CN115687897A - 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质 - Google Patents

基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN115687897A
CN115687897A CN202211389861.4A CN202211389861A CN115687897A CN 115687897 A CN115687897 A CN 115687897A CN 202211389861 A CN202211389861 A CN 202211389861A CN 115687897 A CN115687897 A CN 115687897A
Authority
CN
China
Prior art keywords
data set
guided wave
domain data
corrosion damage
aluminum sheath
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211389861.4A
Other languages
English (en)
Inventor
李濛
韩卓展
阮耀萱
黄嘉盛
石银霞
冉倩
张飞
刘智勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202211389861.4A priority Critical patent/CN115687897A/zh
Publication of CN115687897A publication Critical patent/CN115687897A/zh
Priority to JP2023133061A priority patent/JP2024068619A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Electric Cable Installation (AREA)

Abstract

本发明公开了一种基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质，方法包括：收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的导波信号作为目标域数据集；将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本；源域和目标域信号的训练样本通过多层深度卷积网络实现特征提取；通过训练特征适应网络减少深层特征距离，并获取不同腐蚀条件下的固有损伤特征；将固有特征输入到结构状态分类器，识别铝护套中的腐蚀损伤。本发明提出一种新的半监督学习损伤识别方法，实现了对不同腐蚀情况下的铝护套腐蚀程度的跨域识别，并且在不同工况下进行监测任务中具有良好的泛化性能。

