W. Abu Elhaija），q. psut.edu.jo（Q. Abu Al-Haija）。https://doi.org/10.1016/j.iswa.2022.200167接收日期：2022年9月21日;接收日期：2022年11月21日;接受日期：2022年12月9日2022年12月13日在线提供2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsW. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001672=（）加热，从而加深断裂。此外，周围的转子条由于受损条的电流减小而经历增加的电流。这种情况会导致转子因局部加热而变形。带有断条转子的鼠笼式感应电动机的电源电流包含边带频谱分量fb1 2 k s fs，其中fs表示电源频率，s表示运行滑差，fb是可观察到的断条频率，k是奇数值（Faiz等人，2010年）。机线电流特征分析（MCSA）通过分析基波周围的边带分量的fb来发现断条问题。当断条引起底部边带频率时，速度振荡引起最大边带频率。转矩和速度信号的频率分量在转子断条的情况下也为2msfe，其中m为整数。感应电动机转子导条损伤的检测是一个重要的研究课题。研究人员已经使用由定子电流中的断条以两倍于转差频率感应的脉冲来识别感应电动机断条（Bardhi等人，2010年，Aydin等人，2011，Gacid和Wooi，2011）。通过使用人工智能技术，已经使得极其复杂的时变和非线性系统的故障诊断成为可能（Ali等人，2019年，Kumar等人，2020，Ali等人，2015年，Anto-nino-Daviu等人，2006年，Guedes等人，2016，Yin和Hou，2016，Mes-saoudi等人， 2022年）。但直到最近，它们在感应电动机状态监测和故障诊断中的应用才因此，现代生产模式的发展，以减少意外停机的可能性所造成的故障，可能会导致经济损失超过购买新机器的成本。这需要开发能够在早期阶段检测损伤的诊断技术。分析和计算来自项目或数学模型的信号是最常用的电机诊断应用的工作方式（Henao等人， 2014年）。基于信号分析的诊断用于实现某些控制，在一些情况下，例如在测量期间保持电机平稳性和修改信号参数以处理所讨论的数据。另一方面，分析技术要求对所检查的项目及其许多属性和属性有透彻的了解。用户在这些系统中执行专家的功能的事实是这些方法的另一个缺点，这导致分析时间过长并且在检测过程中缺乏自动化。人工智能方法，特别是人工神经网络，正在被用来减少专家在完全自动化诊断系统中的作用（Ghate和Dudul，2010年，Kowalski和Kami人工智能方法近年来取得了进展，深度学习理论处于这一发展的最前沿（Principi et al.，2019年，Mrssiabi等人，2019年）。与传统的神经结构不同，深度学习神经网络具有高度广泛的拓扑结构，将其与前者区分开来。这些网络获得了以前在神经网络中没有观察到的特性这是由于使用了更多的神经元、隐藏层和改进的训练方法。多层感知器（MLP）（He和Du，2007），自组织Kohonen映射（SOM）（Skowron等人，2019年，Coelho 等人，2017）和径向基函数（RBF）神经网络（Dash等人，2010）是已经在电动机诊断领域中使用的需要特别关注的一些神经元缺陷检测器。多层人工神经网络用于（Singh等人，2008）来对输入数据及其属性进行分类。各种未监督 的 方 法 ， 如 深 度 学 习 和 模 糊 算 法 ， 在 （ Ince ， 2019 ） ，（Abdellatif et al.， 2018）和（Antonino-Daviuet al.，2006），但是由于属性仅通过计算方法导出，因此它们不能实现高精度。本文采用基于人工智能的方法对转子进行检测和分类IM中的条故障。