通信用铜包铝合金电缆的性能测试方法及系统

摘要

本发明涉及数据处理技术领域，公开了一种通信用铜包铝合金电缆的性能测试方法及系统，用于提高通信用铜包铝合金电缆的性能测试准确率。包括：对标准化数据进行编码处理得到编码数据集合并进行数据转换，得到时间序列数据并进行平稳性校验，当校验不通过时进行差分处理，得到平稳时间序列数据；构建目标自相关图及目标偏自相关图，对初始ARIMA模型进行阶数分析确定阶数集合；进行模型参数分析，确定目标模型参数并进行模型拟合，得到目标ARIMA模型；进行数据特征提取，得到编码数据特征，进行电缆性能异常分析，得到电缆性能异常分析结果，将编码数据特征输入目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果。

权利要求

1.一种通信用铜包铝合金电缆的性能测试方法，其特征在于，方法包括：采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合；

对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据；

对所述时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果，当所述时间序列平稳性校验结果为不通过时，对所述时间序列数据进行差分处理，得到平稳时间序列数据；

根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图；

通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合；

基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型；

对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果；

通过所述电缆性能异常分析结果以及所述电缆性能趋势预测结果进行性能测试报告生成，得到目标性能测试报告，并将所述目标性能测试报告传输至预置的可视化展示终端进行可视化展示。

2.根据权利要求1所述的通信用铜包铝合金电缆的性能测试方法，其特征在于，所述采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合，包括：采集多个电缆测试传感器的传感器数据，对所述传感器数据进行重复数据去除，得到第一候选传感器数据；

对所述第一候选传感器数据进行缺失值填充，得到第二候选传感器数据；

对所述第二候选传感器数据进行归一化处理，得到标准化数据；

对所述标准化数据进行信号传输频率计算，得到所述标准化数据对应的信号传输频率数据；

对所述标准化数据进行电缆性能参数计算，得到所述标准化数据对应的电缆性能参数；

基于所述信号传输频率数据以及所述电缆性能参数对所述标准化数据进行编码处理，得到所述编码数据集合。

3.根据权利要求1所述的通信用铜包铝合金电缆的性能测试方法，其特征在于，所述对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据，包括：对所述编码数据集合进行时间戳提取，确定所述编码数据集合对应的时间戳集合；

对所述时间戳集合进行时间序列间隔分析，确定所述时间戳集合对应的时间序列间隔；

基于所述时间序列间隔，对所述编码数据集合进行时间序列格式转换，得到所述编码数据集合对应的时间序列数据。

4.根据权利要求1所述的通信用铜包铝合金电缆的性能测试方法，其特征在于，所述根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图，包括：基于预设的滞后阶数集合，对所述平稳时间序列数据进行自相关系数计算，得到自相关系数集合；

对所述滞后阶数集合以及所述自相关系数集合进行配对处理，得到多组自相关数据对，并基于所述多组自相关数据对进行自相关图构建，得到目标自相关图；

基于所述滞后阶数集合，对所述平稳时间序列数据进行偏自相关系数计算，得到偏自相关系数集合；

对所述滞后阶数集合以及所述偏自相关系数集合进行配对处理，得到多组偏自相关数据对，并基于所述多组偏自相关数据对进行自相关图构建，得到目标偏自相关图。

5.根据权利要求1所述的通信用铜包铝合金电缆的性能测试方法，其特征在于，所述通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合，包括：分别对所述目标偏自相关图以及目标自相关图进行形状趋势分析，确定所述目标偏自相关图对应的第一形状趋势以及所述目标自相关图对应的第二形状趋势；

对所述目标偏自相关图进行置信区间分析，确定所述目标偏自相关图对应的第一置信区间；

通过所述第一置信区间对所述目标偏自相关图进行AR阶数提取，得到对应的目标AR阶数集合；

对所述目标自相关图进行置信区间分析，确定所述目标自相关图对应的第二置信区间；

通过所述第二置信区间对所述目标自相关图进行MA阶数提取，得到对应的目标MA阶数集合；

对所述目标偏自相关图以及目标自相关图进行I阶数分析，得到对应的目标I阶数集合；

将所述目标AR阶数集合、所述目标MA阶数集合以及所述目标I阶数集合进行数据合并，得到所述初始ARIMA模型对应的阶数集合。

6.根据权利要求1所述的通信用铜包铝合金电缆的性能测试方法，其特征在于，所述基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型，包括：基于所述阶数集合，通过预置的网格搜索算法对所述初始ARIMA模型的模型参数进行排列组合，得到多组参数集合；

