本发明涉及信号分离，尤其涉及一种在线电缆故障测试信号分离方法及系统。
背景技术：
1、信号分离技术领域涉及从混合信号中提取、识别和分离出有用的信息的方法和技术。也是电子工程和信号处理的重要分支，广泛应用于通信、生物医学工程、声音处理和工业故障诊断等多个领域。信号分离技术能够处理各种信号，包括模拟信号、数字信号，以及更复杂的时频信号，并提取有价值的数据。通过算法和数学模型改善信号的可识别性，减少噪声干扰，从而提高了信号处理的准确性和效率。
2、在线电缆故障测试信号分离方法是信号分离技术在电力系统电缆故障诊断中的应用。该方法旨在实时监测和分析电缆传输的信号，识别和定位电缆故障。其主要目的是提高电力系统的可靠性和安全性，通过实时检测，及时发现故障，从而减少电力中断的时间和范围。通过对电缆信号进行连续监测，分离出异常信号，并利用先进的分析技术确定故障的性质和位置，从而达到快速响应和修复故障的目的，确保电力供应的稳定性和连续性。
3、虽然现有技术在信号处理领域已取得显著进展，有效地促进了电缆故障检测与定位的能力，但在处理大规模数据集、实时数据流监测，以及信号特征提取与分类方面，仍存在明显的局限性。包括在并行处理和实时异常检测机制方面，同时在处理速度和实时响应能力上难以满足高效率和高准确性的双重需求。此外，对于复杂和非线性信号的处理，现有技术在动态阈值调整、信号相似度分析以及信号过滤和特征提取方面的适应性和精确度也有待提高。缺乏有效的自适应机制和优化的参数设置导致信号处理的灵活性和准确性受限，影响了故障检测的效率和可靠性。最后，现有技术在持续更新和学习新的故障模式方面的能力不足，限制了其在应对新出现故障类型时的适应性和预测准确性。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的一种在线电缆故障测试信号分离方法及系统。
2、为了实现上述目的，本发明采用了如下技术方案：一种在线电缆故障测试信号分离方法，包括以下步骤；
3、s1：基于原始电缆故障测试信号，采用快速傅里叶变换算法，将时间序列信号转换到频率域，通过并行计算技术把信号按照频率范围进行分割，并通过频谱分析，生成分割后的信号块；
4、s2：基于所述分割后的信号块，采用主成分分析方法，对多个信号块进行特征提取和降维处理，统计信号关键频率成分、能量分布和幅度特征向量，生成信号特征集；
5、s3：基于所述信号特征集，采用支持向量机分类模型，对信号特征进行学习和训练，通过构建超平面对故障信号进行模式识别，根据训练结果进行故障信号的检测与分类，生成故障类型分类结果；
6、s4：基于所述故障类型分类结果，采用固定阈值判定法，对信号进行二次分割，并根据预设的阈值，进行信号的故障部分和非故障部分分离，生成分离后的信号；
7、s5：基于所述分离后的信号，采用动态时间扭曲方法，进行时间序列分析，通过测量并调整时间序列间的相似度，匹配信号与预先定义的信号模式库，生成匹配及相似度分析结果；
8、s6：基于所述匹配及相似度分析结果，采用长短期记忆网络模型，通过分析信号的时序特性和模式变化，进行实时异常信号的识别和行为预测，并通过对比历史数据和实时数据，生成异常信号识别结果；
9、s7：基于所述异常信号识别结果，应用经验模态分解方法，将信号分解为本征模函数，根据信号的基本组成部分和变化特征，进行优化处理和噪声抑制，生成优化后的信号特征。
10、作为本发明的进一步方案，所述分割后的信号块包括0-10hz信号块、10-50hz信号块、50-100hz信号块，以及时间戳和信号强度值，所述信号特征集包括频率范围内主成分的频率值、对应的能量比率和幅度特征向量的方向和大小，所述故障类型分类结果包括电绝缘破损、导体断裂或接触不良，以及故障的信号特征参数，目标频率范围内的能量峰值和幅度变化，所述分离后的信号具体为故障信号区间和正常信号区间的起始和结束时间戳，所述匹配及相似度分析结果具体为与已知故障模式匹配的信号序列对应的相似度分数和匹配度等级，所述异常信号识别结果包括识别的异常信号的开始时间、结束时间、异常类型和异常强度评分，所述优化后的信号特征包括每级的频率范围、平均幅度和相位角度。
11、作为本发明的进一步方案，基于原始电缆故障测试信号，采用快速傅里叶变换算法，将时间序列信号转换到频率域，通过并行计算技术把信号按照频率范围进行分割，并通过频谱分析，生成分割后的信号块的具体步骤如下；
12、s101：基于原始电缆故障测试信号，进行快速傅里叶变换处理，采用numpy.fft.fft()函数，设置采样频率参数为fs=1000hz，将时间序列信号转换到频率域，并分析其频率成分，生成频率域信号数据；
13、s102：基于所述频率域信号数据，采用并行计算技术，使用multiprocessing库对数据进行处理，将信号按照预设的频率范围进行分割，优化处理速度并捕捉多个频率成分，生成频率分割信号块；
14、s103：基于所述频率分割信号块，进行频谱分析，使用scipy.signal.spectrogram()函数，设置窗函数为hann和nfft参数为256，识别和记录每个分割块的关键频率成分和能量分布，分析信号的特征，生成分割后的信号块。
15、作为本发明的进一步方案，其特征在于基于所述分割后的信号块，采用主成分分析方法，对多个信号块进行特征提取和降维处理，统计信号关键频率成分、能量分布和幅度特征向量，生成信号特征集的具体步骤如下；
16、s201：基于所述分割后的信号块，执行统计分析，采用numpy库中的mean()、std()和amax()，计算每个信号块的平均值、标准差、最大值和最小值，并从时间序列中提取基本统计特征，生成基础信号特征数据；
17、s202：基于所述基础信号特征数据，利用主成分分析进行降维并提取关键特征，捕捉数据投影到方差最大的方向，减少数据集的维度，并保留关键信息，生成降维信号数据集；
18、s203：基于所述降维信号数据集，对信号的关键频率成分、能量分布和幅度特征向量进行统计分析，通过向量运算统计频率成分，绘制能量分布图，展示信号的能量分布特性，生成信号特征集。
19、作为本发明的进一步方案，基于所述信号特征集，采用支持向量机分类模型，对信号特征进行学习和训练，通过构建超平面对故障信号进行模式识别，根据训练结果进行故障信号的检测与分类，生成故障类型分类结果的具体步骤如下；
20、s301：基于所述信号特征集，选择支持向量机算法的核函数，命令项为svc(kernel=rbf， c=1，gamma=scale)，其中kernel参数指定核函数的类型，c为惩罚参数，gamma为核函数的系数，通过改变原始特征空间映射维度，生成核函数配置参数；
21、s302：基于所述核函数配置参数，使用交叉验证和网格搜索方法，优化向量机模型的参数，包括命令项gridsearchcv(svc()， param_grid={c: [0.1, 1, 10]， gamma:[0.001, 0.0001]}， cv=5)，通过平衡模型复杂度与拟合程度，生成参数优化后的模型；
22、s303：基于所述参数优化后的模型，使用fit方法和predict方法，进行模型训练和故障信号的分类，命令项包括optimizedsvm.fit(x_train， y_train)和optimizedsvm.predict(x_test)，构建区分电缆故障类型的分类超平面，生成故障类型分类结果。
23、作为本发明的进一步方案，基于所述故障类型分类结果，采用固定阈值判定法，对信号进行二次分割，并根据预设的阈值，进行信号的故障部分和非故障部分分离，生成分离后的信号的具体步骤如下；
24、s401：基于所述故障类型分类结果，采用固定阈值判定法进行信号的分割，设定目标阈值，根据统计信号特征并比较预设阈值，区分正常信号与故障信号，生成初始化分割信号；
25、s402：基于所述初始化分割信号，通过分析信号的时间序列特性，利用移动窗口技术细化故障区间，设置移动窗口的大小和步长，用滑动窗口方式遍历信号，应用预设阈值进行判定，生成细化的分割信号；
26、s403：基于所述细化的分割信号，利用信号重构技术，筛选基于预设阈值的故障信号，减少对非故障部分的干扰，并分离信号的故障部分和非故障部分，生成分离后的信号。
27、作为本发明的进一步方案，基于所述分离后的信号，采用动态时间扭曲方法，进行时间序列分析，通过测量并调整时间序列间的相似度，匹配信号与预先定义的信号模式库，生成匹配及相似度分析结果的具体步骤如下；
28、s501：基于所述分离后的信号，通过动态时间扭曲算法构建成本矩阵，使用命令项numpy.linalg.norm计算欧式距离，设置参数为ord=2，填充成本矩阵，生成初始化成本矩阵；
29、s502：基于所述初始化成本矩阵，通过动态规划算法计算累积距离和回溯路径，使用numpy.min函数捕捉最小累积成本的路径，设置参数axis指定最小值的搜索方向，生成最优匹配路径；
30、s503：基于所述最优匹配路径，再次利用动态时间扭曲算法，计算时间序列与每个模式之间的相似度系数，与预先定义的信号模式库进行匹配，并评估相似度，生成匹配及相似度分析结果。
31、作为本发明的进一步方案，基于所述匹配及相似度分析结果，采用长短期记忆网络模型，通过分析信号的时序特性和模式变化，进行实时异常信号的识别和行为预测，并通过对比历史数据和实时数据，生成异常信号识别结果的具体步骤如下；
32、s601：基于所述匹配及相似度分析结果，将输入层维度设定为信号特征数量，隐藏层节点数设置为128，输出层节点数对应预测的分类数，构建长短期记忆网络模型，设置训练参数，包括学习率lr=0.001，批处理大小为batch_size=32，以及迭代次数epochs=100，生成初始化的模型架构；
33、s602：基于所述初始化的模型架构，应用adam优化器对模型参数进行迭代优化，通过最小化交叉熵损失函数crossentropyloss，优化模型对异常信号分类的准确性，生成训练优化后的模型；
34、s603：基于所述训练优化后的模型，将实时信号数据输入模型中，并进行前向传播，利用模型预测其异常状态，通过比较模型的输出值与预设阈值，对信号进行异常等级分类，生成异常信号识别结果。
35、作为本发明的进一步方案，基于所述异常信号识别结果，应用经验模态分解方法，将信号分解为本征模函数，根据信号的基本组成部分和变化特征，进行优化处理和噪声抑制，生成优化后的信号特征的具体步骤如下；
36、s701：基于所述异常信号识别结果，采用经验模态分解方法，通过自适应过程逐级分解信号，将其拆解为多个本征模函数和残余项，包括极值点的识别、包络线的构建以及本征模函数的筛选标准，生成本征模式分解结果；
37、s702：基于所述本征模式分解结果，利用希尔伯特-黄变换方法，进行时频分析，识别噪声成分，并通过能量分析方法剔除高频噪声，生成噪声抑制后的信号；
38、s703：基于所述噪声抑制后的信号，利用窗函数平滑和频率滤波技术，对信号进行平滑处理，优化信号特征，通过调整信号的统计和频谱特性，突出信号中的关键特征，生成优化后的信号特征。
39、作为本发明的进一步方案，一种在线电缆故障测试信号分离系统，所述系统包括频率域转换模块、频率分割模块、特征提取模块、分类模型训练模块、信号分割模块、信号匹配模块、异常信号识别模块、信号优化模块；
40、所述频率域转换模块基于原始电缆故障测试信号，采用快速傅里叶变换算法，将时间序列信号转换到频率域，并分析其频率成分，生成频率域信号数据；
41、所述频率分割模块基于频率域信号数据，采用并行计算技术，将信号按照预设的频率范围进行分割，优化处理速度并捕捉多个频率成分，生成频率分割信号块；
42、所述特征提取模块基于频率分割信号块，采用主成分分析方法，提取关键特征，包括统计信号关键频率成分、能量分布和幅度特征向量，生成降维信号数据集；
43、所述分类模型训练模块基于降维信号数据集，采用支持向量机分类模型，进行模型训练和学习，构建区分电缆故障类型的分类超平面，生成故障类型分类结果；
44、所述信号分割模块基于故障类型分类结果，采用固定阈值判定法，对信号进行二次分割，分离故障部分和非故障部分，生成分离后的信号；
45、所述信号匹配模块基于分离后的信号，采用动态时间扭曲方法，将信号匹配到预先定义的信号模式库，生成匹配及相似度分析结果；
46、所述异常信号识别模块基于匹配及相似度分析结果，采用长短期记忆网络模型，对信号进行实时异常信号的识别和行为预测，生成异常信号识别结果；
47、所述信号优化模块基于异常信号识别结果，应用经验模态分解方法，对信号进行优化处理和噪声抑制，包括信号的分解、噪声成分的识别和剔除、信号的重构操作，生成优化后的信号特征。
48、与现有技术相比，本发明的优点和积极效果在于：本发明通过综合应用快速傅里叶变换、主成分分析、支持向量机分类、固定阈值判定、动态时间扭曲、长短期记忆网络模型以及经验模态分解技术，提高了电缆故障测试信号分离的准确性、效率和实时性。利用并行计算技术缩短了信号处理时间，更有效的处理大规模数据集，同时满足了实时或近实时的数据处理需求。通过动态阈值调整、信号相似度分析增强和改进的信号过滤及特征提取策略，提高了对复杂和非线性信号处理的适应性和精确度，不仅提升了故障检测的灵活性和可靠性，而且通过实时异常检测机制，增强了系统对新出现故障类型的适应性和预测准确性，确保了电缆故障诊断的高效率和高准确性。
1.一种在线电缆故障测试信号分离方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：所述分割后的信号块包括0-10hz信号块、10-50hz信号块、50-100hz信号块，以及时间戳和信号强度值，所述信号特征集包括频率范围内主成分的频率值、对应的能量比率和幅度特征向量的方向和大小，所述故障类型分类结果包括电绝缘破损、导体断裂或接触不良，以及故障的信号特征参数，目标频率范围内的能量峰值和幅度变化，所述分离后的信号具体为故障信号区间和正常信号区间的起始和结束时间戳，所述匹配及相似度分析结果具体为与已知故障模式匹配的信号序列对应的相似度分数和匹配度等级，所述异常信号识别结果包括识别的异常信号的开始时间、结束时间、异常类型和异常强度评分，所述优化后的信号特征包括每级的频率范围、平均幅度和相位角度。
3.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于原始电缆故障测试信号，采用快速傅里叶变换算法，将时间序列信号转换到频率域，通过并行计算技术把信号按照频率范围进行分割，并通过频谱分析，生成分割后的信号块的具体步骤如下；
4.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于所述分割后的信号块，采用主成分分析方法，对多个信号块进行特征提取和降维处理，统计信号关键频率成分、能量分布和幅度特征向量，生成信号特征集的具体步骤如下；
5.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于所述信号特征集，采用支持向量机分类模型，对信号特征进行学习和训练，通过构建超平面对故障信号进行模式识别，根据训练结果进行故障信号的检测与分类，生成故障类型分类结果的具体步骤如下；
6.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于所述故障类型分类结果，采用固定阈值判定法，对信号进行二次分割，并根据预设的阈值，进行信号的故障部分和非故障部分分离，生成分离后的信号的具体步骤如下；
7.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于所述分离后的信号，采用动态时间扭曲方法，进行时间序列分析，通过测量并调整时间序列间的相似度，匹配信号与预先定义的信号模式库，生成匹配及相似度分析结果的具体步骤如下；
8.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于所述匹配及相似度分析结果，采用长短期记忆网络模型，通过分析信号的时序特性和模式变化，进行实时异常信号的识别和行为预测，并通过对比历史数据和实时数据，生成异常信号识别结果的具体步骤如下；
9.根据权利要求1所述的在线电缆故障测试信号分离方法，其特征在于：基于所述异常信号识别结果，应用经验模态分解方法，将信号分解为本征模函数，根据信号的基本组成部分和变化特征，进行优化处理和噪声抑制，生成优化后的信号特征的具体步骤如下；
10.一种在线电缆故障测试信号分离系统，其特征在于，根据权利要求1-9任一项所述的在线电缆故障测试信号分离方法执行，所述系统包括频率域转换模块、频率分割模块、特征提取模块、分类模型训练模块、信号分割模块、信号匹配模块、异常信号识别模块、信号优化模块；
