典型文献
基于改进CNN-GAP-SVM的船舶电力变换器快速故障诊断方法
文献摘要：
近年来,基于深度学习技术的智能故障诊断方法在电力变换器领域得到了广泛研究.卷积神经网络(CNN)因其强大的特征提取能力而具备辨识早期微小故障的潜力.然而,现行的CNN算法因其模型结构过于复杂、训练参数量较多、诊断时间较长而不适用于电气故障的快速诊断.为此,提出了一种基于改进CNN-GAP-SVM的深度学习新算法,用于DC-DC变换器早期故障的快速诊断.首先,将原始的时间序列监测数据转变为二维特征图故障样本;其次,该方法设计了一个全局均值池化(GAP)层,用于代替传统CNN中2～3层的全连接层部分,以减少模型参数量;然后,采用非线性支持向量机(SVM)代替传统Softmax函数作为最终分类器,进一步提升诊断精度.实验表明:所提方法不仅将诊断准确率提升至100％,还提升了23％的诊断速度.通过与传统智能诊断方法相比较,证明了所提方法具有更快的诊断速度和更高的诊断准确率.
文献关键词：
智能故障诊断;卷积神经网络;支持向量机;DC-DC变换器;开路故障
中图分类号：
作者姓名：
宫文峰;陈辉;WANG Danwei;张泽辉;高海波
作者机构：
武汉理工大学 高性能船舶技术教育部重点实验室仿真中心,湖北 武汉 430063;桂林电子科技大学北海校区 海洋工程学院,广西 北海 536000;南洋理工大学 电子与电气工程学院ST Engineering-NTU联合实验室,新加坡 639798
文献出处：
引用格式：
[1]宫文峰;陈辉;WANG Danwei;张泽辉;高海波-.基于改进CNN-GAP-SVM的船舶电力变换器快速故障诊断方法)[J].计算机集成制造系统,2022(05):1370-1384
A类：
电力变换器
B类：
GAP,故障诊断方法,深度学习技术,智能故障诊断,特征提取能力,微小故障,法因,模型结构,诊断时间,电气故障,快速诊断,新算法,DC,早期故障,维特,特征图,方法设计,全局均值池化,全连接层,模型参数量,线性支持向量机,Softmax,分类器,诊断准确率,准确率提升,智能诊断方法,开路故障
AB值：
0.312015
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。
