一种基于多算法融合的电缆故障智能诊断方法及系统与流程

本发明涉及电缆故障诊断，尤其涉及一种基于多算法融合的电缆故障智能诊断方法及系统。

背景技术：

1、电缆作为电力系统中电能传输的核心载体，广泛应用于城市配电网、工业供电及轨道交通等领域，其运行状态直接关系到电力系统的安全性与供电可靠性。然而，电缆在长期服役过程中，受绝缘老化、机械外力损伤、环境腐蚀及过负荷运行等因素影响，易发生断线、局部放电、单相接地及相间短路等故障，严重时可能导致供电中断甚至引发电气火灾事故。

2、传统电缆故障诊断方法存在诸多局限性：

3、一是信号采集覆盖不足。现有诊断系统多仅在电缆单一位置布设传感器，或仅采集单一物理量（如仅采集电流信号或仅采集温度信号），难以实现电缆全线路、多物理量的同步监测。这种“单点单参量”的采集模式无法覆盖电缆全生命周期的故障特征信息，尤其对早期微弱故障的感知能力不足，容易造成漏判和误判。

4、二是现场信号受噪声干扰严重。电缆运行现场普遍存在复杂的电磁干扰和环境噪声，采集到的原始信号信噪比较低，严重制约了后续故障特征提取的精度。现有降噪方法多采用单一滤波策略，如仅使用小波去噪或仅使用模态分解，缺乏对变分模态分解核心参数的自适应优化能力，也难以准确区分有效故障成分与噪声分量，导致降噪效果不理想。

5、三是故障特征表征维度单一。现有方法多从单一域（如仅时域或仅频域）提取特征值，难以全面刻画不同故障类型之间的细微差异，对于具有相似时域波形的故障类别（如局部放电与单相接地）区分能力有限。

6、四是特征集中存在大量冗余信息。初步提取的多维特征集中往往包含相关性高、区分度低的冗余特征，这些特征不仅增加了诊断模型的计算负担，降低了诊断实时性，还可能干扰模型的判别决策，导致诊断准确率下降。

7、五是诊断模型的超参数依赖人工经验设定。现有智能诊断模型（如神经网络模型）的超参数多通过人工试错或经验规则确定，缺乏全局寻优机制，难以保证模型在不同工况下的泛化性能和诊断精度。尤其在胶囊神经网络中，squash压缩函数的温度系数、动态路由的迭代次数及耦合系数缩放因子等关键超参数对模型性能影响显著，但现有研究尚未给出系统性的优化方案。

技术实现思路

1、本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于多算法融合的电缆故障智能诊断方法，以实现电缆故障的精准、高效诊断。为此，本发明采取以下技术方案。

2、第一方面，提供一种基于多算法融合的电缆故障智能诊断方法，其包括以下步骤：

3、s1：在待诊断电缆的关键位置布设包括温度传感器、加速度传感器和电流传感器的传感器组，同步采集多通道原始信号，构建包括多种工作状态样本的故障诊断数据集；

4、s2：采用麻雀优化算法与变分模态分解相结合的联合降噪算法对所述多通道原始信号进行处理，得到多个固有本征模态分量；计算各固有本征模态分量与原始信号的皮尔逊相关系数，根据相关系数阈值筛选有效固有本征模态分量，并对各有效固有本征模态分量进行自适应小波阈值去噪处理，重构得到最终降噪信号；

5、s3：基于所述最终降噪信号，从时域、频域和时频域三个维度提取特征值，形成初始多维度特征集；

6、s4：采用relieff算法与mrmr算法相结合的方式对所述初始多维度特征集进行核心特征筛选，得到最终的核心特征集；

7、s5：对所述核心特征集进行归一化处理；

8、s6：以归一化后的核心特征集作为输入，采用灰狼优化算法对胶囊神经网络的超参数进行全局寻优，构建故障诊断模型；当需要电缆故障诊断时，将待诊断电缆的数据输入所述故障诊断模型，由故障诊断模型输出电缆运行状态及对应的故障置信概率。

