Research on fault diagnostics of permanent magnet synchronous motors based on deep neural networks and transfer learning.

Dane przedstawione w zbiorze opisują badania mające na celu wykazanie możliwości wykrywania usterek PMSM (częściowe rozmagnesowanie i uszkodzenie uzwojenia stojana) w stanach ustalonych i przejściowych. Konwolucyjna sieć neuronowa została wytrenowana przy użyciu sygnałów prądów fazowych pochodzących z modelu polowego PMSM. Weryfikacja eksperymentalna została przeprowadzona na obiekcie rzeczywistym podczas zmian warunków pracy napędu. Wyniki badań eksperymentalnych przeprowadzonych na silniku o specjalnie przygotowanej konstrukcji pokazują imponujące możliwości opracowanego systemu diagnostycznego opartego na CNN, uzyskanego przy użyciu metody uczenia transferowego.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 odpwowiedzi struktur (Exp_ver_...json) moga być odczytane również z wykorzystaniem pakietu Microsoft Excel.Opis plików:- CNN_data - zestaw danych treningowych, walidacyjnych, testujących oraz odpowiadających im kanałów w formie macierzy 4-wymiarowej (4-wymiar odpowiada kolejnej próbce).-Exp_ver_short_circuit_ - przebiegi czasowe sygnałów (prady fazowe), odpowiedzi sieci neuronowej podczas występowania chwilowych zwarć 3 zwojów fazy B.-Exp_ver_demag_1 - przebiegi czasowe sygnałów (prady fazowe), odpowiedzi sieci neuronowej podczas demagnetyzacji dla zmiennych warunków obciążenia.-Exp_ver_demag_2 - przebiegi czasowe sygnałów (prady fazowe), odpowiedzi sieci neuronowej podczas demagnetyzacji dla zmian prędkości obrotowej.- Transfer_Learning_CNN_Structure- struktura sieci konwolucyjnej, zapis warstw sieci wraz ze współczynnikami wagowymi (po procesie uczenia).