基于多物理量的電纜缺陷識別方法及裝置與流程

本發(fā)明涉及一種基于多物理量的電纜缺陷識別方法及裝置，屬于電纜維護(hù)。

背景技術(shù)：

1、隨著電力輸送系統(tǒng)的發(fā)展，電纜作為一種重要的輸電設(shè)備，其安全性和可靠性日益受到重視。然而，由于各種原因，如制造過程中的瑕疵、材料老化等，電纜在使用過程中可能會出現(xiàn)故障，導(dǎo)致安全事故的發(fā)生。因此，對電纜進(jìn)行定期檢查和故障診斷顯得尤為重要。

2、電纜缺陷識別旨在確保電力系統(tǒng)中電纜的安全運行，減少因電纜故障導(dǎo)致的停電事件。目前多數(shù)方法通過單一電纜參數(shù)進(jìn)行特征提取和識別，像是超聲波檢測局放通過將超聲波探頭貼合在電纜表面，利用超聲波的反射和折射原理來檢測局放進(jìn)而判定電纜內(nèi)部的缺陷，如裂紋缺陷等。同時也有根據(jù)聲紋檢測技術(shù)并將聲紋轉(zhuǎn)為mfcc譜圖輸入到深度學(xué)習(xí)模型中識別缺陷。

3、但目前對于電纜多物理量的特征充分融合還未深入研究，同時對多物理量的特征融合如何考量到時序數(shù)據(jù)的圖像化也需進(jìn)一步探討。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于多物理量的電纜缺陷識別方法及裝置，能夠增強(qiáng)反映電纜運行缺陷的性能，提高電纜缺陷識別的準(zhǔn)確性。

2、本發(fā)明為解決其技術(shù)問題所采取的技術(shù)方案是：

3、第一方面，本發(fā)明實施例提供的一種基于多物理量的電纜缺陷識別方法，包括如下步驟：

4、步驟s1，獲取電纜的多物理量時序數(shù)據(jù)，所述時序數(shù)據(jù)包括溫度數(shù)據(jù)、局放脈沖數(shù)據(jù)和聲紋數(shù)據(jù)；

5、步驟s2，將時序數(shù)據(jù)轉(zhuǎn)換為jg-dct圖像，并將jg-dct圖像輸入神經(jīng)網(wǎng)絡(luò)，提取第一特征合成映射向量；

6、步驟s3，將多物理量時序數(shù)據(jù)輸入dnet網(wǎng)絡(luò)，得到時序特征向量，將第一特征合成映射向量輸入enet網(wǎng)絡(luò)，得到第二特征合成映射向量，并將第二特征合成映射向量和時序特征向量進(jìn)行拼接，得到hybrid特征向量；

7、步驟s4，將hybrid特征向量輸入fnet網(wǎng)絡(luò)，得到第三特征合成映射向量；

8、步驟s5，將第三特征合成映射向量輸入gnet網(wǎng)絡(luò)，得到第四特征合成映射向量；

9、步驟s6，選取正負(fù)樣本進(jìn)行對比學(xué)習(xí)并對dnet網(wǎng)絡(luò)、enet網(wǎng)絡(luò)和fnet網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)，得到預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重；

10、步驟s7，將gnet網(wǎng)絡(luò)替換為多層感知機(jī)模型，并基于預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重和第四特征合成映射向量進(jìn)行電纜缺陷識別的監(jiān)督訓(xùn)練，輸出電纜缺陷類型。

