Zawarte w zbiorze dane przedstawiają wyniki analizy wpływu parametrów sieci konwolucyjnej na precyzję systemów diagnostycznych maszyn prądu przemiennego. Pomimo wielu przykładów zastosowań metod głębokiego uczenia, brak jest formalnych zasad doboru struktury sieci i parametrów procesu uczenia. Metody takie umożliwiłyby skrócenie procesu implementacji sieci głębokich w systemach diagnostycznych maszyn prądu przemiennego. W artykule przedstawiono szczegółową analizę wpływu hiperparametrów głębokiej sieci konwolucyjnej oraz procedur uczenia na dokładność systemu detekcji zwarć zwojowych. W badaniach uwzględniono bezpośrednią analizę prądów fazowych przez sieć konwolucyjną dla silników indukcyjnych i synchronicznych z magnesami trwałymi.
Zbiór zawiera dane gotowe do odczytu z wykorzystaniem środowiska Matlab&Simulink w wersjach: 2019a, 2019b, 2020a, 2020b, 2021a, 2021b, 2022a, 2022b, 2023a, 2023b. Odczyt struktur sieci głębokich może być przeprowadzony również przy zastosowaniu dodatku Deep Learning Toolbox (w wersjach od 2019a do 2023b). Dane symulacyjne, przebiegi czasowe oraz odpowiedzi struktur (Exp_ver_...json) moga być odczytane również z wykorzystaniem pakietu Microsoft Excel.
Opis plików:
- Hyperparameters_impact_PMSM_data - zestaw danych treningowych, walidacyjnych, testujących oraz odpowiadających im kanałów w formie macierzy 4-wymiarowej (4-wymiar odpowiada kolejnej próbce) dla silnika PMSM.
- Siec_Epochs_AAA_ACC_BBB - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia). Pliki obejmują analizę procesu treningu dla zastosowania od 100 do 3000 epok uczących (z krokiem 1000). Oznaczenie AAA w nazwie odpowiada liczbie epok treningowych, natomiast BBB uzyskanej precyzji klasyfikacji stanu technicznego silnika PMSM.
- Siec_Init_Learn_Rate_AAA_ACC_BBB - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia). Pliki obejmują analizę procesu treningu dla zastosowania początkowego współczynnika uczenia w zakresie 0.0001 do 0.0135 (z krokiem 0.005). Oznaczenie AAA w nazwie odpowiada wartości początkowego współczynnika uczenia, natomiast BBB uzyskanej precyzji klasyfikacji stanu technicznego silnika PMSM.
- Siec_LearnRateDropPeriod_AAA_ACC_BBB - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia). Pliki obejmują analizę procesu treningu dla zastosowania zmiennego współczynnika spadku stałej uczenia w zakresie od 10 do 125 epok (z krokiem 5). Oznaczenie AAA w nazwie odpowiada wartości współczynnika spadku stałej uczenia, natomiast BBB uzyskanej precyzji klasyfikacji stanu technicznego silnika PMSM.
- Siec_MiniBatchSize_AAA_ACC_BBB - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia). Pliki obejmują analizę procesu treningu dla zastosowania zmiennego rozmiaru mini-pakietu danych uczących w zakresie od 10 do 250 próbek (z krokiem 10). Oznaczenie AAA w nazwie odpowiada rozmiarowi mini-pakietu danych uczących, natomiast BBB uzyskanej precyzji klasyfikacji stanu technicznego silnika PMSM.
(2022-08-24)
