CN116704733A - 铝合金电缆的老化预警方法和系统 - Google Patents
铝合金电缆的老化预警方法和系统 Download PDFInfo
- Publication number
- CN116704733A CN116704733A CN202310964480.2A CN202310964480A CN116704733A CN 116704733 A CN116704733 A CN 116704733A CN 202310964480 A CN202310964480 A CN 202310964480A CN 116704733 A CN116704733 A CN 116704733A
- Authority
- CN
- China
- Prior art keywords
- aging
- cable
- fitness
- index
- neighborhood
- 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.)
- Granted
Links
- 230000032683 aging Effects 0.000 title claims abstract description 218
- 229910000838 Al alloy Inorganic materials 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007547 defect Effects 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000006378 damage Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 44
- 230000036541 health Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供了铝合金电缆的老化预警方法及系统,涉及电缆预警技术领域,包括:对第一铝合金电缆进行模态数据采集,得到第一建模数据集,进行建模输出第一电缆仿真模型,进行状态测试输出标识电缆运行异常的第一预测老化指标,进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度,获取实时监测图像集,输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,生成第一预警信息。本发明解决了现有技术中对于铝合金电缆的老化分析存在仅仅针对老化中心进行,使得对于老化缺陷不能准确预测,进而导致对于电缆老化问题处理滞后,电缆系统运行安全性、稳定性差的技术问题。
Description
技术领域
本发明涉及电缆预警技术领域,具体涉及铝合金电缆的老化预警方法及系统。
背景技术
铝合金电缆是一种广泛应用于输电、通信、建筑等领域的重要设备,随着电缆系统的长时间运行,老化问题逐渐显现,可能导致电缆性能下降、故障甚至事故,因此,对铝合金电缆的老化进行预警具有重要意义,有助于及时采取措施防范潜在风险,确保系统的安全稳定运行。而现今常用的铝合金电缆的老化预警方法还存在着一定的弊端,对于铝合金电缆的老化预警还存在着一定的可提升空间。
发明内容
本申请通过提供了铝合金电缆的老化预警方法及系统,旨在解决现有技术中对于铝合金电缆的老化分析存在仅仅针对老化中心进行,使得对于老化缺陷不能准确预测,进而导致对于电缆老化问题处理滞后,电缆系统运行安全性、稳定性差的技术问题。
鉴于上述问题,本申请提供了铝合金电缆的老化预警方法及系统。
本申请公开的第一个方面,提供了铝合金电缆的老化预警方法,所述方法包括:对第一铝合金电缆进行模态数据采集,得到第一建模数据集;连接仿真平台对所述第一建模数据集进行建模,输出第一电缆仿真模型;根据所述第一电缆仿真模型进行状态测试,输出标识电缆运行异常的第一预测老化指标;对所述第一预测老化指标进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度;获取所述第一铝合金电缆的实时监测图像集;将所述实时监测图像集输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,其中,所述第一适应度函数为老化面积适应度函数,所述第二适应度函数为老化深度适应度函数;根据所述第一适应度指标和所述第二适应度指标,生成第一预警信息。
本申请公开的另一个方面,提供了铝合金电缆的老化预警系统,所述系统包括:模态数据采集模块,所述模态数据采集模块用于对第一铝合金电缆进行模态数据采集,得到第一建模数据集;建模模块,所述建模模块用于连接仿真平台对所述第一建模数据集进行建模,输出第一电缆仿真模型;状态测试模块,所述状态测试模块用于根据所述第一电缆仿真模型进行状态测试,输出标识电缆运行异常的第一预测老化指标;适应度分解模块,所述适应度分解模块用于对所述第一预测老化指标进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度;监测图像获取模块,所述监测图像获取模块用于获取所述第一铝合金电缆的实时监测图像集;适应度指标获取模块,所述适应度指标获取模块用于将所述实时监测图像集输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,其中,所述第一适应度函数为老化面积适应度函数,所述第二适应度函数为老化深度适应度函数;预警信息生成模块,所述预警信息生成模块用于根据所述第一适应度指标和所述第二适应度指标,生成第一预警信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
对第一铝合金电缆进行模态数据采集,得到第一建模数据集,对第一建模数据集进行建模,输出第一电缆仿真模型,进行状态测试,输出标识电缆运行异常的第一预测老化指标,进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度,获取实时监测图像集,输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,根据第一适应度指标和第二适应度指标,生成第一预警信息。解决了现有技术中对于铝合金电缆的老化分析存在仅仅针对老化中心进行,使得对于老化缺陷不能准确预测,进而导致对于电缆老化问题处理滞后,电缆系统运行安全性、稳定性差的技术问题,实现了通过对处于中心老化程度周围的邻域老化程度进行标识,准确识别电缆的邻域老化缺陷特征,进而找到邻域变化,以此预测电缆的老化,实现电缆老化问题的早期发现和处理,确保电缆系统的安全稳定运行。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了铝合金电缆的老化预警方法流程示意图;
图2为本申请实施例提供了铝合金电缆的老化预警方法中输出第一预测老化面积和第一预测老化深度可能的流程示意图;
图3为本申请实施例提供了铝合金电缆的老化预警方法中生成第一预警信息可能的流程示意图;
图4为本申请实施例提供了铝合金电缆的老化预警系统可能的结构示意图。
附图标记说明:模态数据采集模块10,建模模块20,状态测试模块30,适应度分解模块40,监测图像获取模块50,适应度指标获取模块60,预警信息生成模块70。
具体实施方式
本申请实施例通过提供铝合金电缆的老化预警方法,解决了现有技术中对于铝合金电缆的老化分析存在仅仅针对老化中心进行,使得对于老化缺陷不能准确预测,进而导致对于电缆老化问题处理滞后,电缆系统运行安全性、稳定性差的技术问题,实现了通过对处于中心老化程度周围的邻域老化程度进行标识,准确识别电缆的邻域老化缺陷特征,进而找到邻域变化,以此预测电缆的老化,实现电缆老化问题的早期发现和处理,确保电缆系统的安全稳定运行。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例1
如图1所示,本申请实施例提供了铝合金电缆的老化预警方法,所述方法包括:
步骤S100:对第一铝合金电缆进行模态数据采集,得到第一建模数据集;
具体而言,第一铝合金电缆指代待评估健康状况的铝合金电缆,可能是电网系统中的一部分或整体,采集第一铝合金电缆的信息,包括电缆的物理性质、操作条件以及历史老化情况,其中,物理性质包括尺寸、形状、导体材料等,操作条件包括温度、湿度、负载流量等,这些数据用于创建电缆的第一建模数据集。
步骤S200:连接仿真平台对所述第一建模数据集进行建模,输出第一电缆仿真模型;
具体而言,仿真平台是一个软件工具,用于分析和模拟各种系统的性能,在这个过程中,将第一建模数据集输入到仿真平台中,以便对铝合金电缆的老化行为进行模拟。建模是使用数学和物理原理来描述系统行为的过程,通过第一建模数据集的信息,创建一个仿真模型,模拟铝合金电缆在不同工况下的性能,如温度、湿度、负载流量等。这些模型可以是基于有限元方法、统计模型或其他数值方法,取决于分析需求和可用数据。
根据第一建模数据集和所选建模方法,仿真平台生成并输出第一电缆仿真模型,这个模型可以被用来预测电缆在给定工况下的老化情况,例如,可以预测电缆的老化速度、可能出现的故障点以及在不同条件下可能导致性能恶化的关键因素。通过此过程,可以获得对铝合金电缆在不同工况下老化行为的深入了解,从而有助于评估电缆的健康状况并制定有效的预警策略。
步骤S300:根据所述第一电缆仿真模型进行状态测试,输出标识电缆运行异常的第一预测老化指标;
具体而言,状态测试是基于第一电缆仿真模型对铝合金电缆的实际工况下的性能进行评估,在这个过程中,可以对电缆在不同条件下的性能,如温度、湿度、负载流量等,进行模拟和测试,通过分析模拟结果,可以检测到潜在的异常或问题。
