• 设为首页
  • 加入收藏
  • 联系邮箱
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
  • English
站内检索    
 
杨志超,张成龙,吴奕,安薇薇,朱海兵,龚灯才.基于粗糙集和RBF神经网络的变压器故障诊断方法研究[J].电测与仪表,2014,51(21):.
YANG Zhi-chao,ZHANG Cheng-long,WU Yi,anweiwei,ZHU Hai-bing,gongdengcai.Research of Transformer Fault Diagnosis Based on Rough Sets and RBF Neural Network[J].Electrical Measurement & Instrumentation,2014,51(21):.
基于粗糙集和RBF神经网络的变压器故障诊断方法研究
Research of Transformer Fault Diagnosis Based on Rough Sets and RBF Neural Network
DOI:
中文关键词:  变压器  故障诊断  粗糙集  RBF神经网络  信息熵
英文关键词:RBF  neural network, rough  set, information  entropy, transformer  fault diagnosis
基金项目:江苏省高校自然科学基金;国网江苏省电力公司科技项目
                 
作者中文名作者英文名单位
杨志超YANG Zhi-chao南京工程学院电力工程学院
张成龙ZHANG Cheng-long南京工程学院 电力工程学院
吴奕WU Yi国网江苏省电力公司
安薇薇anweiwei南京工程学院 电力工程学院
朱海兵ZHU Hai-bing国网江苏省电力公司
龚灯才gongdengcai南通供电公司
摘要点击次数: 2333
中文摘要:
      针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,本文算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。
英文摘要:
      For the problems of complex network structure, long training time and other issues in classical neural networks, a method of RBF neural network combined with rough sets is proposed in this paper for transformers fault diagnosis. Firstly, the minimum reduction is calculated after data mining based on distinguishes matrix and information entropy in rough set theory. Then, using a Gaussian function as the radial basis function, the variance and weights of layers is calculated by the processed data collection as training samples. Finally, the transformer fault diagnosis model is built. By comparing the test results, although the algorithm in terms of diagnostic accuracy is slightly lower, but the simple network structure, training speed and strong generalization ability of neural networks to improve application performance in transformer fault diagnosis have better guidance.
查看全文  查看/发表评论  下载PDF阅读器
关闭
  • 哈尔滨电工仪表研究所有限公司
  • 中国电工仪器仪表信息网
  • 中国仪器仪表学会
  • 中华人民共和国新闻出版总署
  • 中国科技期刊编辑学会
  • 黑龙江省科学技术协会
  • 编辑之家
  • 中国知网
  • 万方数据库
  • 维普网
  • 北极星电力网
  • 中华中控网
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
地址:哈尔滨市松北区创新路2000号    邮编:150028
邮箱:dcyb@vip.163.com    电话:0451-86611021;87186023
© 2012 电测与仪表    哈公网监备2301003445号
黑ICP备11006624号-1
技术支持:北京勤云科技发展有限公司