11、作為本實施例一種可能的實現(xiàn)方式，所述將時序數(shù)據(jù)轉(zhuǎn)換為jg-dct圖像，包括如下步驟：

12、從多物理量的時間序列s(x)中按照間隔n提取一個窗口序列l(wèi)(n)，其中0<n<n=w2，w代表生成圖像的寬度；

13、通過下列公式將多物理量的時間序列構(gòu)造為多個g圖像：

14、，

15、，

16、其中，p為g圖像，(l,c)為g圖像的橫縱坐標(biāo)索引值，min(l)、max(l)分別為窗口序列的最大值和最小值；

17、通過多個物理量所對應(yīng)的多個g圖像元素均值池化得到j(luò)g圖像：

18、，

19、其中，(x,y)為jg圖像的橫縱坐標(biāo)索引，m為物理量個數(shù)。

20、作為本實施例一種可能的實現(xiàn)方式，所述將時序數(shù)據(jù)轉(zhuǎn)換為jg-dct圖像，還包括如下步驟：

21、得到j(luò)g圖像矩陣后，根據(jù)下列公式進(jìn)行二維dct變換得到j(luò)g-dct圖像：

22、，

23、，

24、其中，jg_d(u,v)表示jg圖像經(jīng)過二維dct變換后的jg-dct圖像上的像素，c(u,v)是轉(zhuǎn)換核函數(shù)；

25、將jg-dct圖像輸入神經(jīng)網(wǎng)絡(luò)，輸出第一特征合成映射向量，所述第一特征合成映射向量的維度為1024。

26、作為本實施例一種可能的實現(xiàn)方式，所述dnet網(wǎng)絡(luò)包括第一殘差網(wǎng)絡(luò)模塊、第二殘差網(wǎng)絡(luò)模塊、第三殘差網(wǎng)絡(luò)模塊、第四殘差網(wǎng)絡(luò)模塊、第一池化模塊、第二池化模塊、第三池化模塊和第一全連接層，所述的第一殘差網(wǎng)絡(luò)模塊、第二殘差網(wǎng)絡(luò)模塊和第一池化模塊組成第一映射模塊、所述的第三殘差網(wǎng)絡(luò)模塊和第二池化模塊組成第二映射模塊、所述的第四殘差網(wǎng)絡(luò)模塊和第三池化模塊組成第三映射模塊，將多物理量時序數(shù)據(jù)作為dnet網(wǎng)絡(luò)的第一映射模塊的輸入，所述第一映射模塊的輸出作為第二映射模塊的輸入，所述第二映射模塊的輸出作為第三映射模塊的輸入，所述第三映射模塊的輸出作為第一全連接層的輸入，第一全連接層輸出維度為512的時序特征向量。

27、作為本實施例一種可能的實現(xiàn)方式，所述enet網(wǎng)絡(luò)包括第二全連接層，所述第一特征合成映射向量作為第二全連接層的輸入，第二全連接層輸出維度為512的第二特征合成映射向量。

28、作為本實施例一種可能的實現(xiàn)方式，所述hybrid特征向量的維度為1024，它是通過將時序特征向量和第二特征合成映射向量內(nèi)置交叉拼接得到：

29、，

30、其中，c(2n)為hybrid特征向量，為時序特征向量，為第二特征合成映射向量。

31、作為本實施例一種可能的實現(xiàn)方式，所述fnet網(wǎng)絡(luò)包括第三全連接層，將hybrid特征向量作為第三全連接層的輸入，第三全連接層輸出維度為512的第三特征合成映射向量。

32、作為本實施例一種可能的實現(xiàn)方式，所述gnet網(wǎng)絡(luò)包括第四全連接層，第三特征合成映射向量作為第四全連接層的輸入，第四全連接層輸出維度為32的第四特征合成映射向量。

33、作為本實施例一種可能的實現(xiàn)方式，所述步驟s6，包括如下步驟：

34、基于采集的多物理量時序數(shù)據(jù)選取n個相同類別的正負(fù)樣本；

35、對選取的正負(fù)樣本依次采用步驟s2-步驟s5方法進(jìn)行處理，得到第四特征合成映射向量；

36、構(gòu)建下列損失函數(shù)并進(jìn)行對比學(xué)習(xí)：

37、，

38、，

39、其中，sim(*)為特征相似度函數(shù)，分別為第2k-1和第2k個第四特征合成映射向量，為權(quán)重參數(shù)；

40、通過梯度下降法對dnet網(wǎng)絡(luò)、enet網(wǎng)絡(luò)和fnet網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)。