根据状态测试的结果,确定用于表示电缆运行异常的第一预测老化指标并将其作为输出,这个指标包括损伤深度、老化速率、损伤面积等参数,用于识别电缆在正常运行过程中出现的问题,从而进行及时的干预和维护。通过此过程,有助于评估电缆在实际工况下的性能,从而发现潜在的问题,为后续预警和维护提供依据。
步骤S400:对所述第一预测老化指标进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度;
具体而言,邻域单元为电缆周围的一组区域,这些邻域单元可能包括与中心老化程度相邻的一些区域,例如较高或较低的老化程度,通过分析这些邻域单元的变化,可以更好地了解并预测电缆的老化行为。
适应度分解是一种多目标优化方法,用于将复杂问题分解为多个子问题的方法,以便于求解。在这里,适应度分解用于将第一预测老化指标分解为两个指标,即第一预测老化面积和第一预测老化深度,这样可以更具体地量化铝合金电缆的老化情况。
第一预测老化面积表示电缆损伤区域的总面积,较大的老化面积可能意味着电缆的损坏程度更严重,需要采取紧急措施进行维修或更换;第一预测老化深度表示电缆损伤区域的深度,较深的老化深度意味着电缆的损伤可能影响其性能,需要特别关注并及时处理。
进一步而言,如图2所示,本申请步骤S400还包括:
步骤S410:根据所述第一电缆仿真模型进行数据采集,得到测试样本图像,其中,所述测试样本图像包括基于所述第一铝合金电缆的历史老化图像集合;
步骤S420:通过对所述测试样本图像进行缺陷定位,根据缺陷定位结果得到邻域老化缺陷特征;
步骤S430:基于所述邻域老化缺陷特征对所述第一预测老化指标进行电缆老化邻域单元适应度分解,输出第一预测老化面积和第一预测老化深度。
具体而言,利用第一电缆仿真模型对铝合金电缆进行数据采集,这些数据包括电缆在不同工况下的表现、损伤特征以及与老化相关的其他信息。测试样本图像是从仿真模型中提取的具有代表性的图像数据,包括基于第一铝合金电缆的历史老化图像集合,这些图像可以用于训练和验证机器学习模型,进一步分析和预测电缆的老化行为。
缺陷定位是识别并定位测试样本图像中存在的老化缺陷的过程,如裂纹、腐蚀、氧化等,具体的,对原始图像进行去噪、增强对比度、调整亮度等操作,以改善图像质量,利用图像处理算法,如Canny边缘检测算法(一种多步算法,用于检测任何输入图像的边缘,主要有5个步骤,依次是高斯滤波、像素梯度计算、非极大值抑制、滞后阈值处理和孤立弱边缘抑制),检测边缘并提取轮廓,突显出缺陷区域。将图像进行二值化处理,然后使用形态学操作,如腐蚀、膨胀等,进一步突显缺陷特征,借助机器学习或深度学习技术,如卷积神经网络,对测试样本图像进行目标检测与识别,定位缺陷区域。
根据缺陷定位结果得到邻域老化缺陷特征,这些特征包括缺陷的形状、大小、深度、分布等信息,通过分析这些特征,可以更好地了解电缆的健康状况,并为后续预警和维护提供依据。
基于邻域老化缺陷特征对第一预测老化指标进行分解,以此将一个复杂的老化问题分解为两个更具体的子问题,即老化面积和老化深度,其中,第一预测老化面积表示电缆损伤区域的总面积,第一预测老化深度表示电缆损伤区域的深度,这两个指标有助于更具体地了解电缆的健康状况,并为后续预警和维护提供依据。
进一步而言,本申请步骤S420还包括:
步骤S421:根据缺陷定位结果对所述邻域老化缺陷特征进行边缘坐标点划分,输出缺陷边缘坐标集合;
步骤S422:对所述第一预测老化指标进行邻域区间配置,输出第一邻域定位区间,其中,所述第一邻域定位区间为所述缺陷边缘坐标集合扩展的最大距离;
步骤S423:根据所述第一邻域定位区间进行缺陷特征识别,得到邻域老化缺陷特征。
具体而言,将缺陷区域的边缘坐标点进行划分,这意味着从缺陷定位结果中提取缺陷区域的边界,并将其转换为一系列边缘坐标点,这可以帮助更清晰地描述缺陷的形状和范围,以便于进一步分析和处理。将提取的边缘坐标点整理成一个坐标集合作为输出,获取缺陷边缘坐标集合,这个缺陷边缘坐标集合包含了所有缺陷区域的边界信息,可以用于进一步分析电缆的健康状况,或者为采取维护措施提供依据。
邻域区间配置时,根据第一预测老化指标确定一个适当的邻域范围,该范围包含缺陷周围的区域,用于帮助进一步分析电缆的老化行为以及对周围区域的影响。对缺陷边缘坐标集合进行扩展,以确定最大距离,这个最大距离标识第一邻域定位区间,即缺陷周围的区域范围。示例性的,通过计算几何技术确定缺陷边缘坐标集合扩展的最大距离,包括计算点到点之间的距离、计算缺陷边界的外接矩形等,基于第一预测老化指标和缺陷边缘坐标集合,对邻域进行区间分析,以此更好地明确老化行为在周围区域的影响。
对第一邻域定位区间内的图像数据进行缺陷特征识别,以此在缺陷周围范围内检测和识别邻域老化缺陷特征,示例性的,利用特征提取算法,如SIFT(Scale-invariantfeature transform,尺度不变特征转换,一种及机器视觉的算法,用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变数)在第一邻域定位区间内识别缺陷特征,通过训练好的卷积神经网络模型对邻域老化缺陷特征进行识别和分类。
