基于表层温度深度学习的电缆接头绝缘劣化非接触式诊断

为提升电缆中间接头绝缘层劣化程度的现场诊断效率和准确度,提出一种基于表层温度自适应深度学习的接头绝缘劣化状态非接触式诊断方法。首先,对电缆接头及两端电缆的绝缘表层进行红外热成像,实现电缆接头中心两边多个对称区域的表层温度、接头两端电缆的表层温度的非接触式采集;其次,构建基于双隐层自编码极限学习机的深度学习网络,以挖掘表层温度数据内部深层次隐含特征,将提取的深度隐含特征作为随机森林诊断模型输入;然后,提出一种非线性动态自适应旋转角的量子旋转门以改进量子烟花算法的更新策略,并用于诊断模型参数优化;最后,结合接头表层红外温度和绝缘介质损耗角正切值构建数据集,对诊断模型进行训练和现场测试。实验结果表明,改进后的量子烟花算法可以较好地逼近全局最优解、收敛效率高,深度学习随机森林诊断模型具有较强的特征抽取和分类能力,参数优化后诊断模型的分类精度和稳定性得到有效提高,在小样本训练集条件下就能达到较好的诊断效果,可实现接头绝缘劣化状态的非接触式诊断。