Description

基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、 设备及介质
技术领域
本发明属于高压电缆附件无损检测的技术领域，具体涉及一种基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质。
背景技术
电线电缆由导体，绝缘层，屏蔽层，保护层，填充结构和抗拉元件组成。其中，保护层分为PVC绝缘外保护层和金属内保护层，常用的内保护层为铝制。铝护套具有质量轻，屏蔽性能好，耐震性号，机械强度高，抗外界带你磁场干扰能力强等优点。然而在使用过程中，由于安装工艺的缺陷和安装过程的不确定性，电缆之间连接的部位易因潮湿产生腐蚀损伤，对电力系统的正常运行有很大的影响。为了能对电缆铝护套的腐蚀情况进行有效监测，同时不影响电缆的正常工作，我们引入超声导波检测技术对电缆铝护套进行实时监测。但由于电缆铝护套在内部被多层复合结构所包裹，监测过程中会有大量的噪声信号干扰，易对腐蚀损伤的识别误检，漏检。
深度学习可以有效学习隐藏在稳定工况下的损伤信息，但无法准确提取变化工况下的损伤信息。转移学习利用相似性从现有模型中提取特征，适用于新的监测任务，但对特征损伤的表示能力有一定要求。深度学习和转移学习的结合有望为可变工况监测提供可靠和有前景的技术。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质，实现了对不同腐蚀情况下的铝护套腐蚀程度的跨域识别，并且在不同工况下进行监测任务中具有良好的泛化性能。
为了达到上述目的，本发明采用以下技术方案：
本发明一方面提供了一种基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，包括下述步骤：
收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集；
将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本；
将源域导波监测信号和目标域导波监测信号的训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取，得到源域数据集的导波深度特征和目标域数据集的导波深度特征；
通过训练特征适应网络减少源域数据集和目标域数据集的导波深度特征距离，并将目标域数据集中获取的导波深度特征作为不同腐蚀条件下的固有损伤特征；
将所述固有损伤特征输入到结构状态分类器中，以识别待检测铝护套中的腐蚀损伤。
优选的，所述无腐蚀损伤的铝护套导波监测信号作为源域数据集，不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集，形式如下：
Figure BDA0003931566630000021
Figure BDA0003931566630000022
其中，Gh是源域数据集，Gd是目标域数据集，
Figure BDA0003931566630000023
是源域数据集的第i个时间序列，
Figure BDA0003931566630000024
是第i个腐蚀损伤程度标签，
Figure BDA0003931566630000025
是目标域数据集的第i个时间序列，m是源域数据集的总数据量，n是目标域数据集的总数据量。
优选的，所述将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，具体为：
首先，对每个监测信号的振幅尺度进行归一化处理，归一化处理的表达式为：
Figure BDA0003931566630000026
其中，Ai是第i个信号的幅值，Amax是所有信号的最大值，Amin是所有信号的最小值；
其次，采用设定长度的窗口来截取和分析首波信号；并采用频率范围为50kHz至100kHz的带通滤波器以消除干扰。
优选的，所述多层深度卷积网络是包括多个卷积层和多个池化层，每个卷积层后为一个池化层。
优选的，所述训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取的具体过程为：
卷积表示的计算公式为：
Figure BDA0003931566630000027
i∈[1,n1],j∈[1,m1],k∈[1,l]
其中，n1是卷积核的序号，m1是卷积核大小，Ri,k是被第i个内核捕获的第k个卷积层表示，Ki,j是第i层的第j个组成，Gi,k-1+j∈Rl×1是导波信号第i层输入的信号序列；
经过卷积表示计算后，导波隐形表示被输入到池化层以实现初步的特征筛选及降维；对初步筛选出的与损伤密切相关的导波深度特征，选择集合窗口中最大特征值作为导波深度特征表示Pi,k，计算方式为：
Pi,k＝Max(Ri,k,L)
其中，L为池化层窗口的长度。
优选的，所述特征适应网络是包括一个卷积层和两个全连接层；所述训练特征适应网络具体为：
将提取的源域数据集的导波深度特征和目标域数据集的导波深度特征分别输入到特征适应网络中，以获得稳定的线性表示；
通过特征适应网络计算源域数据集的时间序列，获得预测损伤标签，并将预测损伤标签与实际损伤标签结合，计算出的均方损失作为预测标签损失；
在线性特征层中，计算源域与目标域数据集之间的导波深度特征距离，总损失是预测标签损失和导波深度特征距离的总和，同时对总损失不断进行优化，总损失优化的过程就是实现特征适应的过程。
优选的，所述结构状态分类器是通过计算每种类型的相应概率来识别不同腐蚀程度，每种损伤类型的概率和为1；所述损伤类型的概率的计算公式为：
Figure BDA0003931566630000031
其中，c是腐蚀损伤程度类型的总数，P(yj|h(i))是属于yj类别的概率，h(i)是全连接层的输出。
本发明又一方面提供了一种基于半监督学习的高压电缆铝护套腐蚀损伤识别系统，应用于所述的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，包括收集数据集模块、预处理模块、特征提取模块、训练特征适应网络模块以及识别腐蚀损伤模块；
所述收集数据集模块，用于收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集；
所述预处理模块，用于将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本；
所述特征提取模块，用于将源域导波监测信号和目标域导波监测信号的训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取，得到源域数据集的导波深度特征和目标域数据集的导波深度特征；
所述训练特征适应网络模块，用于通过训练特征适应网络减少源域数据集和目标域数据集的导波深度特征距离，并将目标域数据集中获取的导波深度特征作为不同腐蚀条件下的固有损伤特征；
所述识别腐蚀损伤模块，用于将固有损伤特征输入到结构状态分类器中，以识别待检测铝护套中的腐蚀损伤。
本发明又一方面提供了一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法。
本发明再一方面提供了一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法。
本发明与现有技术相比，具有如下优点和有益效果：
1.本发明采用超声导波检测技术对电缆铝护套进行检测，通过多层深度卷积网络实现特征提取，并通过训练特征适应网络获取不同腐蚀条件下的固有损伤特征，再利用结构状态分类器实现对铝护套腐蚀损伤程度的识别。
2.本发明将深度学习和迁移学习相结合，克服了传统补偿方法对信号纯度的依赖，能够对不同场景的多层信号特征进行自适应对准，并提取和识别不受工况影响的固有损伤特征，具有良好的泛化性能，适用于不同工况下高压电缆铝护套腐蚀缺陷的准确检测。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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。
图1为本发明实施例基于半监督学习的高压电缆铝护套腐蚀损伤识别方法的流程图；
图2为本发明实施例多层深度卷积网络结构图；
图3为本发明实施例深度特征适应网络结构图；
图4为本发明实施例结构状态分类器示意图；
图5为本发明实施例基于半监督学习的高压电缆铝护套腐蚀损伤识别系统的方框图；
图6为本发明实施例电子设备的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
