一种电缆故障声纹识别定位方法及系统与流程

摘要: 本申请属于电缆故障定位领域,尤其涉及一种电缆故障声纹识别定位方法及系统。背景技术:1、随着电力系统的持续发展,地下电缆的安全稳定运行愈发重要,基于声学检测的电缆...
一种电缆故障声纹识别定位方法及系统与流程

本申请属于电缆故障定位领域,尤其涉及一种电缆故障声纹识别定位方法及系统。

背景技术:

1、随着电力系统的持续发展,地下电缆的安全稳定运行愈发重要,基于声学检测的电缆故障定位技术因具有非破坏性特点而被广泛应用。在处理电缆故障产生的原始声学时序信号时,通常采用常规频带划分或整体去噪方式。受现场电磁干扰、机械振动噪声等因素影响,该类处理方式难以对信号能量状态和波动特征进行联合评估,难以准确甄别并提取真正包含故障瞬态信息的核心信号频段。此外,在声纹特征提取过程中,传统信号解析方法多依赖基础统计指标或单一时频参数,难以深入刻画故障放电声波脉冲的峭度特性,也难以识别故障声纹特有的几何形态轮廓,导致构建得到的初始特征集有效辨识信息不足,并混入较多冗余噪声,进而制约后续故障识别与定位精度。

2、在利用机器学习或深度网络开展声纹识别与定位时,现有模型训练机制通常采用全部网络参数同步更新的方式。面对高维声纹特征数据,该种全局同步更新模式容易引起梯度相互干扰,难以保证不同层级特征提取过程的稳定收敛,也难以识别并强化对定位结果贡献度较高的关键特征元素,从而造成模型训练效率偏低、泛化性能受限。当现场存在异常干扰时,单一坐标输出机制容易出现定位偏移,缺乏对初步预测候选位置之间拓扑关联性的分析,也缺少通过区域密度判断和置信度权重分配修正定位误差的机制,导致计算得到的故障点坐标仍可能存在较大偏差,难以满足现场快速开展电缆抢修的应用需求。

技术实现思路

1、根据本发明的一方面,提出一种电缆故障声纹识别定位方法,用于解决现有方法计算出的故障点坐标往往存在较大偏差的问题,包括如下步骤:

2、获取电缆故障原始声学时序信号解析得到信号子带,基于对能量包络与信号波动度的联合评估筛选核心信号子带,根据峭度值构建复合分析算子并对所述核心信号子带进行分解,提取几何形态描绘子作为初始声纹特征集;

3、构建识别定位模型并将可训练参数与所述初始声纹特征集分别划分为多个参数子集和特征子集,对所述参数子集逐一激活训练,当满足预设收敛条件时锁定当前参数子集,根据梯度变化平均值调整下一待激活参数子集的学习率,识别最高贡献特征元素并进行可学习变换,将变换结果增补至下一待激活参数子集对应的特征数据中得到训练完成的模型,并保存各阶段最高贡献特征元素索引、可学习变换参数及特征拼接顺序作为推理阶段特征扩充规则;

4、按照所述推理阶段特征扩充规则对待测故障声纹特征进行对应的可学习变换和特征拼接,得到与所述训练完成的模型输入层维度一致的扩充待测故障声纹特征,将所述扩充待测故障声纹特征输入所述训练完成的模型获得候选故障位置,对所述候选故障位置进行拓扑邻近度聚类识别出最大密度区域的位置簇并在所述位置簇内进行基于置信度的加权平均计算出故障点坐标。

5、根据本发明的另一方面,提出一种电缆故障声纹识别定位系统,包括如下模块:

6、筛选模块,用于获取电缆故障原始声学时序信号解析得到信号子带,基于对能量包络与信号波动度的联合评估筛选核心信号子带,根据峭度值构建复合分析算子并对所述核心信号子带进行分解,提取几何形态描绘子作为初始声纹特征集;

7、构建模块,用于构建识别定位模型并将可训练参数与所述初始声纹特征集分别划分为多个参数子集和特征子集,对所述参数子集逐一激活训练,当满足预设收敛条件时锁定当前参数子集,根据梯度变化平均值调整下一待激活参数子集的学习率,识别最高贡献特征元素并进行可学习变换,将变换结果增补至下一待激活参数子集对应的特征数据中得到训练完成的模型,并保存各阶段最高贡献特征元素索引、可学习变换参数及特征拼接顺序作为推理阶段特征扩充规则;

8、识别模块,用于按照所述推理阶段特征扩充规则对待测故障声纹特征进行对应的可学习变换和特征拼接,得到与所述训练完成的模型输入层维度一致的扩充待测故障声纹特征,将所述扩充待测故障声纹特征输入所述训练完成的模型获得候选故障位置,对所述候选故障位置进行拓扑邻近度聚类识别出最大密度区域的位置簇并在所述位置簇内进行基于置信度的加权平均计算出故障点坐标。

9、本发明通过对能量包络与信号波动度进行联合评估,能够筛选出核心信号子带,滤除背景噪声干扰,并结合峭度值构建复合分析算子提取几何形态描绘子,实现了对电缆故障声纹特征的深层次识别与高保真表征。在模型训练环节,将参数与特征划分为多个子集并采用交替冻结、逐一激活,根据梯度变化平均值针对性调整学习率,降低模型陷入局部最优的风险,提升了收敛效率与训练稳定性;通过带有故障位置标注的历史声学样本对单层线性网络进行预先标定,并使全连接线性变换层在后续参数子集训练过程中参与反向传播更新,能够为可学习变换提供训练依据,对高贡献特征元素进行可学习变换与信息增补,丰富了数据的特征维度,强化了模型的泛化与识别能力。利用拓扑邻近度聚类锁定最大密度区域的位置簇,移除孤立误判点,并执行基于置信度的加权平均计算,降低了位置解算误差,提高了电缆故障点坐标定位的精度和可靠性。

1.一种电缆故障声纹识别定位方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述基于对能量包络与信号波动度的联合评估筛选核心信号子带,包括:

3.根据权利要求1所述的方法,其特征在于,所述根据峭度值构建复合分析算子并对所述核心信号子带进行分解,包括:

4.根据权利要求1所述的方法,其特征在于,所述提取几何形态描绘子作为初始声纹特征集,包括:

5.根据权利要求1所述的方法,其特征在于,所述对所述参数子集逐一激活训练,当满足预设收敛条件时锁定当前参数子集,根据梯度变化平均值调整下一待激活参数子集的学习率,包括:

6.根据权利要求1所述的方法,其特征在于,所述识别最高贡献特征元素并进行可学习变换,包括:

7.根据权利要求1所述的方法,其特征在于,所述将变换结果增补至下一待激活参数子集对应的特征数据中得到训练完成的模型,并保存各阶段最高贡献特征元素索引、可学习变换参数及特征拼接顺序作为推理阶段特征扩充规则,包括:

8.根据权利要求1所述的方法,其特征在于,所述对所述候选故障位置进行拓扑邻近度聚类识别出最大密度区域的位置簇并在所述位置簇内进行基于置信度的加权平均计算出故障点坐标,包括:

9.一种电缆故障声纹识别定位系统,其特征在于,包括:

10.根据权利要求9所述的系统,其特征在于,所述基于对能量包络与信号波动度的联合评估筛选核心信号子带,包括: