.png){kind=icon}
返回
Deep Learning Based Fault Detection Method in DC Motor Start
.png){kind=icon}
PRE
AI
DOI：10.1109/TEC.2025.3560559.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
直流电机和铁路行业使用的螺线管启动器容易因直流电机电路中的大电流而受到侵蚀，这可能导致螺线管内部铜触点和圆盘发生熔化效应。这强调了配备准确可靠的故障检测机制以防止机车运行中断的重要性。传统的故障检测方法通常依赖视觉检查和/或对电流、速度和电压的信号分析。然而，如果螺线管结构导致圆盘在每次启动过程后旋转，信号分析技术可能不够准确。本文提出了一种基于深度学习的方法，以可靠地实现在直流电机螺线管启动器表面的故障检测。所提出的方法使用图像分割作为计算机视觉中的强大技术，可以通过识别和定位故障或缺陷来有效用于故障检测。结果表明，该方法能够可靠地自动化故障检测，在广泛的故障类型中实现了98%的平衡准确率，包括各种面积损坏程度的故障，甚至肉眼不可见的故障。
Keyword:
Convolutional neural network
DC motor
deep learning
fault detection
image segmentation
neural network
期刊
IF:
5.4
论文数:
6.8K
被引数:
1.5W
机构
引用论文
Analysis and Design of Novel Structured High Torque Density Magnetic-Geared Permanent Magnet Machine新型结构高转矩密度磁齿轮永磁电机的分析与设计.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏The relation of a brush life to the commutator width and brush width ratio of a universal motor
PREAI
分享收藏Effect of Faulty Solenoid Starter on the DC Series Motor Performance in Railway IndustryIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Depth-Wise Separable U-Net Architecture with Multiscale Filters to Detect Sinkholes一种具有多尺度滤波器的深度可分离U-Net架构，用于检测漏斗坑OAAI
OAAI分享收藏分享收藏
查看更多内容