经过特征识别后,得到的邻域老化缺陷特征可能包括缺陷形状、大小、深度、分布、密度等信息,这些特征有助于评估电缆老化行为对周围区域的影响,并为后续预警和维护提供依据。
步骤S500:获取所述第一铝合金电缆的实时监测图像集;
具体而言,采用适当的传感器和成像技术,对铝合金电缆进行持续、实时的跟踪与监测,例如,采用红外热像仪,检测电缆表面温度的变化,从而了解其运行状态和老化情况;采用光学成像技术,如高分辨率相机,捕捉电缆表面的细节和异常现象。采集得到一系列关于铝合金电缆的图像数据,这些图像可以反映电缆在实际工况下的老化情况,如损伤区域、裂纹、氧化等现象,通过分析这些图像,可以更直观地了解电缆的健康状况。通过该步骤,明确电缆在实际工况下的性能表现,为后续预警和维护提供依据。
步骤S600:将所述实时监测图像集输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,其中,所述第一适应度函数为老化面积适应度函数,所述第二适应度函数为老化深度适应度函数;
具体而言,适应度函数是一种评估和比较某个解决方案优劣的方法,在本例中,第一适应度函数为老化面积适应度函数,用于评估电缆损伤区域的总面积,具体的,计算电缆老化单元两侧坐标点的老化面积的差的绝对值,计算电缆老化单元两侧坐标点预测得到的老化面积的差的绝对值,计算两个绝对值和,即为第一适应度函数;第二适应度函数为老化深度适应度函数,用于评估电缆损伤区域的深度,具体的,计算电缆老化单元两侧坐标点的损伤深度的差的绝对值,计算电缆老化单元两侧坐标点预测得到的损伤深度的差的绝对值,计算两个绝对值和,即为第二适应度函数。
其中,所述第一适应度函数如下:
;
其中,是电缆损伤部位的第一适应度函数;S/>、/>分别是电缆老化单元两侧坐标点的老化面积;S/>、S/>是电缆老化单元两侧坐标点预测得到的老化面积。
所述第二适应度函数如下:
;
其中,是电缆损伤部位的第二适应度函数;L/>、L/>分别是电缆老化单元两侧坐标点的损伤深度,L/>、L/>是电缆老化单元两侧坐标点预测得到的损伤深度。
将实时监测图像集输入到这两个适应度函数中,根据实际工况下收集到的图像,评估并比较电缆的健康状况,从而进一步确定其老化情况。
IPSO(改进的粒子群优化)算法是一种用于求解多目标优化问题的智能优化方法,可以提高优化过程的收敛速度和解的质量,在本步骤中,通过IPSO算法对实时监测图像集进行处理,以输出第一适应度指标,和第二适应度指标,其中,第一适应度指标表示老化面积,如损伤区域面积,第二适应度指标表示老化深度,如损伤区域的深度,这两个指标用于评估铝合金电缆的健康状况并生成预警信息。
步骤S700:根据所述第一适应度指标和所述第二适应度指标,生成第一预警信息。
进一步而言,如图3所示,本申请步骤S700还包括:
步骤S710:根据所述第一适应度指标和所述第二适应度指标进行权重计算,得到邻域适应度指标;
步骤S720:当所述邻域适应度指标大于预设邻域适应度指标,对所述第一适应度指标和所述第二适应度指标进行比较,得到第一比较结果;
步骤S730:根据所述第一比较结果,生成第一预警信息。
具体而言,根据第一适应度指标和第二适应度指标确定各自在邻域适应度指标中的相对重要性,通过分析历史数据、行业经验或专家意见等方法来确定权重,并确保两个适应度指标在计算邻域适应度指标时得到合理的考虑。
基于第一适应度指标和第二适应度指标的权重计算结果,对第一适应度指标和第二适应度指标进行加权平均,得到一个综合指标,即邻域适应度指标,它可以更全面地反映铝合金电缆的健康状况,并为后续预警和维护提供依据。
预设邻域适应度指标是一个参考值,由行业标准、企业经验或其他相关依据确定,这个指标用于判断当前电缆的健康状况是否达到需要采取措施的程度,当邻域适应度指标大于预设邻域适应度指标时,采用数值比较法,对第一适应度指标(老化面积)和第二适应度指标(老化深度)的数值进行比较,以确定是哪个因素导致电缆健康状况超出预设范围,或者判断哪个因素更加严重,为后续预警和维护决策提供信息。
根据第一比较结果生成相应的预警信息,示例性的,利用预先设定的预警规则库,根据第一比较结果自动匹配并生成相应的预警信息,这个规则库可以根据实际需求和经验不断优化和完善。
所述第一预警信息包括异常类型、预警级别、预警位置、建议措施等,其中,异常类型为明确导致电缆健康状况超出预设范围的原因,即是由于老化面积过大,还是老化深度过深;预警级别为根据第一比较结果确定的级别,如轻微、中等、严重等,以反映实际问题的紧迫性;预警位置为描述第一邻域定位区间内存在问题的具体位置,便于后续排查和处理;建议措施为根据异常类型和预警级别提供相应的建议措施,如检查、维修、更换等。
进一步而言,本申请步骤S700还包括:
步骤S740:获取所述第一铝合金电缆的负载流量信息;
步骤S750:根据所述负载流量信息进行老化速率识别,输出第一衰减速率;
步骤S760:根据所述第一衰减速率对所述邻域适应度指标进行更新识别,输出第二预警信息。
具体而言,负载流量信息是指电缆在实际运行过程中所承受的电流或功率等相关参数,这些信息能反映电缆承受的实际负载情况,用于评估电缆的健康状况以及分析其老化原因。通过采用监测设备、SCADA系统或现场巡检等方法,获取所述第一铝合金电缆的负载流量信息,示例性地,利用电流互感器、电力监测仪表等监测设备,实时或定期收集电缆的负载流量数据;通过监控与数据采集系统(SCADA)自动收集电缆的运行状态和负载流量信息;通过现场工作人员定期对电缆进行巡检,并记录负载流量信息。
根据负载流量信息评估铝合金电缆的老化速率,示例性地,通过分析历史负载流量数据与电缆性能衰减之间的关系,建立统计模型以识别老化速率,所述老化速率是指电缆性能随时间衰减的速度,与电缆的使用寿命、健康状况及可能发生故障的风险密切相关。经过老化速率识别后,得到的结果为第一衰减速率,这个指标可以用于评估电缆在当前负载流量下的老化程度及潜在风险。
通过采用数据融合、动态阈值调整和专家系统等方法,根据所述第一衰减速率对所述邻域适应度指标进行更新识别,示例性地,将第一衰减速率与邻域适应度指标的数据进行融合,以更新识别结果;根据第一衰减速率动态调整预设邻域适应度指标的阈值,以提高预警信息的准确性;借助于专家系统,将领域专家的知识与经验整合到预警信息生成过程中,提高预警的准确性和可靠性。
通过对所述邻域适应度指标的更新识别,实现利用最新的老化速率来更准确地评估邻域适应度指标,以便更好地监测铝合金电缆的健康状况,经过更新识别后,生成相应的第二预警信息,所述第二预警信息包括预警类型、预警级别、预警位置、建议措施等。
综上所述,本申请实施例所提供的铝合金电缆的老化预警方法及系统具有如下技术效果:
对第一铝合金电缆进行模态数据采集,得到第一建模数据集,对第一建模数据集进行建模,输出第一电缆仿真模型,进行状态测试,输出标识电缆运行异常的第一预测老化指标,进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度,获取实时监测图像集,输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,根据第一适应度指标和第二适应度指标,生成第一预警信息。
解决了现有技术中对于铝合金电缆的老化分析存在仅仅针对老化中心进行,使得对于老化缺陷不能准确预测,进而导致对于电缆老化问题处理滞后,电缆系统运行安全性、稳定性差的技术问题,实现了通过对处于中心老化程度周围的邻域老化程度进行标识,准确识别电缆的邻域老化缺陷特征,进而找到邻域变化,以此预测电缆的老化,实现电缆老化问题的早期发现和处理,确保电缆系统的安全稳定运行。
实施例2
基于与前述实施例中铝合金电缆的老化预警方法相同的发明构思,如图4所示,本申请提供了铝合金电缆的老化预警系统,所述系统包括:
模态数据采集模块10,所述模态数据采集模块10用于对第一铝合金电缆进行模态数据采集,得到第一建模数据集;
建模模块20,所述建模模块20用于连接仿真平台对所述第一建模数据集进行建模,输出第一电缆仿真模型;
状态测试模块30,所述状态测试模块30用于根据所述第一电缆仿真模型进行状态测试,输出标识电缆运行异常的第一预测老化指标;
适应度分解模块40,所述适应度分解模块40用于对所述第一预测老化指标进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度;
监测图像获取模块50,所述监测图像获取模块50用于获取所述第一铝合金电缆的实时监测图像集;
适应度指标获取模块60,所述适应度指标获取模块60用于将所述实时监测图像集输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,其中,所述第一适应度函数为老化面积适应度函数,所述第二适应度函数为老化深度适应度函数;
预警信息生成模块70,所述预警信息生成模块70用于根据所述第一适应度指标和所述第二适应度指标,生成第一预警信息。
进一步而言,所述系统还包括:
数据采集模块,用于根据所述第一电缆仿真模型进行数据采集,得到测试样本图像,其中,所述测试样本图像包括基于所述第一铝合金电缆的历史老化图像集合;
缺陷定位模块,用于通过对所述测试样本图像进行缺陷定位,根据缺陷定位结果得到邻域老化缺陷特征;
适应度分解模块,用于基于所述邻域老化缺陷特征对所述第一预测老化指标进行电缆老化邻域单元适应度分解,输出第一预测老化面积和第一预测老化深度。
进一步而言,所述系统还包括:
边缘坐标点划分模块,用于根据缺陷定位结果对所述邻域老化缺陷特征进行边缘坐标点划分,输出缺陷边缘坐标集合;
邻域区间配置模块,用于对所述第一预测老化指标进行邻域区间配置,输出第一邻域定位区间,其中,所述第一邻域定位区间为所述缺陷边缘坐标集合扩展的最大距离;
