基于小样本机器学习模型的电缆本体故障识别方法

1.本发明涉及一种基于小样本机器学习模型的电缆本体故障识别方法。属于电力电缆本体故障诊断技术领域。


背景技术：

2.电力电缆作为传输供电中电能的载体，其安全性至关重要。但由于敷设环境差（电缆沟、桥架）和前期施工工艺影响（电缆头和终端头结构密封不合理；外护套划伤等），电缆极易受损或绝缘老化而发生故障。随着运行时间的增长，故障率也会越来越高，而且一旦发生故障，故障诊断相对困难，修复难度大、用时长，造成的极大损失，是一个不可避免要解决的问题。
3.随着技术的发展、计算能力的不断提高，基于人工智能的分类识别方法在图像、语音等诸多方面取得了极大进展，为全球经济增长做出巨大贡献。作为一类具有庞大参数量的复杂机器学习算法，学习效果需要大量的标注数据支撑。
4.现在越来越多的场景不能够提供充足的样本进行学习，譬如，在通信辐射源指纹识别方面，实际复杂的电磁环境条件下，对于每个电磁环境辐射源而言，人们很难获取充足的已知类别的辐射源观测样本数据，传统机器学习分类识别算法在这种情况下使用受限。
5.传统机器学习分类识别算法需要庞大的数据体系作支撑，需要耗费较大的人力物理，且模型训练速度慢，操作灵活度较低。


技术实现要素：

6.本发明的目的在于克服上述不足，提供了一种基于小样本机器学习模型的电缆本体故障识别方法。
7.本发明的目的是这样实现的：一种基于小样本机器学习模型的电缆本体故障识别方法，其特点是：包括以下步骤：s1、采集电力电缆不同故障的感应电流信号，建立样本库；s2，对s1中的样本库进行预处理，构建小样本训练集、验证集和测试集；s3、构建基于卷积神经网络和度量学习的小样本机器学习模型；s4、将s2中构建的训练集对机器学习模型进行训练；s5、将s2中构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型。
8.s6、测试模型，向s5中的固化模型输入电力电缆感应电流谐波信号，输出相应的分类标签，最终获得电力电缆本体故障所属的类别。
9.在小样本机器学习模型训练完成后，实时输入电力电缆感应电流谐波信号，加载训练好的模型参数，可实时输出故障类别。
10.进一步的，数据预处理包括数据清洗、数据提取、数据标注和构造特征标签；s2包
括以下步骤：s2-1、数据清洗：删除步骤s1建立的原始样本库中的无效数据、重复数据，处理缺失值、异常值；s2-2、数据提取：对s2-1处理后的样本库中的感应电流信号进行傅里叶变换，提取2~10次的电流谐波信号；s2-3、数据标注：对步骤s2-2获得的样本添加标签进行标记，所述标签为电缆本体故障类别；s2-4、构造特征标签。
11.进一步的，s2-2中的数据提取还可采用小波变换。
12.进一步的，构造特征标签包括总谐波失真率、高次谐波占比和谐波含有率。
13.进一步的，数据集包含800类，随机选取 500类为训练集，200类为验证集，剩余100类为测试集；训练集、验证集和测试集的类别不交叉。
14.进一步的，s1中，电缆感应电流信号包括感应电流的2~10次的电流谐波信号、时间信息、以及电缆的识别信息和故障的类别信息。
15.进一步的，s3中，卷积神经网络是信号检测识别的特征描述子，包括卷积层、池化层、批量归一化层。
16.进一步的，采用conv4对感应电流信号进行特征提取，每个卷积块由64个3*3卷积核的卷积层、批量归一化层、relu激活函数层和2*2最大池化层组成。
17.进一步的，s3中，度量学习的度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离。
18.进一步的，s4中，将s2的训练集数据输入小样本机器学习模型，每个训练周期，从训练集中随机抽取n类，每类采样k个样本作为支持集s， b个样本作为查询集q，目标函数为：其中，s和b分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集b中的样本，y表示x的预测标签。
19.进一步的，采用余弦距离计算样本间的相似度，当向量a (x
11 , x
12 , x
13
,
ꢀ…
, x
1n
）和b(x
21
,x
22
,x
23
,
…
,x
2n
)都在一个向量空间中，则有：将余弦距离做归一化，a=softmax (cosθ)，输入样本的预测类别为：其中，a为训练得到的注意力核函数，k为数据集m的类别数，xi表示数据集m中的标记样本，yi表示xi的标签。
20.与现有技术相比，本发明的有益效果是：
本发明一种基于小样本机器学习模型的电缆本体故障识别方法，该方法可有效避免工程应用中数据样本难以采集，标注工作量大等困难，具有高效性和实用性，尤其适用于受环境限制不能够提供充足的样本进行学习的场景。
21.本发明一种基于小样本机器学习模型的电缆本体故障识别方法，只需要相对少量样本就可完成训练，克服了传统机器学习方法需要大量标记样本训练模型的缺点，具有很高的实时性和高效性，可节约大量人力物力，实现低成本、高灵活度操作，且获得的验证结果表示准确率＞85%。
22.本发明一种基于小样本机器学习模型的电缆本体故障识别方法，尤其适用于工程应用中数据样本少的情况。
附图说明
23.图1为本发明一种基于小样本机器学习模型的电缆本体故障识别方法的电力电缆本体故障识别方法流程图。
24.图2为构建模型算法流程图。
25.图3为骨干网络结构图。
26.图4为模型训练过程示意图。
具体实施方式
27.下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制发明的保护范围。
28.参见图1，本实施例提供了一种基于小样本机器学习模型的电缆本体故障识别方法，包括以下步骤：s1、采集数据；采集不同电力电缆本体故障的感应电流信号，包括但不限于感应电流的2~10次的电流谐波信号、时间信息、以及电缆的识别信息和故障的类别信息以及其它附加信息等，并分别进行编号，建立样本库；s2，对样本库的数据进行预处理，构建训练集、验证集和测试集；数据预处理包括数据清洗、数据提取、数据标注和构造特征标签；数据清洗的目的是删除原始样本库中的无效数据、重复数据，处理缺失值、异常值。
29.数据提取包括但不限于傅里叶变换和小波变换，主要是对电缆的感应电流信号提取2~10次的电流谐波信号，本实施例中，采用傅里叶变换提取。
30.数据标注是对提取后的数据打标签，按相同注册号进行分类，其中标签包括如下故障类别：电缆绝缘层气泡故障、绝缘层水树枝故障、绝缘层凸起故障和绝缘层含杂质故障内半导电层凸起故障。
31.构造特征标签包括总谐波失真率、高次谐波占比、谐波含有率等特性指标。
32.数据集划分，构建训练集、验证集和测试集，本实施例预处理后的数据集包含800类，随机选取 500类为训练集，200类为验证集，剩余100类为测试集；训练集、验证集和测试集的类别不交叉。
33.s3、构建基于卷积神经网络和度量学习的小样本机器学习模型；小样本机器学习模型由骨干网络和相似性度量两部分组成，算法流程如图2所示。参见图3，骨干网络采用卷积神经网络作为特征描述子，常用的卷积神经网络包括但不限于vggl6、残差网络resnet、inception，特征金字塔网络fpn等，本实施例采用conv4对感应电流信号进行特征提取，每个卷积块由64个3*3卷积核的卷积层、批量归一化层、relu激活函数层和2*2最大池化层组成，输出结果为信号映射到高维空间的特征向量。
34.度量学习是学习一个最邻近分类器，用于使同类样本的相似度大而异类样本的相似度小；通过卷积神经网络将样本映射到高维度量空间，在所述高维度量空间度量样本间的相似性；度量手段包括曼哈顿距离、欧式距离、马氏距离、切比雪夫距离、余弦距离，本实施例中采用余弦距离计算样本间的相似度，当向量a (x
11 , x
12 , x
13
,
ꢀ…
, x
1n
）和b(x
21
,x
22
,x
23
,
…
,x
2n
)都在一个向量空间中，则有：将余弦距离做归一化，a=softmax (cosθ)，输入样本的预测类别为：其中，a为训练得到的注意力核函数，k为数据集m的类别数，xi表示数据集m中的标记样本，yi表示xi的标签。
35.s4、将s2中构建的训练集对机器学习模型进行训练；将s2中训练集数据输入小样本机器学习模型，如图4所示，每个训练周期，从训练集中随机抽取n类，每类采样k个样本作为支持集s， b个样本作为查询集q，训练模型的训练目标是使支持集s预测查询集b中标签的概率最大化，目标函数为：其中，s和b分别为训练集中随机抽取的支持样本集和查询样本集，θ为模型的参数集合，x表示查询样本集b中的样本，y表示x的预测标签。
36.s5、验证训练；将s2中构建的验证集定期验证机器学习模型，当验证训练达到设定准确率后，固化模型。
37.s6、测试模型，向s5中的固化模型输入电力电缆感应电流谐波信号s6、测试模型，向s5中的固化模型输入电力电缆感应电流谐波信号，输出相应的分类标签分类标签，最终获得电力电缆本体故障所属的类别。
38.在小样本机器学习模型训练完成后，实时输入电力电缆感应电流谐波信号，加载训练好的模型参数，可实时输出故障类别。
39.相对于传统机器学习方法需要大量标记样本训练模型，本发明只需对少量样本进行标记，利于实现成本低，具有很高的实时性和高效性，可节约大量人力物力。
40.在上述实施例中，仅对本发明进行示范性描述，但是本领域技术人员在阅读本专利申请后可以在不脱离本发明的精神和范围的情况下对本发明进行各种修改。