9、本技术方案在待诊断电缆的关键位置布设包含温度、加速度和电流三种传感器的传感器组，实现多通道原始信号的同步采集；能够覆盖电缆全线路的故障特征信息，尤其对早期微弱故障的感知能力显著增强，有效降低漏判和误判的风险。采用麻雀优化算法与变分模态分解相结合的联合降噪算法对原始信号进行处理；麻雀优化算法能够自适应地确定变分模态分解的最优参数组合，克服了传统方法中分解参数依赖人工经验设定的缺陷；同时，通过皮尔逊相关系数筛选有效固有本征模态分量、剔除噪声主导分量，并结合自适应小波阈值去噪进行二次处理，形成了多级联合降噪体系，能够在有效保留故障特征信息的同时最大限度地抑制环境噪声与电磁干扰。从时域、频域和时频域三个维度提取特征值，形成初始多维度特征集，能够从不同角度全面表征各类故障的差异化信息，对于具有相似时域波形的不同故障类型（如局部放电与单相接地）具备更强的区分能力。采用relieff算法与mrmr算法相结合的方式对初始多维度特征集进行核心特征筛选；relieff算法评估各特征对故障类别的区分贡献度，mrmr算法在保证特征与故障类别最大相关性的同时最小化特征之间的冗余，两者结合能够在保留高区分度特征的同时有效剔除冗余和无用特征，降低诊断模型的计算负担，提升诊断实时性。采用灰狼优化算法对胶囊神经网络的超参数进行全局寻优，避免了传统方法中依赖人工试错或经验规则设定超参数的局限性；灰狼优化算法具有收敛速度快、寻优精度高的特点，能够搜索到胶囊神经网络的最优超参数组合，从而充分释放胶囊网络在故障识别任务中的性能潜力。通过gwo-capsnet故障诊断模型输出电缆运行状态及对应的故障置信概率，不仅给出诊断结论，还提供了模型对该结论的置信程度，为运维人员的后续决策提供了更丰富的参考信息，增强了诊断结果的可信度和可解释性。系统性解决了现有技术中信号采集不全面、抗干扰能力差、特征辨识度低、特征冗余度高及模型参数优化不足的技术问题。

10、作为优选技术手段：步骤s1中，所述关键位置包括电缆首端、中间易故障段及末端；所述多种工作状态包括正常状态、断线、局部放电、单相接地和相间短路；通过各组传感器同步采集电缆运行过程中的温度信号、振动信号及电流信号，形成多通道原始信号数据集，制作电缆故障诊断数据集，并按比例将各工作状态下的样本划分为训练集和测试集。

11、本技术方案实现了对电缆全线路关键节点的无盲区覆盖，避免因单点监测遗漏故障信息；采用五种工作状态（正常、断线、局部放电、单相接地、相间短路）涵盖了电缆最主要的运行场景和故障类型，为后续有监督学习提供了完整的标签体系；按比例划分训练集和测试集，保证了模型训练与验证的数据独立性，有利于客观评估模型的泛化性能。

12、作为优选技术手段：步骤s2具体包括：

13、s21：设定麻雀种群规模、最大迭代次数、发现者比例和警戒者比例；设定变分模态分解的分解模态数的搜索区间及惩罚因子的搜索区间；每个麻雀个体对应一组变分模态分解参数组合，包括分解模态数和惩罚因子；

14、s22：基于各麻雀个体对应的变分模态分解参数组合对原始信号进行变分模态分解，得到多个固有本征模态分量，原始信号等于各固有本征模态分量之和；

15、s23：计算各固有本征模态分量与原始信号的皮尔逊相关系数，设定相关系数阈值，保留相关系数大于或等于相关系数阈值的有效固有本征模态分量，剔除相关系数小于相关系数阈值的噪声主导分量；

16、s24：对筛选后的每个有效固有本征模态分量，采用symlet4小波基函数进行4层离散小波分解，得到高频小波系数与低频小波系数；

17、s25：采用自适应软阈值函数对高频小波系数进行滤波处理，处理后的小波系数等于原始小波系数的符号乘以原始小波系数绝对值减去自适应阈值后的正值；所述自适应阈值由噪声标准差、信号长度及当前固有本征模态分量的小波系数最大幅值共同确定，其值随小波系数幅值增大而自适应减小；

18、s26：对每个固有本征模态分量处理后的低频小波系数和滤波后的高频小波系数分别进行逆小波变换，得到去噪后的固有本征模态分量；

19、s27：构建适应度函数，适应度函数等于信噪比乘以第一权重减去均方根误差乘以第二权重再加上噪声抑制比乘以第三权重；以最大化适应度函数值为寻优目标，执行发现者位置更新、跟随者位置更新以及警戒者位置更新，判断是否达到最大迭代次数，未达到则返回步骤s22继续迭代；达到最大迭代次数后，输出适应度函数值最大时对应的最优变分模态分解参数组合，包括最优分解模态数和最优惩罚因子；

20、s28：基于所述最优分解模态数和最优惩罚因子对原始信号进行变分模态分解，得到最优数量的固有本征模态分量；对各最优固有本征模态分量进行皮尔逊相关系数筛选和自适应小波阈值去噪后，将所有去噪后的最优固有本征模态分量叠加重构，得到最终降噪信号。

21、本技术方案通过麻雀优化算法对变分模态分解的分解模态数和惩罚因子进行全局寻优，解决了vmd参数难以确定的技术难题，避免了人工试凑参数导致降噪效果不稳定的问题。通过皮尔逊相关系数筛选有效固有本征模态分量，能够从定量角度准确区分以故障特征为主的分量和以噪声为主的分量，相比依靠经验判断或简单能量阈值法更具科学性和准确性。采用symlet4小波基函数进行4层离散小波分解并配合自适应软阈值滤波，symlet4小波具有良好的近似对称性和近似线性相位特性，能够在去噪过程中最大程度保持信号波形不失真；自适应阈值随小波系数幅值动态调整，对小系数给予较大抑制、对大系数给予较小抑制，相比固定阈值法能够更精细地保留故障特征中的突变细节。构建包含信噪比、均方根误差和噪声抑制比的综合适应度函数，克服单一指标优化可能导致的降噪偏差（如仅优化信噪比可能导致信号过度平滑），三个指标相互制衡，确保寻优得到的vmd参数能够实现信号保真度与噪声抑制的最佳平衡。

22、作为优选技术手段：步骤s4中：

23、通过relieff算法计算每个特征对不同类别样本的区分能力，得到特征权重，设定权重阈值，筛选出权重大于或等于权重阈值的特征构成relieff优选特征集；

24、通过mrmr算法计算特征与故障类别之间的互信息以及特征与特征之间的互信息，并构建目标函数；所述目标函数基于最大相关性准则和最小冗余性准则，其中最大相关性准则值为特征子集内各特征与故障类别之间互信息的平均值，最小冗余性准则值为特征子集内各特征之间互信息的平均值，目标函数等于最大相关性准则值减去最小冗余性准则值；采用增量搜索法迭代优选，得到mrmr优选特征集；

25、取relieff优选特征集与mrmr优选特征集的并集作为最终的核心特征集。

26、relieff算法擅长评估单个特征对类别区分的贡献度，mrmr算法擅长在特征之间进行去冗余筛选，两者从不同角度筛选特征，取并集能够兼顾高区分度和低冗余性双重目标，相比单一算法筛选更为全面可靠，既避免了遗漏重要特征，又剔除了冗余特征。

27、作为优选技术手段：步骤s6中，所述胶囊神经网络包括卷积层、主胶囊层、类别胶囊层和解码器重构层；

28、所述主胶囊层与类别胶囊层均采用带温度系数的squash压缩函数对胶囊输出向量进行非线性压缩，具体为：第j个胶囊经压缩后的输出向量等于该胶囊总输入向量二范数的平方除以该二范数的平方与温度系数平方之和，再乘以该胶囊总输入向量除以其二范数；

29、所述胶囊神经网络采用改进动态路由机制实现低层胶囊到高层胶囊的信息传递，路由逻辑值更新方式为：低层胶囊i到高层胶囊j的路由逻辑值更新为其原值加上路由缩放因子乘以低层胶囊i经仿射变换后对高层胶囊j的预测向量与高层胶囊j输出向量的点积。

30、传统squash压缩函数中温度系数固定为1，缺乏灵活性；本技术方案引入可调温度系数，使得压缩函数的敏感区域可以根据具体任务进行自适应调整，避免因压缩过强导致有效信息丢失或压缩不足导致噪声放大。引入路由缩放因子对耦合系数更新步长进行调节，有效抑制了传统动态路由机制中耦合系数在训练初期的剧烈震荡，使路由收敛过程更加平滑稳定，提升模型训练的鲁棒性和最终分类精度。

31、作为优选技术手段：步骤s6中，采用灰狼优化算法对胶囊神经网络的超参数进行全局寻优的具体步骤包括：

32、设定灰狼种群规模及最大迭代次数，将胶囊神经网络的学习率、权重衰减系数、动态路由迭代次数、路由缩放因子、主胶囊层胶囊维度、类别胶囊层胶囊维度、批次大小、squash压缩函数温度系数以及重构损失权重编码为灰狼个体的多维位置向量，其中连续参数采用实数编码，离散参数采用整数编码；

33、构建适应度函数，适应度函数等于验证集故障分类准确率乘以第一权重加上验证集f1分数乘以第二权重再加上验证集总损失函数值加1后的倒数乘以第三权重；

34、根据适应度排序确定适应度最优的α狼、次优的β狼和第三优的δ狼，由α狼、β狼、δ狼共同引导其余灰狼个体进行位置更新，迭代至最大迭代次数后输出适应度值最大时对应的最优超参数组合；

35、采用所述最优超参数组合对胶囊神经网络进行扩轮次精训练，引入随机平移、旋转的数据增强以及l2正则化，得到最优gwo-capsnet故障诊断模型。

36、胶囊神经网络包含多个关键超参数，人工调参很难找到全局最优组合；灰狼优化算法具有结构简单、收敛速度快、全局寻优能力强的特点，能够高效搜索高维参数空间中的最优解，相比网格搜索或随机搜索在效率和精度上均有显著提升。适应度函数融合了准确率、f1分数和损失函数三项指标，准确率反映整体分类正确性，f1分数兼顾精确率与召回率（特别适用于故障样本不均衡场景），损失函数反映模型收敛状态，三者结合确保选出的超参数组合在多个评价维度上均表现优异。扩轮次精训练配合数据增强（随机平移、旋转）和l2正则化，在最优超参数基础上进一步增强模型的泛化能力，有效抑制过拟合，使模型在实际工程应用中具有更好的鲁棒性。

37、作为优选技术手段：步骤s3中，所述时域的特征值包括峰值、均值、标准差、方差、峰峰值、峭度、偏度、波形因子、峰值因子、峭度因子、脉冲因子和均值因子；所述频域的特征值包括重心频率、均方频率、均方根频率、频率方差和频率标准差；所述时频域的特征值包括包络熵、样本熵、近似熵、排列熵以及经小波包变换后各频段的归一化小波包能量。

38、时域特征反映信号的幅值分布和波形形态，对幅值变化敏感；频域特征反映信号的频率结构，对周期性故障成分敏感；时频域特征（熵特征和小波包能量）反映信号的能量分布复杂性和局部时变特性，对非平稳故障信号敏感；三域特征相互补充，形成对故障信号的立体化表征，能够充分挖掘隐藏在信号中的故障信息。熵特征（包络熵、样本熵、近似熵、排列熵）从不同维度刻画信号的复杂度与规律性，对不同类型的故障具有差异化的响应灵敏度，多熵值组合显著提升了故障特征的区分度。

39、作为优选技术手段：步骤s5中，归一化处理方式为：归一化后的特征值等于该样本该特征的原始值减去所有样本中该特征的最小值，再除以所有样本中该特征的最大值减去该特征的最小值。

40、归一化将不同量纲、不同数量级的特征值统一映射至[0,1]区间，消除了量纲差异对模型训练的影响，避免了大数值特征主导损失函数、小数值特征被忽略的问题；同时保留了各特征之间的相对大小关系，且计算简单、可解释性强，适用于故障诊断这类对实时性有要求的场景。

41、第二方面，提供一种基于多算法融合的电缆故障智能诊断系统，其包括：

42、信号采集模块，用于在待诊断电缆的关键位置通过包含温度传感器、加速度传感器和电流传感器的传感器组同步采集多通道原始信号，构建包含多种工作状态样本的故障诊断数据集；

43、联合降噪模块，用于采用麻雀优化算法与变分模态分解相结合的联合降噪算法对所述多通道原始信号进行处理，通过皮尔逊相关系数筛选有效固有本征模态分量并结合自适应小波阈值去噪，重构得到最终降噪信号；

44、特征提取模块，用于基于所述最终降噪信号从时域、频域和时频域三个维度提取特征值，形成初始多维度特征集；

45、特征筛选模块，用于采用relieff算法与mrmr算法相结合的方式对所述初始多维度特征集进行核心特征筛选，得到最终的核心特征集；

46、归一化处理模块，用于对所述核心特征集进行归一化处理；

47、故障诊断模块，用于采用灰狼优化算法对胶囊神经网络的超参数进行全局寻优，构建故障诊断模型；当需要电缆故障诊断时，将待诊断电缆的数据输入所述故障诊断模型，由故障诊断模型输出电缆运行状态及对应的故障置信概率。

48、信号采集模块在待诊断电缆的关键位置布设包含温度、加速度和电流三种传感器的传感器组，实现多通道原始信号的同步采集；能够覆盖电缆全线路的故障特征信息，尤其对早期微弱故障的感知能力显著增强，有效降低漏判和误判的风险。联合降噪模块采用麻雀优化算法与变分模态分解相结合的联合降噪算法对原始信号进行处理；麻雀优化算法能够自适应地确定变分模态分解的最优参数组合，通过皮尔逊相关系数剔除噪声主导分量、保留有效固有本征模态分量，结合自适应小波阈值去噪进行二次精细处理，其阈值随小波系数幅值动态调整，对小系数给予较大抑制、对大系数给予较小抑制，通过多级串联降噪体系，在有效保留故障特征信息的同时最大限度地抑制环境噪声与电磁干扰。特征提取模块从时域、频域和时频域三个维度提取特征值，三域特征相互补充，形成对故障信号的立体化表征，能够从不同角度全面表征各类故障的差异化信息，对于具有相似时域波形的不同故障类型具备更强的区分能力。特征筛选模块采用relieff算法与mrmr算法相结合的方式对初始多维度特征集进行核心特征筛选，两者从不同角度筛选特征，既避免了遗漏重要特征，又剔除了冗余特征，有效降低了诊断模型的计算负担，提升了诊断实时性。故障诊断模块采用灰狼优化算法对胶囊神经网络的超参数进行全局寻优；胶囊神经网络通过向量化表示和动态路由机制，能够有效建模特征之间的空间层次关系；灰狼优化算法避免了传统方法中依赖人工试错或经验规则设定超参数的局限性，能够搜索到胶囊神经网络的最优超参数组合，从而充分释放胶囊网络在故障识别任务中的性能潜力。

49、作为优选技术手段：所述多种工作状态包括正常状态、断线、局部放电、单相接地和相间短路；所述多维度特征值包括时域的峰值、均值、标准差、方差、峰峰值、峭度、偏度、波形因子、峰值因子、峭度因子、脉冲因子和均值因子，频域的重心频率、均方频率、均方根频率、频率方差和频率标准差，以及时频域的包络熵、样本熵、近似熵、排列熵以及经小波包变换后各频段的归一化小波包能量。

50、五种状态涵盖了电缆在实际运行中最主要的工况场景，状态覆盖为后续有监督学习提供了完备的标签体系，确保诊断模型能够有效区分正常工况与各类典型故障。从时域、频域和时频域三个维度构建了完整的特征体系；时域特征层面，峰值和峰峰值反映信号的幅值范围，均值反映信号的直流分量水平，标准差和方差反映信号的离散程度，峭度和偏度反映信号的概率分布形态（峭度对冲击性故障敏感，偏度对波形不对称敏感），波形因子、峰值因子、峭度因子、脉冲因子和均值因子等无量纲指标反映信号的波形形态特征，对负载变化等工况波动具有较好的鲁棒性。频域特征层面，重心频率反映信号功率谱的主频率位置，均方频率和均方根频率反映信号频率的集中趋势，频率方差和频率标准差反映信号频谱的散布程度；这些频域特征对周期性故障成分（如机械振动引起的接触不良）具有敏锐的响应能力；时频域特征层面，包络熵对信号包络的复杂度敏感，适用于检测幅值调制类故障；样本熵在数据长度较短时仍能保持稳定估计，适用于有限样本条件下的故障分析；近似熵从统计角度度量信号序列的复杂性；排列熵通过比较相邻值的大小顺序揭示信号的时间结构规律性；小波包变换相比传统小波变换能够同时对低频和高频部分进行精细分解，对非平稳故障信号的时变特征捕获能力更强。时域、频域、时频域三类特征相互补充，时域特征侧重幅值分布和波形形态，频域特征侧重频谱结构和频率成分，时频域特征侧重非平稳信号的局部时变特性；三类特征从不同物理角度共同构成对故障信号的全息化表征，能够充分挖掘隐藏在信号中的多维度故障信息，显著提升不同故障类型之间的区分度。

51、有益效果：

52、1.全位置无盲区监测：在电缆首端、中间及末端关键位置布设多类传感器，同步采集温度、加速度、电流信号，实现全生命周期故障特征覆盖，有效捕捉早期微弱故障，降低漏判与诊断误差；

53、2.采用ssa优化vmd参数，结合pearson相关系数筛选与自适应小波去噪，构建多级降噪体系，显著提升信噪比同时充分保留有效信息，抑制环境与电磁噪声；

54、3.从时域、频域、时频域多维度提取信号特征值，全面表征各类故障差异，增强故障特征区分能力；

55、4.融合relieff与mrmr算法，筛选关键特征并剔除冗余，保证了故障识别的准确性，同时提升模型训练与诊断实时性；

56、5.利用灰狼算法优化胶囊神经网络超参数，结合改进路由与联合损失函数，输出故障置信概率，提供可靠决策依据。