ترجمه فارسی مقاله تشخیص وضعیت ماشین مبتنی بر یادگیری عمیق با استفاده از انواع تحول کوتاه مدت فوریه

چکیده

In motor condition diagnosis, electrical current signature serves as an alternative feature to vibration-based sensor data, which is a more expensive and invasive method. Machine learning (ML) techniques have been emerging in diagnosing motor conditions using only motor phase current signals. This study converts time-series motor current signals to time-frequency 2D plots using Short-time Fourier Transform (STFT) methods. The motor current signal dataset consists of 3,750 sample points with five classes – one healthy and four synthetically-applied motor fault conditions, and with five loading conditions: 0, 25, 50, 75, and 100%. Five transformation methods are used on the dataset: non-overlap and overlap STFTs, non-overlap and overlap realigned STFTs, and synchrosqueezed STFT. Then, deep learning (DL) models based on the previous Convolutional Neural Network (CNN) architecture are trained and validated from generated plots of each method. The DL models of overlap-STFT, overlap R-STFT, non-overlap STFT, non-overlap R-STFT, and synchrosqueezed-STFT performed exceptionally with an average accuracy of 97.65, 96.03, 96.08, 96.32, and 88.27%, respectively. Four methods outperformed the previous best ML method with 93.20% accuracy, while all five outperformed previous 2D-plot-based methods with accuracy of 80.25, 74.80, and 82.80%, respectively, using the same dataset, same DL architecture, and validation steps.

چکیده به فارسی (ترجمه ماشینی)

در تشخیص وضعیت حرکتی ، امضای جریان الکتریکی به عنوان یک ویژگی جایگزین برای داده های سنسور مبتنی بر لرزش ، که یک روش گرانتر و تهاجمی تر است ، عمل می کند.تکنیک های یادگیری ماشین (ML) در تشخیص شرایط حرکتی با استفاده از تنها سیگنال های جریان فاز موتور در حال ظهور است.این مطالعه سیگنال های فعلی موتور سری را به توطئه های 2D با فرکانس زمان با استفاده از روش های کوتاه مدت Fourier Transform (STFT) تبدیل می کند.مجموعه داده سیگنال فعلی موتور از 3،750 نقطه نمونه با پنج کلاس تشکیل شده است – یک شرایط گسل حرکتی سالم و چهار به صورت مصنوعی و با پنج شرایط بارگذاری: 0 ، 25 ، 50 ، 75 و 100 ٪.پنج روش تحول در مجموعه داده ها استفاده می شود: STFT های غیر Overlap و همپوشانی ، STFT های مجرد و همپوشانی با هم همپوشانی و STFT همگام سازی.سپس ، مدل های یادگیری عمیق (DL) مبتنی بر معماری قبلی شبکه عصبی Convolutional (CNN) از توطئه های تولید شده از هر روش آموزش داده و تأیید می شوند.مدلهای DL از همپوشانی STFT ، همپوشانی R-STFT ، STFT غیر OVERLAP ، غیر OVERLAP R-STFT و SYNCHROSQUEEZED-STFT به ترتیب با دقت متوسط ​​97.65 ، 96.03 ، 96.08 ، 96.32 و 88.27 ٪ به ترتیب انجام دادند.چهار روش با دقت 93.20 ٪ از روش قبلی ML بهتر عمل می کند ، در حالی که هر پنج روش قبلی مبتنی بر 2D-Plot با دقت 80.25 ، 74.80 و 82.80 ٪ به ترتیب با استفاده از همان مجموعه داده ها ، همان معماری DL و مراحل اعتبار سنجی.