缺陷特征识别模块,用于根据所述第一邻域定位区间进行缺陷特征识别,得到邻域老化缺陷特征。
进一步而言,所述第一适应度函数如下:
;
其中,是电缆损伤部位的第一适应度函数;S/>、/>分别是电缆老化单元两侧坐标点的老化面积;S/>、S/>是电缆老化单元两侧坐标点预测得到的老化面积。
进一步而言,所述第二适应度函数如下:
;
其中,是电缆损伤部位的第二适应度函数;L/>、L/>分别是电缆老化单元两侧坐标点的损伤深度,L/>、L/>是电缆老化单元两侧坐标点预测得到的损伤深度。
进一步而言,所述系统还包括:
权重计算模块,用于根据所述第一适应度指标和所述第二适应度指标进行权重计算,得到邻域适应度指标;
比较模块,用于当所述邻域适应度指标大于预设邻域适应度指标,对所述第一适应度指标和所述第二适应度指标进行比较,得到第一比较结果;
第一预警信息生成模块,用于根据所述第一比较结果,生成第一预警信息。
进一步而言,所述系统还包括:
负载流量信息获取模块,用于获取所述第一铝合金电缆的负载流量信息;
老化速率识别模块,用于根据所述负载流量信息进行老化速率识别,输出第一衰减速率;
更新识别模块,用于根据所述第一衰减速率对所述邻域适应度指标进行更新识别,输出第二预警信息。
本说明书通过前述对铝合金电缆的老化预警方法的详细描述,本领域技术人员可以清楚地知道本实施例中铝合金电缆的老化预警方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.铝合金电缆的老化预警方法,其特征在于,所述方法包括:
对第一铝合金电缆进行模态数据采集,得到第一建模数据集;
连接仿真平台对所述第一建模数据集进行建模,输出第一电缆仿真模型;
根据所述第一电缆仿真模型进行状态测试,输出标识电缆运行异常的第一预测老化指标;
对所述第一预测老化指标进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度;
获取所述第一铝合金电缆的实时监测图像集;
将所述实时监测图像集输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,其中,所述第一适应度函数为老化面积适应度函数,所述第二适应度函数为老化深度适应度函数;
根据所述第一适应度指标和所述第二适应度指标,生成第一预警信息。
2.如权利要求1所述的方法,其特征在于,对所述第一预测老化指标进行电缆老化邻域单元适应度分解,方法包括:
根据所述第一电缆仿真模型进行数据采集,得到测试样本图像,其中,所述测试样本图像包括基于所述第一铝合金电缆的历史老化图像集合;
通过对所述测试样本图像进行缺陷定位,根据缺陷定位结果得到邻域老化缺陷特征;
基于所述邻域老化缺陷特征对所述第一预测老化指标进行电缆老化邻域单元适应度分解,输出第一预测老化面积和第一预测老化深度。
3.如权利要求2所述的方法,其特征在于,根据缺陷定位结果得到邻域老化缺陷特征,方法包括:
根据缺陷定位结果对所述邻域老化缺陷特征进行边缘坐标点划分,输出缺陷边缘坐标集合;
对所述第一预测老化指标进行邻域区间配置,输出第一邻域定位区间,其中,所述第一邻域定位区间为所述缺陷边缘坐标集合扩展的最大距离;
根据所述第一邻域定位区间进行缺陷特征识别,得到邻域老化缺陷特征。
4.如权利要求2所述的方法,其特征在于,所述第一适应度函数如下:
;
其中,是电缆损伤部位的第一适应度函数;S/>、/>分别是电缆老化单元两侧坐标点的老化面积;S/>、S/>是电缆老化单元两侧坐标点预测得到的老化面积。
5.如权利要求2所述的方法,其特征在于,所述第二适应度函数如下:
;
其中,是电缆损伤部位的第二适应度函数;L/>、L/>分别是电缆老化单元两侧坐标点的损伤深度,L/>、L/>是电缆老化单元两侧坐标点预测得到的损伤深度。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第一适应度指标和所述第二适应度指标进行权重计算,得到邻域适应度指标;
当所述邻域适应度指标大于预设邻域适应度指标,对所述第一适应度指标和所述第二适应度指标进行比较,得到第一比较结果;
根据所述第一比较结果,生成第一预警信息。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
获取所述第一铝合金电缆的负载流量信息;
根据所述负载流量信息进行老化速率识别,输出第一衰减速率;
根据所述第一衰减速率对所述邻域适应度指标进行更新识别,输出第二预警信息。
8.铝合金电缆的老化预警系统,其特征在于,用于实施权利要求1-7任一项所述的铝合金电缆的老化预警方法,包括:
模态数据采集模块,所述模态数据采集模块用于对第一铝合金电缆进行模态数据采集,得到第一建模数据集;
建模模块,所述建模模块用于连接仿真平台对所述第一建模数据集进行建模,输出第一电缆仿真模型;
