一种线缆微振动模型及有限元分析方法与流程

1.本发明涉及线缆微振动检测技术领域，具体涉及一种线缆微振动模型及有限元分析方法。


背景技术：

2.线缆是电力系统中实现电能传输和分配的重要元件，线缆一旦发生故障，会给企业生产造成停电损失，给居民生活带来不便，因此线缆发生故障后需要尽快查找到故障以进行修复。现有技术中，线缆故障的查找一般需要经过故障诊断、故障测距和故障定点三个步骤，其中的故障定点是使用专用定点仪探测故障点声音振动信号的强度大小来确定，目的是逐渐接近并最终确定故障的位置。
3.现有故障定点仪中的传感探头是依靠压电晶片的震动压电效应来检测故障信号，因单纯的压电晶片形变量较小，其灵敏度相对较低，信噪比低，抗环境噪声干燥能力差，对于深埋地下的故障点冲击放电声较小的故障点测听还存在较大困难，即对于微小振动的测听分析能力较差，严重的影响了排除线缆故障的速度和恢复供电的时间。


技术实现要素：

4.针对现有技术中的问题，本发明的目的在于提供一种线缆微振动模型及有限元分析方法，实现线缆故障点微小振动的检测，提高线缆故障点的排查效率。
5.为了实现上述目的，本发明采用以下技术方案予以实现：
6.一种线缆微振动有限元分析方法，所述的方法包括：
7.采用数据采集模块采集线缆故障点的冲击放电声音数据，结合该冲击放电声音数据对应的声源位置数据传递至数据分析处理模块；
8.利用数据分析处理模块对采集的数据进行综合分析和处理，完成实际故障点的位置识别。
9.在进一步的技术方案中，所述综合分析和处理的步骤包括：
10.s1：构建故障点检测统一数据库
11.数据分析处理模块在接收到冲击放电声音数据和声源位置数据后，对数据进行完整性校验，丢弃错误数据，得到完整的声音数据和完整的声源位置数据；
12.对完整的声音数据和完整的声源位置数据进行解析、fft滤波和去噪处理，得到处理后的声音数据和处理后的声源位置数据；
13.将处理后的声音数据和处理后的声源位置数据进行融合处理，存储至故障点检测统一数据库；
14.s2：构建故障点冲击放电声音模板库
15.读取故障点检测统一数据库的声音数据和声源位置数据，经过处理后识别出故障点位置，并将识别结果存储至故障点冲击放电声音模板库，基于识别过程自主更新故障点冲击放电声音模板库；
16.s3：构建评估模板库
17.基于步骤s2的识别结果分析并确认故障点位置，同时将分析结果存储至故障风险预警数据库中。
18.在进一步的技术方案中，步骤s2包括以下分步骤：
19.s21：构建包括故障点冲击放电声音特征、声音强度特征的故障点冲击放电声音模板库；
20.s22：读取故障点检测统一数据库的声音数据和声源位置数据，采用声音波形处理方法过滤无效声音；
21.s23：基于声音特征、声音强度特征和声音波形相似度分析，同时结合声源定位方法来确定故障点位置；
22.s24：将识别的故障点冲击放电声音和对应的故障点位置存储至故障点冲击放电声音模板库；
23.s25：基于识别过程自主更新故障点冲击放电声音模板库。
24.在进一步的技术方案中，所述方法还包括，通过检测显示模块将故障点位置的检测结果进行显示。
25.本发明还提供了一种基于上述方法确定的线缆微振动模型。
26.本发明还提供了一种用于确定上述线缆微振动模型的装置，所述装置包括数据采集模块、数据分析处理模块和检测显示模块；
27.其中，所述的数据采集模块用于采集线缆故障点的冲击放电声音数据，并将该冲击放电声音数据结合对应的声源位置数据发送至数据分析处理模块；
28.所述的数据分析处理模块可对采集的数据进行综合分析和处理，并将结果通过检测显示模块予以显示。
29.与现有技术相比，本发明具有以下技术效果：
30.本发明提供的方法中，通过对采集的声音数据进行冲击放电声音的识别处理，具体利用有限元分析模型与声音模板库进行相似度匹配，建立数学模型，并结合大数据比对、机器学习和神经网络等智能识别算法确定声音类型，并产生故障点声音等事件，存储于大数据库，基于机器自学习训练模型不断更新故障点冲击放电声音模板库，提高识别精度，降低了误报率。
31.本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。
附图说明
32.图1示出为根据本发明具体实施方式提供的一种线缆故障点检测流程图；
33.图2示出为根据本发明具体实施方式提供的一种综合分析和处理的流程图；
34.图3示出为根据本发明具体实施方式提供的一种构建故障点冲击放电声音模板库的流程图。
具体实施方式
35.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体附图，进一步阐明本发明。
36.如前所述，结合图1、2、3所示，本发明提供了一种线缆微振动有限元分析方法，所述的方法包括：采用数据采集模块采集线缆故障点的冲击放电声音数据，结合该冲击放电声音数据对应的声源位置数据传递至数据分析处理模块；利用数据分析处理模块对采集的数据进行综合分析和处理，完成实际故障点的位置识别。
37.本发明提供的方案中，通过对线缆故障点发出的冲击放电声进行捕捉收集，结合该冲击放电声所在的声源位置数据传递至数据分析处理模块进行综合分析和处理，以完成故障点的确认和位置识别，其具有精度好，效率高的优点。
38.进一步的，根据本发明提供的方法，本发明中，所述综合分析和处理的步骤包括：
39.s1：构建故障点检测统一数据库
40.数据分析处理模块在接收到冲击放电声音数据和声源位置数据后，对数据进行完整性校验，丢弃错误数据，得到完整的声音数据和完整的声源位置数据；
41.对完整的声音数据和完整的声源位置数据进行解析、fft滤波和去噪处理，得到处理后的声音数据和处理后的声源位置数据；
42.将处理后的声音数据和处理后的声源位置数据进行融合处理，存储至故障点检测统一数据库；
43.s2：构建故障点冲击放电声音模板库
44.读取故障点检测统一数据库的声音数据和声源位置数据，经过处理后识别出故障点位置，并将识别结果存储至故障点冲击放电声音模板库，基于识别过程自主更新故障点冲击放电声音模板库；
45.进一步的，所述步骤s2包括以下分步骤：
46.s21：构建包括故障点冲击放电声音特征、声音强度特征的故障点冲击放电声音模板库；
47.s22：读取故障点检测统一数据库的声音数据和声源位置数据，采用声音波形处理方法过滤无效声音；
48.s23：基于声音特征、声音强度特征和声音波形相似度分析，同时结合声源定位方法来确定故障点位置；
49.s24：将识别的故障点冲击放电声音和对应的故障点位置存储至故障点冲击放电声音模板库；
50.s25：基于识别过程自主更新故障点冲击放电声音模板库。
51.s3：构建评估模板库
52.基于步骤s2的识别结果分析并确认故障点位置，同时将分析结果存储至故障风险预警数据库中。
53.基于上述综合处理和分析的方法，通过对采集的声音数据进行冲击放电声音的识别处理，具体利用有限元分析模型与声音模板库进行相似度匹配，建立数学模型，并结合大数据比对、机器学习和神经网络等智能识别算法确定声音类型，并产生故障点声音等事件，存储于大数据库，基于机器自学习训练模型不断更新故障点冲击放电声音模板库，提高识别精度，降低了误报率。
54.进一步的，根据本发明提供的方法，本发明中，所述的方法还包括通过检测显示模块将故障点位置的检测结果进行显示。通过检测显示模块的设置，配合web gis展示所有线
缆分布，通过图表精准显示故障点位置，为维护人员及时排除线缆故障指明方向，以尽快恢复供电。
55.本发明还提供了一种基于上述方法确定的线缆微振动模型。
56.本发明中还提供了一种确定上述线缆微振动模型的装置，所述装置包括数据采集模块、数据分析处理模块和检测显示模块；其中，所述的数据采集模块用于采集线缆故障点的冲击放电声音数据，并将该冲击放电声音数据结合对应的声源位置数据发送至数据分析处理模块；所述的数据分析处理模块可对采集的数据进行综合分析和处理，并将结果通过检测显示模块予以显示。
57.以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。