数据驱动的高压电缆铝护套缺陷识别方法、系统及介质与流程

阅读：评论：0

1.本发明涉及无损检测技术领域，特别涉及一种数据驱动的高压电缆铝护套缺陷识别方法、系统及介质。

背景技术：

2.在电力系统中，高压电缆是重要组成部分，也是需求量最大的部分，其由导体、绝缘层、屏蔽层和保护层四部分组成。保护层分为外护层和内护层。外护层一般为pvc绝缘材料，内护层一般为金属层，常用的为皱纹铝护套。由于在安装过程和长期暴露在复杂工况中，电缆的防水能力会大大下降，在工作的过程中会产生电化学腐蚀，使得皱纹铝护套表面产生腐蚀缺陷，严重时可能会使电缆产生短路并产生重大事故。铝护套被绝缘层包裹，传统的检测方法无法检测到铝护套的腐蚀损伤，故引入超声导波检测技术对电缆铝护套损伤进行检测是现有技术的热门方向。
3.随着人工智能的快速发展，分类器、神经网络等方法得到了广泛的应用。然而，由于导波的多模态和频散特性以及噪声对导波信号的干扰，致使导波数据呈现出多样化、大规模、高维度等特征，其中虽蕴含了内容丰富的规律与信息，但它们往往被大量的冗余数据所掩盖，难以直观观察得到。这也导致传统的数据驱动算法不能够捕捉到超声导波信号与关键特征之间的复杂关系，同时还会带来识别精度低、计算量过大等诸多问题。