本文的重要贡献如下：本文提出了一种基于两种感应电机（M24Ns，（20，29，32）Nb）和（M36Ns，（28，44）Nb）的新型多类数据集，以帮助分析正常和故障感应电机以及分类性能评估和基准测试。采用可优化的自配置神经网络模型，开发了一种轻量级、智能化、自主化的感应电机转子断条检测系统。提出的模型提供四种分类输出：健康、一个BRB、两个BRB和三个BRB。本文给出的仿真结果表征了（M24Ns，（20，29，32）Nb）和（M36Ns，（28，44）Nb）异步电动机的性能以及两种电动机的组合方式。实验结果表明，该系统的预测精度为99.8%，预测时间为1.64微秒。本文的其余部分的结构如下：在第2节中介绍了相关工作的审查。在第3节中，提供了有关拟议数据集的信息。此外，第4节还讨论了分类方法和绩效评估措施。第5节报告了实验结果、讨论、分析和比较。第5节总结了本文的研究结果，并提出了一些未来的发展方向。2. 相关工作人工智能可用于实时状态监测，具有较高的准确性和可靠性。可靠性和精度这种方法可以弥补与故障分类之前所需的数据训练相关的相对 时 间 限 制 ， 这 通 常 被 行 业 视 为 缺 点 （ Chouidira 和 Chakroune ，2020）。因此，基于人工智能和机器学习的基于知识的方法为感应电动机状态监测和问题诊断开辟了一条新的研究途径。在（B'aciosa等人， 2015年），研究人员比较了几种人工智能方法，并发现KNN和ANN/MLP方法表现更好的定子故障的100%的准确率ANN/MLP和KNN方法对转子断条故障的准确率均KNN，ANN/MLP和C4.5技术承诺携带故障。这些方法优于ANN/MLP和KNN的多分类。SVM/SMO方法在轴承损坏的稳健性测试中具有最高的精度和处理时间（Chouidira和Chakroune，2020年，Pa la'ciosa等人，2015年）。在此基础上，提出了一种基于神经网络的故障检测方法.SVM具有高泛化能力;因此，它可以在机器状态监测的分类中产生高精度（Pandarakone et al. ）.深度神经网络（DNN）已经存在很长时间了（图像处理，语音识别）。DNN感应电动机的损坏分析是这些论文的主要焦点 在大多数基于DNN的系统中，测量机械振动和定子电流（Principi等人，2019年，Mrssiabi等人，2019），但不太常见的电压（Pandarakone等人，2018年）。卷积神经网络（CNN）和自动编码器是深度学习网络最常见的两种架构。CNN在诊断过程中的准确性大大高于MLP和RBF神经网络。在诊断中使用DNN最困难的部分是确保监测的信号与网络的结构和特征充分匹配 深度学习神经网络的输入向量可能来自信号处理（Pandarakoneetal.，2018），或者它可以是诊断信号（Messiabi et al.， 2019年）。网络的拓扑结构和训练过程的参数都受到系统中使用的诊断信号的如（Skowron，2020）所示，使用深度学习神经网络可以显著改善损伤检测和分类系统。已经证明，···W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001673可以通过限制诊断信号的测量时间来进一步增强CNN结构的性能，以便识别损坏症状是采用DNN架构的另一个好处。（Tran等人，2022）使用具有基于注意力的卷积神经网络模型的振动信号时频内容模型来识别感应电动机故障情况。振动信号被采集并分为五类：正常、外圈故障、内圈故障、不对中状态和转子断条。利用连续小波变换中的Morlet函数，将振动时间序列信号转换为尺度图特征图（CWT）。这些图像已被调整大小并输入到卷积注意力神经网络（CANN）中，以检测不同的感应电机缺陷。根据数据，建议的模型具有99.43%的诊断准确率，远远高于最先进的深度学习缺陷诊断方法。为了发现断条缺陷并在启动条件下区分故障的严重性，已经使用了序列变量模式分解（SVMD）（Liu等人，2022年）。