典型文献
基于改进CNN的串联型故障电弧识别方法研究
文献摘要：
针对串联型故障电弧影响供电系统安全且不易测量的问题,提出改进卷积神经网络对串联型故障电弧的识别方法.由于SVM学习的超平面是距离各个样本最远的平面,相比于Softmax,具有更强的泛化推广能力和更高的识别准确率,故采用SVM损失函数(hinge loss)替换原有的Softmax损失函数并在CNN模型中添加三层Inception结构得到改进的CNN模型.其次,研制串联型故障电弧实验平台,在不同的实验条件下采集电流信号,利用短时傅里叶变换,得到电流的时频谱图.采用同一数据集对两个模型进行训练和测试.结果 表明,改进的CNN电弧识别模型相较于CNN电弧识别模型在识别准确率和效率上都有了明显的提高.
文献关键词：
串联型故障电弧;短时傅里叶变换;卷积神经网络;SVM分类器;Inception
中图分类号：
作者姓名：
任志玲;南忠明
作者机构：
辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛125105
文献出处：
引用格式：
[1]任志玲;南忠明-.基于改进CNN的串联型故障电弧识别方法研究)[J].控制工程,2022(02):263-270
A类：
B类：
串联型故障电弧,故障电弧识别,供电系统,系统安全,改进卷积神经网络,超平面,最远,Softmax,识别准确率,损失函数,hinge,loss,Inception,实验平台,实验条件,集电,电流信号,短时傅里叶变换,时频谱,频谱图,一数,识别模型,分类器
AB值：
0.272809
相似文献
基于W-DenseNet的减压阀不平衡样本故障诊断模型
张洪;盛永健;黄子龙;刘晨;曹毅-江南大学机械工程学院,江苏无锡214122;江南大学江苏省食品先进制造装备技术重点实验室,江苏无锡214122
基于深度在线迁移的变负载下滚动轴承故障诊断方法
康守强;刘旺辉;王玉静;王庆岩;Mikulovich V I-哈尔滨理工大学电气与电子工程学院,哈尔滨150080;白俄罗斯国立大学,明斯克220030
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。