分别对每组所述参数集合进行模型拟合分析，得到每组所述参数集合对应的模型拟合分析结果；

基于预设的排序指标，对每组所述参数集合对应的模型拟合分析结果进行排序，得到排序列表；

基于所述排序列表对所述初始ARIMA模型进行模型参数提取，确定目标模型参数；

将所述目标模型参数以及所述编码数据集合输入所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型。

7.根据权利要求1所述的通信用铜包铝合金电缆的性能测试方法，其特征在于，所述对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果，包括：通过预置的多头注意力模型对所述编码数据集合进行数据特征提取，得到编码数据特征；

通过离群点检测算法对所述编码数据特征进行离群点检测，得到对应的离群点数据；

对所述离群点数据进行数据异常值提取，确定目标数据异常值，并对所述离群点数据进行异常类型分析，确定多个异常类型；

基于所述目标数据异常值以及多个所述异常类型进行电缆性能异常分析，得到所述电缆性能异常分析结果；

将所述编码数据特征输入所述目标ARIMA模型进行特征向量转换，得到目标特征向量；

基于预置的趋势变化映射向量集合，对所述目标特征向量进行向量相似度计算，得到相似度计算结果；

基于所述相似度计算结果对所述编码数据特征进行数据趋势匹配，得到所述电缆性能趋势预测结果。

8.一种通信用铜包铝合金电缆的性能测试系统，其特征在于，所述通信用铜包铝合金电缆的性能测试系统包括：采集模块，用于采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合；

转换模块，用于对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据；

校验模块，用于对所述时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果，当所述时间序列平稳性校验结果为不通过时，对所述时间序列数据进行差分处理，得到平稳时间序列数据；

构建模块，用于根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图；

分析模块，用于通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合；

拟合模块，用于基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型；

提取模块，用于对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果；

生成模块，用于通过所述电缆性能异常分析结果以及所述电缆性能趋势预测结果进行性能测试报告生成，得到目标性能测试报告，并将所述目标性能测试报告传输至预置的可视化展示终端进行可视化展示。

9.一种通信用铜包铝合金电缆的性能测试设备，其特征在于，所述通信用铜包铝合金电缆的性能测试设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述通信用铜包铝合金电缆的性能测试设备执行如权利要求1‑7中任一项所述的通信用铜包铝合金电缆的性能测试方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1‑7中任一项所述的通信用铜包铝合金电缆的性能测试方法。

说明书

通信用铜包铝合金电缆的性能测试方法及系统

技术领域

[0001] 本发明涉及数据处理技术领域，尤其涉及一种通信用铜包铝合金电缆的性能测试方法及系统。

背景技术

[0002] 通信用铜包铝合金电缆在现代通信和电力传输领域中具有广泛的应用。这些电缆在数据传输和能源分发中起着至关重要的作用，因此其性能的可靠性和稳定性对于保障通信和电力系统的正常运行至关重要。然而，电缆在长期使用中会受到环境因素、电气负载、机械应力和其它因素的影响，导致电缆性能出现问题。这些问题包括电阻变化、传输损耗的增加、信号失真、绝缘破损等，这些问题会导致通信中断、数据损失、电力分配问题以及安全隐患。

[0003] 因此，对通信用铜包铝合金电缆的性能进行定期监测和测试变得至关重要。传统的测试方法包括手动检查和测量电缆参数，但这种方法通常不够高效且不具备实时性，无法及时识别潜在问题，进而导致现有方案的准确率低。

发明内容

[0004] 本发明提供了一种通信用铜包铝合金电缆的性能测试方法及系统，用于提高通信用铜包铝合金电缆的性能测试准确率。

[0005] 本发明第一方面提供了一种通信用铜包铝合金电缆的性能测试方法，所述通信用铜包铝合金电缆的性能测试方法包括：

[0006] 采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合；

[0007] 对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据；

[0008] 对所述时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果，当所述时间序列平稳性校验结果为不通过时，对所述时间序列数据进行差分处理，得到平稳时间序列数据；

[0009] 根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图；

[0010] 通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合；

[0011] 基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型；

[0012] 对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果；

[0013] 通过所述电缆性能异常分析结果以及所述电缆性能趋势预测结果进行性能测试报告生成，得到目标性能测试报告，并将所述目标性能测试报告传输至预置的可视化展示终端进行可视化展示。

[0014] 结合第一方面，在本发明第一方面的第一实施方式中，所述采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合，包括：