基于故障分量的能量随故障严重程度的增加而增加的事实，提出了利用故障分量右部的能量来检测问题的严重程度。在（Wang etal. 研究人员提出了一种基于三阶能量算子（TOEO）的转子断条故障解调的电流数据。 结果表明，TOEO方法，而不是边带频率，可以有效地揭示故障特征频率，特别是当逆变器提供IM时。该结果还与Teager-Kaiser能源供应商（TKEO）的结果进行了比较。贡献者（Lee等人，2022）已经使用对称不确定性方法和遗传算法（SU-GA）来识别感应电动机的情况，例如正常的、破损的轴承、破损的转子条和定子绕组短路。利用希尔伯特-黄变换（HHT）对当前信号进行分析，并利用支持向量机（SVM）对特征进行分类。根据数据，SU-GA达到了更高的精度与更少的功能。而在（Abid等人，2020年），引入了基于深度学习（DL）SincNet的IM FD，专注于使用振动分析进行诊断。所提出的智能端到端系统依赖于原始电流信号作为输入，消除了特征生成和优化要求。利用deep-SincNet方法识别不同运行负载、高噪声水平以及初始和部分故障故障下DC-IM故障的轴承故障和转子笼断裂，这可能为deep-SincNet在未来FD应用中的使用开辟新的前景使用基于现场可编程的硬件处理系统，门阵列（FPGA），（Lopez-Ramirez等人，2022）提出了一种在线智能转子断条（BRB）诊断方法，该方法克服了电流信号复杂参数化的限制 ， 并 提 高 了 IM 中 BRB 检 测 的 准 确 性 。 利 用 电 流 信 号 的 Walsh-Hadamard变换（WHT），使用k-最近邻（k-NN）技术来检测独特的操作条件。同样，作者（Ramu等人，2020）提出了一种基于希尔伯特变换（HT）和人工神经网络（ANN）的三相感应电动机转子断条（BRB）故障诊断方法，并采用直接转矩控制（DTC）对电机进行控制。作者的结果表明，人工神经网络在识别感应电动机BRB的数量有很高的准确性。实验研究在（Tierra-fria-Baez et al.，2021）来评估信息熵性能作为IM中BRB检测的指标，评估在两种状态下对感应电动机的电流供应，即，启动瞬态和稳态。实验结果表明，信息熵可以作为一个可靠的，减少计算成本的指标，用于评估一个健康的电机或电机与一个BRB，大约138.298 s，在IM启动瞬态期间具有至少99.7%的高效率，并且在其整个稳态期间具有至少95%的高效率，甚至在其正常负载的四分之一（Mustafa，2021）中的研究人员提出了一种新的感应电机（IM）转子断条（BRB）分类方法，该方法基于人工神经网络（ANN）和定子电流包络。采用三次样条插值法推导定子电流包络线。在该研究中测试了五种IM条件，包括部分BRB、1 BRB、2BRB和3 BRB。实验结果表明，本文提出的提取和选择方法优于传统的运动缺陷分类方法。最小二乘支持向量机（LS-SVM）用于（Zamudio-Ramírez et al.，2020），以确定部分断裂的鼠笼式异步电机转子条。采用基于FFT的定子电流频谱分析方法，对笼型异步电动机转子断条故障频率进行了分析。训练和测试数据集从单个定子相电流的频谱分析中获得，该频谱分析包含与部分断裂转子条相关联的典型谐波的信息。研究结果表明，LS-SVM可以有效地用于识别程度转子条部分断裂此外，利用由三轴杂散流量传感器获取的数据，在（M'hamed等人， 2021）推出了一种独特的智能传感器，用于在线检测感应电机中的单个和组合机电故障。凭借出色的可靠性，智能传感器已证明其能够独立有效地检测感应电机中通常出现的两种最常见的机电缺陷的组合：未对准和转子条断裂。表1.对调查研究工作进行了总结。在本文中，人工神经网络故障检测方法表现出一个更好的选择，提出了一个值得注意的变化，在健康和故障曲线。由于每个BRB缺陷都具有独特的故障曲线特征，因此故障曲线描绘的更多变化可以提高AI软件解释的准确性，并允许维护员工通过LCD监视器实时检测或识别问题。