典型文献
基于KPCA与随机森林的牵引电机局部放电模式识别研究
文献摘要：
针对牵引电机定子局部放电类型识别过程中,传统局部放电信号特征提取方法存在维数过高、无效信息过多和表征不明显的问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)和随机森林的识别方法.首先,采用集合经验模态分解算法将局部放电信号分解为若干固有模态分量,计算各个分量的分形特征;然后,将传统特征与分形特征结合,采用KPCA算法进行降维,以克服高维特征识别速率慢的缺点;最后,将降维后的特征信息作为随机森林算法的输入,对牵引电机定子的放电类型进行识别.结果表明,该方法识别准确率均超过90％,且速率提升50％以上,具有良好的实际应用价值.
文献关键词：
牵引电机;故障检测;局部放电;模式识别;核主成分分析;随机森林
中图分类号：
作者姓名：
王卓;郑祥;王仁峰;杨景杰;许智海
作者机构：
大连交通大学 自动化与电气工程学院,辽宁 大连 116028
文献出处：
引用格式：
[1]王卓;郑祥;王仁峰;杨景杰;许智海-.基于KPCA与随机森林的牵引电机局部放电模式识别研究)[J].电力科学与工程,2022(09):24-30
A类：
B类：
KPCA,牵引电机,放电模式,模式识别,电机定子,类型识别,识别过程,局部放电信号,信号特征提取,核主成分分析,kernel,principal,component,analysis,集合经验模态分解,信号分解,固有模态分量,分形特征,传统特征,特征结合,高维特征,特征识别,识别速率,特征信息,随机森林算法,方法识别,识别准确率,速率提升,故障检测
AB值：
0.337622
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。
