CN109142976A - 电缆故障检测方法及装置 - Google Patents

Abstract

本发明实施例提供的电缆故障检测方法及装置，属于电力领域。该方法包括：对待处理电缆的电流信号进行特征提取，得到初级特征；根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，从而通过提取出初级特征后，再对初级特征进行提取，以提取出有效特征，进而对待处理电缆的电流信号进行分类识别，进而有效提高对电缆发生早期故障的识别准确率，以进行准确的检测识别。

Description

电缆故障检测方法及装置

技术领域

本发明涉及电力领域，具体而言，涉及电缆故障检测方法及装置。

背景技术

由于电缆在早期布线或者是运输时，容易导致电缆损坏，而在安装时，损坏的电缆很容易导致事故的出现。目前对电缆早期故障的识别主要有两大类：(1)电路分析方法。基于电缆早期故障和电缆结构的特点，搭建对应的电路分析模型。(2)信号分析与模式识别方法。但是，无论采用上述哪种方法，均无法准确识别出电缆是否出现故障。

发明内容

本发明实施例提供的电缆故障检测方法及装置，可以解决现有技术中存在的无法准确识别出电缆是否出现故障的技术问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供的一种文件存储方法，包括：对待处理电缆的电流信号进行特征提取，得到初级特征；根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，预设深度学习网络的训练方法包括：获取训练样本；通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，对待处理电缆的电流信号进行特征提取，得到初级特征，包括：基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，包括：通过Softmax分离器对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

第二方面，本发明实施例提供的一种电缆故障检测装置，包括：特征提取模块，用于对待处理电缆的电流信号进行特征提取，得到初级特征；数据处理模块，用于根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；识别模块，用于对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，预设深度学习网络的训练方法包括：获取训练样本；通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。

结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。

结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，所述特征提取模块还用于：基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。

结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方式，所述识别模块，还用于：通过Softmax分离器对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

与现有技术相比，本发明实施例带来了以下有益效果：

本发明实施例提供的电缆故障检测方法及装置，通过对待处理电缆的电流信号进行特征提取，得到初级特征；根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，从而通过提取出初级特征后，再对初级特征进行提取，以提取出有效特征，进而对待处理电缆的电流信号进行分类识别，进而有效提高对电缆发生早期故障的识别准确率，以进行准确的检测识别。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明第一实施例提供的电缆故障检测方法的流程图；

图2为图1所示的电缆故障检测方法中的平稳小波变换分解的示意图；

图3为图1所示的电缆故障检测方法中的三种电流波形经三层SWT分解的结果的示意图；

图4为图1所示的电缆故障检测方法中的非负约束自编码器的结构示意图；

图5为图1所示的电缆故障检测方法中的三个非负约束自编码器堆叠形成的深度学习网络的示意图；

图6为图1所示的电缆故障检测方法中的电缆早期故障仿真电路模型的示意图；

图7为本发明第二实施例提供的电缆故障检测装置的功能模块示意图；

图8为本发明实施例提供的一种电子设备的结构框图。

具体实施方式

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作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。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

第一实施例

请参阅图1，是本发明第一实施例提供的电缆故障检测方法的流程图。下面将对图1所示的具体流程进行详细阐述。

步骤S101，对待处理电缆的电流信号进行特征提取，得到初级特征。

其中，初级特征包括但不限于均值、标准差、能量、能量熵和奇异熵。

作为一种实施方式，基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。

通过对各类电流信号波形进行平稳小波变换(SWT：Stationary WaveletTransform)分解，利用分解得到的各细节高频分量和低频近似分量提取出用于电缆早期故障识别的初始特征。

其中，SWT变换作为传统小波变换的一种修改，同样具备有效分析非平稳信号的能力。不同于与通常的正交小波变换，SWT变换对低通和高通滤波器的输出系数不再进行下采样处理，使得到的近似分量系数和细节分量系数与原信号长度相等，具有平移不变性，从而有效地避免了因下采样所带来的时移信息丢失。电缆早期故障的电流信号和其它过电流扰动信号均属于非平稳信号。

对于原始信号序列f_k，令a₀＝f_k，采用SWT变换可将信号分解为：

近似分量系数 a_j+1＝H_j*a_j (1)

细节分量系数 d_j+1＝G_j*a_j (2)