根据结果，当开始向我们的数据库中的预定已知故障曲线建立微小偏差时，识别BRB故障。故障检测将通过预先储备计划停机期间所需的组件来帮助维护期;否则，将发生计划外停机，导致依赖这种显著马力的公司的生产利润损失。在未来，我们希望在实际生产环境中测试我们的三相同步电机和其他类型电机的方法设计。3. 断条数据集（BBD 2022）和理论背景该数据集包含电气和机械信号，从仿真的两个三相鼠笼式感应电动机与不同的转子和定子槽组合使用MATLAB软件建模。第一台电机为2.2kW，两极，三相，50 Hz，400 V，并使用转子槽号20，29和32进行测试。第二个电动机具有2.2kW、四极、三相、60Hz和400V，具有36个定子槽和两个转子槽编号28和44（Elhaija等人，2017年）。转子槽数的选择是在研究了制造商的数据库与常用的组合。模拟测试是针对感应电机轴上的全机械负载和电机转子中的不同断条缺陷（一个断条、两个断条和三个断条）进行的，包括关于在2k Hz的采样率下没有缺陷（健康）的转子的数据。单线图可以表示转子电路的电流。此图旨在描述断裂转子导条和端环的建模。这些图形可以帮助您了解这些更改如何影响当前流。图1显示了一个健康的鼠笼式感应电动机的单线表示。端环由水平线表示，而垂直线表示转子条。两个转子条及其连接被表示为单个电路，每个电路中流动的独立电流和所有回路都相等。转子电流回路表示为irk，其在各个线棒处变化。irk是转子电路电流。图 图2示出了具有电流标记irk的五个连续转子电路。W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001674正+ +++++表1调查研究工作综述参考年份技术贡献（Bardhi等人，2010年，Aydin等人，Gacid和Wooi，2011年）[2010，2011，2011]机器线电流特征分析（MCSA）利用断条感应脉冲在定子电流中的两倍转差频率来识别异步电动机断条。（Ali等人，2019年，Kumar等人，2020，Ali等人，2015年，Antonino-Daviu等人，2006年，Guedes等人，2016，Yin和Hou，2016，Messaoudi等人，2022），（Ghate和Dudul，2010，Kowalski和Kami'nski，2014）。[2019-2022年，2010年、2014年]人工神经网络减少专家在全自动诊断系统（Principi等人，2019年，Mrssiabi等人，（Chouidira和Chakroune，2020）[2019年，2019年]，[2020年]深度学习处于这一发展的最前沿高水平的准确性和可靠性。（Pa l'aciosa等人， 2015）[2015]KNN和ANN/MLP方法性能更好，定子精度达到100%断层ANN/MLP和KNN方法对转子断条故障的准确率均为99.7%。（Pandarakone et al. ）[2017]SVM/SMO方法SVM具有很高的泛化能力;在机器状态监测的分类中具有很高的准确性。（Principi等人，2019年，Mrssiabi等人，2019年，Pandarakone等人， 2018年）[2019，2019，2018]深度神经网络（DNN），卷积神经网络（CNN）和自动编码器电机故障检测系统（Tran等人，[2022]一种具有基于注意力的卷积神经网络模型的振动信号时频内容模型（Liu等人，[2022]序列变量模式分解（SVMD）（Wang et al. ）[2022]基于三阶能量算子（TOEO）的策略（Lee等人，[2022]对称不确定性方法和遗传算法（SU-GA）（Abid等人，[2020]深度学习（DL）-基于SincNet的IM FD，专注于使用振动分析进行诊断。（Lopez-Ramirez等人，使用构建在现场可编程门阵列（FPGA）上的硬件处理系统。