文献

J-GLOBAL ID：202102272653734324   整理番号：21A0066273

スパーク機械学習に基づく高電圧遮断器の故障診断に関する研究【JST・京大機械翻訳】

Research on Fault Diagnosis of High Voltage Circuit Breaker Based on Spark Machine Learning

著者 (5件)： Shan Xiaoyu (Dalian University of Technology,Dalian City,Liaoning Province,China) ,  Lv Yang (State Grid Dalian Power Supply Company,Dalian City,Liaoning Province,China) ,  Zhao Yangyang (Dalian University of Technology,Dalian City,Liaoning Province,China) ,  Ma Chang (Dalian University of Technology,Dalian City,Liaoning Province,China) ,  Duan Xiongying (Dalian University of Technology,Dalian City,Liaoning Province,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICHVE  ページ： 1-4  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高電圧遮断器(HVCB)は電力系統における最も重要な制御と保護装置である。HVCBの機構は比較的複雑で,故障の確率は大きい。故障が発生するならば,全体の電力システムの安全で安定した運用は保証されず,巨大な経済損失を引き起こすであろう。従来のモニタリングと診断方法の複雑性のため,得られた情報は十分に包括的でなく,診断の不十分な精度につながり,診断結果に影響を及ぼす。HVCBにおける故障特性とカテゴリーを単純かつ正確に決定するために,故障タイプを予測するためにSpark機械学習に基づく新しい故障診断法を提案した。最初に,HVCBの移動接触ストローク信号データの前処理データおよび抽出特性値によって,接触ストローク,接触開口および閉鎖運動時間,接触移動平均速度および最大速度を,特性属性信号入力として抽出し,そして,遮断器の故障状態を,実験的出力とみなした。第2に,Spark機械学習における改良サポートベクトルマシン(SVM)アルゴリズムモデルをデータ解析と処理のために用いて,関連性能指数をモデル評価を通して得て,分類診断結果は最適モデルによって出力であった。最後に,Spark機械学習の改良型SVMモデルを,従来の線形回帰およびナイーブベイス分類モデルと比較した。実験結果は,Spark機械学習に基づく提案した故障診断方法が,他のモデル診断方法より速く,より正確で,分類効果はより明白であり,それは高速データ処理と高精度のニーズを満たすことができることを示す。HVCBの故障診断にSpark機械学習の改良型SVMアルゴリズムを適用することは実行可能であり,それは遮断器の故障診断レベルを改善し,遮断器の予測保全の実現のために一定の実用的意義を有する。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  固有値 ,  *故障 ,  前処理 ,  *遮断器 ,  電力系統 ,  保護装置 ,  *故障診断 ,  データ解析 ,  データ処理 ,  *機械学習 ,  コンタクトホール ,  サポートベクトルマシン
準シソーラス用語： 線形回帰 ,  複雑性 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： スパーク ,  機械学習 ,  高電圧 ,  遮断器 ,  故障診断 ,  研究