技术实现要素：

4.有鉴于此，本发明的第一个目的在于提供一种数据驱动的高压电缆铝护套缺陷识别方法，通过引入降维矩阵，将超声导波原始信号进行重构以实现数据降维，减少超声导波原始信号中的冗余信息，同时使得超声导波原始信号中腐蚀缺陷的相关信息损失少，并构建基于电缆铝护套缺陷识别神经网络模型对电缆铝护套缺陷进行识别，提高了高压电缆铝护套缺陷识别的计算精确度和计算效率。
5.基于同样的发明构思，本发明的第二个目的在于提供一种数据驱动的高压电缆铝护套缺陷识别系统。
6.基于同样的发明构思，本发明的第三个目的在于提供一种存储介质。
7.本发明的第一个目的可以通过如下技术方案达到：
8.一种数据驱动的高压电缆铝护套缺陷识别方法，包括以下步骤：
9.构建电缆铝护套腐蚀模拟样本，获取电缆铝护套腐蚀模拟样本的超声导波原始信号；
10.将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本；
11.将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构；
12.构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；
13.利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别。
14.进一步的，电缆铝护套腐蚀缺陷样本包括均匀腐蚀、点蚀、丝状腐蚀缺陷样本，通过人工使用重物块模拟或收集实际腐蚀缺陷样本得到。
15.进一步的，将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本，包括以下步骤：
16.为使采集到的导波信号幅值具有相同的数值尺度，避免信号重构网络偏置提取具有较大幅值特征的信号，对每个信号的幅值尺度进行归一化处理，归一化表达式如下：
[0017][0018]
其中，bi表示第i个信号的幅值，b
max
表示信号的最大值，b
min
表示信号的最小值；
[0019]
得到n个训练样本，记为[x1,x2,...,xn]；n个测试样本，记为[y1,y2,...,yn]。
[0020]
进一步的，将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构，包括以下步骤：
[0021]
计算距离矩阵，融合训练样本和测试样本导波信号的时频信息；
[0022]
构造最优化问题目标函数，求解降维矩阵；
[0023]
使用降维矩阵重构训练样本和测试样本。
[0024]
进一步的，计算距离矩阵，融合训练样本和测试样本导波信号的时频信息，距离矩阵m通过如下表达式计算得到：
[0025][0026]
其中，m
i,j
表示距离矩阵m第i行第j列的元素，表示不同样本之间时频信息振幅差值，m为控制时频信息振幅差值权重的参数权重参数。
[0027]
进一步的，最优化问题的表达式为：
[0028][0029]
s.t.pp
t
＝e
[0030]
其中，p表示降维矩阵，x表示训练样本，y表示测试样本，a表示矩阵p获得的判别特征的表示系数，
⊙
表示hadamard算子，m表示距离矩阵，j表示构建距离矩阵m的辅助变量，λ1和λ2为调节训练样本和测试样本权重的两个参数，e为单位矩阵，f为原始维度，τ为调节辅助变量大小的参数，i表示信号时频图集，i＝[x；y]＝[x1,x2,...,xn；y1,y2,...,yn]∈rd×
(n+n)
。
[0031]
进一步的，电缆铝护套缺陷识别神经网络模型为基于gru的循环神经网络模型，或基于lstm的循环神经网络模型。
[0032]
进一步的，电缆铝护套缺陷识别神经网络模型为基于gru的循环神经网络模型。
[0033]
本发明的第二个目的可以通过如下技术方案达到：
[0034]
一种数据驱动的高压电缆铝护套缺陷识别系统，包括：
[0035]
样本构建模块，用于构建电缆铝护套腐蚀模拟样本；
[0036]
数据获取模块，获取超声导波原始信号；
[0037]
预处理模块，用于将采集到的超声导波原始信号进行预处理，制作训练样本和测
试样本；
[0038]
降维重构模块，用于将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构；
[0039]
模型训练模块，用于构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；
[0040]
模型识别模块，用于利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别。
[0041]
本发明的第三个目的可以通过如下技术方案达到：
[0042]
一种存储介质，存储有程序，所述程序被计算机执行时，实现上述的数据驱动的高压电缆铝护套缺陷识别方法。
[0043]
本发明相对于现有技术具有如下的有益效果：
[0044]
(1)本发明通过引入降维矩阵，将超声导波原始信号进行重构以实现数据降维，减少超声导波原始信号中的冗余信息，提高了高压电缆铝护套缺陷识别的计算效率。
[0045]
(2)本发明将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构，本发明的重构方法使得超声导波原始信号中的冗余信息在减少的同时，实现更少的超声导波原始信号中腐蚀缺陷的相关信息损失，提高了高压电缆铝护套缺陷识别的计算精确度。
[0046]
(3)本发明构建基于gru的循环神经网络模型，使用基于gru的循环神经网络模型对重构样本进行训练和识别，解决了长期记忆和反向传播中的梯度等问题，使高压电缆铝护套缺陷识别的计算精确度和计算效率进一步提高，有利于提高电力系统运行的可靠性及安全性。
附图说明
[0047]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明实施例1的数据驱动的高压电缆铝护套缺陷识别方法的流程图；
[0049]
图2为本发明实施例1的数据驱动的高压电缆铝护套缺陷识别方法的重构网络流程图；
[0050]
图3为本发明实施例1的gru输入输出结构图；
[0051]
图4为本发明实施例1的gru的内部结构图。
具体实施方式
[0052]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
实施例1：
[0054]
如图1所示，本实施例提供了一种数据驱动的高压电缆铝护套缺陷识别方法，包括以下步骤：
[0055]
s10、构建电缆铝护套腐蚀模拟样本，获取电缆铝护套腐蚀模拟样本的超声导波原始信号；
[0056]
本实施例中，电缆铝护套腐蚀缺陷样本包括均匀腐蚀、点蚀、丝状腐蚀缺陷样本，通过人工使用重物块模拟或收集实际腐蚀缺陷样本得到。
[0057]
s20、将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本，具体为：
[0058]
为使采集到的导波信号幅值具有相同的数值尺度，避免信号重构网络偏置提取具有较大幅值特征的信号，对每个信号的幅值尺度进行归一化处理，归一化表达式如下：
[0059][0060]
其中，bi表示第i个信号的幅值，b
max
表示信号的最大值，b
min
表示信号的最小值；
[0061]
得到n个训练样本，记为[x1,x2,...,xn]；n个测试样本，记为[y1,y2,...,yn]。
[0062]
