MARC

 008260126s2024        us                              c    eng  d
■001000017360303
■00520260202105504
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263325909
■035    ▼a(MiAaPQ)AAI32307971
■035    ▼a(MiAaPQ)GeorgiaTech78552
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a690
■1001  ▼aGuo,  Ning.
■24510▼aNon-Invasive  Arc  Duration  Measurement  based  on  Different  Physical  Emissions
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a179  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Graber,  Lukas.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  objective  of  this  research  is  to  develop  a  robust  online  non-invasive  arc  duration  measurement  method  in  the  substation,  which  is  a  critical  factor  for  circuit  breaker  online  contact  erosion  estimation  and  implementation  of  condition-based  and  reliability-centered  maintenance  practices.  In  this  research,  different  arc  duration  measurement  methods  using  various  physical  signals,  including  very-low-frequency  and  low-frequency  magnetic  field,  vibration,  and  sound  signals  are  proposed.  Each  method,  however,  has  its  limitations.  For  the  method  based  on  very-low-frequency  and  low-frequency  magnetic  field,  although  the  waveform  signatures  can  indicate  the  arc  initiation  and  extinction  time,  their  susceptibility  to  contact  geometry  changes  caused  by  contact  erosion  restricts  the  application  scenarios  of  this  method.  The  domain-adaptive  method  based  on  vibration  and  sound  signals,  on  the  other  hand,  can  achieve  a  high  accuracy  (below  0.2  ms)  comparable  to  existing  techniques  and  exhibit  robustness  against  noise  interference  and  domain  shift,  which  existing  methods  lack.  However,  the  method  requires  representative  substation  data  to  train  neural  networks.  Eventually,  a  decision-level  fusion  strategy  is  proposed.  This  strategy  can  combine  existing  and  proposed  methods  to  address  the  limitations  that  cannot  be  solved  by  a  single  method  individually  and  enhance  the  accuracy  and  robustness  of  arc  duration  measurement  in  the  substation.
■590    ▼aSchool  code:  0078.
■650  4▼aCooling
■650  4▼aWavelet  transforms
■650  4▼aMagnetic  fields
■650  4▼aElectric  fields
■650  4▼aMetal  fatigue
■650  4▼aNeural  networks
■650  4▼aAdaptation
■650  4▼aCopper
■650  4▼aDesign
■650  4▼aAdhesive  wear
■650  4▼aHeat
■650  4▼aGas  flow
■650  4▼aAtoms  &  subatomic  particles
■650  4▼aAtomic  physics
■650  4▼aMaterials  science
■650  4▼aMathematics
■650  4▼aElectromagnetics
■690    ▼a0389
■690    ▼a0800
■690    ▼a0748
■690    ▼a0794
■690    ▼a0405
■690    ▼a0607
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360303▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서