【技術實現步驟摘要】
本專利技術涉及碳纖維復合芯導線性能研究，尤其涉及基于深度學習的碳纖維復合芯導線實時健康監測方法。
技術介紹
1、碳纖維復合芯導線在電力輸電系統中起著重要作用，但長期運行和外部環境因素可能導致導線出現損傷或磨損，因此需要實時健康監測系統來檢測潛在問題并提前預警。深度學習技術在處理復雜數據和特征提取方面具有優勢，可以應用于碳纖維復合芯導線的實時健康監測。
2、公開號為cn111445445a的中國專利公開了一種基于半監督異常檢測的碳纖維復合芯導線損傷檢測方法，只使用無損的碳纖維復合芯導線x光圖像訓練模型，來檢測導線損傷。然而導線損傷僅從圖像數據來檢測并不夠全面，還需要從表面的導線物理數據和內在的導線電氣數據來綜合評估碳纖維復合芯導線的健康狀態，避免僅從圖像數據評估造成的遺漏。
技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、因此，本專利技術提供了基于深度學習的碳纖維復合芯導線實時健康監測方法，通過深度學習神經網絡和長短時記憶網絡構建實時健康監測模型，對碳纖維復合芯導線的多維數據分別進行識別和預測，綜合評估碳纖維復合芯導線的健康狀況，并根據不同的健康等級采用不同的維護措施，實現了對碳纖維復合芯導線精準的實時監控檢測，保障導線的正常工作，滿足供電需求。
3、為解決上述技術問題，本專利技術提供如下技術方案，基于深度學習的碳纖維復合芯導線實時健康監測方法，包括：
4、采集第一碳纖維復合芯導線的實時監測數據，對所述實時監測數據進行
5、構建初始健康監測模型，將第一健康數據劃分為訓練集和測試集，使用訓練集和測試集對所述實時健康監測模型進行訓練和測試，獲得實時健康監測模型；
6、將所述實時健康監測模型部署到嵌入式系統中，通過所述嵌入式系統對第二碳纖維復合芯導線進行采樣，獲得實時采樣數據，根據所述實時采樣數據對所述碳纖維復合芯導線進行健康評級，獲得與所述碳纖維復合芯導線對應的健康等級，所述第二碳纖維復合芯導線為處于工作狀態的待測碳纖維復合芯導線；
7、根據碳纖維復合芯導線的維護措施表和所述健康等級，對所述第二碳纖維復合芯導線進行維護。
8、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述預處理包括，采集第一碳纖維復合芯導線的實時監測數據，所述實時監測數據包括導線物理數據、導線電氣數據、導線圖像數據；
9、對所述實時監測數據進行預處理，對導線物理數據、導線電氣數據、導線圖像數據進行數據清洗、標準化以及數據融合，得到第一健康數據；所述導線物理數據包括導線溫度、導線應變、導線振動頻率；所述導線電氣數據包括導線電流值、導線電壓值；所述導線圖像數據包括導線超聲波圖像、導線磁粉檢測圖像。
10、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述預處理還包括，對導線物理數據和導線電氣數據進行異常值處理和缺失值處理，得到第一導線物理數據和第一導線電氣數據，對導線圖像數據進行圖像去噪和圖像增強處理，得到第一導線圖像數據；
11、對第一導線物理數據和第一導線電氣數據分別進行特征提取和z-score標準化處理，得到導線物理特征和導線電氣特征，將導線物理特征和導線電氣特征合并得到導線特征矩陣，所述導線特征矩陣包括導線溫度、導線應變、導線振動頻率、導線電流值、導線電壓值對應的數值和采集該數值對應的時間戳；
12、所述第一健康數據包括第一導線圖像數據和導線特征矩陣。
13、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述構建初始健康監測模型包括，基于深度學習神經網絡和長短時記憶網絡構建初始健康監測模型，將第一健康數據按照7:3的比例劃分為訓練集和測試集；通過訓練集對初始健康監測模型進行迭代訓練，配置優化器、損失函數和超參數，直至達到迭代停止條件，則得到訓練后的健康監測模型；利用測試集測試訓練后的健康監測模型，通過map值對模型進行模型評估，若模型評估達到要求，則訓練和驗證完畢，即得到實時健康監測模型，若模型評估未達到要求，則調整超參數后重新對模型進行迭代訓練；
14、所述初始健康監測模型包括輸入層、網絡組合層、混合層、注意力機制、和輸出層；所述輸入層輸入第一健康數據；所述網絡組合層包括dnn和lstm，所述dnn輸入第一健康數據中的第一導線圖像數據，輸出導線缺陷類型和檢測結果概率；所述lstm輸入第一健康數據中的導線特征矩陣，輸出第一健康數據中的各類數據的時變函數；所述混合層采用softmax函數；所述注意力機制采用multi-head?attention函數；所述輸出層采用quantileregression函數。
15、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述構建初始健康監測模型還包括，所述損失函數的計算公式為：
16、
17、其中，n為導線特征矩陣的數據類別數量，t是導線特征矩陣的各類數據數值采集對應的時間戳總步長，yi,t為第i類數據的第t個時間戳對應的實際值的概率，為模型對第i類數據的第t個時間戳的預測概率；
18、所述迭代停止條件為損失函數收斂或達到總迭代次數。
19、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述構建初始健康監測模型還包括，通過map值對模型進行評估，map值的計算方式為：
20、
21、其中，b為導線特征矩陣的數據類別數量，r(t)為當前時間戳的召回率，r(t+1)為下一時間戳召回率，precision(t,t+1)為當前時間戳和下一時間戳的準確率；
22、直至map值不小于預設閾值時，結束迭代訓練和測試，輸出實時健康監測模型。
23、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述實時采樣數據包括各類數據的時變函數、導線缺陷類型和導線缺陷類型對應的概率；
24、預設多個時變系數閾值與各類數據一一對應，根據所述實時采樣數據對所述碳纖維復合芯導線進行健康評級的計算式為：
25、
26、其中，w為第二碳纖維復合芯導線的健康等級，w11為第一健康等級，w12為第二健康等級，為第三健康等級，為第四健康等級，qa為第a類數據的時變函數的時變系數權值，n為第二碳纖維復合芯導線的數據類別總數，v為第二碳纖維復合芯導線的導線圖像缺陷類型，v為0時，導線圖像缺陷類型為正常，v為1時，導線圖像缺陷類型為異常，αa為第a類數據的時變函數的時變系數，σa為第a類數據的時變函數的時變系數閾值。
27、作為本專利技術所述的基于深度學習的碳纖維復合芯導線實時健康監測方法的一種優選方案，其中：所述維護措施表包括，本文檔來自技高網...
【技術保護點】
1.基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：包括，
2.如權利要求1所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述預處理包括，采集第一碳纖維復合芯導線的實時監測數據，所述實時監測數據包括導線物理數據、導線電氣數據、導線圖像數據；
3.如權利要求2所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述預處理還包括，對導線物理數據和導線電氣數據進行異常值處理和缺失值處理，得到第一導線物理數據和第一導線電氣數據，對導線圖像數據進行圖像去噪和圖像增強處理，得到第一導線圖像數據；
4.如權利要求3所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述構建初始健康監測模型包括，基于深度學習神經網絡和長短時記憶網絡構建初始健康監測模型，將第一健康數據按照7:3的比例劃分為訓練集和測試集；通過訓練集對初始健康監測模型進行迭代訓練，配置優化器、損失函數和超參數，直至達到迭代停止條件，則得到訓練后的健康監測模型；利用測試集測試訓練后的健康監測模型，通過mAP值對模型進行模型評估，若模型評估
5.如權利要求4所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述構建初始健康監測模型還包括，所述損失函數的計算公式為：
6.如權利要求5所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述構建初始健康監測模型還包括，通過mAP值對模型進行評估，mAP值的計算方式為：
7.如權利要求6所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述實時采樣數據包括各類數據的時變函數、導線缺陷類型和導線缺陷類型對應的概率；
8.如權利要求7所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述維護措施表包括，當所述第二碳纖維復合芯導線為第一健康等級時，以一年為周期定期進行導線表面檢查，檢測第二碳纖維復合芯導線表面的缺陷或損壞；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至8中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至8中任一項所述的方法的步驟。
...【技術特征摘要】
1.基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：包括，
2.如權利要求1所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述預處理包括，采集第一碳纖維復合芯導線的實時監測數據，所述實時監測數據包括導線物理數據、導線電氣數據、導線圖像數據；
3.如權利要求2所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述預處理還包括，對導線物理數據和導線電氣數據進行異常值處理和缺失值處理，得到第一導線物理數據和第一導線電氣數據，對導線圖像數據進行圖像去噪和圖像增強處理，得到第一導線圖像數據；
4.如權利要求3所述的基于深度學習的碳纖維復合芯導線實時健康監測方法，其特征在于：所述構建初始健康監測模型包括，基于深度學習神經網絡和長短時記憶網絡構建初始健康監測模型，將第一健康數據按照7:3的比例劃分為訓練集和測試集；通過訓練集對初始健康監測模型進行迭代訓練，配置優化器、損失函數和超參數，直至達到迭代停止條件，則得到訓練后的健康監測模型；利用測試集測試訓練后的健康監測模型，通過map值對模型進行模型評估，若模型評估達到要求，則訓練和驗證完畢，即得到實時健康監測模型，若模型評估未達到要求，則調整超參數后重...
【專利技術屬性】
技術研發人員：俸波，廖永力，徐旗，李昊，楊利偉，張厚榮，饒夏錦，龔博，覃暉，夏小飛，唐捷，
申請(專利權)人：廣西電網有限責任公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。