s30、将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构，如图2所示，包括以下步骤：
[0063]
s31、计算距离矩阵，融合训练样本和测试样本导波信号的时频信息；
[0064]
本实施例中，步骤s31的距离矩阵m通过如下表达式计算得到：
[0065][0066]
其中，m
i,j
表示距离矩阵m第i行第j列的元素，表示不同样本之间时频信息振幅差值，m为控制时频信息振幅差值权重的参数权重参数。
[0067]
s32、构造最优化问题目标函数，求解降维矩阵；
[0068]
本实施例中，最优化问题的表达式为：
[0069][0070]
s.t.pp
t
＝e
[0071]
其中，p表示降维矩阵，x表示训练样本，y表示测试样本，a表示矩阵p获得的判别特征的表示系数，
⊙
表示hadamard算子，m表示距离矩阵，j表示构建距离矩阵m的辅助变量，λ1和λ2为调节训练样本和测试样本权重的两个参数，e为单位矩阵，f为原始维度，τ为调节辅助变量大小的参数，i表示信号时频图集，i＝[x；y]＝[x1,x2,...,xn；y1,y2,...,yn]∈rd×
(n+n)
。
[0072]
s33、使用降维矩阵重构训练样本和测试样本，具体的，py为重建的测试样本，px为重建的训练样本。
[0073]
s40、构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；
[0074]
如图3和图4所示，本实施例中，电缆铝护套缺陷识别神经网络模型为基于gru的循环神经网络模型，gru的输入由t时刻的x
t
和t-1时刻的隐藏层状态h
t-1
组成，其中隐藏层状
态包含了之前节点的相关信息，gru的输出由t时刻隐藏节点的输出y
t
和传递给下一个节点的隐状态h
t
组成。
[0075]
通过上一个传输下来的状态h
t-1
和当前节点的输入x
t
来获取两个门控状态，其分别是更新门和重置门。
[0076]
得到门控信号后，首先利用重置门重置h
t-1
，再让h
t-1
和x
t
进行拼接，最后通过一个tanh激活函数将数据放缩到-1～1的范围中，得到
[0077][0078]
这里的主要是包含了当前输入的x
t
数据，有针对性地对添加到当前的隐藏状态，即实现了信息的筛选。
[0079]
对于当前时刻和上一时刻的隐藏单元，重置门决定了如何将新的输入信息与前面的记忆相结合，更新门定义了前面记忆保存到当前时间步的量。
[0080][0081]
其中h
t-1
包含了过去的信息，为候选隐藏状态，z为更新门。这一步的操作就是忘记传递下来的h
t-1
中的某些维度信息，并加入当前节点输入的某些维度信息。z的范围为0～1，门控信号越接近1，代表记忆下来的过去的数据越多；而越接近0则代表遗忘的过去数据越多。
[0082]
本发明的另一个实施例中，电缆铝护套缺陷识别神经网络模型为基于lstm的循环神经网络模型。
[0083]
s50、利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别，包括以下步骤：
[0084]
s51、获取电缆铝护套超声导波原始信号；
[0085]
s52、将采集到的超声导波原始信号进行预处理；
[0086]
s53、使用步骤s32得到的降维矩阵，将超声导波原始信号进行降维和重构；
[0087]
s54、将步骤s53得到的重构信号，输入步骤s40得到的电缆铝护套缺陷识别神经网络模型中，得到电缆铝护套的腐蚀缺陷识别结果。
[0088]
综上所述，本实施例通过引入降维矩阵，将超声导波原始信号进行重构以实现数据降维，减少超声导波原始信号中的冗余信息，提高了高压电缆铝护套缺陷识别的计算效率；本实施例将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构，本发明的重构方法使得超声导波原始信号中的冗余信息在减少的同时，实现更少的超声导波原始信号中腐蚀缺陷的相关信息损失，提高了高压电缆铝护套缺陷识别的计算精确度；本实施例构建基于gru的循环神经网络模型，使用基于gru的循环神经网络模型对重构样本进行训练和识别，使高压电缆铝护套缺陷识别的计算精确度和计算效率进一步提高，有利于提高电力系统运行的可靠性及安全性。
[0089]
实施例2：
[0090]
本实施例提供了一种数据驱动的高压电缆铝护套缺陷识别系统，包括：
[0091]
样本构建模块，用于构建电缆铝护套腐蚀模拟样本；
[0092]
数据获取模块，获取超声导波原始信号；
[0093]
预处理模块，用于将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本；
[0094]
降维重构模块，用于将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构；
[0095]
模型训练模块，用于构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；
[0096]
模型识别模块，用于利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别。
[0097]
也就是说，本实施例的上述各模块中，样本构建模块和数据获取模块配合，实现本发明实施例1的步骤s10；预处理模块用于实现实施例1的步骤s20，降维重构模块用于实现实施例1的步骤s30；模型训练模块用于实现实施例1的步骤s40；模型识别模块和数据获取模块配合，用于实现实施例1的步骤s50。由于步骤s10-s50已在实施例1中进行了详细描述，为了使说明书的描述简洁，本实施例中上述各模块的详细实现过程参见实施例1，不再赘述。
[0098]
实施例3：
[0099]
一种存储介质，存储有程序，所述程序被计算机执行时，实现本发明实施例11＝的数据驱动的高压电缆铝护套缺陷识别方法，包括以下步骤：
[0100]
构建电缆铝护套腐蚀模拟样本，获取电缆铝护套腐蚀模拟样本的超声导波原始信号；
[0101]
将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本；
[0102]
将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构；
[0103]
构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；
[0104]
利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别。
[0105]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0106]
在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的
组合。
[0107]
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如java、python、c++，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0108]
显然，上述所述的实施例只是本发明的一部分实施例，而不是全部实施例，本发明不限于上述实施例的细节，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆视为不脱离本发明的专利范畴。