请参阅图1，在本申请的一个实施例中提供了一种基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，包括下述步骤：
S1、在实验室中收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集。
进一步的，所述无腐蚀损伤的铝护套导波监测信号作为源域数据集，不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集，两者的形式如下：
Figure BDA0003931566630000051
Figure BDA0003931566630000052
其中，Gh是源域数据集，Gd是目标域数据集，
Figure BDA0003931566630000053
是源域数据集的第i个时间序列，
Figure BDA0003931566630000054
是第i个腐蚀损伤程度标签，
Figure BDA0003931566630000055
是目标域数据集的第i个时间序列，m是源域数据集的总数据量，n是目标域数据集的总数据量。
S2、将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本。
所述收集的信号通过波形对齐和带通滤波进行预处理，具体为：首先对每个监测信号的振幅尺度进行归一化处理，归一化处理的表达式如下：
Figure BDA0003931566630000056
其中，Ai是第i个信号的幅值，Amax是所有信号的最大值，Amin是所有信号的最小值。
然后，采用长度为2048的窗口来截取和分析首波信号；由于导波信号具有多模态和频散的特性，采集过程易受到噪声的干扰，所以采用频率范围为50kHz至100kHz的带通滤波器以消除干扰。
S3、将源域导波监测信号和目标域导波监测信号的训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取，得到源域数据集的导波深度特征和目标域数据集的导波深度特征。
具体的，请参阅图2，本实施例中的多层深度卷积网络是是包括多个卷积层和多个池化层，每个卷积层后为一个池化层；导波信号第i层输入的信号序列为Gi,k-1+j∈Rl×1，卷积表示通过以下方式计算：
Figure BDA0003931566630000061
i∈[1,n1],j∈[1,m1],k∈[1,l]
其中，n1是卷积核的序号，m1是卷积核大小，Ri,k是被第i个内核捕获的第k个卷积层表示，Ki,j是第i层的第j个组成。
经过卷积表示计算后，导波隐形表示被输入到池化层以实现初步的特征筛选及降维；对初步筛选出的与损伤密切相关的特征，选择集合窗口中最大特征值作为特征表示，计算方式为：
Pi,k＝Max(Ri,k,L)
其中，L为池化层窗口的长度。
S4、通过训练特征适应网络减少源域数据集和目标域数据集的导波深度特征距离，并将目标域数据集中获取的导波深度特征作为不同腐蚀条件下的固有损伤特征。
请参阅图3，本实施例中所述的特征适应网络包括一个卷积层和两个全连通层，为了获得稳定的线性表示，将提取的源域数据集的导波深度特征和目标域数据集的导波深度特征分别输入到特征适应网络中；通过特征适应网络计算源域数据集的时间序列，获得预测损伤标签，并将预测损伤标签与实际损伤标签结合，计算出的均方损失作为预测标签损失；在线性特征层中，计算源域与目标域数据集之间的导波深度特征距离，总损失是预测标签损失和导波深特征距离的总和，同时对总损失不断进行优化，总损失优化的过程就是实现特征适应的过程。
S5、将固有损伤特征输入到结构状态分类器中，以识别待检测铝护套中的腐蚀损伤。
请参阅图4，本实施例中所述结构状态分类器通过计算每种类型的相应概率来识别不同腐蚀程度，每种损伤类型的概率和为1；结构状态分类器预测所属类别概率的表达式为：
Figure BDA0003931566630000062
其中，c是腐蚀损伤程度类型的总数，P(yj|h(i))是属于yj类别的概率，h(i)是全连接层的输出。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法相同的思想，本发明还提供了基于半监督学习的高压电缆铝护套腐蚀损伤识别系统，该系统可用于执行上述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法。为了便于说明，基于半监督学习的高压电缆铝护套腐蚀损伤识别系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
请参阅图5，在本申请的另一个实施例中，提供了一种半监督学习的高压电缆铝护套腐蚀损伤识别系统100，该系统包括收集数据集模块101、预处理模块102、特征提取模块103、训练特征适应网络模块104以及识别腐蚀损伤模块105；
所述收集数据集模块101，用于收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集；
所述预处理模块102，用于将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本；
所述特征提取模块103，用于将源域导波监测信号和目标域导波监测信号的训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取，得到源域数据集的导波深度特征和目标域数据集的导波深度特征；
所述训练特征适应网络模块104，用于通过训练特征适应网络减少源域数据集和目标域数据集的导波深度特征距离，并将目标域数据集中获取的导波深度特征作为不同腐蚀条件下的固有损伤特征；
所述识别腐蚀损伤模块105，用于将固有损伤特征输入到结构状态分类器中，以识别待检测铝护套中的腐蚀损伤。
需要说明的是，本发明的基于半监督学习的高压电缆铝护套腐蚀损伤识别系统与本发明的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法一一对应，在上述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法的实施例阐述的技术特征及其有益效果均适用于基于半监督学习的高压电缆铝护套腐蚀损伤识别系统的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述实施例的基于半监督学习的高压电缆铝护套腐蚀损伤识别系统的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述基于半监督学习的高压电缆铝护套腐蚀损伤识别系统的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
请参阅图6，在一个实施例中，提供了一种实现基于半监督学习的高压电缆铝护套腐蚀损伤识别方法的电子设备，所述电子设备200可以包括第一处理器201、第一存储器202和总线，还可以包括存储在所述第一存储器202中并可在所述第一处理器201上运行的计算机程序，如半监督学习的高压电缆铝护套腐蚀损伤识别程序203。
其中，所述第一存储器202至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述第一存储器202在一些实施例中可以是电子设备200的内部存储单元，例如该电子设备200的移动硬盘。所述第一存储器202在另一些实施例中也可以是电子设备200的外部存储设备，例如电子设备200上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述第一存储器202还可以既包括电子设备200的内部存储单元也包括外部存储设备。所述第一存储器202不仅可以用于存储安装于电子设备200的应用软件及各类数据，例如半监督学习的高压电缆铝护套腐蚀损伤识别程序203的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述第一处理器201在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述第一处理器201是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述第一存储器202内的程序或者模块，以及调用存储在所述第一存储器202内的数据，以执行电子设备200的各种功能和处理数据。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备200的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
