文献

J-GLOBAL ID：202202244665844284   整理番号：22A0457392

マルチクラスAdaBoostアルゴリズムに基づく変圧器故障診断【JST・京大機械翻訳】

Transformer Fault Diagnosis Based on Multi-Class AdaBoost Algorithm

著者 (4件)： Li Jifang (College of Electricity, North China University of Water Resources and Electric Power, Zhengzhou, China) ,  Li Genxu (College of Electricity, North China University of Water Resources and Electric Power, Zhengzhou, China) ,  Hai Chen (College of Electricity, North China University of Water Resources and Electric Power, Zhengzhou, China) ,  Guo Mengbo (State Grid Henan Electric Power Company Luoyang Power Supply Company, Luoyang, China)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 1522-1532  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 従来の浅い機械学習アルゴリズムは,油浸した変圧器の故障データの間の関係を効果的に調査することができず,低い故障診断精度をもたらす。本論文では,この問題に応じたマルチクラスAdaBoostアルゴリズムに基づく変圧器故障診断法を提案した。最初に,AdaBoostアルゴリズムをサポートベクトルマシン(SVM)と組み合わせて,SVMをAdaBoostアルゴリズムを通して強化して,変圧器故障データを深く探査した。次に,動的重みを粒子群最適化(PSO)に導入した。粒子慣性重量のリアルタイム更新を通して,パーティクルスウォーム最適化アルゴリズムの探索精度と最適化速度を改良して,改良パーティクルスウォーム最適化アルゴリズム(IPSO)をSVMのパラメータを最適化するために使用する。最後に,変圧器油と故障タイプにおける溶解ガスの間の関係を分析することによって,非コード化比率方法は,新しいガスグループ協力を形成した。改良比率方法を入力特徴ベクトルとして構築した。IECTC10標準データの117セットと中国で採取した変圧器故障データの419セットに基づくシミュレーションは,本論文で提案した診断方法が,強い探索能力と高速収束速度を持ち,従来の方式と比較して診断精度の著しい改良を持つことを示した。Copyright 2022 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 ,  最適化 ,  *変圧器 ,  溶解 ,  *故障 ,  *故障診断 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 粒子群最適化 ,  収束速度 ,  特徴ベクトル ,  *AdaBoost ,  診断精度 ,  実時間 ,  変圧器油 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： マルチ ,  クラス ,  AdaBoostアルゴリズム ,  変圧器 ,  故障診断