电缆缺陷识别的方法、装置、电子设备及存储介质与流程

本发明涉及一种电缆缺陷识别的方法、装置、电子设备及存储介质，属于配电电缆缺陷识别。

背景技术：

1、随着电力网络的不断扩大和复杂度增加，确保电缆系统的稳定运行变得尤为重要。电缆作为电力传输的关键组件，其内部缺陷可能导致重大事故，如停电、火灾等，影响公共安全和经济运行。因此，发展高效、准确的电缆缺陷检测技术成为电力行业的迫切需求。

2、传统的电缆检测方法如红外热成像、耐压试验等，在某些情况下可能无法有效发现电缆内部的微小缺陷或早期故障，尤其是对于绝缘老化、局部放电等隐蔽性问题。近年来，随着传感器技术、信号处理算法（特别是数字信号处理和模式识别）、以及人工智能技术（如机器学习和深度学习）的快速发展，声纹识别技术在电缆缺陷检测中的应用变得更加精确和高效。这些技术进步使得系统能够从复杂背景噪音中分离出有用的信号，实现对电缆缺陷的快速识别和分类。

3、为了提高配电电缆声纹的缺陷感知能力，需要对相应算法的参数进行寻优并实时处理。因此，本发明提出了一种三角拓扑聚合优化的elm电缆缺陷识别方法。

技术实现思路

1、为了解决上述问题，本发明提出了一种电缆缺陷识别的方法、装置、电子设备及存储介质，能够实现电缆缺陷的有效识别，极大地降低硬件资源和计算成本。

2、本发明为解决其技术问题所采取的技术方案是：

3、第一方面，本发明实施例提供的一种电缆缺陷识别的方法，包括如下步骤：

4、步骤s1，采集目标电缆的声纹数据；

5、步骤s2，通过三角拓扑聚合优化法对最大相关峭度滤波法的滤波长度和周期进行参数优化，采用优化后的最大相关峭度滤波法对声纹数据进行去噪增强处理；

6、步骤s3，通过三角拓扑聚合优化法对在线序列极限学习机(os-elm)的输入权值和隐藏层偏置进行参数优化，基于参数优化后的在线序列极限学习机构建电缆缺陷识别模型；

7、步骤s4，基于声纹数据进行模型训练，采用输出权值的链式更新法则实时更新电缆缺陷识别模型的当前输出权值，并输出电缆缺陷识别结果。

8、作为本实施例一种可能的实现方式，所述三角拓扑聚合优化法，包括如下步骤：

9、(1)初始化优化参数的限制范围及迭代次数t，构建三角拓扑空间模型并随机选取初始顶点进而构建初始三角单元，三角单元内部所有的子集均为优化参数的某个配置选项；所述三角拓扑空间模型为：

10、，

11、其中，和分别为优化参数的极大值和极小值，、和分别为初始顶点，r0为[0，1]的随机数，代表一个三角形拓扑单元的大小，t为当前迭代次数，和代表所引导的和的方向向量，其中，是介于[0，π]之间的随机角度；

12、(2)确定适应度函数，并对三个顶点以及子集的参数配置选项进行验证；

13、(3)根据适应度函数和局部最优限制函数确定子集的最优位置：

14、；

15、(4)选定最优位置作为新的初始顶点，根据子步骤(1)中的方法求取和创建新的三角拓扑单元：

16、；

17、(5)判断当前迭代次数t是否大于t，如果大于则输出最终的子集的最优位置并确定优化参数的最优解，如果小于则重复执行子步骤(3)和(4)。

18、作为本实施例一种可能的实现方式，所述适应度函数为均方根误差。

19、作为本实施例一种可能的实现方式，所述最大相关峭度滤波法的公式为：

20、，

21、其中，t为滤波的周期，m为位移数，n为输出的离散数据，为电缆声纹的正则化项。

22、作为本实施例一种可能的实现方式，所述最大相关峭度滤波法的滤波长度为[400，600]，周期为[100s，300s]，且滤波长度和周期二者初始化随机选取满足高斯分布。