[0015] 采集多个电缆测试传感器的传感器数据，对所述传感器数据进行重复数据去除，得到第一候选传感器数据；

[0016] 对所述第一候选传感器数据进行缺失值填充，得到第二候选传感器数据；

[0017] 对所述第二候选传感器数据进行归一化处理，得到标准化数据；

[0018] 对所述标准化数据进行信号传输频率计算，得到所述标准化数据对应的信号传输频率数据；

[0019] 对所述标准化数据进行电缆性能参数计算，得到所述标准化数据对应的电缆性能参数；

[0020] 基于所述信号传输频率数据以及所述电缆性能参数对所述标准化数据进行编码处理，得到所述编码数据集合。

[0021] 结合第一方面，在本发明第一方面的第二实施方式中，所述对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据，包括：

[0022] 对所述编码数据集合进行时间戳提取，确定所述编码数据集合对应的时间戳集合；

[0023] 对所述时间戳集合进行时间序列间隔分析，确定所述时间戳集合对应的时间序列间隔；

[0024] 基于所述时间序列间隔，对所述编码数据集合进行时间序列格式转换，得到所述编码数据集合对应的时间序列数据。

[0025] 结合第一方面，在本发明第一方面的第三实施方式中，所述根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图，包括：

[0026] 基于预设的滞后阶数集合，对所述平稳时间序列数据进行自相关系数计算，得到自相关系数集合；

[0027] 对所述滞后阶数集合以及所述自相关系数集合进行配对处理，得到多组自相关数据对，并基于所述多组自相关数据对进行自相关图构建，得到目标自相关图；

[0028] 基于所述滞后阶数集合，对所述平稳时间序列数据进行偏自相关系数计算，得到偏自相关系数集合；

[0029] 对所述滞后阶数集合以及所述偏自相关系数集合进行配对处理，得到多组偏自相关数据对，并基于所述多组偏自相关数据对进行自相关图构建，得到目标偏自相关图。

[0030] 结合第一方面，在本发明第一方面的第四实施方式中，所述通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合，包括：

[0031] 分别对所述目标偏自相关图以及目标自相关图进行形状趋势分析，确定所述目标偏自相关图对应的第一形状趋势以及所述目标自相关图对应的第二形状趋势；

[0032] 对所述目标偏自相关图进行置信区间分析，确定所述目标偏自相关图对应的第一置信区间；

[0033] 通过所述第一置信区间对所述目标偏自相关图进行AR阶数提取，得到对应的目标AR阶数集合；

[0034] 对所述目标自相关图进行置信区间分析，确定所述目标自相关图对应的第二置信区间；

[0035] 通过所述第二置信区间对所述目标自相关图进行MA阶数提取，得到对应的目标MA阶数集合；

[0036] 对所述目标偏自相关图以及目标自相关图进行I阶数分析，得到对应的目标I阶数集合；

[0037] 将所述目标AR阶数集合、所述目标MA阶数集合以及所述目标I阶数集合进行数据合并，得到所述初始ARIMA模型对应的阶数集合。

[0038] 结合第一方面，在本发明第一方面的第五实施方式中，所述基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型，包括：

[0039] 基于所述阶数集合，通过预置的网格搜索算法对所述初始ARIMA模型的模型参数进行排列组合，得到多组参数集合；

[0040] 分别对每组所述参数集合进行模型拟合分析，得到每组所述参数集合对应的模型拟合分析结果；

[0041] 基于预设的排序指标，对每组所述参数集合对应的模型拟合分析结果进行排序，得到排序列表；

[0042] 基于所述排序列表对所述初始ARIMA模型进行模型参数提取，确定目标模型参数；

[0043] 将所述目标模型参数以及所述编码数据集合输入所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型。

[0044] 结合第一方面，在本发明第一方面的第六实施方式中，所述对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果，包括：

[0045] 通过预置的多头注意力模型对所述编码数据集合进行数据特征提取，得到编码数据特征；

[0046] 通过离群点检测算法对所述编码数据特征进行离群点检测，得到对应的离群点数据；

[0047] 对所述离群点数据进行数据异常值提取，确定目标数据异常值，并对所述离群点数据进行异常类型分析，确定多个异常类型；

[0048] 基于所述目标数据异常值以及多个所述异常类型进行电缆性能异常分析，得到所述电缆性能异常分析结果；

[0049] 将所述编码数据特征输入所述目标ARIMA模型进行特征向量转换，得到目标特征向量；

[0050] 基于预置的趋势变化映射向量集合，对所述目标特征向量进行向量相似度计算，得到相似度计算结果；

[0051] 基于所述相似度计算结果对所述编码数据特征进行数据趋势匹配，得到所述电缆性能趋势预测结果。

[0052] 本发明第二方面提供了一种通信用铜包铝合金电缆的性能测试系统，所述通信用铜包铝合金电缆的性能测试系统包括：

[0053] 采集模块，用于采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合；

[0054] 转换模块，用于对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据；

[0055] 校验模块，用于对所述时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果，当所述时间序列平稳性校验结果为不通过时，对所述时间序列数据进行差分处理，得到平稳时间序列数据；