技术特征：

1.一种数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，包括以下步骤：构建电缆铝护套腐蚀模拟样本，获取电缆铝护套腐蚀模拟样本的超声导波原始信号；将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本；将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构；构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别。2.根据权利要求1所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，电缆铝护套腐蚀缺陷样本包括均匀腐蚀、点蚀、丝状腐蚀缺陷样本，通过人工使用重物块模拟或收集实际腐蚀缺陷样本得到。3.根据权利要求1所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本，包括以下步骤：对每个信号的幅值尺度进行归一化处理，归一化表达式如下：其中，b
i
表示第i个信号的幅值，b
max
表示信号的最大值，b
min
表示信号的最小值；得到n个训练样本，记为[x1,x2,...,x
n
]；n个测试样本，记为[y1,y2,...,y
n
]。4.根据权利要求3所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构，包括以下步骤：计算距离矩阵，融合训练样本和测试样本导波信号的时频信息；构造最优化问题目标函数，求解降维矩阵；使用降维矩阵重构训练样本和测试样本。5.根据权利要求4所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，计算距离矩阵，融合训练样本和测试样本导波信号的时频信息，距离矩阵m通过如下表达式计算得到：其中，m
i,j
表示距离矩阵m第i行第j列的元素，表示不同样本之间时频信息振幅差值，m为控制时频信息振幅差值权重的参数权重参数。6.根据权利要求5所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，最优化问题的表达式为：s.t.pp
t
＝e其中，p表示降维矩阵，x表示训练样本，y表示测试样本，a表示矩阵p获得的判别特征的表示系数，
⊙
表示hadamard算子，m表示距离矩阵，j表示构建距离矩阵m的辅助变量，λ1和λ2为调节训练样本和测试样本权重的两个参数，e为单位矩阵，f为原始维度，τ为调节辅助变量大小的参数，i表示信号时频图集，i＝[y；y]＝[x1,x2,...,x
n
；y1,y2,...,y
n
]∈r
d
×
(n+n)
。
7.根据权利要求1所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，电缆铝护套缺陷识别神经网络模型为基于gru的循环神经网络模型，或基于lstm的循环神经网络模型。8.根据权利要求7所述的数据驱动的高压电缆铝护套缺陷识别方法，其特征在于，电缆铝护套缺陷识别神经网络模型为基于gru的循环神经网络模型。9.一种数据驱动的高压电缆铝护套缺陷识别系统，其特征在于，包括：样本构建模块，用于构建电缆铝护套腐蚀模拟样本；数据获取模块，获取超声导波原始信号；预处理模块，用于将采集到的超声导波原始信号进行预处理，制作训练样本和测试样本；降维重构模块，用于将训练样本和测试样本合并，同时降低训练样本和测试样本的维数并进行重构；模型训练模块，用于构建电缆铝护套缺陷识别神经网络模型，使用重构后的训练样本和测试样本对电缆铝护套缺陷识别神经网络模型进行训练；模型识别模块，用于利用电缆铝护套缺陷识别神经网络模型对电缆铝护套的腐蚀缺陷进行识别。10.一种存储介质，存储有程序，其特征在于，所述程序被计算机执行时，实现根据权利要求1-8任意一项所述的数据驱动的高压电缆铝护套缺陷识别方法。

技术总结

本发明涉及无损检测技术领域，特别涉及一种数据驱动的高压电缆铝护套缺陷识别方法、系统及介质。本发明提供的数据驱动的高压电缆铝护套缺陷识别方法，通过引入降维矩阵，将超声导波原始信号进行重构以实现数据降维，减少超声导波原始信号中的冗余信息，同时使得超声导波原始信号中腐蚀缺陷的相关信息损失少，并构建基于电缆铝护套缺陷识别神经网络模型对电缆铝护套缺陷进行识别，提高了高压电缆铝护套缺陷识别的计算精确度和计算效率。缺陷识别的计算精确度和计算效率。缺陷识别的计算精确度和计算效率。