Detection and classification of winding faults in windmill generators using wavelet transform and ANN

 
Το τεκμήριο παρέχεται από τον φορέα :

Αποθετήριο :
Ιδρυματικό Αποθετήριο Πολυτεχνείου Κρήτης
δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
κοινοποιήστε το τεκμήριο



Detection and classification of winding faults in windmill generators using wavelet transform and ANN (EN)

Ζερβακης Μιχαλης (EL)
Σταυρακακης Γεωργιος (EL)
Zervakis Michalis (EN)
Z. E. Gketsis (EN)
Stavrakakis Georgios (EN)

Πολυτεχνείο Κρήτης (EL)
Technical University of Crete (EN)

This paper introduces the Wavelet Transform (WT) and Artificial Neural Networks (ANN) analysis to the diagnostics of electrical machines winding faults. A novel application is presented, exploring the potential of automatically identifying short circuits of windings, which often appear during machine manufacturing and operation. The early detection and classification of winding failures is of particular importance, as these kinds of defects can lead to winding damage due to overheating, imbalance, etc. The ANN approach is proven effective in detecting and classifying faults based on WT features extracted from high frequency measurements of the admittance, current, or voltage responses. (EN)

conferenceItem
poster


IEEE-International Electric Machines and Drives Conference (EL)

Αγγλική γλώσσα

2007


Institute of Electrical and Electronics Engineers (EN)



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.