式中：H_j和G_j分别为第j层的低通滤波器和高通滤波器，“＊”代表卷积运算，其分解变换示意图如图2所示。

举例来说，对于采样频率为10KHz的信号f_k，经3层SWT分解后，可得到3个细节分量d₁,d₂,d₃和一个近似分量a₃，其相应的频率范围为2.50－5.00KHz，1.25－2.50KHz，0.75－1.25KHz，和0－0.75KHz，因而细节分量和近似分量也成为高频分量和低频分量。图3显示了利用dB.4小波基，对正常电流波形(如图3中的a所示)、电缆早期故障时的多周波过电流信号(如图3中的b所示)和恒定阻抗故障的干扰过电流信号(如图3中的c所示)作为示例，进行3层SWT分解后的结果。从图3中可以看出，三种电流信号的低频近似分量和高频细节分量中蕴含着不同的特征。

对于SWT分解后的第j层小波系数s_j＝[s_1,j,s_2,j,...,s_N,j](即a_j或d_j)，本文选取5个统计参数作为特征量：均值(μ)、标准差(σ)、能量(E)、能量熵(Ent)和奇异熵(SVE)，构造小波系数s_j的特征向量F_j，即：

F_j＝[μ_j,σ_j,E_j,Ent_j,SVEn_j] (3)

其中：

均值：

标准差：

能量：

能量熵：

奇异熵：

在奇异熵的计算式(8)中，表示将小波系数向量转换为矩阵后，通过奇异值分解得到的奇异值。

优选地，采用dB.4小波对正常电流、电缆早期故障和其他过电流扰动信号进行8层的SWT小波分解，并对分解得到的8个细节分量(d₁,d₂,...,d₈)和1个近似分量a₈计算相应的特征向量F_j(j＝1,2,...,9)，进一步可得到45个特征值组成的特征集X，可表达为：

X＝[F₁,F₂,...,F₉] (9)

步骤S102，根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征。

在本实施例中，为了从初级特征中提取出更高层次的特征，以达到提高分类/识别的准确性的目的，优选地，采用堆叠的NCAE(non－negative constrain autoencoder，非负约束自动编码器)网络，即通过NCAE堆叠形成的深度学习网络(DLN，Deep learningnetwork)。

其中，预设深度学习网络的训练方法包括：获取训练样本；通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。

可选地，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。

可选地，训练样本为预先从正常电流、电缆早期故障和其他过电流扰动信号所提取出的初级特征。

如图4所示，为了获得有利于电缆早期故障识别的有效特征，优选地，利用多个NCAE堆叠形成一个深度学习网络(DLN：Deep learning network)，它由一个输入层，多个隐藏层和一个输出层构成，有x为SWT分解后得到的特征向量，n＝45。通过线性变换和激活函数σ(·)(一般地，通常选择Sigmoid函数)，映射到隐含层得编码结果(m为隐含层的神经元个数，即结点)，有：

由此实现从输入的初级特征中获取更深层次的特征提取的目的。而解码器则是编码器的逆过程，通过同样的过程将Y映射到重构层有：

式中：Z为X的重构数据，分别为输入层到隐含层、隐含层到重构层的权重及偏移系数。

在本实施例中，对预设深度学习网络的训练的具体过程如下：

NCAE网络的训练是通过调整W₁、W₂、b₁、b₂，使得重构数据Z与输入数据X之间的误差达到最小。并希望在训练过程中，大多数隐藏层的神经元处于抑制状态，从而引入稀疏表示的限制条件，由此构造代价函数，即：

式中：K为样本数据个数，等式右边的第一项表示与X之间的均方误差，第二项为稀疏惩罚项，μ为稀疏惩罚项权重稀疏。稀疏惩罚项中的KL代表Kullback－Leibler(KL)散度，可表示为

式中：ρ为设定的一个接近于零的参数，ρ_j为隐藏层的平均激活量，有

当ρ＝ρ_j的时候，KL(ρ||ρ_j)＝0，如果ρ≠ρ_j，则KL散度会随两者的差异的增大而增大。

其中，在传统的自编码器中，为了避免过拟合问题，通常还在代价函数中引入对权重系数(W₁、W₂)的衰变约束项，则即传统自编码器的代价函数表示为：

其中，λ表示权重约束项的系数。

在本实施例中，为了提升自编码器的稀疏性，并减少重构误差，优选地，使用非负约束的自编码器，将部分输入分解到自动编码器的每层中，设定权重系数(W₁、W₂)为非负值，其代价函数为：

其中：

NCAE训练的目标就是使代价函数(16)最小化，从而减少每一层中非负权值的数量和整体的平均重建误差。训练NCAE时，采用随机梯度下降法实现对参数W和b的更新，即：

