مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 1 2025 7 26 Classification of Inter-Turn Short-Circuit Fault Severity in Permanent Magnet Synchronous Motors Using Decision Tree and Bayesian Neural Network دسته‌بندی شدت عیب اتصال کوتاه بین دور موتورهای سنکرون مغناطیس دائم با استفاده از درخت تصمیم‌گیری و شبکه عصبی بیزین 1 19 fa عباس درویشی دانشکده مهندسی برق دانشگاه آزاد اسلامی واحد اهواز سید محسن سید موسوی دانشگاه آزاد اسلامی واحد اهواز بهزاد مشیری دانشگاه تهران 2024 9 19 <p style="direction: ltr;">This paper investigates the identification of inter-turn short-circuit fault severity in a 3-kilowatt permanent magnet synchronous motor using a decision tree and a deep Bayesian neural network. The primary dataset includes three-phase current signals under both healthy and faulty conditions, covering six fault severity levels. A preprocessing stage is conducted to analyze the data in time and frequency domains using discrete wavelet transform and power spectral density analysis. To reduce the dimensionality of the feature space, statistical indicators such as mean, standard deviation, kurtosis, and skewness are initially extracted. Kernel principal component analysis is then employed to identify the most salient features. A decision tree algorithm is trained to detect motor fault conditions. Finally, a deep Bayesian neural network is applied to classify the severity of the inter-turn short-circuit fault. The proposed algorithm&rsquo;s performance is evaluated in terms of accuracy, precision, recall, and F1-score, considering varying numbers of selected dominant features.</p> <p>این مقاله به بررسی شناسایی شدت عیب اتصال کوتاه بین دور در یک موتور سنکرون مغناطیس دائم&nbsp; با توان ۳ کیلووات با استفاده از درخت تصمیم&zwnj;گیری و شبکه عصبی عمیق بیزین می&zwnj;پردازد. مجموعه داده اصلی شامل سیگنال&zwnj;های جریان سه&zwnj;فاز در شرایط سالم و دارای عیب بوده که شش سطح از شدت عیب را شامل می&zwnj;شود. یک مرحله پیش&zwnj;پردازش برای تحلیل داده&zwnj;ها در حوزه&zwnj;های زمان و فرکانس انجام می&zwnj;شود. در این فرآیند از تبدیل موجک گسسته&nbsp; و تحلیل چگالی طیفی توان استفاده شده است. برای کاهش ابعاد فضای آموزشی، ابتدا معیارهای آماری مانند میانگین، انحراف معیار، کشیدگی و چولگی به دست می&zwnj;آیند. سپس از تحلیل مولفه&zwnj;های اصلی کرنل برای تعیین برجسته&zwnj;ترین ویژگی&zwnj;ها استفاده می&zwnj;شود. الگوریتم درخت تصمیم&zwnj;گیری برای شناسایی وضعیت عیب موتور آموزش داده می&zwnj;شود. در نهایت،یک شبکه عصبی عمیق مبتنی بر تئوری بیزین برای تشخیص شدت عیب اتصال کوتاه بین دور به کار گرفته می&zwnj;شود. عملکرد الگوریتم پیشنهادی از نظر دقت، صحت، بازخوانی و امتیاز 1F با در نظر گرفتن تعداد متفاوتی از ویژگی&zwnj;های غالب منتخب ارزیابی می&zwnj;شود.</p> http://ijece.org/ar/Article/Download/48038