本技術(shù)涉及電纜隧道監(jiān)測，特別是涉及一種電纜隧道變形與振動風險識別方法、裝置、計算機設(shè)備、存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術(shù)：

1、隨著電力技術(shù)的發(fā)展，出現(xiàn)了一種利用電纜隧道對電力、通信等關(guān)鍵能源和信息進行輸送的技術(shù)，通過電纜隧道輸送能源與信息，具備高可靠性、靈活性以及安全性等諸多優(yōu)勢，已成為城市輸電線路的重要組成部分。然而，電纜隧道在長時間運行、高負荷以及自然災害等外部因素的影響下，可能對隧道結(jié)構(gòu)造成不可忽視的損害，如應(yīng)力集中、振動加劇、材料老化等，該問題若未能及時監(jiān)測和修復，可能會導致隧道變形甚至結(jié)構(gòu)失效，進而引發(fā)重大安全事故，因此，需要對電纜隧道的健康狀態(tài)進行實時監(jiān)測并快速評估，來避免安全事故的發(fā)生。

2、傳統(tǒng)技術(shù)中，針對電纜隧道的監(jiān)測主要依賴于人工巡檢或安裝離散的傳感器進行定期檢測。人工巡檢雖然可以發(fā)現(xiàn)表面的結(jié)構(gòu)問題，但效率低下、周期長，且難以在故障發(fā)生前提供預警。離散傳感器雖然能夠?qū)μ囟ㄎ恢眠M行監(jiān)控，但覆蓋范圍有限，無法提供全面的隧道健康數(shù)據(jù)，且在應(yīng)對突發(fā)故障時反應(yīng)速度不足?？梢姡F(xiàn)有技術(shù)提供的電纜隧道監(jiān)測方法中，電纜隧道監(jiān)測的實時性較低。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠提高電纜隧道監(jiān)測的實時性的電纜隧道變形與振動風險識別方法、裝置、計算機設(shè)備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種電纜隧道變形與振動風險識別方法，包括：

3、獲取待監(jiān)測電纜隧道的風險識別信號，并獲取所述風險識別信號對應(yīng)的信號時域特征以及信號頻域特征；所述風險識別信號包括所述待監(jiān)測電纜隧道的應(yīng)變信號以及振動信號；

4、對所述信號時域特征以及信號頻域特征進行多維特征融合，得到所述風險識別信號的融合特征；

5、將所述融合特征輸入預先構(gòu)建的電纜隧道風險識別模型中的深度特征提取模塊，得到所述融合特征對應(yīng)的深度特征；

6、將所述深度特征輸入所述電纜隧道風險識別模型中的長短期記憶網(wǎng)絡(luò)模塊，得到所述待監(jiān)測電纜隧道的隧道變形與振動風險識別結(jié)果。

7、在其中一個實施例中，所述深度特征提取模塊包括多個深度特征提取層；所述將所述融合特征輸入預先構(gòu)建的電纜隧道風險識別模型中的深度特征提取模塊，得到所述融合特征對應(yīng)的深度特征，包括：將所述融合特征作為當前輸入特征，以及將多個所述深度特征提取層中的首個深度特征提取層作為當前深度特征提取層，并將所述當前輸入特征輸入當前深度特征提取層；所述當前深度特征提取層為多個深度特征提取層中的任意一個；獲取所述當前深度特征提取層對應(yīng)的權(quán)重矩陣以及偏置矩陣，根據(jù)所述權(quán)重矩陣以及所述偏置矩陣，得到所述當前輸入特征對應(yīng)的深度提取特征；在所述當前深度特征提取層不是所述多個深度特征提取層中的最后一個深度特征提取層的情況下，將所述深度提取特征作為新的當前輸入特征，以及將所述當前深度特征提取層的下一個深度特征提取層作為新的當前深度特征提取層，返回執(zhí)行將所述當前輸入特征輸入當前深度特征提取層的步驟，直到所述當前深度特征提取層為所述最后一個深度特征提取層，將所述深度提取特征作為所述深度特征。

8、在其中一個實施例中，所述長短期記憶網(wǎng)絡(luò)模塊包括全連接層以及多個隱藏層；所述深度特征的數(shù)量為多個，分別對應(yīng)于不同時間步；所述將所述深度特征輸入所述電纜隧道風險識別模型中的長短期記憶網(wǎng)絡(luò)模塊，得到所述待監(jiān)測電纜隧道的隧道變形與振動風險識別結(jié)果，包括：將各所述深度特征輸入所述長短期記憶網(wǎng)絡(luò)模塊，通過所述長短期記憶網(wǎng)絡(luò)模塊中的多個隱藏層，得到各所述深度特征分別對應(yīng)的隱藏狀態(tài)特征；將各所述隱藏狀態(tài)特征輸入所述全連接層，得到所述待監(jiān)測電纜隧道的隧道變形與振動風險識別結(jié)果。

9、在其中一個實施例中，所述將所述深度特征輸入所述長短期記憶網(wǎng)絡(luò)模塊，通過所述長短期記憶網(wǎng)絡(luò)模塊中的多個隱藏層，得到所述深度特征對應(yīng)于不同時間步的隱藏狀態(tài)特征，包括：獲取當前隱藏層以及當前時間步；所述當前隱藏層為多個隱藏層中的任意一個，所述當前時間步為所述不同時間步中的任意一個；將所述當前時間步的當前深度特征、上一時間步對應(yīng)于當前隱藏層的第一隱藏狀態(tài)特征，以及當前時間步對應(yīng)于上一隱藏層的第二隱藏狀態(tài)特征輸入所述當前隱藏層，通過所述當前隱藏層得到當前時間步對應(yīng)于當前隱藏層的第三隱藏狀態(tài)特征；在所述當前隱藏層不是所述多個隱藏層中的最后一個隱藏層的情況下，將所述當前隱藏層的下一隱藏層作為新的當前隱藏層，并返回執(zhí)行將所述當前時間步的深度特征、上一時間步對應(yīng)于當前隱藏層的第一隱藏狀態(tài)特征，以及當前時間步對應(yīng)于上一隱藏層的第二隱藏狀態(tài)特征輸入所述當前隱藏層的步驟，直到所述當前隱藏層為所述最后一個隱藏層，將所述第三隱藏狀態(tài)特征作為所述當前深度特征對應(yīng)的隱藏狀態(tài)特征。

10、在其中一個實施例中，所述當前隱藏層包括：遺忘門、輸入門以及輸出門；所述將所述當前時間步的當前深度特征、上一時間步對應(yīng)于當前隱藏層的第一隱藏狀態(tài)特征，以及當前時間步對應(yīng)于上一隱藏層的第二隱藏狀態(tài)特征輸入所述當前隱藏層，通過所述當前隱藏層得到當前時間步對應(yīng)于當前隱藏層的第三隱藏狀態(tài)特征，包括：將所述當前深度特征、第一隱藏狀態(tài)特征以及第二隱藏狀態(tài)特征分別輸入所述遺忘門、所述輸入門以及所述輸出門，分別得到遺忘門輸出信息，輸入門輸出信息以及輸出門輸出信息；基于所述遺忘門輸出信息以及所述輸入門輸出信息，得到所述當前時間步對應(yīng)于當前隱藏層的記憶單元狀態(tài)；利用所述記憶單元狀態(tài)以及所述輸出門輸出信息，得到所述第三隱藏狀態(tài)特征。

11、在其中一個實施例中，所述對所述信號時域特征以及信號頻域特征進行多維特征融合，得到所述風險識別信號的融合特征，包括：通過注意力機制，獲取所述信號時域特征對應(yīng)的第一注意力權(quán)重，以及所述信號頻域特征對應(yīng)的第二注意力權(quán)重；利用所述第一注意力權(quán)重對所述信號時域特征進行加權(quán)處理，得到加權(quán)時域特征，以及利用所述第二注意力權(quán)重對所述信號頻域特征進行加權(quán)處理，得到加權(quán)頻域特征；將所述加權(quán)時域特征以及所述加權(quán)頻域特征進行跨緯度卷積操作，得到卷積時域特征、卷積頻域特征以及交叉特征；將所述卷積時域特征、卷積頻域特征以及交叉特征進行特征拼接，得到所述融合特征。

12、在其中一個實施例中，所述獲取待監(jiān)測電纜隧道的風險識別信號，并獲取所述風險識別信號對應(yīng)的信號時域特征以及信號頻域特征，包括：獲取通過相位敏感光時域反射技術(shù)采集的所述待監(jiān)測電纜隧道的應(yīng)變數(shù)據(jù)以及振動數(shù)據(jù)，根據(jù)所述應(yīng)變數(shù)據(jù)以及振動數(shù)據(jù)生成所述待監(jiān)測電纜隧道的原始風險識別信號；所述原始風險識別信號包括：原始應(yīng)變信號以及原始振動信號；所述原始風險識別信號包括：原始應(yīng)變信號以及原始振動信號；對所述原始風險識別信號進行小波去噪，得到所述風險識別信號；對所述風險識別信號進行短時傅里葉變換，得到所述風險識別信號對應(yīng)的信號時域特征以及信號頻域特征。

13、第二方面，本技術(shù)還提供了一種電纜隧道變形與振動風險識別裝置，包括：

14、信號特征獲取模塊，用于獲取待監(jiān)測電纜隧道的風險識別信號，并獲取所述風險識別信號對應(yīng)的信號時域特征以及信號頻域特征；所述風險識別信號包括所述待監(jiān)測電纜隧道的應(yīng)變信號以及振動信號；

15、信號特征融合模塊，用于對所述信號時域特征以及信號頻域特征進行多維特征融合，得到所述風險識別信號的融合特征；

16、深度特征提取模塊，用于將所述融合特征輸入預先構(gòu)建的電纜隧道風險識別模型中的深度特征提取模塊，得到所述融合特征對應(yīng)的深度特征；

17、隧道風險識別模塊，用于將所述深度特征輸入所述電纜隧道風險識別模型中的長短期記憶網(wǎng)絡(luò)模塊，得到所述待監(jiān)測電纜隧道的隧道變形與振動風險識別結(jié)果。

18、第三方面，本技術(shù)還提供了一種計算機設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)第一方面任一項實施例所述方法的步驟。

19、第四方面，本技術(shù)還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)第一方面任一項實施例所述方法的步驟。

20、第五方面，本技術(shù)還提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)第一方面任一項實施例所述方法的步驟。

21、上述電纜隧道變形與振動風險識別方法、裝置、計算機設(shè)備、存儲介質(zhì)和計算機程序產(chǎn)品，通過獲取待監(jiān)測電纜隧道的風險識別信號，并獲取風險識別信號對應(yīng)的信號時域特征以及信號頻域特征；風險識別信號包括待監(jiān)測電纜隧道的應(yīng)變信號以及振動信號；對信號時域特征以及信號頻域特征進行多維特征融合，得到風險識別信號的融合特征；將融合特征輸入預先構(gòu)建的電纜隧道風險識別模型中的深度特征提取模塊，得到融合特征對應(yīng)的深度特征；將深度特征輸入電纜隧道風險識別模型中的長短期記憶網(wǎng)絡(luò)模塊，得到待監(jiān)測電纜隧道的隧道變形與振動風險識別結(jié)果。本技術(shù)通過采集待監(jiān)測電纜隧道的應(yīng)變信號以及振動信號作為風險識別信號，并提取該風險識別信號的時域特征和頻域特征，之后則可以將時域特征和頻域特征進行多維特征融合，得到融合特征后，將融合特征輸入到預先構(gòu)建的電纜隧道風險識別模型，之后則可以通過深度特征提取模塊來提取深度特征，并將深度特征輸入到電纜隧道風險識別模型中的長短期記憶網(wǎng)絡(luò)模塊來識別待監(jiān)測電纜隧道的隧道變形與振動風險，相比于通過人工巡檢或者離散傳感器進行電纜隧道監(jiān)測，本技術(shù)可以通過電纜隧道風險識別模型識別電纜隧道變形與振動風險，因此可以提高電纜隧道監(jiān)測的實時性。