23、作为本实施例一种可能的实现方式，所述在线序列极限学习机的输入权值和隐藏层偏置满足高斯随机分布。

24、作为本实施例一种可能的实现方式，所述电缆缺陷识别模型为：

25、，

26、其中，为声纹数据样本，为输入权值，为偏置，l为隐藏层节点个数，β0为隐藏层节点的输出权值，n0为声纹数据样本数量，为极限学习机的网络输出。

27、作为本实施例一种可能的实现方式，所述链式更新法则为：

28、记h为隐藏层输出矩阵，，则，利用下式进行链式更新输出权值：

29、，

30、其中为第n+1次的输出权值，yn+1为第n+1次到达的声纹样本的网络输出，为输出权值的高斯约束项。

31、作为本实施例一种可能的实现方式，所述隐藏层输出矩阵为：

32、。

33、作为本实施例一种可能的实现方式，所述步骤s4包括：

34、用三角拓扑聚合优化网络结构的过程；

35、对电缆声纹数据的在线学习的过程。

36、第二方面，本发明实施例提供的一种电缆缺陷识别的装置，包括：

37、数据采集模块，用于采集目标电缆的声纹数据；

38、数据处理模块，用于通过三角拓扑聚合优化法对最大相关峭度滤波法的滤波长度和周期进行参数优化，采用优化后的最大相关峭度滤波法对声纹数据进行去噪增强处理；

39、模型构建模块，用于通过三角拓扑聚合优化法对在线序列极限学习机的输入权值和隐藏层偏置进行参数优化，基于参数优化后的在线序列极限学习机构建电缆缺陷识别模型；

40、缺陷识别模块，用于基于声纹数据进行模型训练，采用输出权值的链式更新法则实时更新电缆缺陷识别模型的当前输出权值，并输出电缆缺陷识别结果。

41、作为本实施例一种可能的实现方式，所述三角拓扑聚合优化法，包括如下步骤：

42、(1)初始化优化参数的限制范围及迭代次数t，构建三角拓扑空间模型并随机选取初始顶点进而构建初始三角单元，三角单元内部所有的子集均为优化参数的某个配置选项；所述三角拓扑空间模型为：

43、，

44、其中，和分别为优化参数的极大值和极小值，、和分别为初始顶点，r0为[0，1]的随机数，代表一个三角形拓扑单元的大小，t为当前迭代次数，和代表所引导的和的方向向量，其中，是介于[0，π]之间的随机角度；

45、(2)确定适应度函数，并对三个顶点以及子集的参数配置选项进行验证；

46、(3)根据适应度函数和局部最优限制函数确定子集的最优位置：

47、；

48、(4)选定最优位置作为新的初始顶点，根据子步骤(1)中的方法求取和创建新的三角拓扑单元：

49、；

50、(5)判断当前迭代次数t是否大于t，如果大于则输出最终的子集的最优位置并确定优化参数的最优解，如果小于则重复执行子步骤(3)和(4)。

51、作为本实施例一种可能的实现方式，所述适应度函数为均方根误差。

52、作为本实施例一种可能的实现方式，所述最大相关峭度滤波法的公式为：

53、，

54、其中，t为滤波的周期，m为位移数，n为输出的离散数据，为电缆声纹的正则化项。

55、作为本实施例一种可能的实现方式，所述最大相关峭度滤波法的滤波长度为[400，600]，周期为[100s，300s]，且滤波长度和周期二者初始化随机选取满足高斯分布。

56、作为本实施例一种可能的实现方式，所述在线序列极限学习机的输入权值和隐藏层偏置满足高斯随机分布。

57、作为本实施例一种可能的实现方式，所述电缆缺陷识别模型为：

58、，

59、其中，为声纹数据样本，为输入权值，为偏置，l为隐藏层节点个数，β0为隐藏层节点的输出权值，n0为声纹数据样本数量，为极限学习机的网络输出。

60、作为本实施例一种可能的实现方式，所述链式更新法则为：

61、记h为隐藏层输出矩阵，，则，利用下式进行链式更新输出权值：

62、，

63、其中为第n+1次的输出权值，yn+1为第n+1次到达的声纹样本的网络输出，为输出权值的高斯约束项。

64、作为本实施例一种可能的实现方式，所述隐藏层输出矩阵为：

65、。

66、作为本实施例一种可能的实现方式，所述缺陷识别模块输出电缆缺陷识别结果的过程包括：

67、用三角拓扑聚合优化网络结构的过程；

68、对电缆声纹数据的在线学习的过程。

69、第三方面，本发明实施例提供的一种电子设备，包括处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如上述任意电缆缺陷识别的方法的步骤。

70、第四方面，本发明实施例提供的一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述任意电缆缺陷识别的方法的步骤。

71、本发明实施例的技术方案所产生的有益效果如下：

72、本发明实施例的技术方案的一种电缆缺陷识别的方法，包括如下步骤：步骤s1，采集目标电缆的声纹数据；步骤s2，通过三角拓扑聚合优化法对最大相关峭度滤波法的滤波长度和周期进行参数优化，采用优化后的最大相关峭度滤波法对声纹数据进行去噪增强处理；步骤s3，通过三角拓扑聚合优化法对在线序列极限学习机的输入权值和隐藏层偏置进行参数优化，基于参数优化后的在线序列极限学习机构建电缆缺陷识别模型；步骤s4，基于声纹数据进行模型训练，采用输出权值的链式更新法则实时更新电缆缺陷识别模型的当前输出权值，并输出电缆缺陷识别结果。本发明根据电缆声纹增强和在线序列极限学习机的结构特征选取最大相关峭度滤波法的滤波长度和周期以及在线序列极限学习机的输入权值和隐藏层偏置作为优化参数，根据基于三角形拓扑结构，迭代构建多个相似三角形拓扑单元，通过不同三角形拓扑单元之间的正向信息交换生成新顶点，同时根据每个三角形的局部最优顶点进而构建新的最优位置，以平衡最优参数的全局和局部搜索，从而获得更具竞争力的电缆缺陷分类性能，实现了电缆缺陷的有效识别。本发明不仅显著提升了声纹增强和极限学习机参数优化的效率和效果，而且极大地降低了硬件资源和计算成本。

73、本发明根据优化参数的限定范围构建三角拓扑结构，通过迭代生成最优三角稳定性架构以实现全局和局部的最佳搜索。从而获得更具竞争力的电缆缺陷分类性能。明显提升了声纹增强和极限学习机参数优化的效率及成本，最大程度地发挥了机器学习架构的电缆缺陷分类潜力，节约了电缆声纹增强技术和os-elm进行缺陷识别时的硬件资源及计算成本，在工程实践中有一定应用价值。