电缆局部缺陷的调频连续波高精度定位与缺陷严重程度诊断【附代码】

✅ 博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

 ✅ 具体问题可以私信或扫描文章底部二维码。

---

（1）电缆中的潜伏性缺陷是导致电缆故障的主要原因之一，这些缺陷可能包括绝缘材料的老化、机械损伤、水分侵入等。传统的时域反射法（TDR）和时频域反射法（TFDR）虽然在故障定位方面表现出色，但对于电缆内部的微小缺陷检测灵敏度不足，难以满足现代电力系统对电缆健康状态监测的高标准要求。近年来，宽带阻抗谱法（BIS）作为一种频域反射技术，在电缆缺陷定位领域取得了显著进展，它通过测量电缆在宽频带范围内的阻抗变化来识别潜在缺陷。然而，BIS技术也存在一些局限性，例如有效检测距离较短、检测效率低下以及定位精度不足等问题。为了解决这些问题，本研究提出了一种基于步进调频波的波形调制方法，该方法将BIS原有的多次阻抗测量简化为单次电压幅值测量，大大提高了测量效率和测量距离。进一步地，基于步进调频波的技术，我们开发了一种基于调频连续波（FMCW）的波形调制方案，旨在克服步进调频波存在的调制步数限制问题，并将阻抗测量转换为频率测量，增强了抗噪声能力和测量范围。实验验证表明，使用FMCW技术后，测量时间从BIS所需的30分钟缩短至10秒；在20MHz等效带宽条件下，有效测量距离从600米增加到了超过800米，提升了大约33%的有效检测距离。

（2）尽管FMCW技术显著提高了电缆缺陷定位的效率和距离，但在实际应用中仍面临一个挑战：FMCW调制信号中的高频分量衰减速度较快，这会导致等效带宽下降，进而影响定位精度。为解决这一问题，我们提出了一种基于FMCW的分段测量与时域频带合成方法。分段测量技术允许分别独立地测量高低频段的信号，避免了同时测量幅值差异极大的信号导致的系统噪声问题，从而保持较高的等效带宽。时域频带合成则解决了分段测量后信号的拼接难题，通过使用Hilbert算法计算每个分段信号的包络均值，以自身0V为参考点完成各分段信号的幅值对齐，最终实现了时域信号的无缝拼接，形成了连续的宽带频谱。这一方法不仅提高了等效带宽，还减少了0至200米范围内的测量噪声，显著提升了定位分辨率。具体来说，通过将两个25MHz带宽的测量结果合成，获得了等效于50MHz带宽的定位谱，等效带宽翻了一番，有效改善了测量效果。以300米长的带有缺陷的电缆为例进行了测试，结果证明了该方法的有效性。

（3）在将FMCW技术应用于电缆缺陷定位时，另一个关键问题是如何准确地从时域信号转换到频域定位谱，以实现精确定位。传统的快速傅里叶变换（FFT）方法在转换过程中会产生定位误差，这是因为离散频谱的谱线间隔会导致频率分辨率降低。为了解决这个问题，我们借鉴了游标卡尺中主尺与游标双刻度的概念，提出了一种变采样点FFT联合寻峰分析方法及其计算效率优化策略。该方法通过调整FFT算法的计算点数，使得频谱刻度更加精细，从而减小了定位误差。实验结果显示，采用此方法后，定位误差相比传统FFT方法减少了超过50%，并且在计算效率方面也有显著提升——在经过优化策略处理后，12次计算的结果与未优化状态下15000次计算的结果之间的差异小于0.001%。此外，我们还研究了FMCW混频信号经过FFT变换后得到的幅值谱、相位谱、实部谱和虚部谱四种定位诊断函数，发现幅值谱（功率谱）在定位电缆缺陷位置方面具有明显优势。同时，相位谱在评估电缆缺陷严重程度方面显示出更高的灵敏度，特别是对于局部容性缺陷，当电容值变化2%时，相位谱的诊断灵敏度可以从36%提升至71%。对于接头处的阻性、导性及铜屏蔽破损缺陷，相位谱的灵敏度也优于幅值谱，可提升7%至62%的诊断精度。基于相位谱形态的变化趋势，我们还提出了故障类型的判别准则，FMCW相位谱技术将BIS方法对高阻故障的检出灵敏度从2kΩ提高至10kΩ，并将遮蔽区域的比例从40%降低到18.2%以下，显著提高了电缆缺陷检测的准确性和可靠性。

 

import numpy as np
from scipy.signal import hilbert, find_peaks
from scipy.fftpack import fft, ifft

def fmcw_signal_generation(sampling_rate, sweep_time, start_freq, stop_freq):
    """
    生成FMCW信号
    :param sampling_rate: 采样率 (Hz)
    :param sweep_time: 扫描时间 (s)
    :param start_freq: 开始频率 (Hz)
    :param stop_freq: 结束频率 (Hz)
    :return: FMCW信号
    """
    t = np.linspace(0, sweep_time, int(sampling_rate * sweep_time), endpoint=False)
    chirp_rate = (stop_freq - start_freq) / sweep_time
    signal = np.sin(2 * np.pi * (start_freq * t + 0.5 * chirp_rate * t**2))
    return t, signal

def mix_signals(signal1, signal2):
    """
    混频操作
    :param signal1: 第一个信号
    :param signal2: 第二个信号
    :return: 混频后的信号
    """
    mixed_signal = signal1 * signal2
    return mixed_signal

def hilbert_envelope(signal):
    """
    计算信号的希尔伯特包络
    :param signal: 输入信号
    :return: 包络信号
    """
    analytic_signal = hilbert(signal)
    amplitude_envelope = np.abs(analytic_signal)
    return amplitude_envelope

def fmcw_defect_localization(mixed_signal, sampling_rate, start_freq, stop_freq, sweep_time):
    """
    FMCW缺陷定位
    :param mixed_signal: 混频后的信号
    :param sampling_rate: 采样率 (Hz)
    :param start_freq: 开始频率 (Hz)
    :param stop_freq: 结束频率 (Hz)
    :param sweep_time: 扫描时间 (s)
    :return: 缺陷位置 (m)
    """
    # 计算FFT
    N = len(mixed_signal)
    yf = fft(mixed_signal)
    xf = np.linspace(0.0, 1.0/(2.0*(1/sampling_rate)), N//2)
    
    # 寻找峰值
    peaks, _ = find_peaks(np.abs(yf[:N//2]), height=0)
    
    # 选择最大峰值对应的频率
    peak_frequency = xf[peaks[np.argmax(np.abs(yf[peaks]))]]
    
    # 计算缺陷位置
    c = 3e8  # 光速 (m/s)
    defect_position = (c * peak_frequency * sweep_time) / (2 * (stop_freq - start_freq))
    return defect_position

# 示例参数设置
sampling_rate = 1e6  # 1 MHz
sweep_time = 0.1  # 0.1 s
start_freq = 1e6  # 1 MHz
stop_freq = 2e6  # 2 MHz

# 生成FMCW信号
t, fmcw_signal = fmcw_signal_generation(sampling_rate, sweep_time, start_freq, stop_freq)

# 假设有一个反射信号
reflection_delay = 0.05  # 0.05 s
reflected_signal = np.roll(fmcw_signal, int(reflection_delay * sampling_rate))

# 混频操作
mixed_signal = mix_signals(fmcw_signal, reflected_signal)

# 计算希尔伯特包络
envelope = hilbert_envelope(mixed_signal)

# 缺陷定位
defect_position = fmcw_defect_localization(envelope, sampling_rate, start_freq, stop_freq, sweep_time)
print("缺陷位置:", defect_position, "m")