41、作為本實施例一種可能的實現(xiàn)方式，在進(jìn)行對比學(xué)習(xí)過程中，當(dāng)選取n個正樣本即相同類別的多物理量時序數(shù)據(jù)生成的第四特征合成映射向量進(jìn)行對比學(xué)習(xí)時，以最小化損失函數(shù)作為微調(diào)依據(jù)；

42、當(dāng)選取n個負(fù)樣本即相同類別的多物理量時序數(shù)據(jù)生成的第四特征合成映射向量進(jìn)行對比學(xué)習(xí)時，以最大化所述的損失函數(shù)作為微調(diào)依據(jù)。

43、第二方面，本發(fā)明實施例提供的一種基于多物理量的電纜缺陷識別裝置，包括：

44、數(shù)據(jù)采集模塊，用于步獲取電纜的多物理量時序數(shù)據(jù)，所述時序數(shù)據(jù)包括溫度數(shù)據(jù)、局放脈沖數(shù)據(jù)和聲紋數(shù)據(jù)；

45、神經(jīng)網(wǎng)絡(luò)模塊，用于將時序數(shù)據(jù)轉(zhuǎn)換為jg-dct圖像，并將jg-dct圖像輸入神經(jīng)網(wǎng)絡(luò)，提取第一特征合成映射向量；

46、enet網(wǎng)絡(luò)模塊，用于將多物理量時序數(shù)據(jù)輸入dnet網(wǎng)絡(luò)，得到時序特征向量，將第一特征合成映射向量輸入enet網(wǎng)絡(luò)，得到第二特征合成映射向量，并將第二特征合成映射向量和時序特征向量進(jìn)行拼接，得到hybrid特征向量；

47、fnet網(wǎng)絡(luò)模塊，用于將hybrid特征向量輸入fnet網(wǎng)絡(luò)，得到第三特征合成映射向量；

48、gnet網(wǎng)絡(luò)模塊，用于將第三特征合成映射向量輸入gnet網(wǎng)絡(luò)，得到第四特征合成映射向量；

49、權(quán)重微調(diào)模塊，用于選取正負(fù)樣本進(jìn)行對比學(xué)習(xí)并對dnet網(wǎng)絡(luò)、enet網(wǎng)絡(luò)和fnet網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)，得到預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重；

50、多層感知機(jī)模塊，用于將gnet網(wǎng)絡(luò)替換為多層感知機(jī)模型，并基于預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重和第四特征合成映射向量進(jìn)行電纜缺陷識別的監(jiān)督訓(xùn)練，輸出電纜缺陷類型。

51、作為本實施例一種可能的實現(xiàn)方式，所述神經(jīng)網(wǎng)絡(luò)模塊將時序數(shù)據(jù)轉(zhuǎn)換為jg-dct圖像的具體過程如下：

