CN119290594B 一种电缆拉伸测试装置及其方法 （昆山周氏电业有限公司）

本发明申请公开了一种电缆拉伸测试装置2分别进行时序编码以得到实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含长量时序关联隐含特征向量分别进行主成分分析以得到实时拉力值时序主成分特征分量时序主成分特征分量的集合和实时伸长量时序主成分特征分量的集合进行最佳配对多尺实时拉力值时序关联隐含特征向量的协方差矩阵以得到实时拉力值时序特征协方差矩阵；对实时拉力值时序特征协方差矩阵进行特征值分解以得到实时拉力值时序主成分特征值差矩阵进行特征值分解以得到实时伸长量时序主成分特征值的集合和对应的实时伸长量3.根据权利要求2所述的一种电缆拉伸测试装置，其特征在于，最佳配对交互耦合单得到实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对的集计算查询向量与查询库中的各个实时伸长量时序主成分特征分量之间的马氏距离以得到的实时伸长量时序主成分特征分量作为查询向量的最优匹配结果以得到实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹时序主成分特征分量最佳匹配对的集合中的各个实时拉力值时序主成分特征分量和实时3步骤S300：根据电缆拉伸时的实时拉力值和实时伸长量步骤S301，根据电缆拉伸时的实时拉力值和实时伸长步骤S302，对实时拉力值的时间队列和实时伸长量的步骤S303，对实时拉力值时序关联隐含特征向量和步骤S304，基于拉力一伸长量时序显著交互耦合步骤S3031：对实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含特征向量分别进行主成分分析以得到实时拉力值时序主成分特征分量的集合和实时伸长量时序步骤S3032：对实时拉力值时序主成分特征分量的集合和实时伸长量时序主成分特征分量的集合进行最佳配对多尺度交互耦合以得到拉力一伸长量时序显著交互耦合特征向步骤S30311：计算实时拉力值时序关联隐含特征向量值时序主成分特征值的集合和对应的实时拉力值时序主成分特征步骤S30312：计算实时伸长量时序关联隐含特征向量时序主成分特征值的集合和对应的实时伸长量时序主成分4因电缆突然断裂造成的设备损坏和人员安全风险，本发明申请是通过以下技术方案实现分别进行时序编码以得到实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含5征向量和实时伸长量时序关联隐含特征向量分别进行主成分分析以得到实时拉力值时序主成分特征分量的集合和实时伸长量时序主成分特征分量的集合；最佳配对交互耦合单解以得到实时拉力值时序主成分特征值的集合和对应的实时拉力值时序主成分特征分量成分特征值的集合和对应的实时伸长量时序主成分特征分配的实时伸长量时序主成分特征分量以得到实时拉力值时序主成分特征分量和实时伸长成分特征分量和实时伸长量时序主成分特征分量最佳匹配对的集合进行多尺度交互融合量匹配差异系数的集合中的最小值对应的实时伸长量时序主成分特征分量作为查询向量的最优匹配结果以得到实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对的集合中的各个实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对分别输入6[0023]步骤S3031:对实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含特征向量分别进行主成分分析以得到实时拉力值时序主成分特征分量的集合和实时伸长量[0024]步骤S3032：对实时拉力值时序主成分特征分量的集合和实时伸长量时序主成分拉力值时序主成分特征值的集合和对应的实时拉力值时序主成分特征分量伸长量时序主成分特征值的集合和对应的实时伸长量时序主成分特长量时序显著交互耦合特征向量的聚类特征相对于特征整体的图式分布平移和旋转对称78缆的实时拉力值的时间队列和实时伸长量的时间队列。伸长量的时间队列分别输入基于前向长短期记忆网络（LongShort一TermMemorynetworks,简称LSTM）模型的序列编码器以得到实时拉力值时序关联隐含特征向量和实时9[0050]示例性地，考虑到电缆在拉伸过程中的受力与变形是一个连续且动态变化的过的复杂模式，得到实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含特征向序关联隐含特征向量和实时伸长量时序关联隐含特征向量分别进行主成分分析以得到实值分解以得到实时拉力值时序主成分特征值的集合和对应的实时拉力值时序主成分特征序主成分特征值的集合和对应的实时伸长量时序主成分特征优匹配的实时伸长量时序主成分特征分量以得到实时拉力值时序主成分特征分量和实时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对的集合进行多尺度交互量匹配差异系数的集合中的最小值对应的实时伸长量时序主成分特征分量作为查询向量的最优匹配结果以得到实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对的集合中的各个实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对分别输入[0063]分别计算实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配对中的实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量之间的和C2分别表示实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含特征向量的协方差矩阵，Λ1为实时拉力值时序特征协方差矩阵进行特征值分解得到的实时拉力值时序主成分特征值的集合组成的对角矩阵，λ11和λ1m分别表示所述实时拉力特征协方差矩阵进行特征值分解得到的实时伸长量时序主成分特征值的集合组成的对角21和λ2m分别表示所述实时伸长量时序主成分特征值的集合中的第1个和第m个实时伸长量时序主成分特征值，U2为实时伸长量时序主成分特征分量的集合组成的矩阵，v21、分量与第j个实时伸长量时序主成分特征分量之间的协方差矩阵的逆矩阵，argmin表示取互耦合特征向量也会由于特征主成分粒度时序模式差异引起基于最佳匹配的交互响应差时序显著交互耦合特征向量的语义一致化聚合表[0071]对所述拉力伸长量时序显著交互耦合特征向量的特征集合进行特征聚类以获得拉力伸长量时序显著交互耦合类内特征集合和拉力伸长量时序显著交互耦合类外特征之和的λ次幂与所述拉力一伸长量时序显著交互耦合特征向量的特征集合中的所有特征值的绝对值之和的λ次幂的比值以获得拉力一伸长量时序显著交互耦合调制权值，即：pp的λ/2次幂与所述拉力一伸长量时序显著交互耦合特征向量的特征集合中的所有特征值的与所述拉力伸长量时序显著交互耦合调和权值的乘积再加上所述拉力伸长量时序显著与所述拉力一伸长量时序显著交互耦合调制权值的乘积以获得优化特征值，即：向量输入基于分类器的断裂预警引擎以得到模型对优化的拉力一伸长量时序显著交互耦合特征向量进行判断,分类器能够深度学习到拉力伸长量时序显著交互耦合特征向量中蕴含的拉力和伸长量之间的交互变化模式，进对所述拉力伸长量时序显著交互耦合特征向量的关键特征信息在聚类过程中的交互描述拉力伸长量时序显著交互耦合特征向量的特征表达中引入几何消息传递的基础上通过从而改进所述拉力伸长量时序显著交互耦合特征向量输入基于分类器的断裂预警引擎得[0101]步骤S3031:对实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含特征向量分别进行主成分分析以得到实时拉力值时序主成分特征分量的集合和实时伸长量拉力值时序主成分特征值的集合和对应的实时拉力值时序主成分特征分量伸长量时序主成分特征值的集合和对应的实时伸长量时序主成分特[0105]步骤S3032:对实时拉力值时序主成分特征分量的集合和实时伸长量时序主成分主成分特征分量作为查询向量，且以实时伸长量时序主成分特征分量的集合作为查询库，从查询库中匹配出与各个查询向量最优匹配的实时伸长量时序主成分特征分量以得到实时拉力值时序主成分特征分量和实时伸长量时序主成分特征分量最佳匹配量最佳匹配对的集合进行多尺度交互融合以得到拉力一伸长量时序显著交互耦合特征向和C2分别表示实时拉力值时序关联隐含特征向量和实时伸长量时序关联隐含特征向量的协方差矩阵，Λ1为实时拉力值时序特征协方差矩阵进行特征值分解得到的实时拉力值时序主成分特征值的集合组成的对角矩阵，λ11和λ1m分别表示所述实时拉力11特征协方差矩阵进行特征值分解得到的实时伸长量时序主成分特征值的集合组成的对角21和λ2m分别表示所述实时伸长量时序主成分特征值的集合中的第1个和第m个实时伸长量时序主成分特征值，U2为实时伸长量时序主成分特征分量的集合组成的矩阵，v21、分量与第j个实时伸长量时序主成分特征分量之间的协方差矩阵的逆矩阵，argmin表示取目与所述拉力伸长量时序显著交互耦合特征向量的特征集合的特征值数目的比值，即：值的绝对值之和的λ次幂与所述拉力一伸长量时序显著交互耦合特征向量的特征集合中的pp值的平方和的λ/2次幂与所述拉力一伸长量时序显著交互耦合特征向量的特征集合中的所[0126]步骤S3047：将基于所述拉力一伸长量时序显著交互耦合类内特征集合和所述拉力伸长量时序显著交互耦合类外特征集合的优化特征值的优化的拉力伸长量时序显著交互耦合特征向量输入基于分类器的断裂预警引擎以得的聚类特征和特征整体的等变基础上的特征低秩化调和调制来构造特征的几何等变拓扑，以获得所述拉力伸长量时序显著交互耦