核心詞：煤礦電纜 煤礦電纜型號 電纜型號 煤礦 電纜 型號 吊掛 標(biāo)準(zhǔn)化 冷 補(bǔ) 規(guī)定 載流量 計(jì)算 敷設(shè) 接線 標(biāo)準(zhǔn) 礦用 生產(chǎn) 廠家 礦用電纜 指向牌 的 懸掛 排名 
目錄：
1、煤礦電纜型號在模型訓(xùn)練時(shí)間方面
2、電纜型號在相同的訓(xùn)練樣本和測試條件下
3、煤礦電纜型號局部放電是電氣絕緣系統(tǒng)中的一種自然現(xiàn)象
4、煤礦電纜此外
　　圖3基于本文的識別算法流程圖,本文采用MATLAB進(jìn)行編碼,煤礦電纜型號主要從兩個方面進(jìn)行比較:特征、基于本文特征的識別精度、多重分形特征、單一分形特征;分別采用提出的AOS-ELM算法、OS-ELM算法、ELM算法、傳統(tǒng)SVM算法、BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模式識別,電纜型號煤礦電纜型號并對識別結(jié)果進(jìn)行統(tǒng)計(jì)分析。不同放電波形有不同的分形維數(shù),但目前的文獻(xiàn)大多是基于灰度維數(shù)的計(jì)算。本文引入短時(shí)分形維數(shù)直接提取脈沖信號的特征,然后結(jié)合頻譜多重分析特征作為樣本訓(xùn)練特征集。本文提出的基于特征結(jié)點(diǎn)的aOS-ELM平均識別率為98%。在實(shí)際工程應(yīng)用中,會有大量的數(shù)據(jù)集,不可能一次性得到。因此,實(shí)驗(yàn)室將收集300套數(shù)據(jù),并將其分為3批樣本集。文獻(xiàn)中采用分形特征和支持向量機(jī)對GIS絕緣缺陷進(jìn)行模式識別。基于PRPD灰度圖提取4個分形特征并導(dǎo)入SVM進(jìn)行模型訓(xùn)練。同時(shí),加入正則項(xiàng)1/λ,煤礦電纜提高了在線學(xué)習(xí)的處理能力和算法的穩(wěn)定性。譜的多重分形維數(shù)由公式、、、、、計(jì)算,電纜型號當(dāng)Q=8時(shí),正半軸和負(fù)半軸的分形維數(shù)變化趨于穩(wěn)定時(shí)的值。
　　

煤礦電纜型號在模型訓(xùn)練時(shí)間方面

　　而在模型訓(xùn)練時(shí)間方面,aOS-ELM改進(jìn)了OS-ELM中矩陣逆的計(jì)算方法,大大提高了訓(xùn)練時(shí)間。
　　

電纜型號在相同的訓(xùn)練樣本和測試條件下

　　在相同的訓(xùn)練樣本和測試條件下,SVM和BPNN的訓(xùn)練速度是ELM、OS-ELM和AOS-ELM的10000倍,而AOS-ELM是ELM和OS-HalfELM。
　　

煤礦電纜型號局部放電是電氣絕緣系統(tǒng)中的一種自然現(xiàn)象

　　局部放電是電氣絕緣系統(tǒng)中發(fā)生的一種自然現(xiàn)象,且包含復(fù)雜的形狀和表面,礦用電纜因此采用分形理論提取局部放電,煤礦電纜型號文獻(xiàn)中使用的局部放電頻譜圖均具有分形維數(shù)和孔隙特征,并提取特征輸入到神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。由圖4c)可以看出,AOS-ELM、OS-ELM、ELM、SVM和BPNN對氣隙放電的識別準(zhǔn)確率分別為97%、96%、94%、85%和78%。本文考慮了脈沖本身的特性和頻譜的細(xì)節(jié)特征。從識別結(jié)果可以看出,煤礦電纜本文特征的識別率高于單一特征和多重分形特征。
　　

煤礦電纜此外

　　此外,本文還增加了現(xiàn)場采集的四種規(guī)律脈沖干擾作為缺陷識別樣本庫。若r=N0,煤礦電纜計(jì)算初始輸出權(quán)值矩陣;如果,電纜型號計(jì)算初始輸出權(quán)值矩陣,其中,,。局部發(fā)射光譜包含豐富的信息,因此經(jīng)常從二維或三維光譜中提取局部發(fā)射特征,常用的特征提取方法有統(tǒng)計(jì)特征、分形特征、小波特征、矩特征等。

因此,本文提出的方法可以在保證識別率的同時(shí),提高模型的訓(xùn)練時(shí)間。缺陷類型識別的步驟和流程如圖3所示。假設(shè)我拿什么?小到足以覆蓋整個圖網(wǎng)格中包含的信號的點(diǎn)為N(網(wǎng)格中的信號點(diǎn))。本文提出了基于PRPD譜的箱體維和信息維作為GIS放電缺陷模式識別的識別特征。電纜絕緣缺陷的形式多種多樣,不同類型的缺陷PD的形式也不同,煤礦電纜對設(shè)備安全運(yùn)行的影響和絕緣的危害程度也是不同的。結(jié)合本文提出的特征,SVM的平均識別率為82%。為了使算法能夠有效區(qū)分新舊樣本數(shù)據(jù),本文在模型訓(xùn)練中選擇了改進(jìn)的OS-ELM。該方法不僅能區(qū)分新舊樣本數(shù)據(jù),而且提高了模型訓(xùn)練時(shí)間,煤礦電纜型號有效地降低了求解逆矩陣的計(jì)算復(fù)雜度。目前,利用在線學(xué)習(xí)方法對電力設(shè)備局部放電進(jìn)行識別的研究較少,因此本文提出的方法對電力設(shè)備局部放電缺陷分類具有重要的指導(dǎo)意義。