典型文献
基于EEMD融合BAS-CNN的高压电缆故障诊断
文献摘要：
针对高压电缆故障复杂程度高,实时监测成本过高的问题,提出一种基于集合经验模态分解(EEMD)和天牛须搜索算法优化卷积神经网络(CNN)的组合诊断方法.将电缆护层电流数据经EEMD分解为若干个本征模态分量(IMF),结合相关系数选取与原信号相关度最大的分量,作为CNN网络的输入.为了提高网络模型的分类精度,使用天牛须算法(BAS)优化CNN诊断模型的超参数.以淮南某煤矿高压电缆电流数据为例,实验结果表明,EEMD有效的将电流信号进行分解,所设计的BAS-CNN网络与2组人为确定CNN超参数的网络对比,BAS-CNN具有最高的分类精度,监测准确率达到96.95％.
文献关键词：
护层电流;EEMD;BAS-CNN;故障检测
中图分类号：
作者姓名：
肖旰;周莉;李敬兆;刘泽朝;张珂
作者机构：
安徽理工大学电气与信息工程学院 淮南232000
文献出处：
引用格式：
[1]肖旰;周莉;李敬兆;刘泽朝;张珂-.基于EEMD融合BAS-CNN的高压电缆故障诊断)[J].电子测量技术,2022(04):160-167
A类：
B类：
EEMD,BAS,高压电缆,电缆故障,复杂程度,集合经验模态分解,天牛须搜索算法,算法优化,护层电流,流数据,若干个,本征模态分量,IMF,相关度,分类精度,天牛须算法,诊断模型,超参数,淮南,煤矿,电流信号,组人,网络对比,故障检测
AB值：
0.302529
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