52、從多物理量的時間序列s(x)中按照間隔n提取一個窗口序列l(wèi)(n)，其中0<n<n=w2，w代表生成圖像的寬度；

53、通過下列公式將多物理量的時間序列構(gòu)造為多個g圖像：

54、，

55、，

56、其中，p為g圖像，(l,c)為g圖像的橫縱坐標(biāo)索引值，min(l)、max(l)分別為窗口序列的最大值和最小值；

57、通過多個物理量所對應(yīng)的多個g圖像元素均值池化得到j(luò)g圖像：

58、，

59、其中，(x,y)為jg圖像的橫縱坐標(biāo)索引，m為物理量個數(shù)；

60、得到j(luò)g圖像矩陣后，根據(jù)下列公式進(jìn)行二維dct變換得到j(luò)g-dct圖像：

61、，

62、，

63、其中，jg_d(u,v)表示jg圖像經(jīng)過二維dct變換后的jg-dct圖像上的像素，c(u,v)是轉(zhuǎn)換核函數(shù)；

64、將jg-dct圖像輸入神經(jīng)網(wǎng)絡(luò)，輸出第一特征合成映射向量，所述第一特征合成映射向量的維度為1024。

65、作為本實施例一種可能的實現(xiàn)方式，所述dnet網(wǎng)絡(luò)包括第一殘差網(wǎng)絡(luò)模塊、第二殘差網(wǎng)絡(luò)模塊、第三殘差網(wǎng)絡(luò)模塊、第四殘差網(wǎng)絡(luò)模塊、第一池化模塊、第二池化模塊、第三池化模塊和第一全連接層，所述的第一殘差網(wǎng)絡(luò)模塊、第二殘差網(wǎng)絡(luò)模塊和第一池化模塊組成第一映射模塊、所述的第三殘差網(wǎng)絡(luò)模塊和第二池化模塊組成第二映射模塊、所述的第四殘差網(wǎng)絡(luò)模塊和第三池化模塊組成第三映射模塊，將多物理量時序數(shù)據(jù)作為dnet網(wǎng)絡(luò)的第一映射模塊的輸入，所述第一映射模塊的輸出作為第二映射模塊的輸入，所述第二映射模塊的輸出作為第三映射模塊的輸入，所述第三映射模塊的輸出作為第一全連接層的輸入，第一全連接層輸出維度為512的時序特征向量。

66、作為本實施例一種可能的實現(xiàn)方式，所述enet網(wǎng)絡(luò)包括第二全連接層，所述第一特征合成映射向量作為第二全連接層的輸入，第二全連接層輸出維度為512的第二特征合成映射向量。

67、作為本實施例一種可能的實現(xiàn)方式，所述hybrid特征向量的維度為1024，它是通過將時序特征向量和第二特征合成映射向量內(nèi)置交叉拼接得到：

68、，

69、其中，c(2n)為hybrid特征向量，為時序特征向量，為第二特征合成映射向量。

70、作為本實施例一種可能的實現(xiàn)方式，所述fnet網(wǎng)絡(luò)包括第三全連接層，將hybrid特征向量作為第三全連接層的輸入，第三全連接層輸出維度為512的第三特征合成映射向量。

71、作為本實施例一種可能的實現(xiàn)方式，所述gnet網(wǎng)絡(luò)包括第四全連接層，第三特征合成映射向量作為第四全連接層的輸入，第四全連接層輸出維度為32的第四特征合成映射向量。

72、作為本實施例一種可能的實現(xiàn)方式，所述權(quán)重微調(diào)模塊得到預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重的具體過程如下：

73、基于采集的多物理量時序數(shù)據(jù)選取n個相同類別的正負(fù)樣本；

74、對選取的正負(fù)樣本依次采用步驟s2-步驟s5方法進(jìn)行處理，得到第四特征合成映射向量；

75、構(gòu)建下列損失函數(shù)并進(jìn)行對比學(xué)習(xí)：

76、，

77、，

78、其中，sim(*)為特征相似度函數(shù)，分別為第2k-1和第2k個第四特征合成映射向量，為權(quán)重參數(shù)；

79、通過梯度下降法對dnet網(wǎng)絡(luò)、enet網(wǎng)絡(luò)和fnet網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)。

80、作為本實施例一種可能的實現(xiàn)方式，在進(jìn)行對比學(xué)習(xí)過程中，當(dāng)選取n個正樣本即相同類別的多物理量時序數(shù)據(jù)生成的第四特征合成映射向量進(jìn)行對比學(xué)習(xí)時，以最小化損失函數(shù)作為微調(diào)依據(jù)；

