No/VOL: 02/2025 Page no. 248
Authors: Abdelghani Chahmi , Said Benkaihoul , Toufik Naas , Ozupak Yildrim :
Title: Wykrywanie zwarć międzyzwojowych w silniku indukcyjnym przy użyciu XGBoost, KNN i Random Forest
Abstract: W tym przedsięwzięciu badawczym skupiono się na badaniu konkretnego wystąpienia usterki w silniku indukcyjnym, a mianowicie zwarcia międzyzwojowego (ITSC), celowo indukowanego w fazie A silnika. Zastosowany zbiór danych obejmował zarówno prawidłowe stany operacyjne, jak i przypadki dotknięte wyżej wymienionymi usterkami, przy czym parametry takie jak przepływy prądu i wyjściowy moment obrotowy były skrupulatnie rejestrowane i analizowane. Stosując metodologię opartą na uczeniu maszynowym, zastosowano zestaw algorytmów w celu rozpoznania i zidentyfikowania obecności usterki. Wśród szeregu wykorzystywanych algorytmów godnymi uwagi konkurentami byli Random Forest (RF), k-najbliżsi sąsiedzi (KNN) i Extreme Gradient Boosting (XGBoost), każdy skrupulatnie przeszkolony i przetestowany na zbiorze danych w celu oceny ich skuteczności w wykrywaniu usterek. Wyniki uzyskane w tym badaniu jednoznacznie wskazują na wyższość algorytmu Random Forest pod względem oceny dokładności, który może pochwalić się niezwykłym współczynnikiem dokładności wynoszącym 99,7%. Dla kontrastu, zarówno algorytmy KNN, jak i XGBoost wykazywały stosunkowo niższe wskaźniki dokładności, wynoszące odpowiednio 96,6% i 96,5%.
Key words: Wykrywanie błędów, uczenie maszynowe, dokładność, błąd ITSC.