一种特高压带电作业用绝缘软质吊带智能监测方法与流程

本发明涉及绝缘软质吊带智能监测，尤其涉及一种特高压带电作业用绝缘软质吊带智能监测方法。

背景技术：

1、特高压输电线路带电作业是现代电网运维保障的重要手段，绝缘软质吊带作为其中的关键承力工具，承担着保障作业人员安全的核心作用，随着特高压电网规模的不断扩大，对带电作业安全性的要求日益提高，如何实现对绝缘吊带的全方位、智能化监测已成为行业关注的焦点问题。

2、目前，该领域的现有监测技术存在明显缺陷，传统监测方法多采用单一参数测量，如仅监测拉力或绝缘电阻，无法建立力学特性与电气性能的关联分析，而且监测手段仅能在宏观层面提供孤立的、滞后的报警，无法揭示不同尺度损伤之间的因果联系，从而无法实现真正的预测性维护。

技术实现思路

1、基于背景技术的技术问题，本发明提出了一种特高压带电作业用绝缘软质吊带智能监测方法。

2、本发明提出的一种特高压带电作业用绝缘软质吊带智能监测方法，包括以下步骤：

3、步骤一、多源数据采集：同步采集吊带的宏观力学感知数据、宏观电学感知数据和介观结构感知数据；

4、步骤二、数据处理和分析：对采集的宏观力学感知数据和宏观电学感知数据进行处理，提取应变统计特征和介电特征参数，采用预训练的机器学习模型计算初始健康指数；

5、步骤三、异常区域识别与深度诊断：当所述初始健康指数低于预设阈值或检测到异常趋势时，融合应变集中区域、介电特性异常区域和声学特性异常区域的信息，识别出重点关注区域；启动所述介观结构感知单元对所述重点关注区域进行定向精细扫描，获取高分辨率的内部结构图像；并基于所述内部结构图像对宏观力学感知数据和宏观电学感知数据进行再处理和特征参数重计算；

6、步骤四、多源数据融合与状态评估：将再处理后的宏观数据与介观数据进行时空对齐和特征级融合，并将融合后的高维特征向量输入至状态评估模型，输出最终的健康指数、损伤等级和损伤类型；

7、步骤五、损伤预测与预警决策：基于连续损伤力学模型、电-力耦合模型和疲劳裂纹扩展模型建立物理机理模型，并采用在线参数更新算法保持模型与实际状态一致；基于所述物理机理模型和当前状态进行寿命预测与可靠性评估，并根据评估结果生成分级预警信息与决策支持。

8、优选的，步骤一中，宏观力学感知数据通过嵌入吊带内部的分布式光纤传感网络获取，用于监测吊带全尺度的应变分布和温度场；宏观电学感知数据通过布置在吊带表面的电极阵列和宽频介电谱测试系统获取，用于测量吊带的介电频谱特性；介观结构感知数据通过超声相控阵成像系统获取，用于对吊带内部界面结构进行成像。

9、优选的，步骤二中，对宏观力学感知数据进行处理具体包括：采用小波变换和卡尔曼滤波对原始应变数据进行去噪和平滑处理，提取包括最大应变值、平均应变值、应变分布不均匀度、关键区域蠕变速率以及应变空间梯度的统计特征；

10、对宏观电学感知数据进行处理具体包括：对介电频谱数据进行cole-cole模型拟合，获取弛豫时间参数，提取包括工频介电损耗、特征频率、弛豫强度的介电特征参数，建立介电参数-温度关联模型，对介电测量结果进行温度补偿。

11、优选的，步骤三中，识别重点关注区域具体为：计算每个测量点的应变梯度，将梯度值超过预设阈值的区域标记为应变异常区，计算每个测量点的介电参数与整体平均值的偏离度，将偏离度超过预设范围的区域标记为介电异常区，基于全域扫描的声学基础数据，将声阻抗值显著异常的区域标记为声学异常区，对上述异常区域进行融合，计算每个位置的综合异常度，并对综合异常度超过阈值的区域进行空间聚类，根据异常特征的组合情况确定诊断优先级。

12、优选的，综合异常度计算公式为：

13、

14、其中r_combined(x)为位置x的综合异常度，r_strain(x)为应变异常标识，r_dielectric(x)为介电异常标识，r_acoustic(x)为声学异常标识，w1、w2、w3为基于不同检测方法对故障敏感度差异设定的权重系数。

15、优选的，对重点关注区域进行定向精细扫描，具体包括：根据所述诊断优先级，自适应调整超声相控阵的扫描分辨率和扫描深度，采用全矩阵捕获技术获取目标区域的完整声学响应数据，采用全聚焦方法对所述声学响应数据进行成像重建。

16、优选的，步骤三中，基于内部结构图像对宏观数据进行再处理包括：应变数据再处理，根据所述内部结构图像识别的缺陷几何轮廓，计算局部应力集中系数，并基于所述应力集中系数修正原始应变数据，得到更真实的局部应变分布；介电数据再处理，根据所述内部结构图像识别的界面状态信息，更新介电模型的边界条件，并基于缺陷类型和分布调整材料介电参数的计算模型。