81、當(dāng)選取n個負(fù)樣本即相同類別的多物理量時序數(shù)據(jù)生成的第四特征合成映射向量進(jìn)行對比學(xué)習(xí)時，以最大化所述的損失函數(shù)作為微調(diào)依據(jù)。

82、本發(fā)明實施例的技術(shù)方案所產(chǎn)生的有益效果如下：

83、本發(fā)明實施例的技術(shù)方案的一種基于多物理量的電纜缺陷識別方法，包括如下步驟：步驟s1，獲取電纜的多物理量時序數(shù)據(jù)，所述時序數(shù)據(jù)包括溫度數(shù)據(jù)、局放脈沖數(shù)據(jù)和聲紋數(shù)據(jù)；步驟s2，將時序數(shù)據(jù)轉(zhuǎn)換為jg-dct圖像，并將jg-dct圖像輸入神經(jīng)網(wǎng)絡(luò)，提取第一特征合成映射向量；步驟s3，將多物理量時序數(shù)據(jù)輸入dnet網(wǎng)絡(luò)，得到時序特征向量，將第一特征合成映射向量輸入enet網(wǎng)絡(luò)，得到第二特征合成映射向量，并將第二特征合成映射向量和時序特征向量進(jìn)行拼接，得到hybrid特征向量；步驟s4，將hybrid特征向量輸入fnet網(wǎng)絡(luò)，得到第三特征合成映射向量；步驟s5，將第三特征合成映射向量輸入gnet網(wǎng)絡(luò)，得到第四特征合成映射向量；步驟s6，選取正負(fù)樣本進(jìn)行對比學(xué)習(xí)并對dnet網(wǎng)絡(luò)、enet網(wǎng)絡(luò)和fnet網(wǎng)絡(luò)的權(quán)重進(jìn)行微調(diào)，得到預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重；步驟s7，將gnet網(wǎng)絡(luò)替換為多層感知機(jī)模型，并基于預(yù)訓(xùn)練的網(wǎng)絡(luò)權(quán)重和第四特征合成映射向量進(jìn)行電纜缺陷識別的監(jiān)督訓(xùn)練，輸出電纜缺陷類型。本發(fā)明在電纜缺陷識別中有著高靈敏度和高分辨能力，通過多物理量和多模態(tài)的特征融合來增強(qiáng)反映電纜運行缺陷的性能，同時利用對比學(xué)習(xí)從多模態(tài)融合數(shù)據(jù)中學(xué)習(xí)有意義的表示，通過生成正負(fù)樣本對模型進(jìn)行預(yù)訓(xùn)練，隨后微調(diào)應(yīng)用于下游任務(wù)，以達(dá)到與監(jiān)督學(xué)習(xí)相當(dāng)?shù)淖R別精度。本發(fā)明增強(qiáng)了反映電纜運行缺陷的性能，提高了電纜缺陷識別的準(zhǔn)確性。

84、本發(fā)明通過將時序信號的時間序列數(shù)據(jù)轉(zhuǎn)換為圖像，特別是通過聯(lián)合g編碼和dct變換方法，使得不同的缺陷數(shù)據(jù)特征更為可視化；本發(fā)明通過設(shè)計獨特的對比學(xué)習(xí)架構(gòu)，實現(xiàn)了信號與關(guān)鍵特征的有效融合，并維持了模態(tài)間的平衡；利用對比學(xué)習(xí)架構(gòu)，本發(fā)明從多模態(tài)融合數(shù)據(jù)中學(xué)習(xí)有意義的表示，這有助于增強(qiáng)時序信號的表示能力，提高了電纜缺陷識別的準(zhǔn)確性。對比學(xué)習(xí)通過生成正負(fù)樣本進(jìn)行預(yù)訓(xùn)練，之后對網(wǎng)絡(luò)進(jìn)行微調(diào)，以執(zhí)行下游任務(wù)，本發(fā)明這種方法在識別精度上接近甚至達(dá)到有監(jiān)督學(xué)習(xí)的水平。