所述电子设备200中的所述第一存储器202存储的半监督学习的高压电缆铝护套腐蚀损伤识别程序203是多个指令的组合，在所述第一处理器201中运行时，可以实现：
收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集；
将收集的导波监测信号通过波形对齐和带通滤波进行预处理，以确保每个样品的一致性；
源域导波监测信号和目标域导波监测信号的训练样本由多层深度卷积网络来实现特征提取；
通过训练特征适应网络减少深层特征距离，并获取不同腐蚀条件下的固有损伤特征；
将固有损伤特征输入到结构状态分类器中，以识别铝护套中的腐蚀损伤。
进一步地，所述电子设备200集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，包括下述步骤：
收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集；
将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本；
将源域导波监测信号和目标域导波监测信号的训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取，得到源域数据集的导波深度特征和目标域数据集的导波深度特征；
通过训练特征适应网络减少源域数据集和目标域数据集的导波深度特征距离，并将目标域数据集中获取的导波深度特征作为不同腐蚀条件下的固有损伤特征；
将所述固有损伤特征输入到结构状态分类器中，以识别待检测铝护套中的腐蚀损伤。
2.根据权利要求1所述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，所述无腐蚀损伤的铝护套导波监测信号作为源域数据集，不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集，形式如下：
Figure FDA0003931566620000011
Figure FDA0003931566620000012
其中，Gh是源域数据集，Gd是目标域数据集，
Figure FDA0003931566620000013
是源域数据集的第i个时间序列，
Figure FDA0003931566620000014
是第i个腐蚀损伤程度标签，
Figure FDA0003931566620000015
是目标域数据集的第i个时间序列，m是源域数据集的总数据量，n是目标域数据集的总数据量。
3.根据权利要求1所述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，所述将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，具体为：
首先，对每个监测信号的振幅尺度进行归一化处理，归一化处理的表达式为：
Figure FDA0003931566620000016
其中，Ai是第i个信号的幅值，Amax是所有信号的最大值，Amin是所有信号的最小值；
其次，采用设定长度的窗口来截取和分析首波信号；并采用频率范围为50kHz至100kHz的带通滤波器以消除干扰。
4.根据权利要求1所述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，所述多层深度卷积网络是包括多个卷积层和多个池化层，每个卷积层后为一个池化层。
5.根据权利要求1所述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，所述训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取的具体过程为：
卷积表示的计算公式为：
Figure FDA0003931566620000021
其中，n1是卷积核的序号，m1是卷积核大小，Ri,k是被第i个内核捕获的第k个卷积层表示，Ki,j是第i层的第j个组成，Gi,k-1+j∈Rl×1是导波信号第i层输入的信号序列；
经过卷积表示计算后，导波隐形表示被输入到池化层以实现初步的特征筛选及降维；对初步筛选出的与损伤密切相关的导波深度特征，选择集合窗口中最大特征值作为导波深度特征表示Pi,k，计算方式为：
Pi,k＝Max(Ri,k,L)
其中，L为池化层窗口的长度。
6.根据权利要求1所述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，所述特征适应网络是包括一个卷积层和两个全连接层；所述训练特征适应网络具体为：
将提取的源域数据集的导波深度特征和目标域数据集的导波深度特征分别输入到特征适应网络中，以获得稳定的线性表示；
通过特征适应网络计算源域数据集的时间序列，获得预测损伤标签，并将预测损伤标签与实际损伤标签结合，计算出的均方损失作为预测标签损失；
在线性特征层中，计算源域与目标域数据集之间的导波深度特征距离，总损失是预测标签损失和导波深度特征距离的总和，同时对总损失不断进行优化，总损失优化的过程就是实现特征适应的过程。
7.根据权利要求1所述基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，其特征在于，所述结构状态分类器是通过计算每种类型的相应概率来识别不同腐蚀程度，每种损伤类型的概率和为1；所述损伤类型的概率的计算公式为：
Figure FDA0003931566620000022
其中，c是腐蚀损伤程度类型的总数，P(yj|h(i))是属于yj类别的概率，h(i)是全连接层的输出。
8.基于半监督学习的高压电缆铝护套腐蚀损伤识别系统，其特征在于，应用于权利要求1-7中任一项所述的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法，包括收集数据集模块、预处理模块、特征提取模块、训练特征适应网络模块以及识别腐蚀损伤模块；
所述收集数据集模块，用于收集无腐蚀损伤的铝护套导波监测信号作为源域数据集，并收集不同腐蚀损伤情况的铝护套导波监测信号作为目标域数据集；
所述预处理模块，用于将源域数据集和目标域数据集通过波形对齐和带通滤波进行预处理，得到训练样本；
所述特征提取模块，用于将源域导波监测信号和目标域导波监测信号的训练样本通过预先设立的多层深度卷积网络进行导波深度特征提取，得到源域数据集的导波深度特征和目标域数据集的导波深度特征；
所述训练特征适应网络模块，用于通过训练特征适应网络减少源域数据集和目标域数据集的导波深度特征距离，并将目标域数据集中获取的导波深度特征作为不同腐蚀条件下的固有损伤特征；
所述识别腐蚀损伤模块，用于将固有损伤特征输入到结构状态分类器中，以识别待检测铝护套中的腐蚀损伤。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7中任意一项所述的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法。
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-7任一项所述的基于半监督学习的高压电缆铝护套腐蚀损伤识别方法。
CN202211389861.4A 2022-11-08 2022-11-08 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质 Pending CN115687897A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211389861.4A CN115687897A (zh) 2022-11-08 2022-11-08 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质
JP2023133061A JP2024068619A (ja) 2022-11-08 2023-08-17 半教師あり学習による高圧ケーブルアルミシース腐食損傷認識方法、システム、機器及び媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211389861.4A CN115687897A (zh) 2022-11-08 2022-11-08 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115687897A true CN115687897A (zh) 2023-02-03

