首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   0篇
电工技术   2篇
  2022年   1篇
  2020年   1篇
排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN)。该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合挤压-激励模块以突出通道域中具有代表性的特征,利用深度可分离卷积(DSC)来减少网络的计算量。利用滑动时间窗口将数据分段并归一化后输入提前训练好的最优模型中,模型输出预测标签。通过与其他人工特征提取方法及深度学习方法进行对比,结果表明模型参数量比具有相同卷积层数的标准卷积神经网络(CNN)减少了70.92% 左右。所提方法在已有样本片段上的分类准确率及不同故障时期的诊断正确率均达99 % 及以上,诊断单个样本片段所需的时间约为0.34 ms,不但能区分故障早期的耦合性特征,还能实现准确、可靠、高效、快速的故障诊断。  相似文献   
2.
当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点,容错性差,难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列,基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一,需通过排序、分组填充对模型输入进行重构改进,然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法,结果表明:经过数据重构后所提方法的准确率可达91.9%;当特征指标数量减少约2/3时,所提方法的准确率仅下降约1%,而其他方法的准确率平均下降约6%;当采样数据存在10%的随机错误时,所提方法诊断准确率仅下降2%~6%,且通过改变隐藏层的数量可得到改善。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号