其中，β表示学习率，它决定了参数更新的速度；上标l表示网络层数；W_ij ^(l)表示第l层的第j个单元与第l+1层第i个单元之间的权重参数；b_i ^(l)表示第(l+1)层第i个单元的偏置项。式(17)中代价函数L_NCAE(W,b)对权重参数W的偏导数可由式(19)计算得到。

其中：

由于式(16)中代价函数L_NCAE(W,b)的第二项与偏置参数b无关，因而L_NCAE(W,b)对b的偏导数与传统AE的求法一致，有：

其中，DLN的输入来自于第一个NCAE的输入X₁，并将NCAE训练完所获得的隐藏层输出Y₁用作第二个NCAE的输入，且Y₁也为DLN的第一个隐藏层。依据前一个NCAE的隐藏层输出作为NCAE输入的规则，以此类推形成了一个多层的神经网络。最后一个NCAE的输出将作为softmax分类器的输入，实现正常运行、电缆早期故障和过电流扰动这三种类别的识别，如图5所示，表示了一个由三个NCAE堆叠形成的DLN网络。

在本实施例中，DLN网络的训练过程包括无监督的预训练和有监督的微调(或优化)两个过程。其中，无监督的预训练，采用逐层贪婪学习方法，利用无标记的数据逐次独立地训练各个NCAE，从而获得DLN中各层网络的权重和偏置参数(W₁ ^(l),b₁ ^(l))的初始值；在有监督的微调阶段，利用预训练获得的(W₁ ^(l),b₁ ^(l))的初始值，以及有标记的数据，采用反向传播算法来实现参数的微调。

在实际使用中，对于样本数据的选取，可以通过如图6所示的仿真模型进行样本的采集，该模型为25kV无支路电缆故障线路模型，在模型中考虑了变压器激磁涌流、恒定负荷故障、电容器投切等过电流扰动，并以10kHz的采样频率采集馈线电流作为原始样本数据。利用图6的仿真模型共采集了3240个样本数据，每一类别各采集1080个样本数据，其中半周波和多周期电缆早期故障数据各540个，变压器激磁涌流、恒定负荷故障、电容器投切三种过电流扰动各360个样本。

可选地，从三类样本数据中随机选择90％的数据作为训练样本，剩余的10％数据作为测试样本。

在本实施例中，为了提高训练效率和降低训练量，优选地，采用三层NCAE所堆叠形成的DLN网络，其深度为5的网络，即包含1个输入层，3个隐藏层和1个输出层，其中输入层和输出层和隐藏层的节点数分别为45和3，隐藏层的结点为[20，10，5]，训练时所采用的关键参数设置为：ρ＝0.05，μ＝1,λ＝3×10^-3。

为了更直观的体现本发明实施例中的网络节点数和深度的有益效果，特将本发明实施例中的电缆故障检测方法中的网络节点数和深度的实验结果与现有方法进行对比，如表一所示：

其中，

式中：TP表示实际为早期故障的样本，且模型估计也为早期故障的样本数量；FN则为被错误分类为其他类别的样本数量；FP实际为其他类别的样本，被正确分类的样本数；TN则为被错误分类的样本数。准确率反映的是实验预测类别和实际类别一致的样本占总样本的比例；精确率反映的是实验预测为电缆早期故障的样本中，且实际类别为电缆早期故障的比例；召回率则反映实验预测且实际类别为电缆早期故障样本占所有实际类别为电缆早期故障样本的比例；F₁值则表示精确率和召回率的调和均值。

由表一可知，采用5层的网络可以获得较为满意的分类性能，但进一步地增加网络的深度，如6层网络时，并不一定会提升网络的分类识别性能，还会带来训练效率低下，训练时间长的缺陷。

步骤S103，对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

其中，有效特征是指更易于早期故障分类识别的特征。

其中，所述分类结果用于表征该待处理电缆是否早期故障，例如，当所述分类结果中含有特征标识(如字符串中携带有1)时，表示待处理电缆早期故障。或者是字符串中携带有“该待处理电缆早期故障”时，表示待处理电缆早期故障。

在本实施例中，利用DLN网络来实现电缆早期故障识别，以通过基于SWT变换提取出初级的原始特征，再利用NCAE堆叠形成的DLN网络来从学习样本中获得更高级、更深层次的特征(即有效特征)，进而对待处理电缆的电流信号进行分类识别，进而有效提高对电缆发生早期故障的识别准确率，以进行准确的检测识别。

本发明实施例提供的电缆故障检测方法，通过对待处理电缆的电流信号进行特征提取，得到初级特征；根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，从而通过提取出初级特征后，再对初级特征进行提取，以提取出有效特征，进而对待处理电缆的电流信号进行分类识别，进而有效提高对电缆发生早期故障的识别准确率，以进行准确的检测识别。

第二实施例

对应于第一实施例中的电缆故障检测方法，图7示出了采用第一实施例所示的电缆故障检测方法一一对应的电缆故障检测装置。如图7所示，所述电缆故障检测装置400包括特征提取模块410、数据处理模块420和识别模块430。其中，特征提取模块410、数据处理模块420和识别模块430的实现功能与第一实施例中对应的步聚一一对应，为避免赘述，本实施例不一一详述。

特征提取模块410，用于对待处理电缆的电流信号进行特征提取，得到初级特征。

数据处理模块420，用于根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征。

识别模块430，用于对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

第三实施例

如图8所示，是电子设备300的示意图。所述电子设备300包括存储器302、处理器304、存储在所述存储器302中并可在所述处理器304上运行的计算机程序303，所述计算机程序303被处理器304执行时实现第一实施例中的所述电缆故障检测方法，为避免重复，此处不再赘述。或者，所述计算机程序303被处理器304执行时实现第二实施例所述电缆故障检测装置中各模块/单元的功能，为避免重复，此处不再赘述。

示例性的，计算机程序303可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器302中，并由处理器304执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在电子设备300中的执行过程。例如，计算机程序303可以被分割成第二实施例中的特征提取模块410、数据处理模块420和识别模块430，各单元的具体功能如第一实施例或第二实施例所述，在此不一一赘述。

电子设备300可以桌上型计算机、笔记本、掌上电脑或智能手机等设备。

其中，存储器302可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read－Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read－Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read－Only Memory，EEPROM)等。其中，存储器302用于存储程序，所述处理器304在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流程定义的方法可以应用于处理器304中，或者由处理器304实现。

处理器304可能是一种集成电路芯片，具有信号的处理能力。上述的处理器304可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

可以理解的是，图8所示的结构仅为电子设备300的一种结构示意图，电子设备300还可以包括比图8所示更多或更少的组件。图8中所示的各组件可以采用硬件、软件或其组合实现。

第四实施例

本发明实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现第一实施例中的所述电缆故障检测方法，为避免重复，此处不再赘述。或者，所述计算机程序被处理器执行时实现第二实施例所述电缆故障检测装置中各模块/单元的功能，为避免重复，此处不再赘述。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD－ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景的方法。

综上所述，本发明提供的电缆故障检测方法及装置，通过对待处理电缆的电流信号进行特征提取，得到初级特征；根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，从而通过提取出初级特征后，再对初级特征进行提取，以提取出有效特征，进而对待处理电缆的电流信号进行分类识别，进而有效提高对电缆发生早期故障的识别准确率，以进行准确的检测识别。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种电缆故障检测方法，其特征在于，包括：

对待处理电缆的电流信号进行特征提取，得到初级特征；

根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；

对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

2.根据权利要求1所述的方法，其特征在于，预设深度学习网络的训练方法包括：

获取训练样本；

通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；

通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。

3.根据权利要求2所述的方法，其特征在于，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：

采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。

4.根据权利要求1所述的方法，其特征在于，对待处理电缆的电流信号进行特征提取，得到初级特征，包括：

基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。

5.根据权利要求1所述的方法，其特征在于，对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果，包括：

通过Softmax分离器对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

6.一种电缆故障检测装置，其特征在于，包括：

特征提取模块，用于对待处理电缆的电流信号进行特征提取，得到初级特征；

数据处理模块，用于根据预设深度学习网络模型对所述初级特征进行识别，得到有效特征；

识别模块，用于对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。

7.根据权利要求6所述的装置，其特征在于，预设深度学习网络的训练方法包括：

获取训练样本；

通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，得到深度学习网络模型；

通过反向传播算法实现对所述深度学习网络模型的优化，得到所述预设深度学习网络。

8.根据权利要求7所述的装置，其特征在于，通过所述训练样本实现非负约束自编码器堆叠形成的初始深度学习网络模型的预训练，包括：

采用逐层贪婪学习算法，利用所述样本数据逐次独立地训练各个非负约束自编码器，获得初始深度学习网络模型中各层网络的权重和偏置参数的初始值。

9.根据权利要求6所述的装置，其特征在于，所述特征提取模块还用于：

基于平稳小波变换对待处理电缆的电流信号进行特征提取，得到初级特征。

10.根据权利要求6所述的装置，其特征在于，所述识别模块，还用于：

通过Softmax分离器对所述有效特征进行分类识别，得到用于表征所述待处理电缆是否故障的分类结果。