17、优选的，步骤四中，特征级融合，具体包括：采用最大相关最小冗余算法从宏观和介观数据提取的特征集合中选择与损伤状态相关性高且彼此冗余度低的特征子集，基于专家知识为所述特征子集中的特征分配初始权重，并通过在线机器学习算法动态调整所述权重系数。

18、优选的，步骤四中，状态评估模型为深度神经网络，其包括：三个并行的卷积神经网络分支，分别用于处理应变特征、介电特征和声学特征，注意力机制融合层，用于对三个分支提取的特征进行加权融合，多任务输出层，同时输出连续的健康指数、损伤等级分类和损伤类型多标签分类。

19、优选的，步骤五中，物理机理模型中的疲劳裂纹扩展采用改进的paris公式进行描述，改进的paris公式为：

20、，其中da/dn为每个载荷循环下的裂纹扩展量，c为裂纹扩展系数，反映材料抵抗裂纹扩展的能力，m为裂纹扩展指数，表征材料对应力强度因子变化的敏感程度，这两个参数通过材料疲劳试验标定获得；δk为应力强度因子幅值，f(r)为载荷比修正函数，g(t,h)为环境温湿度影响函数。

21、本发明中的有益效果为：

22、1、本发明中，本发明通过介观结构感知单元与宏观监测系统的深度协同，显著提升了监测准确性和预警及时性，具体而言，介观结构感知单元获取的高分辨率内部损伤图像，为宏观力学和电学数据的处理提供了关键的结构依据；更重要的是，当宏观监测发现异常时，介观单元的定向精细扫描能够快速定位内部损伤源，通过特征参数重计算实现诊断结果的交叉验证，降低误报率；这种跨尺度的数据融合机制，使得系统能够在损伤萌生阶段就及时发现异常，提高预警的及时性。

1.一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤一中，宏观力学感知数据通过嵌入吊带内部的分布式光纤传感网络获取，用于监测吊带全尺度的应变分布和温度场；宏观电学感知数据通过布置在吊带表面的电极阵列和宽频介电谱测试系统获取，用于测量吊带的介电频谱特性；介观结构感知数据通过超声相控阵成像系统获取，用于对吊带内部界面结构进行成像。

3.根据权利要求1所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤二中，对宏观力学感知数据进行处理具体包括：采用小波变换和卡尔曼滤波对原始应变数据进行去噪和平滑处理，提取包括最大应变值、平均应变值、应变分布不均匀度、关键区域蠕变速率以及应变空间梯度的统计特征；

4.根据权利要求1所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤三中，识别重点关注区域具体为：计算每个测量点的应变梯度，将梯度值超过预设阈值的区域标记为应变异常区，计算每个测量点的介电参数与整体平均值的偏离度，将偏离度超过预设范围的区域标记为介电异常区，基于全域扫描的声学基础数据，将声阻抗值显著异常的区域标记为声学异常区，对上述异常区域进行融合，计算每个位置的综合异常度，并对综合异常度超过阈值的区域进行空间聚类，根据异常特征的组合情况确定诊断优先级。

5.根据权利要求4所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，综合异常度计算公式为：，其中r_combined(x)为位置x的综合异常度，r_strain(x)为应变异常标识，r_dielectric(x)为介电异常标识，r_acoustic(x)为声学异常标识，w1、w2、w3为基于不同检测方法对故障敏感度差异设定的权重系数。

6.根据权利要求4所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，对重点关注区域进行定向精细扫描，具体包括：根据所述诊断优先级，自适应调整超声相控阵的扫描分辨率和扫描深度，采用全矩阵捕获技术获取目标区域的完整声学响应数据，采用全聚焦方法对所述声学响应数据进行成像重建。

7.根据权利要求1至6中任意一项所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤三中，基于内部结构图像对宏观数据进行再处理包括：

8.根据权利要求7所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤四中，特征级融合，具体包括：采用最大相关最小冗余算法从宏观和介观数据提取的特征集合中选择与损伤状态相关性高且彼此冗余度低的特征子集，基于专家知识为所述特征子集中的特征分配初始权重，并通过在线机器学习算法动态调整所述权重系数。

9.根据权利要求8所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤四中，状态评估模型为深度神经网络，其包括：三个并行的卷积神经网络分支，分别用于处理应变特征、介电特征和声学特征，注意力机制融合层，用于对三个分支提取的特征进行加权融合，多任务输出层，同时输出连续的健康指数、损伤等级分类和损伤类型多标签分类。

10.根据权利要求1所述的一种特高压带电作业用绝缘软质吊带智能监测方法，其特征在于，步骤五中，物理机理模型中的疲劳裂纹扩展采用改进的paris公式进行描述，改进的paris公式为：