電力設(shè)備故障相關(guān)論文引用文獻(xiàn)推薦有哪些?發(fā)表電力設(shè)備故障方面的論文有必要通過引用相關(guān)的參考文獻(xiàn)來證實(shí)自己的觀點(diǎn),引用文獻(xiàn)同時(shí)也可以引導(dǎo)讀者閱讀其他重要文獻(xiàn),從而為本篇論文的主題打下堅(jiān)實(shí)的基礎(chǔ)。合理的引用論文文獻(xiàn)可以向?qū)徃迦苏故咀髡咴诘阮I(lǐng)域當(dāng)中具備了哪些基礎(chǔ)知識(shí),這里就推薦一些關(guān)于電力設(shè)備故障方面的引用文獻(xiàn)資料。

　　基于ZigBee網(wǎng)絡(luò)和視頻監(jiān)控的電力設(shè)備故障監(jiān)測(cè)與診斷

　　摘要：基于ZigBee網(wǎng)絡(luò)鋪設(shè)成本低和傳輸效率高的優(yōu)點(diǎn),提出一種基于ZigBee網(wǎng)絡(luò)和視頻監(jiān)控的電力設(shè)備故障監(jiān)測(cè)與診斷方法。首先通過視頻監(jiān)控設(shè)備和傳感器采集電力設(shè)備故障信號(hào)數(shù)據(jù),識(shí)別過程中采用小波包3層分解和重構(gòu)電力設(shè)備故障信號(hào)數(shù)據(jù)提取小波包能量特征;然后將其特征數(shù)據(jù)劃分成訓(xùn)練樣本和測(cè)試樣本,在極限學(xué)習(xí)機(jī)的基礎(chǔ)上引入正則化因子,提出了正則化極限學(xué)習(xí)機(jī)算法,用于進(jìn)行故障分類、診斷和識(shí)別;最后將訓(xùn)練樣本作為RELM模型的輸入和輸出,建立電力設(shè)備故障RELM識(shí)別模型進(jìn)行故障識(shí)別。與ELM、SVM和BPNN相比,運(yùn)用RELM進(jìn)行電力設(shè)備故障診斷具有更高的診斷準(zhǔn)確率和更低的誤判率。

　　人工智能技術(shù)在電力設(shè)備運(yùn)維檢修中的研究及應(yīng)用

　　摘要：人工智能為電力設(shè)備的運(yùn)維檢修工作提供了相應(yīng)的技術(shù)保障。因此,技術(shù)人員需要利用人工智能技術(shù)去掌握更多的數(shù)據(jù)。基于此,論文簡(jiǎn)要分析了人工智能技術(shù),從4個(gè)方面分析了人工智能技術(shù)在電力設(shè)備運(yùn)維檢修中的作用,以供參考。

　　基于改進(jìn)SLIC算法的電力設(shè)備故障區(qū)域分割方法

　　摘要：在電力設(shè)備狀態(tài)監(jiān)測(cè)中,紅外測(cè)溫圖像故障區(qū)域的分割是今后故障診斷智能化發(fā)展的關(guān)鍵環(huán)節(jié)。為了實(shí)現(xiàn)圖像自動(dòng)化處理,提高故障區(qū)域的分割精度,提出一種改進(jìn)SLIC算法的故障區(qū)域分割方法。采用導(dǎo)向?yàn)V波器對(duì)紅外測(cè)溫圖像進(jìn)行預(yù)處理;在SLIC超像素迭代過程中增加亮度相似性限制條件,并將生成的超像素以種子點(diǎn)的色彩值匹配顏色;通過自動(dòng)設(shè)置色調(diào)閾值,實(shí)現(xiàn)對(duì)電力設(shè)備故障區(qū)域的分割和標(biāo)記。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的算法與原始SLIC算法相比,邊緣召回率提高了4.10%,對(duì)故障區(qū)域的分割更具優(yōu)勢(shì)。

　　推薦文獻(xiàn)：電力設(shè)備檢修新應(yīng)用措施制度

如果您現(xiàn)在遇到期刊選擇、論文內(nèi)容改善、論文投稿周期長(zhǎng)、難錄用、多次退修、多次被拒等問題，可以告訴學(xué)術(shù)顧問，解答疑問同時(shí)給出解決方案 。