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

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.