Please enable JavaScript in your browser. It is required to use most of the features of Dataverse.

RepOD

Select dataverse

Add dataset

Metrics

45 Downloads

Share Dataset

Share this dataset on your favorite social media networks.

Diagnosis of stator winding and permanent magnet faults of PMSM drive using shallow and deep neural networks

Version 1.0

Skowron, Maciej, 2024, "Diagnosis of stator winding and permanent magnet faults of PMSM drive using shallow and deep neural networks", https://doi.org/10.18150/HQ4X9V, RepOD, V1

Learn about Data Citation Standards.

Description

Zawarte w zbiorze dane przedstawiają wyniki analizy głębokich struktur konwolucyjnych w zadaniu detekcji i klasyfikacji uszkodzeń silników PMSM. Obiektem badań eksperymentalnych był silnik PMSM o mocy 2,5 kW zasilany z przemiennika częstotliwości pracującego w zamkniętej pętli sterowania. Weryfikację eksperymentalną zaproponowanego systemu diagnostycznego przeprowadzono dla zmiennych warunków obciążenia i wartości częstotliwości napięcia zasilającego. Uzyskane wyniki porównano z podejściem opartym na głębokiej sieci neuronowej oraz uczeniem transferowym.

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:

-Exp_ver_demag_1 - przebiegi czasowe sygnałów (prądy fazowe), odpowiedzi sieci neuronowej podczas występowania demagnetyzacji i zmian momentu obciążenia silnika PMSM.

-Exp_ver_short_circuit - przebiegi czasowe sygnałów (prądy fazowe), odpowiedzi sieci neuronowej podczas występowania chwilowych zwarć 3 zwojów fazy B dla silnika PMSM.

- Siec_Epochs_200_ACC_73.0139 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu obejmował 200 epok, skuteczność sieci 73,0139%

- Siec_Epochs_1000_ACC_86.6944 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu obejmował 1000 epok, skuteczność sieci 86,06944%

- Siec_Epochs_2000_ACC_88.2778 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu obejmował 2000 epok, skuteczność sieci 88,2778%

- Siec_Init_Learn_Rate_0.001_ACC_88.4444 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu przeprowadzony dla początkowego współczynnika uczenia wynoszącego 0.0001, skuteczność sieci 88.4444%

- Siec_Init_Learn_Rate_0.005_ACC_86.6111 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu przeprowadzony dla początkowego współczynnika uczenia wynoszącego 0.005, skuteczność sieci 86.6111%

- Siec_LearnRateDropPeriod_10_ACC_87.2083 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu przeprowadzony dla współczynnika spadku stałej uczenia wynoszącego 10 epok, skuteczność sieci 87.2083%

- Siec_LearnRateDropPeriod_100_ACC_88 - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu przeprowadzony dla współczynnika spadku stałej uczenia wynoszącego 10 epok, skuteczność sieci 88%

- Siec_LearnRateDropPeriod_30_ACC_86.4583 struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) - proces treningu przeprowadzony dla współczynnika spadku stałej uczenia wynoszącego 30 epok, skuteczność sieci 86.4583%

(2023-02-21)

Subject

Computer and Information Science; Engineering

Keyword

PMSM, fault diagnosis, inter-turn short circuits, demagnetization, neural networks, multilayer perceptron, self-organizing map, convolutional neural network, transfer learning

Related Publication

Skowron, M.; Orlowska-Kowalska, T.; Kowalski, C.T. Diagnosis of StatorWinding and Permanent Magnet Faults of PMSM Drive Using Shallow Neural Networks. Electronics 2023, 12, 1068. https://www.mdpi.com/2079-9292/12/5/1068 doi: 10.3390/electronics12051068

License

CC BY - Creative Commons Attribution 4.0

Find

1 to 10 of 11 Files

Select all 11 files in this dataset.

			Download
		Exp_ver_demag_1.json Unknown - 11.8 MB - Feb 15, 2024 - 5 Downloads MD5: ccb7fa2e2bc4f4513670f54b6d14fe3a License: CC BY - Creative Commons Attribution 4.0	Download
		Exp_ver_short_circuit.json Unknown - 21.2 MB - Feb 15, 2024 - 4 Downloads MD5: 8751d0fabf476a695399f4f33da2448b License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_Epochs_200_ACC_73.0139.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: 52fa11d45fc6a4743403184729b74109 License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_Epochs_1000_ACC_86.6944.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: ff697010d3f4d5d4dd00f31246cc2ef0 License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_Epochs_2000_ACC_88.2778.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: 7d465249e5b4645f0c3218a9101347aa License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_Init_Learn_Rate_0.001_ACC_88.4444.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: 3f56cce08b731658d0e3506ba4ec1a7e License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_Init_Learn_Rate_0.005_ACC_86.6111.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: 892048d1c606028600d3d7f21e1fc7e2 License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_LearnRateDropPeriod_10_ACC_87.2083.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: 50f3275475a2d7980a029d2a88bfd8fc License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_LearnRateDropPeriod_100_ACC_88.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: 5b5e9a4ac2714f213aa6d6c7d28a3676 License: CC BY - Creative Commons Attribution 4.0	Download
		Siec_MiniBatchSize_30_ACC_86.4583.json Unknown - 3.5 MB - Feb 15, 2024 - 4 Downloads MD5: ff3f8785f2a46b65528e191249f01265 License: CC BY - Creative Commons Attribution 4.0	Download

Select File(s)

Please select a file or files to be deleted.

Delete Files

The file(s) will be deleted after you click on the Delete button.

Files will not be removed from previously published versions of the dataset.

Select File(s)

Please select a file or files to be edited.

Select File(s)

Please select a file or files to be edited.

Select File(s)

Please select a file or files to be edited.

Edit license

License

For selected file(s) set a license to

Select File(s)

Please select a file or files to be downloaded.

Select File(s)

Please select a file or files for access request.

Select File(s)

Please select restricted file(s) to be unrestricted.

Request Access

You need to Log In/Sign Up to request access to this file.

Continue

Dataset Terms

Please confirm and/or complete the information needed below in order to continue.

Asterisks indicate required fields

Request Access

Access to file(s) subject to additional consent under following conditions:

Package File Download

Restricted Files Selected

The restricted file(s) selected may not be downloaded because you have not been granted access.

Restricted Files Selected

The restricted file(s) selected may not be downloaded because you have not been granted access.

Click Continue to download the files you have access to download.

Delete Dataset

Are you sure you want to delete this dataset and all of its files? You cannot undelete this dataset.

Embargo

Are you sure you want to lift the embargo?

Once you lift the embargo, you will not be able to set it again.

Delete Draft Version

Are you sure you want to delete this draft version? Files will be reverted to the most recently published version. You cannot undelete this draft.

Dataset Private URL

Use a Private URL to allow those without Dataverse accounts to access your dataset. For more information about the Private URL feature, please refer to the User Guide.

Private URL has not been created.

Dataset Private URL

Are you sure you want to disable the Private URL? If you have shared the Private URL with others they will no longer be able to use it to access your dataset.

Submit for Review

You will not be able to make changes to this dataset while it is in review.

Additional information for the dataset reviewer:

Submit

Publish Dataset

This dataset cannot be published until RepOD is published. Would you like to publish both right now?

Once you publish this dataset it must remain published.

Publish Dataset

Are you sure you want to republish this dataset?

Select if this is a minor or major version update.

Minor Release (1.1)

Major Release (2.0)