文献

J-GLOBAL ID：202202269278420920   整理番号：22A1123054

マルチソース検出データ融合の変圧器故障診断モデル【JST・京大機械翻訳】

Transformer fault diagnosis model based on multi-source detection data fusion

著者 (4件)： Wu Qiong (上海電力大学 電子与信息工程学院,上海 200090) ,  Cui Haoyang (上海電力大学 電子与信息工程学院,上海 200090) ,  Zhou Kun (云南電网有限責任公司 大理供電局,云南 大理 671000) ,  Xu Yongpeng (上海交通大学 電子信息与電气工程学院,上海 200000)
資料名： Xiandai Dianzi Jishu  (Xiandai Dianzi Jishu)
巻： 45  号： 1  ページ： 181-186  発行年： 2022年 
JST資料番号： C4364A  ISSN： 1004-373X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 変圧器の赤外熱画像、石油・ガスデータなどの多源状態検出データの不均衡(即ち、データ不足、データ非対称、データが少ない)は、サポートベクトルマシン学習モデルのアンダーフィッティング、精度低下を招く。伝統的三比法閾値は,故障現象が重ねたときに,故障の実際の状況を完全に診断できないという欠点を招き,マルチソース検出データ融合の変圧器故障診断モデルを提案する。まず第一に,GaussカーネルとSigmoidカーネルの組合せ,およびマルチ分類装置を用いて,SVMを改良,すなわち,改良組合せカーネルマルチ分類装置SVMを用いて,変圧器油ガスデータを診断し,故障現象の重ね合わせを解決し,そして,石油とガスの診断結果を得る。次に,改良フォールトツリーモデルを用いて,赤外線検出画像を解析し,変圧器の重要部品の温度値を解析することにより,温度診断結果を得た。最後に、ベイズ決定融合診断モデルにより、油ガス診断結果と温度診断結果に対して、意思決定レベル融合を行い、最終の故障診断結果を獲得した。実験結果は,提案方法がSVM,3比率,およびSVMの最新の改良PSO-SVMと比較して,それぞれ,9.2%,6.3%,6.5%高い精度を有することを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： 赤外線 ,  絶縁油 ,  *変圧器 ,  意思決定 ,  学習モデル ,  *故障 ,  石油 ,  分類装置 ,  *故障診断 ,  非対称性 ,  重合せ ,  熱画像 ,  *データ融合 ,  サポートベクトルマシン
準シソーラス用語： 変圧器油 ,  *診断モデル , 【Automatic Indexing@JST】

分類 (1件)： 変圧器  (NB08020Q)

タイトルに関連する用語 (6件)： マルチ ,  ソース ,  データ融合 ,  変圧器 ,  故障 ,  診断モデル