（Tierrafria-Baez等人，希尔伯特变换（HT）和人工神经网络（ANN），机器由直接转矩控制（DTC）控制。（Mustafa，2021）[2021]人工神经网络（ANN）和定子电流包络（Zamudio-Ramírez等人，最小二乘支持向量机（LS-SVM）（M'hamed等人， 2021）[2021]智能传感器用于在线检测感应电机中的单个和组合机电故障识别感应电动机故障情况。该模型具有99.43%的诊断准确率，在启动条件下发现断条缺陷并判别有效地揭示故障特征频率，特别是当逆变器提供IM时。用更少的特征获得更高的精度。依靠原始电流信号作为输入，消除了特征生成和优化要求。克服电流信号复杂参数化的限制，提高IM中BRB检测的准确性。IM启动瞬态期间的效率至少为99.7%，在整个稳态期间的效率至少为95%优于传统的电机缺陷分类可以有效地用于识别转子线棒部分断裂的程度。能够独立有效地检测不对中和转子断条的组合。Fig. 1. 健康鼠笼式感应电动机建模。2，ir k-1，ir k，ir k1，和ir k2，其中第（k 1）个栏断开。因为 （k 1）断条时，转子回路电流irk和irk1必须相等，此时该电流被迫在双宽度中流动。转子回路，其包括第k个和第（k 1）个转子回路。一个破碎的转子在 不同的地方可能 导致 更多双幅 转子电流，影响定子电流。因此，如果断条数量增加，将导致定子电流中更多的谐波一组一阶常微分方程表示IM的动态模型中的最大值X.采用四阶龙格库塔法在MATLAB中实现并分析了模型。三相定子电流、转子线棒电流、端环电流、电机速度和电机扭矩都包含在数据集中。4. 断条检测模型这项工作提出了一种新的数据集，并使用优化的神经W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001675图二. 转子断条建模。网络开发一个轻量级的检测系统，转子断条感应电机。我们最初使用MATLAB 2021计算系统生成了我们的数据集并开发了我们的检测系统。有关生成新数据集的信息已在前面的章节中介绍。本节详细阐述了模型开发阶段和架构的建议检测系统的转子断条感应电动机。图3展示了转子断条感应电机检测模型架构。具体而言，该系统包括四个主要子系统：数据工程（DE）子系统，学习优化（LO）子系统，性能评估（PE）子系统，和模型的部署（MD）子系统。本文的附录中给出了伪代码的摘要和解释.4.1. 数据工程（DE）子系统数据工程负责以机器学习技术的学习过程可接受的形式准备生成的数据集。在这项研究中，我们使用两种不同的感应电机生成了三个数据集：电机数据集（M24Ns，（20，29，32）Nb），电机2数据集（M36Ns，（28，44）Nb），以及电机1数据集（M24N）和电机2数据（M36）。所有数据集见。CSV文件格式在被MATLAB导入之前，将表格存储在. MAT格式。 之后，数据已经经历了几个连续的预处理操作，以确保他们为学习过程做好准备，包括：图三. 转子断条感应电机检测模型架构。W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001676+++数据本地化：将CSV文件中的数据集导入MAT-LAB表，使其本地化到操作学习模型中。数据清理：解决各种数据错误表示，如消除数据重复、处理空白数据单元格、解决数据矛盾等。数据重排：随机重新排列数据实例，以避免数据序列，并确保分类器偏置的适当分类。数据标准化：定期使用Z得分标准化（Abu Al-Haija，2021）对数据集中的所有数据记录进行标准化，以确保数据集中所有特征的重要性一致，并改进分类过程。数据分割：现在，由于数据可以被输入到学习过程中，我们将每个数据集分为70%的训练数据集和30%的测试和验证训练模型。多重验证：为了得到可靠的验证结果，我们采用k折交叉验证（5-FCV）（Abu Al-Haija et al.，2022）使用训练集（70%）和测试集（30%）的五个随机分组的总体平均值。