典型文献
基于小波时频图和AlexNet网络的电弧故障诊断方法
文献摘要：
针对故障电弧电流频域特征难以提取,检测率不高的问题,提出一种基于小波时频图和深度学习卷积神经网络的低压交流故障电弧诊断方法.该方法对串联型故障电弧电流信号进行小波时频变换,利用小波对高频突变信号的放大能力,捕捉不同负载的差异特征,得到的时频图经过压缩统一至适当大小后作为AlexNet卷积神经网络的输入特征图,利用AlexNet网络提取小波时频图特征,通过全连接层拟合数据实现故障电弧的智能诊断.建立故障电弧实验平台,分别采集阻性负载、感性负载、阻感负载下的电弧电流2 000组,利用该数据集完成模型训练.选取新负载及10～60 dB信噪比研究模型的泛化能力和鲁棒性.实验结果表明,所提方法能够有效识别故障电弧,识别率达到96.7％,且具有良好的稳定性.
文献关键词：
故障电弧;小波时频图;深度学习;卷积神经网络;小波变换
中图分类号：
作者姓名：
向小民;汪杰;卢云
作者机构：
三峡大学电气与新能源学院 宜昌443000
文献出处：
引用格式：
[1]向小民;汪杰;卢云-.基于小波时频图和AlexNet网络的电弧故障诊断方法)[J].国外电子测量技术,2022(10):170-177
A类：
B类：
于小波,小波时频图,AlexNet,电弧故障,故障诊断方法,电弧电流,频域特征,检测率,交流故障,串联型故障电弧,电流信号,小波时频变换,高频突变,不同负载,差异特征,图经,过压缩,输入特征,特征图,全连接层,智能诊断,实验平台,感性负载,成模,模型训练,dB,研究模型,泛化能力,识别率,小波变换
AB值：
0.291128
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。
