本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：为加快地下输电线路智能巡检的步伐，针对电缆检修中电缆故障识别和定位问题，构建融合多尺度特征提取与时序注意力机制的一维卷积神经网络电缆故障识别模型。通过在自制6300组电缆故障数据集上进行训练，模型的故障分类正确率能达到90%，故障距离预测的平均误差达0.8m，同时对不同材质电缆具有一定的鲁棒性。
关键词：智能巡检；电缆缺陷识别；多尺度特征提取
doi：10.12045/j.issn.1007-3043.2025.08.016
引言
随着城市化进程的加快和基础设施建设的不断推进，地下电缆的敷设越来越广泛。但由于其安装位置和安装方式的特殊性，日常维护和检修十分棘手，在这些过程中，电缆和缺陷位置的定位是2个主要问题。电缆的定位方法有双电源比较法、电磁波辐射法、红外扫描法和高压谐波法等，其中，基于电磁波辐射原理的无接触式电缆定位方法目前已经能够实现，且取得了不错的效果，国内一些科技有限公司也已经研发出相应的寻线仪产品，但仅仅定位目标电缆还不足以完成检修任务。为解决电缆故障定位这一难题，一部分研究人员提出单端检测的方法，即在电缆一端施加信号，通过返回的信号判别出电缆的缺陷类型及位置。在文献中，作者提出使用单端时域反射计的方法根据不同电缆状况下的反射波形的不同，利用电信号在电缆中的传播速度和反射时间可以计算得到电缆终端距离和简单故障类型（开路、短路）。然而，在实际中，电缆型号多种多样，且电缆故障位置往往在电缆的始端与终端中间的某处，同时，电缆的故障类型十分复杂，尤其是线芯不完全断裂和线芯挤压变形等问题，这几个问题若能被解决，将极大减少电缆维护和检修的时间及成本。
近年来，人工智能发展迅猛，各种改进的机器学习、深度学习算法层出不穷。卷积神经网络作为深度学习领域最具代表性的模型之一，凭借其强大的特征提取能力和空间建模优势，为解决复杂电缆故障检测问题提供了新的技术路径。不同于传统阈值判据法对人工经验的依赖，卷积神经网络通过端到端的训练机制，能够从原始反射波形中自动挖掘深层次时空关联特征。因而，本文拟搭建融合多尺度特征提取与时序注意力机制的一维卷积神经网络的故障识别模型，识别不同类型、不同缺陷位置的电缆故障。