Family

ID=85050280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211389861.4A Pending CN115687897A (zh) 2022-11-08 2022-11-08 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质

Country Status (2)

Country Link
JP (1) JP2024068619A (zh)
CN (1) CN115687897A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117760952A (zh) * 2024-02-21 2024-03-26 中冶建筑研究总院（深圳）有限公司 钢结构耐久性评定方法、系统及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117760952A (zh) * 2024-02-21 2024-03-26 中冶建筑研究总院（深圳）有限公司 钢结构耐久性评定方法、系统及装置
CN117760952B (zh) * 2024-02-21 2024-06-04 中冶建筑研究总院（深圳）有限公司 钢结构耐久性评定方法、系统及装置

Also Published As

Publication number Publication date
JP2024068619A (ja) 2024-05-20

Similar Documents

Publication Publication Date Title
CN108172213B (zh) 娇喘音频识别方法、装置、设备及计算机可读介质
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN110298235B (zh) 基于流形约束自编码网络的高光谱异常检测方法及系统
CN111695620B (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN115291210B (zh) 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN115687897A (zh) 基于半监督学习的高压电缆铝护套腐蚀损伤识别方法、系统、设备及介质
Khan et al. End-to-end partial discharge detection in power cables via time-domain convolutional neural networks
CN113358993A (zh) 一种多电平变换器igbt的在线故障诊断方法及系统
Li et al. An improved YOLOv3 for foreign objects detection of transmission lines
CN113822279A (zh) 基于多特征融合的红外目标检测方法、装置、设备及介质
CN113449803A (zh) 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质
Tian et al. Identification of overhead line fault traveling wave and interference clutter based on convolution neural network and random forest fusion
Quan et al. Time Series Classification Based on Multi-Dimensional Feature Fusion
CN117079005A (zh) 一种光缆故障监测方法、系统、装置及可读存储介质
CN117110446A (zh) 识别车轴疲劳裂纹声发射信号方法
CN116738261A (zh) 基于聚类分箱的数值型特征离散化归因分析方法及装置
CN116451163A (zh) 基于深度残差网络的光纤电流互感器故障诊断方法
CN115618284A (zh) 一种基于无监督领域自适应的多中心胎心监护智能判读方法
CN115128166A (zh) 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置
CN114841222A (zh) 配电系统、高压断路器故障检测模型及方法
CN115017828A (zh) 基于双向长短时记忆网络的电力电缆故障识别方法及系统
Guo et al. Application of machine learning in wire damage detection for safety procedure
CN116584951B (zh) 一种基于弱监督学习的心电信号检测和定位方法
Zhou et al. SAR ship detection network based on global context and multi-scale feature enhancement

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination