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。

背景技術：

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，導致安全事故的發(fā)生。因此，對電纜進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，減少因電纜故障導致的停電事件。目前多數(shù)方法通過單一電纜參數(shù)進行特征提取和識別，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而判定電纜內部的缺陷，如裂紋缺陷等。同時也有根據(jù)聲紋檢測技術并將聲紋轉為mfcc譜圖輸入到深度學習模型中識別缺陷。

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)的圖像化也需進一步探討。

技術實現(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，能夠增強反映電纜運行缺陷的性能，提高電纜缺陷識別的準確性。

2、本發(fā)明為解決其技術問題所采取的技術方案是：

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)轉換為jg-dct圖像，并將jg-dct圖像輸入神經(jīng)網(wǎng)絡，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，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，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，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，得到第四特征合成映射向量；

9、步驟s6，選取正負樣本進行對比學習并對dnet網(wǎng)絡、enet網(wǎng)絡和fnet網(wǎng)絡的權重進行微調，得到預訓練的網(wǎng)絡權重；

10、步驟s7，將gnet網(wǎng)絡替換為多層感知機模型，并基于預訓練的網(wǎng)絡權重和第四特征合成映射向量進行電纜缺陷識別的監(jiān)督訓練，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的多個g圖像元素均值池化得到jg圖像：

18、，

19、其中，(x,y)為jg圖像的橫縱坐標索引，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)轉換為jg-dct圖像，還包括如下步驟：

21、得到jg圖像矩陣后，根據(jù)下列公式進行二維dct變換得到jg-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)是轉換核函數(shù)；

25、將jg-dct圖像輸入神經(jīng)網(wǎng)絡，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)絡包括第一殘差網(wǎng)絡模塊、第二殘差網(wǎng)絡模塊、第三殘差網(wǎng)絡模塊、第四殘差網(wǎng)絡模塊、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)絡模塊、第二殘差網(wǎng)絡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個相同類別的正負樣本；

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

36、構建下列損失函數(shù)并進行對比學習：

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，為權重參數(shù)；

40、通過梯度下降法對dnet網(wǎng)絡、enet網(wǎng)絡和fnet網(wǎng)絡的權重進行微調。

41、作為本實施例一種可能的實現(xiàn)方式，在進行對比學習過程中，當選取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行對比學習時，以最小化損失函數(shù)作為微調依據(jù)；

42、當選取n個負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行對比學習時，以最大化所述的損失函數(shù)作為微調依據(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)絡模塊，用于將時序數(shù)據(jù)轉換為jg-dct圖像，并將jg-dct圖像輸入神經(jīng)網(wǎng)絡，提取第一特征合成映射向量；

46、enet網(wǎng)絡模塊，用于將多物理量時序數(shù)據(jù)輸入dnet網(wǎng)絡，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，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行拼接，得到hybrid特征向量；

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

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

49、權重微調模塊，用于選取正負樣本進行對比學習并對dnet網(wǎng)絡、enet網(wǎng)絡和fnet網(wǎng)絡的權重進行微調，得到預訓練的網(wǎng)絡權重；

50、多層感知機模塊，用于將gnet網(wǎng)絡替換為多層感知機模型，并基于預訓練的網(wǎng)絡權重和第四特征合成映射向量進行電纜缺陷識別的監(jiān)督訓練，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)絡模塊將時序數(shù)據(jù)轉換為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的多個g圖像元素均值池化得到jg圖像：

58、，

59、其中，(x,y)為jg圖像的橫縱坐標索引，m為物理量個數(shù)；

60、得到jg圖像矩陣后，根據(jù)下列公式進行二維dct變換得到jg-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)是轉換核函數(shù)；

64、將jg-dct圖像輸入神經(jīng)網(wǎng)絡，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)絡包括第一殘差網(wǎng)絡模塊、第二殘差網(wǎng)絡模塊、第三殘差網(wǎng)絡模塊、第四殘差網(wǎng)絡模塊、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)絡模塊、第二殘差網(wǎng)絡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，所述權重微調模塊得到預訓練的網(wǎng)絡權重的具體過程如下：

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

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

75、構建下列損失函數(shù)并進行對比學習：

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，為權重參數(shù)；

79、通過梯度下降法對dnet網(wǎng)絡、enet網(wǎng)絡和fnet網(wǎng)絡的權重進行微調。

80、作為本實施例一種可能的實現(xiàn)方式，在進行對比學習過程中，當選取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行對比學習時，以最小化損失函數(shù)作為微調依據(jù)；

81、當選取n個負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行對比學習時，以最大化所述的損失函數(shù)作為微調依據(jù)。

82、本發(fā)明實施例的技術方案所產(chǎn)生的有益效果如下：

83、本發(fā)明實施例的技術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)轉換為jg-dct圖像，并將jg-dct圖像輸入神經(jīng)網(wǎng)絡，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，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，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，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，得到第四特征合成映射向量；步驟s6，選取正負樣本進行對比學習并對dnet網(wǎng)絡、enet網(wǎng)絡和fnet網(wǎng)絡的權重進行微調，得到預訓練的網(wǎng)絡權重；步驟s7，將gnet網(wǎng)絡替換為多層感知機模型，并基于預訓練的網(wǎng)絡權重和第四特征合成映射向量進行電纜缺陷識別的監(jiān)督訓練，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)的特征融合來增強反映電纜運行缺陷的性能，同時利用對比學習從多模態(tài)融合數(shù)據(jù)中學習有意義的表示，通過生成正負樣本對模型進行預訓練，隨后微調應用于下游任務，以達到與監(jiān)督學習相當?shù)淖R別精度。本發(fā)明增強了反映電纜運行缺陷的性能，提高了電纜缺陷識別的準確性。

84、本發(fā)明通過將時序信號的時間序列數(shù)據(jù)轉換為圖像，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)明通過設計獨特的對比學習架構，實現(xiàn)了信號與關鍵特征的有效融合，并維持了模態(tài)間的平衡；利用對比學習架構，本發(fā)明從多模態(tài)融合數(shù)據(jù)中學習有意義的表示，這有助于增強時序信號的表示能力，提高了電纜缺陷識別的準確性。對比學習通過生成正負樣本進行預訓練，之后對網(wǎng)絡進行微調，以執(zhí)行下游任務，本發(fā)明這種方法在識別精度上接近甚至達到有監(jiān)督學習的水平。