状态测试模块,所述状态测试模块用于根据所述第一电缆仿真模型进行状态测试,输出标识电缆运行异常的第一预测老化指标;
适应度分解模块,所述适应度分解模块用于对所述第一预测老化指标进行电缆老化邻域单元适应度分解,得到第一预测老化面积和第一预测老化深度;
监测图像获取模块,所述监测图像获取模块用于获取所述第一铝合金电缆的实时监测图像集;
适应度指标获取模块,所述适应度指标获取模块用于将所述实时监测图像集输入第一适应度函数和第二适应度函数,利用IPSO算法输出第一适应度指标和第二适应度指标,其中,所述第一适应度函数为老化面积适应度函数,所述第二适应度函数为老化深度适应度函数;
预警信息生成模块,所述预警信息生成模块用于根据所述第一适应度指标和所述第二适应度指标,生成第一预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964480.2A CN116704733B (zh) | 2023-08-02 | 2023-08-02 | 铝合金电缆的老化预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964480.2A CN116704733B (zh) | 2023-08-02 | 2023-08-02 | 铝合金电缆的老化预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116704733A true CN116704733A (zh) | 2023-09-05 |
CN116704733B CN116704733B (zh) | 2023-10-27 |
Family
ID=87839599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310964480.2A Active CN116704733B (zh) | 2023-08-02 | 2023-08-02 | 铝合金电缆的老化预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704733B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973671A (zh) * | 2023-09-22 | 2023-10-31 | 江苏大圆电子科技有限公司 | 一种电缆的老化预警方法与系统 |
CN117289014A (zh) * | 2023-11-24 | 2023-12-26 | 昆明英派尔科技有限公司 | 光缆老化导致odf带电的检测设计方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540212A (zh) * | 2018-11-30 | 2019-03-29 | 湖南世优电力科技股份有限公司 | 一种基于大数据的电缆井状态评估预警系统及方法 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
CN113156263A (zh) * | 2021-03-23 | 2021-07-23 | 广东安恒电力科技有限公司 | 电缆状态监测方法及存储介质 |
CN115015692A (zh) * | 2022-06-06 | 2022-09-06 | 国网内蒙古东部电力有限公司赤峰供电公司 | 一种高压设备电力电缆运维监测预警方法及系统 |
CN115856514A (zh) * | 2023-02-28 | 2023-03-28 | 宝胜高压电缆有限公司 | 一种聚丙烯电缆的智能运行异常监测定位方法及系统 |
CN116243114A (zh) * | 2022-11-25 | 2023-06-09 | 大唐珲春发电厂 | 一种基于红外成像技术的电缆故障检测方法及系统 |
-
2023
- 2023-08-02 CN CN202310964480.2A patent/CN116704733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540212A (zh) * | 2018-11-30 | 2019-03-29 | 湖南世优电力科技股份有限公司 | 一种基于大数据的电缆井状态评估预警系统及方法 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
CN113156263A (zh) * | 2021-03-23 | 2021-07-23 | 广东安恒电力科技有限公司 | 电缆状态监测方法及存储介质 |
CN115015692A (zh) * | 2022-06-06 | 2022-09-06 | 国网内蒙古东部电力有限公司赤峰供电公司 | 一种高压设备电力电缆运维监测预警方法及系统 |
