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

RepOD

Select dataverse

Add dataset

Metrics

7 Downloads

Share Dataset

Share this dataset on your favorite social media networks.

Analysis of the precision of PMSM short-circuit detection systems using transfer learning of deep convolutional networks

Version 1.0

Skowron, Maciej, 2024, "Analysis of the precision of PMSM short-circuit detection systems using transfer learning of deep convolutional networks", https://doi.org/10.18150/TTZMEK, RepOD, V1

Learn about Data Citation Standards.

Description

Przedstawione w zbiorze dane stanowią wyniki badań nad zastosowaniem idei uczenia transferowego w celu opracownia w pełni zautomatyzowanego systemu ekstrakcji uniwersalnych symptomów uszkodzeń silników pradu przemiennego. W badaniach rozważano możliwość wykorzystania idei w implementacji systemów detekcji uszkodzeń uzwojeń stojana silnika synchronicznego z magnesami trwałymi (PMSM). Metoda bazuje na charakterystycznych symptomach wyznaczonych dla innego typu silnika lub modelu matematycznego w docelowej aplikacji diagnostycznej. W artykule przedstawiono porównanie systemów detekcji zwarć zwojowych silników PMSM z wykorzystaniem transferu współczynników głębokiej sieci konwolucyjnej. Dzięki zastosowaniu analizy sygnału prądu fazowego przez konwolucyjną sieć neuronową możliwe było zapewnienie wysokiej dokładności wykrywania uszkodzeń przy jednoczesnym krótkim czasie reakcji na występujące uszkodzenie. Zastosowana technika opierała się na wykorzystaniu macierzy współczynników wagowych wstępnie wytrenowanej struktury, której adaptacja została przeprowadzona dla różnych źródeł informacji diagnostycznych.

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:

- MM-TL_MO-TL_comparison_training_data- zestaw danych treningowych, walidacyjnych, testujących oraz odpowiadających im kanałów w formie macierzy 4-wymiarowej (4-wymiar odpowiada kolejnej próbce) dla silnika PMSM oraz silnika indukcyjnego. Dane podzielone na kategorie uczenia model-obiekt (MO) oraz obiekt-obiekt (OO).

-Exp_ver_MO_PMSM_faults - przebiegi czasowe sygnałów (prady fazowe), odpowiedzi sieci neuronowej podczas występowania chwilowych zwarć 3 zwojów fazy B dla silnika PMSM - uczenie transferowe model do obiektu (MO)

-Exp_ver_=OO_PMSM_faults - przebiegi czasowe sygnałów (prady fazowe), odpowiedzi sieci neuronowej podczas występowania chwilowych zwarć 3 zwojów fazy B dla silnika PMSM - uczenie transferowe obiekt do obiektu (OO)

- Model_to_Object_TL_structure - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) opracowanej dla uczenia transferowego zgodnie z ideą model do obiektu (MO).

- Object_to_Object_TL_structure - struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) opracowanej dla uczenia transferowego zgodnie z ideą obiekt (silnik indukcyjny) do obiektu (silnik PMSM).

- CNN(induction motor)_ source__structure - struktura źródłowa konwolucyjnejsoieci neurnowej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia) opracowanej dla silmnika indukcyjnego.

(2024-01-04)

Subject

Computer and Information Science; Engineering

Keyword

stator winding faults, convolutional neural networks, transfer learning, fault diagnostics, permanent magnet synchronous motor

Related Publication

Skowron M. Analysis of PMSM short-circuit detection systems using transfer learning of deep convolutional networks. Power Electronics and Drives. 2024;9 (44). https://www.ped.pwr.edu.pl/Analysis-of-PMSM-short-circuit-detection-systems-using-transfer-learning-of-deep,176582,0,2.html doi: 10.2478/pead-2024-0002

License

CC BY - Creative Commons Attribution 4.0

Find

1 to 6 of 6 Files

			Download
		CNN(induction motor)_ source__structure.json Unknown - 327.7 KB - Feb 15, 2024 - 2 Downloads MD5: 49bf1d11ab707b8baff15e81d76375b7 License: CC BY - Creative Commons Attribution 4.0	Download
		Exp_ver_MO_PMSM_short_circuits_1.json Unknown - 7.0 MB - Feb 15, 2024 - 1 Download MD5: 89f21dddf28f41f88013bcfa9c3be555 License: CC BY - Creative Commons Attribution 4.0	Download
		Exp_ver_OO_PMSM_short_circuits_1.json Unknown - 7.0 MB - Feb 15, 2024 - 1 Download MD5: dcf8a6ec5e71e3750688975c7b712a26 License: CC BY - Creative Commons Attribution 4.0	Download
		MM-TL_MO-TL_comparison_training_data.json Unknown - 82.4 MB - Feb 15, 2024 - 1 Download MD5: 7d68c1fd1240c68f45303063b08665f1 License: CC BY - Creative Commons Attribution 4.0	Download
		Model_to_Object_TL_structure.json Unknown - 114.5 KB - Feb 15, 2024 - 1 Download MD5: 98dba9fb36e6fdb550c770abf3512f96 License: CC BY - Creative Commons Attribution 4.0	Download
		Object_to_Object_TL_structure.json Unknown - 327.7 KB - Feb 15, 2024 - 1 Download MD5: aa548509365eaeb657249b0e8b13bac3 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)