(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111621091.7 (22)申请日 2021.12.28 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 田伦　孙玥　王栋　杨敬　张英　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 代理人 马敬　丁芸 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G01R 31/08(2006.01) (54)发明名称 一种故障检测方法及故障分类模型的训练 方法、 装置 (57)摘要 本公开提供了一种故障检测方法及故障分 类模型的训练方法、 装置， 涉及人工智 能技术领 域， 尤其涉及工业大数据等技术领域。 具体实现 方案为： 获取待检测远距离输电线不同部位多个 时段下的电信号； 针对每一部位， 计算该部位在 不同时段下的电信号的性能指标， 得到该部位对 应的性能指标； 分别构造各所述部位对应的性能 指标的指标特征； 基于各所述部位的指标特征， 确定所述待检测远距离输电线的各所述部位是 否发生故障。 本公开实施例， 能够实现远距离输 电线的故障检测。 权利要求书3页 说明书11页 附图3页 CN 114330437 A 2022.04.12 CN 114330437 A 1.一种故障检测方法， 包括： 获取待检测远距离 输电线不同部位多个时段 下的电信号； 针对每一部位， 计算该部位在不同时段下的 电信号的性能指标， 得到该部位对应的性 能指标； 分别构造各 所述部位对应的性能指标的指标 特征； 基于各所述部位的指标特征， 确定所述待检测远距离输电线的各所述部位是否发生故 障。 2.根据权利要求1所述的方法， 其中， 所述基于各所述部位的指标特征， 确定所述待检 测远距离 输电线的各 所述部位是否发生故障， 包括： 将各所述部位的指标特征输入到预先训练 的深度学习模型中， 得到所述待检测远距离 输电线各部位的指定时段下 的故障检测结果； 其中， 预先训练的深度学习模型是根据样本 远距离输电线各部位的样本指标特征， 以及样本电信号的分类标签训练得到的， 所述分类 标签用于表征 所述样本电信号属于正常类别或者故障类别。 3.根据权利要求2所述的方法， 其中， 所述深度学习模型为lightgbm树分类模型， 所述 指标特征包含多个性能指标参数； 所述将各所述部位的指标特征输入到预先训练的深度学习 模型中， 得到所述待检测远 距离输电线各部位的指定时段 下的故障检测结果， 包括： 将各所述部位的指标特征输入到预先训练的lightgbm树分类模型中， 得到各所述部位 每一性能指标参数在指定时段 下的故障检测结果； 根据各所述部位每一性 能指标参数在指定时段下的故障检测结果， 得到所述待检测远 距离输电线各部位的指定时段 下的故障检测结果。 4.根据权利要求1所述的方法， 其中， 所述性能指标包括： 均值、 方差、 局部突刺数目以 及相位抖动幅度中的至少一项。 5.一种故障分类模型的训练方法， 包括： 获取样本远距离输电线不同部位多个时段下的样本电信号， 所述样本电信号具有分类 标签， 所述分类标签用于表征 所述样本电信号属于正常类别或者故障类别； 针对每一部位， 计算该部位在不同时段下的样本电信号的样本性能指标， 得到该部位 对应的样本性能指标； 分别构造各 所述部位对应的样本性能指标的样本指标 特征； 将各所述部位的样本指标特征输入故障分类模型中进行故障分类， 得到所述样本远距 离输电线各 所述部位在不同时段 下的预测分类标签； 根据所述样本远距离输电线各所述部位在不同时段下的预测分类标签， 以及所述样本 电信号各所述部位在不同时段下 的分类标签， 计算当前损失， 并根据当前损失对所述故障 分类模型的训练参数进行调整， 直至满足预设结束条件， 得到训练好的故障分类模型。 6.根据权利要求5所述的方法， 其中， 所述样本电信号包括： 样本远距离输电线不同部 位多个时段下 的正样本电信号和负样本电信号， 所述正样本电信号为正常类别的电信号， 所述负样本电信号 为故障类别的电信号。 7.根据权利要求5所述的方法， 其中， 所述故障分类模型为lightgbm树分类模型， 所述 样本指标 特征包含多个样本性能指标参数；权　利　要　求　书 1/3 页 2 CN 114330437 A 2所述将各所述部位的样本指标特征输入故障分类模型中进行故障分类， 得到所述样本 远距离输电线各 所述部位在不同时段 下的预测分类标签， 包括： 将各所述部位的样本指标特征输入li ghtgbm树分类模型中进行故障分类， 得到各所述 部位每一样本性能指标参数在不同时段 下的故障检测结果； 根据各所述部位每一样本性 能指标参数在不同时段下的故障检测结果， 得到所述样本 远距离输电线各 所述部位在不同时段 下的预测分类标签。 8.根据权利要求5所述的方法， 其中， 所述样本性能指标包括： 均值、 方差、 局部突刺数 目以及相位抖动幅度中的至少一项。 9.一种故障检测装置， 包括： 信号获取模块， 用于获取待检测远距离 输电线不同部位多个时段 下的电信号； 指标计算模块， 用于针对每一部位， 计算该部位在不同时段下的电信号的性能指标， 得 到该部位对应的性能指标； 特征构造模块， 用于分别构造各 所述部位对应的性能指标的指标 特征； 故障检测模块， 用于基于各所述部位的指标特征， 确定所述待检测远距离输电线的各 所述部位是否发生故障。 10.根据权利要求9所述的装置， 其中， 所述故障检测模块， 具体用于： 将各所述部位的指标特征输入到预先训练 的深度学习模型中， 得到所述待检测远距离 输电线各部位的指定时段下 的故障检测结果； 其中， 预先训练的深度学习模型是根据样本 远距离输电线各部位的样本指标特征， 以及样本电信号的分类标签训练得到的， 所述分类 标签用于表征 所述样本电信号属于正常类别或者故障类别。 11.根据权利要求10所述的装置， 其中， 所述深度学习模型为lightgbm树分类模型， 所 述指标特征包含多个性能指标参数； 所述故障检测模块， 具体用于： 将各所述部位的指标特征输入到预先训练的lightgbm树分类模型中， 得到各所述部位 每一性能指标参数在指定时段下 的故障检测结果； 以及， 根据各所述部位每一性能指标参 数在指定时段下的故障检测结果， 得到所述待检测远距离输电线 各部位的指定时段下的故 障检测结果。 12.根据权利要求9所述的装置， 其中， 所述性能指标包括： 均值、 方差、 局部突刺数目以 及相位抖动幅度中的至少一项。 13.一种故障分类模型的训练装置， 包括： 样本信号获取模块， 用于获取样本远距离输电线不同部位多个时段下的样本电信号， 所述样本电信号具有分类标签， 所述分类标签用于表征所述样本电信号属于正常类别或者 故障类别； 样本指标计算模块， 用于针对每一部位， 计算该部位在不同时段下的样本电信号的样 本性能指标， 得到该部位对应的样本性能指标； 样本特征构造模块， 用于分别构造各 所述部位对应的样本性能指标的样本指标 特征； 样本故障分类模块， 用于将各所述部位的样本指标特征输入故障分类模型中进行故障 分类， 得到所述样本远距离 输电线各 所述部位在不同时段 下的预测分类标签； 分类模型训练模块， 用于根据 所述样本远距离输电线各所述部位在不同时段下的预测权　利　要　求　书 2/3 页 3 CN 114330437 A 3