Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SUSTENTACIÓN DE MONOGRAFÍA
ALUMNO:
ARNOLD PECEROS MANRIQUE
INFORMACIÓN DEL PAPER
“A Novel Approach for Multi Class Fault Diagnosis in Induction Machine
Based on Statistical Time Features and Random Forest Classifier”
Palabras claves:
Fault Detection
Multilayer Perceptron
Neural Network (MLPNN)
Random Forest Classifier
Statistical Time Features
Autores:
Deepak M. Sonje
P.Kundu
A.Chowdhury
Fecha de Publicación:
Agosto - 2017
OBJETIVO
Evaluar la efectividad del clasificador de RF para el diagnóstico de
fallas individuales y mixtas en máquinas de inducción
ESPECIFICACIONES
“Se han considerado 4 clases: saludable (H), falla del estator (S), falla del rotor
(R) y falla mixta (M)”
METODOLOGÍA
Combinación de árboles predictores tal
que cada árbol depende de los valores
de un vector aleatorio probado
Random
independientemente y con la misma
Forest
distribución para cada uno de estos. Es
más simple de entrenar y ajustar.
“El error para los bosques converge a un valor optimizado a medida que aumenta la cantidad de árboles en
el bosque. El error de los clasificadores también depende de la fuerza de los árboles individuales y la
correlación entre ellos”
“Durante el entrenamiento, las RNs se ajustan a los datos mediante algoritmos de aprendizaje. El error se
minimiza utilizando el algoritmo de backpropagation”
CARACTERISTICAS
Durante las pruebas no se observan cambios notables en las formas de onda del estator en
condiciones sanas y defectuosas. Es necesario extraer algunas características únicas de estas
corrientes, se estiman Catorce características para cada condición.
RESULTADOS
Se calculan catorce características estadísticas para cada fase de la corriente filtrada.
Para probar y entrenar el algoritmo se usa el software Weka (Ver. 3.8.0) como herramienta. Los
parámetros diseñados utilizados para el algoritmo son los mismos que los valores
predeterminados por el software.
Se han calculado catorce parámetros estadísticos para cada corriente de fase para
varias condiciones defectuosas y la entrada de alimentación al clasificador de RF y
MLPNN.
La falsa predicción del clasificador es cero en las 800 observaciones del conjunto de
datos.
Las otras medidas de rendimiento, como la tasa de TP, la tasa de PF, la precisión, la
recuperación y la medida F también mejoraron significativamente.
La precisión del clasificador es casi constante para los datos de validación cruzada y
para varias pruebas y proporción de entrenamiento de conjuntos de datos.