4.1.1. Motor_1（M24Ns，29Nb）数据集规格在这个实验中，我们考虑电机1（M24Ns_29Nb），具有以下规格：（A）电机规格：三相，2.2kW，两极，50 Hz，400V，24个定子槽，29条，满载扭矩为7.3 N.m，（B）它有24，000个样品，平均分布在四个类别中（Healthy，1_Broken_Bar，2_Broken_Bar和3_Broken_Bar），（C）数据集是平衡的，每个类有6，000个样本（总共24，000个），以及（D）数据集包含36个输入特征和一个用于输出分类的目标特征。表2显示了M24Ns_29Nb数据集的输入特征（F-1至F-37）4.1.2. Motor_2（M36Ns，44Nb）数据集规格在本实验中，我们考虑电机1（M36Ns，（28，44）Nb），具有以下规格：（A）电机规格：三相，2.2kW，四极，60 Hz，230V，Δ连接，36个定子槽，44条在11.8N.m的满载扭矩下，（B）它具有平均分 布 到 四 个 类 别 （ 健 康 、 1_Broken_Bar 、 2_Broken_Bar 和3_Broken_Bar）中的24，000个样本，（C）数据集是平衡的，每个类别具有6，000个样本（总共24，000个），以及（D）数据集包含49个输入特征和一个用于输出分类的目标特征。表3显示了M24Ns_29Nb数据集的输入特征（F-1至F-50）的组织。4.1.3. 合并数据集在本实验中，我们考虑使用上述针对每个电机数据集的规范的电机1（M24Ns，29Nb）数据集和电机2（M36Ns，44Nb）数据集的组合。这个组合数据集以48，000个样本结束，这些样本平均分布在四个平衡的类别中（健康，1_Broken_Bar，2_Broken_Bar和3_Broken_Bar）。该数据集包含49个输入特征和一个用于输出分类的目标特征。表4显示了（M24 Ns，29 Nb）数据集的输入特征（F-1至F-50）的组织。所有特征（F-5至F-46）包含（M36 N，44 Nb）的全数据，而所有特征（F-5至F-33）包含（M24 N）的全数据，并且特征（F-34至F-46）包含（M24N）的零数据。4.2. 学习优化（LO）子系统作为 的 名称 这意味着，这一阶段包括 两 主要关键词：表2（M24Ns，29Nb）运动数据集的输入特征。“学习”和“优化”。由于所有的学习过程都是在这个阶段进行的（包括训练、测试、验证、权重更新等），我们称这个子系统为学习子系统。另一方面，由于我们采用了“自配置”、“可调整”或“可优化”的神经网络（ONN），我们称这个子系统为优化子系统。总的来说，它被称为学习优化（LO）子系统。不像传统的神经网络，ONN被称为自配置或可优化的，因为ONN被构建为通过超参数搜索范围的空间进行搜索，倾向于选择最佳优化的神经网络，该神经网络为每个特定的问题语句获得性能评估。ONN尝试在规定的搜索空间内的各种可能的NN架构，以选择最佳的NN架构实现最佳的性能率与最小的错误率。在我们的LO子系统中，我们已经开发了ONN架构，以使用不同数量的全连接层（从1到3），每个层的不同数量的神经元（从1到100），不同的激活函数（包括ReLU，Tanh，Sigmoid和None），不同的标准化选项（包括标准化日期或不标准化日期）以及不同的正则化强度（Lambda）从（6.9444e-10）其他学习过程规范也为所有ONN配置。总之，表5展示了所提出的ONN的各种可优化配置因此，针对每个数据集获得的可优化神经网络（ONN）已被用于训练、验证和测试专用于每个数据集的模型。每个ONN都经过了30次训练，每个模型的迭代次数限制为1000次。注意，可调整学习模型选择了在输入层具有36个神经元、在隐藏层具有100个神经元、在输出层具有4个神经元的浅神经网络（SNN-36-100-4）作为用于电机1模型（M24N）的最佳神经网络。同时，一个双层神经网络（BNN），49个神经元在输入层，50个神经元在第一隐层，30个神经元在第二隐层，和4个神经元在输出层（BNN-49-50-30-4）已被选定为电机2模型（M36 N）的最佳神经网络。此外，一个浅神经网络（SNN）的49个神经元在输入层，84个神经元在隐藏层，和4个神经元在输出层（SNN- 49-84-4）已被选择的可调学习模型作为最佳的神经网络的两个电机（M24 N M36N）的组合模型。表6总结了电机1型号、电机2型号和组合型号（M1和M2）的可调学习规格。此外，图4中描绘了所获得的可优化神经网络（ONN）的架构图：（A）用于电机1（M24 N）的SNN-36-100-4模型接受36个标准化输入值（所有特征），在100个神经元的隐藏层使用100次迭代来处理它们，最后使用Sigmoid激活函数在输出层（多分类器）产生四个决策之一。(B)用于电机2的BNN-49-50-30-4模型（M36 N）接受49个标准化输入值（所有特征），使用100次迭代在两个连续的隐藏层（50和30个神经元）处处理它们，并且最终使用ReLU激活函数在输出层（多分类器）处产生四个决策之一。(C)SNN-49-84-4模型用于组合模型（M24 N M36N），接受49个标准化输入值（所有特征），使用100次迭代在84个神经元隐藏层处理它们，最后使用ReLU激活函数在输出层（多分类器）产生四个决策之一。可以注意到，SNN-49-84-4实现了最高的预测速度，为610，000 obs/sec。F-1 F-2 F-3F-4F-5至F-33F-34F-35F-36F-37A相定子B相定子C相定子转子条电流（29环转子转子目标当前电流电流（条）电流速度位置类······W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001677表3M36Ns、44Nb电机数据集的输入特征F-1 F-2 F-3F-4F-5至F-46F-47F-48F-49F-50A相定子B相定子C相定子转子条电流（44环转子转子目标当前电流电流（条）电流速度位置类表4组合数据集的输入要素。F-1 F-2 F-3 F-4 F-5至F-46时间A相定子电流B相定子电流C相定子电流转子线棒电流(29条）或（44条）（随机洗牌）环电流转子速度转子位置目标等级表5可调神经网络的结构概述超参数搜索范围全连接层数1激活函数：ReLU，Tanh，Sigmoid，无标准化数据：是或否正则化强度（λ）：（6.9444e-10）学习过程规范优化器：贝叶斯优化4.3. 性能评价（PE）子系统像任何智能系统，性能评估是系统开发过程中的一个关键阶段，以验证和确认（V V）的有效性和鲁棒性的开发模型。在基于机器学习的系统中，几个标准评估指标通常用作关键性能指标（KPI）。这项工作使用十多个基于机器学习的模型的标准KPI来评估我们的系统模型。显然，这些指标已经得到了充分的解释，它们的描述可以从标准参考书目中提取。采集功能：EX每秒预期改进加上为简单起见，我们总结了所采用的KPI及其公式，训练算法Scaled共轭梯度法损失/成本函数交叉熵误差特征选择：模型中使用的所有特征，无PCA数据分割算法随机分割算法。数据分布70%培训，5%验证，25%测试验证策略5重交叉验证和6重验证检查表6为每个模型获得的最佳神经网络的配置汇总（优化超参数）。图五、4.4. 模型部署（MD）子系统为了开始利用基于机器学习的模型进行实际决策并获得实际见解，需要将其有效地部署到生产环境中。模型部署（MD）子系统负责将机器学习模型集成到现有的生产环境中，以进行实践。M24电机的ONN规格优化模型浅神经网络关于M36电机双层神经网络（BNN）ONN组合浅层神经网络基于数据的商业决策它通常是最后一个阶段，机器学习生命周期，可能是最繁重的工作之一。ML生命周期如图6所示，模型部署是生命周期的最后一个阶段FC层数1 2（SNN）一5. 实验评价激活函数Sigmoid ReLU ReLU数据标准化是是是本节提供了广泛的调查结果，从我们的前-正则化强度（λ）1.0e-05 5.0e-05 4.8e-07每个运动数据集的实验。首先，我们提出的性能评估结果，所有开发的模型比较观察第一层尺寸100 50 84第二层尺寸0 30 0预测速度（PSD）470，000 obs/sec 370，000 obs/sec 610，000 obs/SEC并记录每个型号的性能。然后，我们提供了进一步的调查，结果和分析的组合模型，结合了两个建模电机的功能和实例。组合模型更能代表现实生活中的应用，并包含更多用于训练和测试的样本（随机洗牌）。例如，表7总结了所有实现模型的总体评价（即，可优化的神经网络：SNN-36-见图4。 每个电机的最佳神经网络（a）SNN，（b）BNN，（c）组合数据集。迭代次数100100100特征选择使用的所有功能使用的所有功能所有特征使用W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001678++图五、本工作 中使用 的关键绩效指标（KPI）摘要。表7见图6。 机器学习生命周期阶段。(CER，FDR和FNR）和推断时间（PRT，单位为µs）。基于每个运动数据集的性能评价结果总结M24电机ONN M36电机ONN组合模式ACC % 99. 60% 99. 20% 99.80%PPV % 99.58% 99.18% 99.77%净现值% 99.86% 99.73% 99.92%塞内加尔% 99.58% 99.18% 99.77%SPC % 99.86% 99.73% 99.92%HMS % 99.58% 99.18% 99.77%CER % 0.40% 0.70% 0.20%罗斯福% 0.42% 0.82% 0.23%FNR % 0.42% 0.82% 0.23%PRT（µs）2.13µs 2.71µs 1.64µs电机1（M24 N）为100-4型，电机2（M36 N）为BNN-49-50-30-4型，组合型（M24 N）为SNN-49-84-4型M36N））在上述关键性能指标方面（总结于图5中），使用本研究中生成的三个单独数据集。请注意，所有结果均在5次交叉验证后获得，因为总体平均结果形成。另外，图7。比较了三种系统模式（M24N电机、M36N电机和组合模式）的性能，包括（A）质量率（ACC、PPV、NPV、SEN、SPC和HMS），（B）错误率显示的条形图中，可以清楚地观察到所有型号都表现出卓越的性能测量，总体/累积质量指标超过99.00%，总体/累积错误率降低到1%以下，非常短的推断超时时间低于2.71 µs。然而，组合模型在所有基于ML的模型中记录了最好的指标，准确率为99.80%，预测时间最短为1.64 µs。这是由于组合模式数据集的综合性，包括来自两个电机的随机实例和大量训练/测试样本的参与。这反过来为组合模式实现的ML模型提供了更严格的学习和评估过程SNN-49-84-4型号用于组合型号（M24 N M36 N）。此外，该模型是可更新的;它可以与任何新的数据集相结合，并重新训练，以提供更广泛的检测更多的断条，甚至更多类型的感应电机。此外，我们已经提供了关于变化的学习迭代选项和特征缩减选项的组合模式模型的性能的进一步研究，如图（8-9）所示。这是由于组合模式模型的附加重要性，因为（a）其包括针对（M24Ns，29Nb）感应电动机和（M36Ns，44Nb）感应电动机两者获得的数据样本的组合，W. Abu Elhaija和Q.阿布·海贾智能系统与应用17（2023）2001679见图7。比较三种系统模式（M24 N电机、M36 N电机和组合模式）的性能，包括（A）质量率（ACC、PPV、NPV、SEN、SPC和HMS）、（B）错误率（CER、FDR和FNR）和推理时间（PRT，单位：µs）。感应电动机（即，(more全面），（b）由于使用了更