CN116243114A (zh) * | 2022-11-25 | 2023-06-09 | 大唐珲春发电厂 | 一种基于红外成像技术的电缆故障检测方法及系统 |
CN115856514A (zh) * | 2023-02-28 | 2023-03-28 | 宝胜高压电缆有限公司 | 一种聚丙烯电缆的智能运行异常监测定位方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116973671A (zh) * | 2023-09-22 | 2023-10-31 | 江苏大圆电子科技有限公司 | 一种电缆的老化预警方法与系统 |
CN116973671B (zh) * | 2023-09-22 | 2023-12-01 | 江苏大圆电子科技有限公司 | 一种电缆的老化预警方法与系统 |
CN117289014A (zh) * | 2023-11-24 | 2023-12-26 | 昆明英派尔科技有限公司 | 光缆老化导致odf带电的检测设计方法及装置 |
CN117289014B (zh) * | 2023-11-24 | 2024-01-23 | 昆明英派尔科技有限公司 | 光缆老化导致odf带电的检测设计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116704733B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116704733B (zh) | 铝合金电缆的老化预警方法及系统 | |
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
Westphal et al. | A machine learning method for defect detection and visualization in selective laser sintering based on convolutional neural networks | |
CN112734692B (zh) | 一种变电设备缺陷识别方法及装置 | |
KR101882925B1 (ko) | 납땜 이음의 품질을 검사하는 방법 | |
CN109784348B (zh) | 一种红外电力设备识别和在线诊断方法及其系统 | |
CN115423127B (zh) | 一种基于人工智能的电力设备现场运维方法及系统 | |
CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
CN116862914B (zh) | 基于深度学习的金属轴表面缺陷识别方法及系统 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN117134007B (zh) | 一种锂离子电池温度控制方法及系统 | |
CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
CN112734637B (zh) | 一种导线温度监测的热红外图像处理方法和系统 | |
Mustaffar et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification-a photogrammetric approach | |
CN113205479A (zh) | 用于评估资产健康状况的系统和方法 | |
Olivatti et al. | Analysis of artificial intelligence techniques applied to thermographic inspection for automatic detection of electrical problems | |
CN113919396A (zh) | 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法 | |
CN112767365A (zh) | 一种探伤方法 | |
CN105784192A (zh) | 通过光纤传感技术实现电缆井电力设备在线监测的方法 | |
CN117169286B (zh) | 一种视觉辅助下的工业线束质量检测方法 | |
CN117330952B (zh) | 一种基于持久同调分析的隔离开关故障诊断方法 | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 | |
CN117314705B (zh) | 一种基于遥感影像的环境综合评估预测方法 | |
CN117893789A (zh) | 一种基于改进的Faster R-CNN算法的架空输电线路绝缘子检测高精度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |