Int ern at i onal  Journ al of  P ower E le ctr on i cs a n d  Drive  S ystem s   ( IJ PEDS )   Vo l.   1 2 ,  No.   2 ,  Jun   202 1 ,  pp.  120 5 ~ 121 5   IS S N:  20 88 - 8694 ,  DOI: 10 .11 591/ ij peds . v 1 2 .i 2 . pp 120 5 - 121 5        1205       Journ al h om e page :  http: // ij pe ds .i aescore.c om   Machin e le arning b ased multi  class  fault di agnosis  to ol for  vo lt age s ource in verter d rive n in ductio n motor       Jyothi R , Te jas H olla, Um a Rao  K, J ayapal R   Depa rtment  o f  E le c tri c al a nd  Ele ct roni cs  Engi n eering,   RV   Coll eg e  of Engin ee ring ,   Beng al uru ,   india       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Dec   1 9 , 20 20   Re vised  M a r   9 ,  20 21   Accepte d  Apr   23 , 20 21       AC  drive s  ar e   em p loye d  in  proc ess  industries  for  va rying   applications   result ing  in  a  wi de  ran g e  of  r ati ngs.  The  entire   proc ess  industry   has  see n   a  par adi g m  shif t   from   m anual   to   au tomate d   sys te ms.   The  m aj or   fa ct or   cont ributing  to  t his  is  the   adv an ce d  power  el e ctronics  technolog y  ena bl ing  po wer  e lectr oni c  dr ive s   for   sm ooth  cont rol   of   e lectr i c   mot ors .   Indu ction   mot ors  are  most   co mm only   used   in   industr ie s.   Fa ult s  in  the  powe r  e lectr oni c   ci rcu it s  m ay o ccur  per iod ic a ll y .   The se  f aul ts  of ten  go  unnoticed   a s  the y  r are ly   ca use  a  com pl ete  shutdown  and   the   f aul t   l eve ls   ma y  no t  b e  l arg e  enough   to   le ad   to   a b rea kd own  of th e driv e.  An  e arl y  d etec t i on  of th ese   f ault s  is  req uir ed   to  pre ven t  th ei r  esc alati on  int o  ma jor  f aul ts .   Th e  dia gnost ic   too l   for  detec t ion   of  fau lt s  r equi r es  re al  time   mon it o ring  of   th e  en tire   drive .   In   thi s   wor k,   d et a iled  inve stigation   of   diffe ren t  f aul ts   t hat   ca n   oc cur   in   the   pow er  el e ct r onic   ci r cui t   of  an   industr ia l   driv e  is  c arr i ed   out .   Ana lysis  a nd  im p act  of   f a ult s  on   th e  per forma n ce  of   the   induc t ion  m otor  is   pre sent e d.   A  r eal  ti m e  mon it oring   pla tfor m  is  prop osed  to  detec t  an d  cl assify  th e  fa ult   a cc ura tely  using  machine  le arn ing.  A  d iagnos ti c   tool  al so  is   dev el oped   to  d ispla y   th e  s eve ri ty  an d   loc a ti on  of   th e  f a ult   to   th e  op era to r  to ta k e  co rre c tive  m ea sures.   Ke yw or d s :   Diag nosti c too l   F ault cl assifi ca ti on   Ind uction m otor   M ac hin e lea rn i ng   M ulti cl ass S V M   Re li abili ty cen te red   Vo lt age  s ource  inv e rter   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Jy ot hi R   Dep a rtme nt of  Ele ct rical  an d  Ele ct ro nics  E nginee rin g   RV Colle ge  of  En gin eeri ng   RV V i dyani kethan   P os t,  Mys uru  R oad, Be ngal uru - 56 0059,  Ind ia   Emai l:  jyo thi r @rvce.e du.in       1.   INTROD U CTION     Ind uction  mo t or s  a re  r ugge d  in  co ns tr uctio n  an d  a re  us e d  in  dr i ving  la the  mac hin es ,  cru s he rs ,  oil  extracti ng  mil ls,  te xtil e  indu strie s,  et c.  F or  the  sm ooth  c on t ro l  of   t he  i nductio n  m otors,  powe r  el ec tro nic   conve rters  a re  employe d.  I n  proces s  in dustri es  an d  man ufa ct ur in g  s ect ors,   the  monit ori ng  of  po wer  el ect ronic  sy ste ms  is   ess entia l  as  it   aff e ct s  the  s ys te m' s  pe rformance   and  ef fici enc y.  The  fa ults  in  t he  s ys te m  a re  to  be   identifie d  on  oc currence   t o  a vo i d  c omplet e  br ea kdow n  of  the  pro du ct io n  pro cess.   M os t   of  t he   orga niz at ion s   now  a  da ys   fo l low  pr e ven ti ve   mainte na nce  by   sc he du li ng  per i od ic al   mai nte na nce  be f ore  fail ur e  occur s  and   causes   da mage   to   the   entire   s ys te m   un der  c on si der at io n.  I f  t he  pr e ve ntiv e  mainte na nce  is  sche dule d  e arly,  it   migh t  le ad  t o  wastage  of   us e fu l  li fe  of  mac hin e.   A n  al te rnat ive  appr oach  is  reli abili ty  centere d  mainte nan ce .   r el ia bili ty  c ent ered   m ai nte na nce  is  c ho se n  t o  op ti mize   the   mainte na nce  pro gr am   by  m on it ori ng  th e   e ssentia l   par a mete rs a nd   rec ognizin g t he   fa ults  that  af f ect s  the  f unct io n  of  an   AC  dri ve s ys te m.   D ue   to  heavy  dow nt ime  costs  of  dev ic e s  in  m od e r n  po wer   i ndus trie s,   there  is  a  need   for  real  ti me  m on it ori ng  s ys te m  to  detect   incipie nt   fau lt s  befor e  th ey  escal at e a nd casue  a  br ea kdown.   M uc h  of  t he  re search   pr ese nt ed  i n  the   li te ratur e   is  fo c us e d  on  the   det ect io n  of  fa ults  in   t he  i nductio n  mo to r  s uc h  as  r otor  ba r  fau lt ,  e ccentric it y  fa ul t.   Conve ntio na l  appro ac hes   li ke  m otor  c urre nt  sig natu re  a na lysis   Evaluation Warning : The document was created with Spire.PDF for Python.
                   IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  Dr i   S ys t ,   V ol .  12 , N o.   2 ,  J une   202 1   :   120 5   –   121 5   1206   (M CS A )  te ch ni qu es  wer e  e m ployed  i n  earli er  da ys   f or   fa ul t  diagnosis  in  t hr ee  phase  i nductio n  m otors .  Fault   fe at ur e  was  e xtracted  th rou gh   fast  fou rier  tra nsfo rm  (F FT )  f r om   sam ple d  sta tor  cu rrents  to  t rain  the  m odel   us in g  mu lt il ayer   perce ptr on,  s uppo rt  vecto r  mac hi ne  (SV M )  [ 1 ] ,  [ 7] ,   [ 8 ].   Rul e  base d  ap pro ach  li ke  fu zz y  log ic   te chn iq ue  was  employe d  f or  f ault  detect io n  in  the  I nductio n  mo t or s  [ 2 ] - [6 ] .   Discrete  wav e le t  transform  ( DWT )   [8],   [ 9]   an d  pri ncipal  c omp onent  a nalysis  (PC A)   we re  util iz ed  t o  ide ntif y  t he  disco ntin uity  i n  the   feat ur e   cause d  by  the   fa ults.  R el evan ce   vect or  mac hin e   ( R V M )   wit h  op ti mi zat ion   te c hn i ques   li ke  e voluti onar y  pa rtic le   s w ar m   op ti miza ti on,  c ucko o  sea rch  opti miza ti on   wa s  em ployed   to  impro ve  the   fa ult  detect io n  as   the  DWT  in volves   huge  data  an d  com pu ta ti onal   ti me   [ 7],  [ 13 ].   Cl ark e  tra ns f ormed  tw o  dime ns io nal  featu re s  al ong  with  s urface  error   wer e   us e d  to  detect   the  f ault.  A ver a ge  c urren t  of   t he  th ree  sta tor  c urre nts  al so   was  use d  to  detect   the   fau lt s   in the system  [11 ] - [ 15].   Detai le d  diag nosti c  to ol  for  e xh a us ti ve   fa ults  in   the  powe r  el ect ro nics   dri ve  of  a n  in duct ion  m oto r   is   no t  f ound  in   t he  li te ratu re.  I n  this   w ork ,  th e  va rio us   fa ults  that  a re  li kel y  to   occur  i n  t he  powe r  el ect ronics  ci rcu it s  hav e   be en  in vestigat e d  to   detect   an d  cl assify   the   fa ults  accu ratel y  and  ide ntify  th e  co rr ect   l ocati on  o f   the  fa ults.  The  numb e r  of   featur es  has  bee n  opti miz ed  to  im pro ve  the  e ff ic ie ncy   of  the  diagnostic   to ol  an d  al s o   enab le   it s  a da ptati on  f or  a   real  ti me  mon it or in g.  Tw o  machine   le ar ni ng  al gorith ms   na mely   m ulti la yer   per ce ptr on   ne ural   netw ork  a nd  s upport  vect or   machi ne  ha ve  bee n  fou nd   to  giv e  a ccu rate  resu lt s.  100  per ce nt   accurac y  has  be en  ac hieve d  f or   detect ion,  cl assifi cat ion   a nd  locat io n  of   t he   fau lt .  Simi la r  app li ct ai ons  di scusse d  in  li te ratur e  use   la bv ie w  a nd  intric at e  hardware  set   up.  T he   novelty  of  this   pr ese nt  w ork  is  the  us e  of   I oT   an d   minimal   sen sor s  f or  re mo te   m on it ori ng  of   t he   dev ic es .  Als o,  a  us e r - fr ie nd l y  G U I  has  bee n  de velo pe d  to  disp la y  the  res ults  as  a n  ope rati ng  to ol.  Re li abili ty  centere d  mai ntenan ce   w ould  go   l ong  wa y  w it h  su c h  a  diag no sti c   too l  reducin g  l os s  of pr oduction t ime.   The  pap e r  is  div ide d  int o  8  Se ct ion s.  Sect ion  1  f oc us es  on  the  di ff e ren t  ma intenanc e  strat egy   an d  the   conve ntion al   methods   a vaila ble  for   fa ult  diagnosis.   In  Sec ti on   2,  t he  st ruct ur e   of   the   dri ve  a nd   va rio us  fa ults   are  pr e sente d.  Fault  detect ion  an d  cl assifi cat ion  meth odol ogy  us ed   is   pres ented   in   sect io n  3.  Sect io n  4  pr ese nts   the  sim ulati on  model  a nd  t he  featur e   ac quisi ti on .   Ha r dw a re   set   up  a nd   it s  sp eci ficat io ns   are  mentio ne d  in  th e   Sect ion  5.  Re s ults  a nd  discussi on  ar e  pr e sen te d  i n  Sect ion  6.  Dia gnos ti c  t oo l   wit h  case   s tu dies   is  pr e se nted   in   Sect ion   7  a nd c on cl us io n  is  pr esented  in Sec ti on   8.       2.   FAU LT S  I N AN A C D RIVE SYSTE M   Figure  1  re pres ents  the  st ru ct ure  of  vo lt a ge  s ource  in ve rter  dr i ven   i nductio n  m otor.  It  co nsi sts  of   t he   three  p hase  A C  supp l y ,  co nt ro ll ed   or  unco ntr olle d  recti fier,  DC  li nk  a nd  a n  i nv e rter  c apab le   of  gen e rati ng   var ia ble  volt age  an d  var ia bl e  fr eq ue ncy   with  P WM   pulse s. diff e re nt  typ es  of   P W M   te ch niques   and   t he   modu la ti on  i ndex   will   ha ve  impact   on  in ve rter  li ne   ou t pu t   volt ages   an d  sta tor  c urre nts  [18],  [19 ].   The   three   ph a se  s uppl y  i s  co nnect ed   to   a  diode   bri dg e  recti fier   to   pro duce  DC  volt age  at   t he  fro nt  e nd  .   T he  re ct ifie d  vo lt age   is  fe d  t hro ugh  DC  li nk  to  t he  po wer  inv e rter  ci rc uit  consi sti ng  o f   s ensiti ve  po wer  elec tron ic   s witc hing   dev ic es   su c h  a s  I GBTs  or  MOSFE Ts  wh ic h  a re  dr iv en   by  gate  dri ve   ci rcu it s  to   pr ov i de  var ia ble  vol ta ge  an d  fr e qu e nc y  to  t he  dy namic  lo ads  f or   sp ee d  c on t ro l.  T he  power   el ect r on ic   ci rcu it ry   em plo ye d  in  AC  dr i ves  are   li able  to  numer ou s  t yp e s  of  el ect rical   fau l ts  su ch  as  fau lt s  in   the  recti fier,  in ver te r  ,  fa ults   at   the  mo to r  te r minal s   and fa ults in t he  mech a nical  l oad as  detai le d.           Figure  1 .   Str uc ture of   volt age   so urce i nv e rter  drive n  in duct ion m otor       2.1.   Fau lt s in  rec tifier   Bridg e   recti fier s  are   us ed   in   m os t  of  the   in dus tria l  dr i ves.  Fa ults  in   a n  unco ntr olled  br i dge   r ect ifie r  ca n  be  cat eg or iz e d  as  op e n  diode  fau lt   an d  di ode   sh ort   ci rcu it   f ault.  I n  case  o f  op e n  diode  fa ult  the  mag nitud e  of  the  DC  outp ut  vo lt age  of  the  recti fie r  re duce s  thu s  a ff ect in g   pe rforma nce   of   the  i nv e rter   ci rcu it .  I f  di odes  of  the  sa me  le g  a re  s horte d,   t he  current   th rou gh  t he  ci rcu it   s hoots   up   s wiftly   an d  pote ntial   diff e re nce  ac ross  the   diodes  reduces  to   zer o.   D ue  t o  s hort circ uit of   DC Li nk ca pacit or s  at   the  recti fier fr on t e nd, f a ults ca n o ccur  i n  the drive  syst em [2 0] .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N:  20 88 - 8 694       Mac hin e le ar ni ng base d m ulti  class fault  d i agno sis  to ol for  v oltag e  s ou rce  inverte r  …   ( Jyo thi R )   1207   2.2.   Fau lt s  in in ve rter   I n  ge ne r a l ,   v a r i a bl e   vo l t a ge   va r i a bl e   f r e qu e nc y  i nv e r t e r s   a r e   pr e f e r r e d  ov e r   c ur r e nt   s ou r c e   i nv e r t e r s ,   f o r   dr i ve s .   I n ve r t e r s   a r e   a l s o  s us c e pt i bl e   t o   op e n  c i r c ui t   a nd   s h or t   c i r c ui t   I G B T   f a ul t s .  P r ot e c t i on   s c he m e s   w i l l   be  e m pl oy e d   f or   s ho r t   c i r c ui t   f a u l t s .   I n  c a s e   of   o pe n  I G B T   f a ul t ,   t he   m ot o r   w i l l   s t i ll   be   i n  r u nn i ng   c o nd i t i on   b ut   a t   r e du c e d  s pe e d   [20 ] - [ 22] .   T h e   ha r m o ni c s   c om p on e nt   i n  th e   s t a t or   c ur r e nt   of   c or r e s po nd i n g  ph a s e   i n c r e a s e s  r e s ul t i ng   i n  a   l ow e r   e f f i c i e nc y  du e   t o   P Q   di s t ur ba nc e .   S h o r t   c i r c ui t   f a ul t   of   I G B T   r e s ul t s   i n  l a r ge   a m o un t   o f   c ur r e nt   f l o w   t h r ou gh   t he   i nv e r t e r   c i r c ui t .     2.3.   Fau lt s  at   mo t or termi na l   The  th ree - phas e  var ia ble  fr e quenc y,   var ia bl e  ou t pu t  volt a ge  f rom  the  V SI   is  fe d  to  th e  three - phase  mo to r  in put  te rmin al .   Faults  li ke  SLG   fau lt ,  L - L   fau lt ,  li ne s  op e n  fau lt   at   the   AC  po wer   li ne  c ou l d  cause   dis tur ba nces  at   the  m otor  te r minal .  I n  case   of   s hort  ci rc uit  of   t he  li nes,  th e  inducti on  m ot or   will   stop   runn i ng  and  ve r y  high  current  flo w s   t hro ugh t he s hort - ci rc uited  te r minals  a nd  the  rev e rse c urre nt  causes   da ma ge   to  t he   diodes a nd IG BTs.    Faults  ca n  al s o  occ ur  in   the   in du ct io n  m oto r   du e   to   da mage   i n  sta to r  winding s ,  bea rin gs ,   s qu i rr el   ca ge   ro t or  brok e n  ba rs,  ins ulati on  fail ur e   [ 21 ] - [ 23] .   The   inci pie nt  fau lt s   do   no t   ca us e   the   m ot or  to   st op  unli ke   s hort   ci rcu it   fa ults.  The  in duct io n  mo to rs  operate   eve n  on   t he  oc currence   of  in ci pient  fa ults .   T he  reli abili ty  of   t he   entire  syst em  te nd   t o  re duce  and   dama ge  t he   machin es  ov er  the  lo ng  r un .  He nce ,   the y  a re  da nger ous  a s  they   may be  undete ct ed  f or a lo ng  ti me, sile ntly c ausin g dama ge  to  the  m otor .    Fault  diag nosis  plays   a   cr uc ia l  ro le   in   in du st rial   proces ses  wh ic h  in volves   fa ult  de te ct ion   a nd   cl assifi cat ion  (FDC)  b ase d  on   locat io n  an d  it s  se ver it y. The   o pe rato r  al so  ne eds   to   be   in f orme d  a bout   the   fa ult  thr ough  an  inte rf ace  to  ta ke  pr ecauti onar y  m easur e s  or  to  ta ke  imme diate   act ion   to  a vo i d  the  co ns e qu e nc es   of   fail ur e a nd   da mage  to t he  m achine. T he  e nt ire p r ocess  is t erme d  as  reli ab il it y  centered mai ntena nce .   Amongst  numer ous  ap pr oach e s  f ollo we d  f or   t he  reli a bili ty  centere d  mainte na nce ,  machine   le arn i ng   a ppears   to  be  an   encou rag i ng  to ol.    In   t he  propose d  wor k,   tw o  mac hin e  le ar ning  al gorithms   na me ly  m ulti - la yer   pe rcep tr on - ne ural   netw ork  (MLP - N N)   a nd  s upport  vector   machi ne  ( S VM)  a re  em pl oy e d   [22 ] .  Data  acq uisit ion   i s  pe rformed  t hro ugh  m ulti ple  sens ors  to  m onit or   t he  co ndit ion   of  the  p ower  el ect ronic  sy ste m.  O ft en  t he  da ta   colle ct ed  thr ough   phys ic al   se nso rs  may   no t   yiel d  good   featu re   extracti on.   I n  s uch  cases ,  a ddit ion al   featur e s  are  ge ner at ed   us in g  the meas ur e d d at a to obtai n t he  h id de n feat ur es. T his  data is t erme d  as  synt hesized  d at a.   In   t he  propose d  w ork ,  AC  dri ve  is  sim ulate d  us in g  MATL AB / Simuli nk.  Var i ou s   ty pes  of   open   ci r cui t   fau lt s  s uc h  as  diode  op e n  fa ul t  in  the  recti fier,  open   I GBT   fa ult  in  the   in ver te r   are   creat ed  a nd  co rr e spondin g  el ect rical   par a mete rs  li ke   sta tor  c urre nts,  i nverter   li ne  outpu t  volt ages  a nd  their   TH Ds   an d  the   mec ha nical   par a mete rs   li ke   s peed  a nd  t orq ue   of   the   m otor   are   obta ined   t o  de te rmine   t he   eff ect   of   the   el e ct rical   fa ults.  F ault's   detect ion,  cl ass ific at ion   a n d  point  of   occ urre nce  of   fa ult  are   identifie d  usi ng  mac hin e   le ar ning  a nd  dia gnos ti c  too l   is  de velo pe d  us in g  pyth on  to   dis play   th e  inf ormat io n  about  t he  se ve rity  of  fa ult  to   the  operato r  t o  ta ke   correct ive  mea su res .       3.   FAU LT   DET ECTION  AN D CLAS SIFI CA TI ON S YST EM   The  blo c k  diag ram  of   fa ult  d et ect ion   a nd   cl as sific at ion   ( FDC )  sy ste m  is  as  sh ow n  in  Fig ure  2.   M ac hine   le arn in g  base d  FD C  s ys te m  in vo l ves  the  ste ps .   The  data  c ollec ti on   f rom  the   sy ste m,  f eat ur e  eng i neer i ng   wh ic h  involves  t he i de ntific at ion   of   par a mete rs  that   are  ef fici ent  in   the  detec ti on  of  fa ults,  data  tr ai nin g  an d c hoos in g  a  su it able  m odel ,  trai ning  an d  evaluati ng  the  model  an d  pa ra mete r  tu ning  f or  eff ic ie nt  pr e di ct ion   an d  dia gnos is   of   fa ults  in  the   sy ste m .  T he  r aw  data  colle c te d  f rom  the  s ys te m  is  no t  oft en  s uitable   to   trai n  the  m o de l  and   evaluate  t he  pa rameters   f or  cl assifi cat ion  of  fau lt s.   He nce ,   featur e   e ng i ne erin g  plays   a   s ign ific a nt  r ole  in  the   f ault  detect io n  and  cl assifi cat ion.   F or   a   real  ti me,  m onit or i ng  too l,  t he  feat ures  ha ve  to  be  opti mize d  to   im pro ve   com pu ta ti onal   powe r,   mem ory  us a ge   an d  re su lt   in   s horter   trai ning  ti me   with  minimal   chan ce   of  ov e r fitt ing .   Cl assifi cat ion   of f a ults f rom t he  sel ect ed  f ea tures  is  kn own as su pe rv ise d  l earn i ng appr oa ch.     The   di ff e ren t   machine   le a rn i ng  al go rithms   app li cable   f or  cl assifi cat ion   of  t he  fa ults  in   t he  sy ste m  a re   li near  classi fier s li ke  l ogist ic   r egr es sio n,   deci sion  t ree,  s upport  v ect or  m ac hin e a nd  neura l  n et w ork.   Mul ti cl ass   s upport   v ect or  m achine   al gorithm  has   been  extensi ve ly   use d  f or  cl assifi c at ion   a nd  outl ie r  detect ion  in   ma ny   app li cat io ns .  M ulti la yer  perce ptr on  ne ural   netw ork  ( M LP - N N)  al gorith m  co ns ist s  of  s et   of  softwa re  neur on s   arr a ng e d  i n  la ye rs  with  an   or ga nized  c onnect ion   for  c ommu nicat ion .   M LP - NN   us es   gra dient  desce nt  al go rithm   for  le a rn i ng  t hro ugh  loss   f un ct io n.   In  th e  c urre nt  rese arch  work,  MLP - NN  a nd  S VM  a re  prefe rr e d  f or   qu a ntit at ive m ulti  class el ect rical  f ault detec ti on  a nd classi f ic at ion .     Evaluation Warning : The document was created with Spire.PDF for Python.
                   IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  Dr i   S ys t ,   V ol .  12 , N o.   2 ,  J une   202 1   :   120 5   –   121 5   1208       Figure  2 .   Fa ult  detect io n  a nd  cl assifi cat ion  s ys te m       4.   SIMULATI O N MO DEL   Fau lt  detect io n  and   cl assi ficat ion   sy ste m  de ve lop e d  f or   volt age  s ource  in vert er  dr i ven  in duct ion   m otor   (V S I - I M )   are   di scusse d  in  this  secti on. T he  si mu la ti on is  car ried  out i n M A TLAB / S im ulin k plat f or m , t he  d at a  extracte d  is  tra ined  a nd  te ste d  in  google   c o la b   e nv i ronme nt  for  bo t h  th e  m achine  le a rn i ng  al go rithms   na mel y  M LP - N N  a nd   SVM.  T w o  dif fer e nt  ind ic at ors  are  disc us se d  for  fa ult  detect ion   a nd  cl assifi cat ion   in  the  V SI - IM  sy ste m. one  us i ng  insta ntane ous  valu es  of  th e  pa rameter s  a nd  a no t her  us ing  R M S   Val ue s.   T he   S i m ulin k  model   us e d  f or e xtrac ti ng  the  d at a  fr om   volt age s ou rce  dr ive n  i nduc ti on   m otor is   as sho wn in Fi gure  3.           Figure  3 .  Sim ul ink  m odel   of   VS I  drive n I nduction m otor       The   se ver it y  of  ope n  ci rc uit  in ci pient  fau lt s   is   a   majo r   co nc ern,  Var i ous  open   ci rc uit  fau l ts  are   diod e   op e n  ci rcu it ,   I GBT  open   ci rc uit,  cr os s   di od e  an d  c r os s  IGB T  ope n  ci rc ui t  fau lt s.  These   are  di vid e d  in to  24   cl asses .   Feat ur es  are  us e d  to  di sti ng uis h  bet w een  the  var io us  fau lt s.  Feat ur e s  su c h  as ,  i)  rec ti fier  o ut pu t  volt age  (Vdc) ,  ii )  i nver te r  li ne  outp ut  vo lt age s   ( Vab,   Vb c ,  Vca ) ,  ii i )  i nduction  mo t or   sta to r  cu rre nts  (I a ,  I b ,  I c ) ,   iv)  th e  inv e rter  li ne  outp ut  volt ages   an d  sta tor   cu rr e nts  T HD s ,  and  v)  s peed   are  use d  f or   f ault  detect ion  an d  cl assifi cat ion   usi ng   machi ne l earn i ng   al gorithms   [ 15 ] ,   [ 16] .   The  data  is  obta ined f r om   t he   simulat io n m odel   as  sh ow n  i n  Fig ure  3   buil t  us in g  MATL AB  2019a   Sim ulink  platf orm  by  c reati ng  va rio us  ty pes  of  f ault s  at   a   samplin g  f requ ency  of  1e - 5  s econds .   T he   na ture   of  t he   data   trie d  f or  acc ur at e  detect io n  a nd  cl assifi cat io n  a re  of tw o  ty pes .  T he data  is  pr e processe d by no r mali sat ion  tech nique.   a.   In sta ntane ous  v al ues   The  i ns ta nta ne ou s   values   of  inv e rter  outp ut  li ne  vo lt a ges  and  in duct ion  mo to r  sta tor   c urren ts   an d  th e   recti fied  outp ut  volt age  a nd  T HD s   are   ta ke n  for  a   wi ndow  of  1  sec ond  wit h  the  fa ults  pe rsi ste nt  th rou ghout  the  wind ow.  T he  li mit at ion  of  insta n ta ne ous  values   for  feat ur e   e xtracti on  i s  the   vo l um i nous  siz e  of  t he  da ta .   This  w ou l d  be   a  majo r   disa dvantage   f or  real  ti me  ap plica ti on .   He nce   in vest igati on  wa s  ca r ried   out  t o  redu ce  the  numb e r   of  featur e s  with out  sac rifici ng  t he  cl assi ficat ion   acc uracy .  It   was  obser ve d  t hat  th ree   featu re s   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N:  20 88 - 8 694       Mac hin e le ar ni ng base d m ulti  class fault  d i agno sis  to ol for  v oltag e  s ou rce  inverte r  …   ( Jyo thi R )   1209   namely   t he  t hree  sta to r  c urre nts  a re   suffici e nt  for   detect io n  a nd   cl assifi cat ion .   Ot her  fe at ur es   are   fou nd  t o  be red unda nt.   b.   RMS  v al ue s   In   t his  ap proac h,   R M S  values   of   t he  sta to r  cu rr e nt  phas or s  w ere  us e d  i ns te a d  of  in sta nt ane ou s   val ues.   He nce   the total   numbe r   of   featu res were  six, as ea ch ph a sor is  re pr ese nted  by m agn it ude a nd it s angle.       5.   HARD WA RE   The  ha rdwar e   set   up  of  VS I   dr i ven  in du ct i on  m otor  is   as   sho wn  in   Fig ur e   4.  T w o  s w it ches  we re   employe d  to  cr eat e  cro ss   di ode  open  ci rcu it   f aults  an d  the  ga ti ng   pu lse s  w ere  re move d  to   the  I GBTs  t o  create   op e n  ci rc uit  I GBT  fa ults.   T he  s pecifica ti ons  of   t he  hard war e  set   up  f or  ext racti on  of   curre nt  featu r es  is  as  mentio ned  in  t he  ta ble  1 .  Th e  sta tor  c urre nt   RMS  data  w as  extra ct e d  f r om   t he  V SI  dr iven  s ys te m   th rou gh  ub i do ts  IoT   pla tform . It   was o bs er ve d  to  b e  in vali datio n wit h  the  simulat ion data.         Table  1 .   Sp eci f ic at ion s  of  t he VS I  drive n  i nduction m otor   Co m p o n en ts   Details   Dio d es   6  Nos .  1 2 0 0 V,  3 0 A ( for  three  ph ase  Dio d e Brid g e r ecti fier ) - RHR G3 0 1 2 0   DC Link  Cap acito r   100uF   IGBT   6  Nos .  1 2 0 0 V,  5 0 A   (f o r  Voltag e So u rce  Inv erte r) - KG T25 N1 2 0 KDA   Micr o co n troller   Ardu in o  Uno   sen so rs   3  Nos .  Hall  effect  Cu rr en t sen so rs  - A CS7 1 6 w,  Tem p e ra tu re  sen so r - DT H1 1   Wi - Fi  m o d u le   ESP82 6 6   No d em cu   IoT Plat form   Ub id o ts           Figure  4 .   V oltage S ource  in ve rter  dr i ven in duct ion m otor  ha rdwar e  set  up        6.   RESU LT S  AND DI SCUS S ION   The vari ous  dimens i on s  of t he  algorit hms f or the   fa ult dete ct ion   a nd c la ss ific at ion   a re :   a.   Ty pe of  machi ne  le ar ning   Tw o  ty pes   are  us e d  namely   m ulti   la yer   pe rce ptr on – neural  ne twork   ( M LP - NN)  a nd  s uppo rt  vect or  mac hin e   (S V M).   b.   Ty pe of   data   Tw o  ty pes o f d at a n amel y  inst antane ous a nd  RMS val ue s  w ere em ploye d  t o  trai n  the  m odel .   c.   Numbe r of  feat ur es   14  feat ur es   na mely  recti fied   vo lt age ,  i nv e rt er  li ne   outp ut  vo lt age s,  sta tor   cu rr e nts  a nd  t heir  c orres pondin g  THDs,  s peed   i nst antane ou s  dat a  wer e  us e d  init ia ll y.   It  was  ob serv e d  th rou gh   inv est igati on  th at   sta tor  curre nt   ph a sors  a re  s uffici ent  to  detec t  and   cl assi fy  the  fa ults .  Henc e  six  par a mete r s  namel y i nd uc ti on   m otor  sta t or   currents  phas ors w e re c hosen  to  trai n  the  m odel  f or R M S  dat a.   The  data  was  s plit   in  the  70 - 30  rati o.  M L P - N N  wa s  trai ne d  with  pa ramete r .   M L P   a cc ur ac y  is  ta bula te d  as  me ntion e d  in  T a ble  2   for   an   opti mum  hy pe r  par a mete r  tu ning  of  hi dd e n  la yer s ,  l earn i ng  rat e,   s olv e r,   act ivati on   func ti on   for  14  a nd  3  featu res   res pecti vely   f or  instanta neous   da ta .   SVM   accu racy  is  al so  ta bula t e d  in  T a ble   2   for   an   opti mal  hype r  pa rameter   tu ning   of  ke rn el ,   C  a nd   ga mma   with   14   an d  3  f eat ur es   re sp ect ively   for  i n sta nta neous  d at a.  F or R M S   data  with  s ta tor  c urre nt  phas or s   wer e  sel ect ed  as   6 feat ur es   wh e re  eac h st at or  current   co ns ist s  of  mag nitu de   an d  phase   a ng le   [ 13 ] ,  [ 14] .  T he  acc uracy   was   f ound   to   be  100%   with  hype r  par a mete r  t un i ng a s  mentio ne d  in   Ta ble 2.   To   eval uate  t he   r obus t ness   of  the   m odel   a nd   to   c onve y  t he   balance   betwe en  t he   preci sio n  a nd   recall ,  F1   sc or e  was  c al culat ed.   T he  F1   sc or e  of  0.9 58   a nd  0.9 44  w as  obta ined  f or   25   cl asse s,  14   f eat ur es  a nd  3   f eat ur es   resp ect ivel y re pr ese ntin g  the   accurate cl assif ic at ion  of  diff e ren t t ypes  of f a ults f or  a n  i ns ta ntane ous d at a  u sin g  Evaluation Warning : The document was created with Spire.PDF for Python.
                   IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  Dr i   S ys t ,   V ol .  12 , N o.   2 ,  J une   202 1   :   120 5   –   121 5   1210   M LP .  T he  F 1  scor e   of  0.96  and  0.9 56  was   obta ined   f or  25  cl asses,  14  featur e s  a nd  3  featu res  res pe ct ively  represe nting t he  accu rate cl as sific a ti on   of d i ff e ren t t yp es  of  f a ults f or  a n  i nst antane ou s  d at a u si ng S VM.        Table  2 .   O ptimum h yp e r para mete rs for in sta ntane ous a nd  RMS val ue s   Ins tan tan eo u s Valu es ML P - NN:     Featu res   Op tim u m   Hy p er  p arameters         Accuracy     F1 - sco re   Hid d en  layers   Lear n in g  r ate   So lv er   Alp h a   Activ atio n  Fun ctio n   14   (50 ,10 0 ,  5 0 )   Co n stan t   Ad am   0 .05   tan h   9 5 .6 %   0 .95 8   3   (50 ,10 0 ,  5 0 )   Co n stan t   Ad am   0 .00 0 1   relu   9 5 .4%   0 .94 4                   Ins tan tan eo u s v alu es SVM     Featu res   Op tim u m   Hy p er  p arameters     Accuracy     F1 - sco re   Kernel   C   Gam m a   14   rbf   1000   0 .00 1   9 5 .4%   0 .96   3   R bf   1000   1     9 5 .08 %   0 .95 6               RMS valu es M LP - NN     Featu res   Op tim u m   Hy p er  p arameters     Accuracy     F1 - sco re   Hid d en  layers   Lear n in g  r ate   So lv er   Alp h a   Activ atio n  Fun ctio n   6   (50 ,50 ,50 )   Co n stan t   Ad am   0 .00 0 1   tan h   100%   1                   RMS valu es SV M   Featu res   Kernel   C   Gam m a   Accuracy   F1 - sco re   6   rbf   1   1   100%   1       The  F 1  Sc ore of  1  w as  obta i ned  for   al l  25  c la sses  with  acc ur at e  cl assifi ca ti on   of d iffe re nt   fau lt   typ e s ,  locat ion   a nd  se ver it y  f or   R MS  sta tor  c urre nt   ph as ors  us i ng   M LP  a nd  S V M   in  c om pa rison   with  i ns ta nt aneous  data   the   li mit ation   of  the   insta ntane ous  value   meth od  is  the   vo l um in ous   da ta   and  the   co m pu ta ti on  ti me.   Th ough  the  accu racy  w as  f ound  t o  be  great er  t ha n  95% ,  it   was  a  patte rn - base d   ap proac h.   H ence ,   a nother   appr oach   wh ic h  was  us e d  for  trai ning  a nd  te sti ng  the   model  wa s  by  us in g  R M S   val ues  of  the   ma gnit ud e   of  s ta tor   cu rr e nts  on l y.   B ut  the  accurac y  was  l imi te d  to  onl y  51%  in  both  M LP  a nd  S V M   al go rithms.   Hence ,   sta to r  current   ph a sors  wer e  c on si de re d  for  tr ai nin g  an d  te sti ng  the  model.  The  m odel   wa s   simulat ed  f or   a ll   25   cl asses   of  fau lt s   with  vo lt age   ra ng i ng  f rom  390V  to  426  V  f o r  0.5 HP ,   squi rr el   ca ge  3  ph a se  inducti on  m otor  rate d  f or  415V,   50Hz.     Fr om  the  num be r  of  case  stu di es  carrie d  out,  i t  was   obser ve d  that  minor  fa ult s  are  detect ed  a s  distor ti on   in  the  c on c ordi a  patte rns  of  st at or   c urren ts .   The   performa nc e  of   t he  AC  dri ve  s ys te m  is  sign ific a ntly  c aptu red   by  the   phaso r   s ta tor  c urre nts  flow i ng  in   t he  ci rcu it   as   obser ve d  by   the   two - dimensi onal   st at or  cu rr e nts   obta ined   by  Cl ar ke’ s   tra ns f ormat io n.  A   pl ot  of  cu rr e nt  con c ordia   patte rn s   f or  dif fer e nt   typ e s  of  el ect r ic al   fau lt s  i n  vo lt age  so urce  i nv e rter   are  as   sho wn  in  Fi gur e  5   (a )   to  Fi gure  5   ( e ).   It  can   be   ob serv e d  t hat  co ncor dia  patte r ns  are  disti nc t  f or  eac h  ty pe  of  fa ult.   He nce,  t he  phasor  sta tor   cu r ren ts  ca rry  t he   signa ture   of  t he  fau lt s  a nd  c an  be  eff ect ivel y use d for  detect ion  and cla ssific at ion o f faults  [4 ] ,  [ 25] [26] .           Figure  5 .   Cu rr e nt  co nc ordia  pa tt ern s   for diff eren t t yp es  of e le ct rical  f aults  in  volt age  sour ce inv e rter       The  c omp utati on al   t rainin g  ti me  f or  the  i ns t antane ous  valu es  was   m or e  t han  one  hour  us in g  M LP   al gorithm  t o  obta in  acc ur at e  cl assifi cat ion   of  fa ults  as  mor e  num ber   of  hyper   pa rameters   ar e  to  be  t uned  du e   to   vo l um in ous  da ta .  The   co mput at ion al   trai ni ng  ti m e  f or   t he  R M S  valu es  was   12. 38  min utes   for  M L P  a nd  18.52  seco nd s  for  S VM.  T he  sta to r  cu rr e nt  phas or   a ppr oach   w as  fou nd   t o  be   mo r e  be nef ic i al   even   for  pr act ic al  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N:  20 88 - 8 694       Mac hin e le ar ni ng base d m ulti  class fault  d i agno sis  to ol for  v oltag e  s ou rce  inverte r  …   ( Jyo thi R )   1211   impleme ntati on   as  it   in vo l ve s   minimal   num ber   of  sen sor  da ta .  Both  M L P   and  m ulti cl ass  SVM  gav e   ac cur at e  resu lt s  of  100%   with   e xact  de te ct ion ,  cl assi ficat ion  an d  l oc at ion   of  the   f aults.  Si nce  t he   in pu t   is  ta ke n  over   a   wide ran ge  a nd  num ber   of cas e stud ie s  h a ve been  con du ct e d wit h diff e rent  p ara mete r  set s for   SVM a nd  M L P,   the  100%   accu racy   ca nnot  be   at tribu te d  t o  over fitt ing .  Ra t her   it   in dicat es  the  eff ic ac y  of  the  met hod  a nd   t he   natu re  of   data  colle ct ion .   Mul ti   cl ass  SVM  i s  m or e  prefe ra bl e  tha n  M LP   for  f ault  detect ion   a nd  cl assifi cat ion   as the c omp utati on al  ti me is l ess.       7.   DEVELOP M ENT OF  D I A GNOST IC  TOOL   Af te r   an   accu r at e  detect ion   a nd  c la ssific at io n  of   fa ults,  it   is  essenti al   to  t ake  c orrect ive  measu re  to   avo i d  cat ast r ophic   e ff ect s  t o  the  syst em.  H ence  a  diag nos ti c  too l   was  de velo ped  us i ng  T Kinter  pac kag e  i n   py t hon  to   vis ua ll y  dis play   th e  in formati on   to  the   operato r .   I n  Diag nosti c  T oo l ,   the   R M S   va lues   of   sta tor   currents ,  i nvert er  li ne  outp ut volt ages alo ng  with the  wav e f orms, Conc ord ia  cu rr e nt p at te rn   a nd  t he  s pee d  pl ot   are  disp la ye d.     7.1.   Ca se  studie s   7.1.1. Healt hy co ndi tion   The  diag nosti c  too l   f or  the  he al thy   c onditi on  of  the  VSI  dri ve n  in duct io n  m otor  is   as  s how n  in   the   Fig ure  6  (a)   a nd  Fig ur e  6   ( b).   The  RM S  val ue s  of   the  c urr e nt s  and   vo lt ages  are  balan ced .  T he   cu rr e nt  co nc ordia   patte rn  f or  hea lt hy   sy ste m   with  P W M - VSI  dr i ven  in duct io n  mo t or  i s  f ou nd  to   be  re gu la r  s ymmet rical   patte rn   al ong  iB et a  a xi s  an d  the   s pee d  is   al so  fou nd  to   be   c onsta nt .  P re dicti on  fa ult  ty pe   an d  lo cat ion   are   dis pl ayed  nu ll .           (a)       (b)     Figure  6.  Healt hy con diti on   of  VSI  dr i ven in du ct io n mot or       7.1.2. Single I GBT  open faul t   The   dia gnos ti c   to ol   for  t he  sing le   I GBT   ope n  fa ult  co ndit ion  of  the   VS I   dr i ven  in duct io n  mo t or  is  a s  sh ow n  in  t he  Fi gure  7(a)  a nd  Figure  7(b) .  T he  RM S  val ue s  of   t he  c urrent s  and   volt a ges   are  un balance d.   T he   current   Co ncord ia   patte r n  f or  I GBT  open   fa ult  with   P W M - VS I   dr iv en  i nductio n  mo to r  is   f ound  t o  be   Evaluation Warning : The document was created with Spire.PDF for Python.
                   IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  Dr i   S ys t ,   V ol .  12 , N o.   2 ,  J une   202 1   :   120 5   –   121 5   1212   a sy m metri cal   and   t he  s peed   is  al so   f ound  to  be   fluctuati ng  a f fecti ng   t he  loa d.   P re dicti on   fa ult  typ e  a nd  loc at ion  are  dis playe d  e xactl y .  IG BT 5  is  the  thir d  le g  uppe r  switc h  wh ic h  co nduc ts  durin g  posit ive  hal f  cyc le .  I n  case   of   I GBT5  ope n  fau lt ,  it   ca n  be  cl early  visu al iz ed  that  t he  po si ti ve  half   cycle  of   phase  c  sta to r  cu rr e nt  is  missi ng  in the wa veforms.         ( a )       (b)     Figure  7 .   U nhe al t hy  c onditi on   fa ult pr e dicti on  for IGBT 5 o pen fa ult       7.1.3. Cro s s IGBTs   op en  fault   The  diag nosti c  too l   f or   t he c r os s  IG BT   ope n  ci rcu it   f ault  c onditi on  of  the  VS I   dri ve n i nduction  m otor   is  as  sho wn   i n  t he  Fi gure  8   (a )  and  Fig ur e   8  ( b) .  T he  R M S  val ues  of   t he  c ur re nts  are  un balan ced  a nd  the  i nverter  li ne  outp ut  vol ta ges  are   al so   unbalance d  w hi ch  caus es  inc r ea sed  vibrat io n  in  t he  in duct ion   mo t or   le a di ng   t o  sever e   da ma ge   if  e xisted  f or   a   long   r un  an d  a lso  inc rease d  T HD s   l eadi ng  to   powe r  qual it y  issues.   The   c urren t   c on c ordia  patte rn  f or  I GBT  op en  fau lt   with  P W M   VS I   dr ive n  in duct io n  m ot or   is   al so  f ound  to   be  as ymm et rical  and   t he  s peed  is  al so   f ound  to   be  fl uctuati ng  aff ect in g  the  l oa d.   P re dicti on   f ault  typ e  a nd  locat ion  are  dis playe d   in  the   to ol .  IGB T3 i s   the  sec ond  le g  uppe r  s witc h  w hich c onduct s  duri ng  po sit ive   hal f c yc le .  In  case   of   I GBT2  and  I GBT 3  op en  fau lt ,   i t  can   be  cl earl y  visua li zed  that  t he  po sit ive   hal f  c yc le   of  ph ase   b   a nd  ne gative   hal f  c ycle  of phase  c   in ve rter  ou t pu t c urr ents are  is miss ing  i n  the  w a ve forms .         (a)   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  P ow Elec   & Dri S ys t   IS S N:  20 88 - 8 694       Mac hin e le ar ni ng base d m ulti  class fault  d i agno sis  to ol for  v oltag e  s ou rce  inverte r  …   ( Jyo thi R )   1213     (b)     Figure  8 .   U nhe al thy  c onditi on   fa ult pr e dicti o n  for IGBT 3  a nd IGBT 2 op e n fault       8.   CONCL US I O N   Robust  an d  ac cur at e  fa ult  di agnostic   to ols  hav e  bee n  de ve lop e d  f or   fa ults  in  the  in du c ti on   m otor .   Howe ver,   in  m od e r n  powe r  el ect ronic  dr i ves ,  there  is  a  nee d  to  de velo p  a  diag nosti c  too l  for  detect io n  of   fau lt s   in the Po wer el ect ronics circ uit. Th ese  f a ults  are not easi ly  predict able,  as t he  in duct ion m otor often  cont inu es   to  r un.  T he y  m ay  le ad   to  cat a strophic   e ff ect s.  He nce,   an   e arly  detect ion  is  necessa r y.   In  this  w ork ,  det ai ls  of   Detect ion  an d  cl assifi cat ion   of  fa ults  in  i nverter   dr ive n  i nductio n  mo t or  are   pr ese nted   us i ng  MLP - N N  a nd   mu lt ic la ss  S V M .  D i ff e ren t  se ts o f feat ures  w ere i nv est igate d usin g b oth i nst antane ou s   values  a nd R M S   va lues   of   i nv e rter  outpu t  li ne  volt ag es  an d i nd uctio n m otor  sta to r  currents . W he n  instanta ne ous  values  we re  us ed,   t he  three   sta tor   c ur ren ts   car r y  t he   sign at ur e   of  va rio us  fa ults  a nd  are   s uffici ent   to   co rr ect ly   cl as sify  the m.   H ow eve r,   the  data  is  vol um in ous  a nd   t he  co mputat io n  ti me  is  al so   hi gh .  A n  al te rn a ti ve  to  us e  of   i ns ta nta neous  va lues  is  us e  of   R M S  values  of   sta to r  c urre nt  phas or s .  The  acc ur ac y  i s  al so   f ound  to  be  10 0   pe rce nt  with  mini mal  f eat ur es   and  a  diag no st ic   too l  is  deve l op e d  as  a n  i ndic at or  to  t he  op e rato r.   The   la boratory  prot otype  dev el oped  f or  monit or i ng   t he   powe r  el ect r onic s  ci rc uitry   with  mi nimal  s ens or s  has  al s o  bee n  prese nte d.   T he  w ork  w ou l d  be   eff ect ive   in   re al isi ng   t he   co nc ept  of  reli abili ty  ce ntred  ma intenanc e .   F ur t her  e xtensi on  of  the   wor k  is   bei ng  carried  out  us i ng PCA  for hi gh  dimensi onal it y  re duct ion.       REFERE NCE S    [1]   Shu - Ying  Li ,   an d   Le i   Xue  ,   “ M otor's  ea rly   fau l t   dia gnosis  base d   on  support  ve ctor  ma ch ine, ”   A MIMA   2018  IO P   Publ ishing ,   IO P  Conf .   Seri es:  Mate rials  S c ie nc e  and  Eng ine ering  382   ( 2018)  032047 ,   pp  1 - 4,   201 8   DO I: 10. 1088/17 57 - 899X/382/3/032047   [2]   Khire ddine,  M.S .   Sli ma ne ,   N .   Ab desseme d  and  Y assine  Makhlouf i,   M. T,  “ Fau lt   d e te c ti on  and  d ia g nosis  in  indu ct io n  mot or  using   ar ti ficia l  int e ll ig e nce  techniq u e, ”   MATEC   We b   of   Confe r enc e s ,   2014,   vol   1 6,   pp .   1 - 5 ,   DO I:   10. 1051/matecc onf/20141610004.   [3]   Furqan  As ghar ,   Muhamm ad  Tal ha,   and  Sung  Ho  Kim,   “ Compa r ative  study  of   thr e e  fau lt   d ia gnosti c   me thods  for   thr e e   phase   inve r te r  w it h  indu ct ion  mo tor , ”   Inte rnat ion al  Journal  of   Fu zz y  Logic  and  In te lligent  Syste ms   ,   vol .   17,   no.   4 ,   pp.   245 - 256 ,   De ce mb er  2017 ,   D OI:   10. 5391/IJFI S.2017. 17. 4 . 245.   [4]   Faeka   Kha te r ,  S eba h   M.   I.,  and  Os am a  M,  “ Faul t  dia gnost ic s  in  an  inv ert er   fe eding  an  induc t ion  mot or  using  fu z zy  l ogic, ”   Journal   of  El e ct ric al   Sy stems  and   Infor mation  Te chnology ,   vo l.  4 ,   no.   1,   pp .   10 - 17,   May  2017 ,  DO I:   10. 1016/j.je si t. 2 016. 10. 005 .   [5]   Shorouk  Os sam   aIb rah i m ,  kha le d   Nagdy   Faris ,   an d  Esa m  Abo   Elz aha b ,   “ Implementat ion   of   fu zz y   mode li ng   sys tem   for  fau lt s  d et e ct i on  and  dia gnosi s  in  thre e   phase   induc ti on   mot or  drive   sys te m , ”   J ournal  of  Elec tri cal   Syst ems  an d   Information  Tec hnology   ,   vo l. 2,  no.   1 ,   pp .  27 - 46 ,   2015 ,  DO I:   10. 1 016/j . j esit.2015.03.004 .   [6]   V.  Gomat hy   and   Selva pe rumal   S ,  “ Fau lt   d et e ct io n  and  c la ss ifica t i on  with  opt im i zation  t ec hniqu es  f or  a  thr ee - ph ase   single - inv ert er   ci rcu it , ”   Journal  of   Powe r   Elec troni cs ,  v ol .   16 ,   pp .   1097 - 1109,   May  2016 ,  D OI:   10. 6113/JP E. 20 16. 16. 3 . 1097 .   [7]   H.  Yang,   J .   Zh ao   and  F.   Wu,  “ Cur ren t  sim ilarit y   ba sed  fau l t  di agnosis  f or  indu ct ion   mot or  driv es  wit h  discrete   wav ele t  tra nsform, ”   201 6  Prognosti cs  an d  Syst em  Hea lt h   Manage ment   Co nfe renc e   (PHM - Chengdu) ,   Chen gdu,   2016 ,   pp.   1 - 6,   DO I:   10 . 1109 /PHM . 2016. 7819841.   [8]   Furqan  As ghar ,   Muhamm ad  Ta l ha,   Sung  Ho  Ki m,   ” Neura l  ne twork  base d  fau lt   det e ct ion  and  di agnosis  sys te m  f or  thre e - ph ase   inv ert er   in  v ariab le   spe ed  driv e   with  induc t io n  mot or ” ,   Jour nal  of   Control  Sc ie nc e  and  Engi ne ering ,   vol .   2016 ,   pp .   1 - 12 ,   2016.   DO I:   10. 1 155/2016/ 12863 18.   [9]   Dong - Eok  Kim  and  Dong - Choo n  Lee,  “ Faul t  di a gnosis  of  thr ee - phase   PWM  in ver te rs  using   wa vel e t  and   SV M, ”   IEE E   Inte rnat io nal  Symposium  on  Industrial Elect ronics ,   2008,   p p.   329 - 334 ,  DO I:   10. 1109 /ISIE. 2 008. 4676998.   [10]   We i ,   Li,  Xu,  a nd  Huang,   “ A  rev ie w  of  e arl y   fau lt   di agnosis  appr oac h es  an d  the ir  appl i ca t i ons  in  ro ta t ing   ma ch ine ry, ”   Entr opy ,   vol .   21 ,   no .   4 ,   p .   409 ,   Apr.   2019 ,  DO I:   10 . 3 390/e 21040409 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                   IS S N :   2088 - 8 694   In t J   P ow  Ele c  &  Dr i   S ys t ,   V ol .  12 , N o.   2 ,  J une   202 1   :   120 5   –   121 5   1214   [11]   Ubale ,   M.R . ,   Dh uma l e,  R. B . ,   and   Lokh ande,   S,   “ Open  sw it ch   f ault  d ia gnosis   in   thr ee  phase   inv erter   using   di agnosti c   var ia b le  m et hod , ”   In te rnationa l   J ournal  of   Re sear ch  in   Engi n ee rin g  and   Techno log y ,   vol .   02,   no .   1 2,   pp .   636 - 640,   2013.   [12]   H.  Zha o ,   W.   D e ng,   R.   Yao,  M.  Sun,  Y.  Luo ,   an d  C.   Dong,   “ Stu dy  on  a  nov el  f aul t  d ia gnosis  m et hod  b ase d  on  int egr at ing   EM D,  fu zz y   en tropy ,   im prov ed  PS O  and  SV M, ”   Jour nal  o f  Vi broeng i nee ring ,   vo l.  19,   no.   4 ,   pp.   2562 - 2577,   Jun.   2017 ,  DO I:   10. 21595 / jve . 2017 . 18052 .   [13]   Jlassi,   J.   O.   Estima,  S.   K.  El  Khi l,   N .   M.   Be ll a aj a nd  A.   J.   M.  C ar doso,  “ A  robust   observe r - base d   me thod   for  IGB Ts   and  cur ren t   sensors   fau l t   di agnosis  in   vo lt ag e - so urc e   inv ert ers   of   PM S M  dr ive s, ”   in  I EE E   Tr ansac ti ons  on   Industr y   Appl ic a ti ons ,   vo l.   53 ,   no .   3 ,   pp .   2 894 - 2905,   May - June  2017,   DO I:   10. 1109/ TIA. 20 16. 2616398.   [14]   Jian - jian,   Z . ,   Yo ng,   C. ,   Zha ng - Y ong,   C. ,   and   An ji an ,   Z. ,   “ Op en - sw it ch  fau l t  diagnos is  me thod  i n  volt ag e - source   inve rt ers  base d  on  phase   cur ren ts , ”   I EE E  Acce ss ,   vol.   7 ,   p p.   63619 - 636 25,   2019 ,  DO I:   10. 1109/ACCESS . 2019. 2913164 .   [15]   R.   Jyothi,  R.   Jay apa l  and K. U .   R ao,   “ Sever i ty an d  im pa ct   of  fau l t s  on  cur ren t   har moni cs  in  inve r t er - fed   AC  driv es, ”   2016  IEEE  Inno vat i ve   Smar t   Gr id  Techno logi es   -   Asia   (ISGT - A sia) ,   Melbourn e,  VIC,  2016 ,   pp .   401 - 405,   DO I:   10. 1109/ISGT - As ia . 2016. 779641 9.   [16]   R.   Jyothi ,   Shaik   Mohamm ed   Z ah id ,   Moh am m ed  Sufyan  Z ai n ,   Re shma  Begu m;  Syed  Afz al   and   K.  Um a  R ao ,   e t  al . ,   “ Automatic  fau l t  di a gnosis  sys te m  for   voltage   source   inv erter  drive n  induc t ion   mot or , ”   2019  3 rd  Inte rnationa l  Confe renc e  on   R ec en t  De ve lopm e nts  in  Con trol,  A utomati on  &  Po wer  Engi n ee ring   (RDCAPE) ,   NO IDA ,   India,   2019 ,   pp.   477 - 481 ,  DO I:   10. 1109 /RDCAP E47089. 2019. 8979041 .   [17]   Shali ni  Vasisht a ,   and   KR  Rekha,  “ A  Survey :  spa ce   v ec tor   PWM  (SV PWM)  in  3φ  voltage   source   inve rt er  (VS I) , ”   Inte rnational   Jo urnal  of  Elec tri c al  and  Computer  Engi ne ering  (IJ ECE ) ,  vo l.   8 ,   no. 1,   pp.   11 - 18 ,   Feb rua ry  2018 ,  DO I :   10. 11591/ijece. v 8i1. pp11 - 18 .   [18]   Akhile sh  Sharm a,   Anandh  N . ,   an d  Sarsing  Gao ,   “ Modulat ion  index  eff e ct   on  inve r te r  base d   inducti on  mot or  driv e , ”   Inte rnational   Jo urnal  of  Powe r  El e ct ronics  and   Dr iv e  Syst em  (IJ PE DS),   vo l.   11,   no.   4,   pp.   1785 - 1798,   De c  2020 ,  DO I:   10. 11591/ijpeds. v11. i4. pp1 785 - 1798 .   [19]   Amine   Moham e d  Kheli f,  Aze ddi ne  Bendiabdella h,   and  B il a l  Dja ma l  Eddi ne   Cher if,   “ Short - ci r cui t   fau lt   d ia gnosis  of   the  DC - Li nk   c ap ac i tor  and   it s   i mp ac t   on   an   el e ct r ical   drive  sys tem , ”   Int ernati onal   Jo urnal  of   E lectrical  and   Computer  Engi ne ering  (I J ECE ),   vol .   10 ,   n o.   3 ,   pp .   2807 - 2 814,   June   2020 ,  DO I:   10. 11591/ijece. v10i3 . pp28 07 - 2814 .   [20]   Rekha   SN ,   P  Ar una  Jeya n thy,   an d  D  Deva ra j,   “ R el ev anc e   ve ct or  ma ch ine   b ase d  f aul t  class ifi catio n  in  wind  ene rg y  conve rsion   sys tem , ”   In te rnationa l  Journal   of   E lec tric al   and   Comp ute r  Engi n ee ring   (I JE CE) ,   vol .   9,   no.   3 ,   pp.   1506 - 1513,   June   2019 ,  DO I:   10 . 11591 /i jece . v9i3 . pp15 06 - 1513 .   [21]   Khadidj a  El   Me rra oui,   Abde llaz iz   Ferdjouni,  an d  M’hame d  Bo unekhl a ,   “ R ea l  ti me   obse rve r  b ase d  stat or  f aul t   dia gnosis  for   IM , ”   Int ernati onal   Journal  o f  Elec t rical  and  Comp ute r  Engi ne erin g  (IJ ECE ) ,   vol.  10,   no .   1,   pp .   21 0 - 222,   Feb   2020 ,  DO I:   10. 11591/ijece. v10i1 . pp21 0 - 222 .   [22]   La ch ta r  Sa la h ,   G hoggal   Ade l,   Ko uss a  Khale d,   Bo ura iou  Ahm ed,  a nd   Attoui   Iss a m ,   “ Broken  ro tor  ba r  fau l t  di agnosti c   for  DTC   Fed   in duct ion   mo tor  u sing  stat o r  instantane ous   com p l ex  appa r ent  po wer  env el op e  si gnat ure   an al ysis , ”   Inte rnational   Jo urnal  of  Powe r  El e ct ronics  and   Dr iv e  Syst em  (IJ PE DS),   vo l.   10,   no.   1,   pp.   1187 - 1196,   Sep  2019 ,  10. 11591/ijpeds. v10. i3. pp1187 - 1 196 .   [23]   N.  F.   Fadz ai l ,   S.   Mat   Z al i ,   “ Fau l t  d et e ct ion   and  cl assifi ca t ion  in   wind  turb ine  by   using   artifi ci a l  neur al  ne twork , ”   Inte rnational   Jo urnal  of  Powe r  El e ct ronics  and   Dr iv e  Syst em  (IJ PE DS),   vo l.   10,   no .   3,   pp.   1687 - 1693,   Sep  2019 ,  DO I:   10. 11591/ijpeds. v10. i3. pp1 687 - 1693 .   [24]   A.  O.   Di   To mm a so,  F.   Genduso,   R.   Mi ce l i   and   G.   R.   Ga ll uz zo,  “ C urre nt   fau lt  signa ture s  of   Vol ta ge   Source   Inv erters   in  diff ere nt   ref er enc e   fra me s, ”   20 16  Inte rnationa l   Symposium  on  Powe r  Elec troni cs,   E le c tric a l  Dr iv es,   Aut omat ion  and  Moti on   (SP EE DAM) ,   Anac a pri,   2016 ,  pp .   59 9 - 604,   DO I:   10 . 1109/SP EE DA M.2016. 752597 7 .   [25]   Yong   C,   Zha ng   J J,  Chen   ZY ,   “ Cu rre nt   observe r - b a sed  onli n e   open - sw it ch  f aul t   di ag nosis  for  vo lt ag e - source   inve rt er ” ,   ISA  Tr ans act ion s ,   pp.   445 - 453 ,   Apr  2020 ,   DO I:   10. 1016/j.isa tr a.2019.09. 019 .    [26]   Chouhan  Abhisa r,   Gangsa r  Puru shotta m ,   Porw al  Raj ku ma r ,   Mec hef ske  Chr istop her   K ,   “ Art ificial  n eur al  ne twork   base d  fau l t  di ag nostic s  for  thr ee  phase   indu ct io n  mot ors  und er   simi l ar  oper at i ng  condi t ions”,   Vi broengin ee rin g   PR OCEDIA   202 0, Vol.   30,   p p. 55 - 60 , Apr   2020, D OI:   10. 21595/vp . 2020. 21334 .       BIOGR AP HI ES OF  A UTH ORS        J y o t h i   R   r e c e i v e d   B . E   i n   E l e c t r i c a l   a n d   E l e c t r o n i c s   E n g i n e e r i n g   a n d   M . T e c h   i n   P o w e r  E l e c t r o n i c s   F r o m   V i s v e s v a r a y a  T e c h n o l o g i c a l   U n i v e r s i t y   i n  t h e   y e a r   2 0 0 9   a n d   2 0 1 3  r e s p e c t i v e l y . S h e   i s   c u r r e n t l y   p u r su i n g   P h . D   i n   V i sv e s v a r a y a   T e c h n o l o g i c a l   U n i v e r s i t y .   S h e   h a s   8   y e a r s   o f   t e a c h i n g   e x p e r i e n c e   a n d   c u r r e n t l y   w o r k i n g   a s   A s s i s t a n t   P r o f e ss o r   i n   D e p a r t m e n t   o f   E l e c t r i c a l   a n d   E l e c t r o n i c s   E n g i n e e r i n g ,   R V   C o l l e g e   o f   E n g i n e e r i n g ,   B a n g a l o r e .   H e r   r e s e a r c h  i n t e r e s t s   i n c l u d e   P o w e r   E l e c t r o n i c s ,   D r i v e s   a n d   F a u l t   d i a g n o s i s   u s i n g   A r t i f i c i a l   I n t e l l i g e n c e .   S h e   h a s   a u t h o r e d   5   a r t i c l e s   i n   t h e   a r e a   o f   P o w e r   E l e c t r o n i c s   a n d   D r i v e s .   E - m a i l :   j y o t h i r @ r v c e . e d u . i n       Evaluation Warning : The document was created with Spire.PDF for Python.