英文翻译

电气信号通常是一个几十毫伏的顺序，是与他们的电气噪声信号也可以通过小尖峰，这是由于细胞中的杂散电容和范围的输入电容的影响。

在获得一个给定的分类网络，网络参数需要改变，直到达到最佳的。这可能是一个耗时和复杂的过程。这里给出的结果是一个迭代的过程中找到最佳的网络架构的结果。

在第一个实例中，网络被训练来区分干净的油和油含有污染物颗粒的排放。在声学和电气信号中，这被证明是一个相对简单的过程。记录下60个电气和60个声信号，其中一半是从清洁的油，其余的是从石油与污染物颗粒。数据被分割成火车：测试集的比例为4：1。40- 9 - 2的网络的网络被到100%的精度，为电动和声学信号。测试数据也被确定正确100%。

下一阶段是尝试和不同大小的颗粒区别对待。60信号被记录，电气和声学的版本中，用于与排油由每个三种不同粒径的污染：12，45和100微米。改进/测试1：组信号被分裂的比例4：1。在这种情况下的人工神经网络进行与声信号比与电的好。声音信号尺寸30-9-3的网络进行训练，以100％的准确率，实现了超过94％的准确率与测试数据。用收集到的数据网络的随机测试随后维持近95％的准确的检验水平。用的电信号，一个30- 9 - 93网络取得的训练95％的准

确率，以及90％以上的测试数据。随机采取后续的测试数据并没有达到90％的成功率，但保持了88％的水平。

论述

给定的电信号的幅度，以及低信噪比，以电信号的结果是非常令人鼓舞的。一个可能的原因缺乏识别可以是颗粒尺寸的传播。100μm颗粒，例如，具有在30 -120μm范围内的粒度分布。这显然意味着某种程度与其他类颗粒重叠。然而，这并不解释为什么信号声工作成功判别。

用声信号结果会更好。这可能是一个更好的信噪比的结果，尽管只有约1％的电能被产生作为声能。

尽管当眼睛检查其无论是在时间或频率域没有显然的差异信号，ANN判别表现良好。从排放清洁油衍生的信号的存在没有降低网络的性能，这意味着它们容易从那些与污染物颗粒产生区别。

这将是有趣继续努力粒子的材料，并在油中可能的化学污染物区分这一工作。

结论

结果表明，在油中不同尺寸的微粒污染物可利用记录放电信号的频谱的分析来识别。网络参数的闭环控制需要产生良好的效果。声信号产生比电信号更好的结果，可能是因为其较高的信号的信噪比。

致谢词

感谢支持这项工作的英国国家电网公司。

参考文献

1.Okamoto T., Tanaka T., “Partial Discharge Pattem Recognition for Three Kinds of Model Electrodes with a Neural Network, International Conference on Partial Discharges, Canterbury, UK, 1993.

2.Phung B .T, Blackbum T.R., James R. E .“ The Use of Artificial Neural Networks in Discriminating Partial Discharge Patterns”, 6th DMMA Conference, Manchester, UK, 1992.

3.McGrail A.J., Auckland D.W., Varlow B.R. “Detecting and classlfling flaws within insulating materials using ultrasound”, IEEE Symposium on Electrical Insulation, Pittsburgh, Pennsylvania, 1994.

4.Krasucki Z. “Particle impurities and their effects on high field conduction and breakdown in pure liquids” 4th ICDL Conference, Dublin, 1992.

5.Zinoulis T., Argmkis I., Auckland D. W., Chadband W.G.,“The role of particles in discharge initiation in liquids” 1 1 ICDL Conference, Baden-DaeMvil, Switzerland , 1 993.

6. Rain P, Tobazeon R, “Behaviour of free conducting particles and their role on breakdown in oils under AC and DC voltages”, 6th DMMA Conference, Manchester, UK, 1992.

7.Zhu D., McGrail , Auckland D.W., Varlow B.R.”Partial Discharge detection in cable termination using acoustic emmission techniques and adaptive signal processing”, EEE Symposium on Electrical Insulation, Pittsburgh, Pennsylvania, 1994.

8.Simpson P K. ‘‘Artificial neural systems: foundations, paradigms, applications and implementations”, Pergamon Press, New York, 1990.