[0056] 构建模块，用于根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图；

[0057] 分析模块，用于通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合；

[0058] 拟合模块，用于基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型；

[0059] 提取模块，用于对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果；

[0060] 生成模块，用于通过所述电缆性能异常分析结果以及所述电缆性能趋势预测结果进行性能测试报告生成，得到目标性能测试报告，并将所述目标性能测试报告传输至预置的可视化展示终端进行可视化展示。

[0061] 本发明第三方面提供了一种通信用铜包铝合金电缆的性能测试设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述通信用铜包铝合金电缆的性能测试设备执行上述的通信用铜包铝合金电缆的性能测试方法。

[0062] 本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的通信用铜包铝合金电缆的性能测试方法。

[0063] 本发明提供的技术方案中，本发明使用传感器数据和自动化分析技术，实现对电缆性能的自动监测和测试，减少了手动测试的工作量，提高了测试效率。通过实时采集和分析传感器数据，能够立即检测到潜在的电缆性能问题，有助于及时采取维护和修复措施，降低了系统停机时间。通过离群点检测和异常类型分析，可以高度敏感地识别电缆性能方面的异常情况，提高了问题的及时性和准确性。通过ARIMA模型和时间序列分析，能够预测电缆性能的未来趋势，帮助规划和预防潜在问题，提高了系统的可靠性。采用多头注意力模型提取数据特征，有助于更全面、深入地理解电缆性能数据，为问题诊断提供更多信息。通过早期识别性能问题和预测性能趋势，可以降低电缆维护的成本，避免了紧急维修和替换的费用。及时检测和处理电缆的性能异常可以降低安全风险，防止电缆问题导致事故和中断。提供了可视化展示终端，通过直观的方式呈现性能测试报告，进而提高了通信用铜包铝合金电缆的性能测试准确率。

附图说明

[0064] 图1为本发明实施例中通信用铜包铝合金电缆的性能测试方法的一个实施例示意图；

[0065] 图2为本发明实施例中对编码数据集合进行数据格式转换的流程图；

[0066] 图3为本发明实施例中根据平稳时间序列数据进行自相关图及偏自相关图构建的流程图；

[0067] 图4为本发明实施例中通过目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析的流程图；

[0068] 图5为本发明实施例中通信用铜包铝合金电缆的性能测试系统的一个实施例示意图；

[0069] 图6为本发明实施例中通信用铜包铝合金电缆的性能测试设备的一个实施例示意图。

具体实施方式

[0070] 本发明实施例提供了一种通信用铜包铝合金电缆的性能测试方法及系统，用于提高通信用铜包铝合金电缆的性能测试准确率。

[0071] 本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0072] 为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中通信用铜包铝合金电缆的性能测试方法的一个实施例包括：

[0073] S101、采集多个电缆测试传感器的传感器数据，对传感器数据进行标准化处理，得到标准化数据，并对标准化数据进行编码处理，得到编码数据集合；

[0074] 可以理解的是，本发明的执行主体可以为通信用铜包铝合金电缆的性能测试系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

[0075] 具体的，安装多个电缆测试传感器，这些传感器可以测量电缆的各种性能参数，例如电阻、电容、传输损耗等。传感器通常以数字或模拟形式输出数据。在采集到传感器数据后，存在一些冗余或重复的数据点，需要进行去重处理，以减少数据集的大小并提高后续处理的效率。去重后得到第一候选传感器数据。传感器数据会因各种原因而存在缺失值，例如传感器故障或通信问题。为了处理这些缺失值，可以使用插值或其他方法进行填充，以得到完整的数据集，即第二候选传感器数据。为了确保不同传感器数据之间具有相同的尺度和单位，需要对第二候选传感器数据进行归一化处理。归一化可以将数据映射到统一的范围，通常是[0,1]或[‑1,1]之间，以便后续处理。根据归一化数据，可以计算信号传输频率数据。这个步骤涉及使用傅立叶变换或其他频域分析方法，以确定电缆信号的频率特性。利用归一化数据，可以计算电缆的性能参数。这些参数包括电阻、电容、传输损耗等。基于信号传输频率数据和电缆性能参数，对归一化数据进行编码处理，以得到编码数据集合。这个编码可以采用多种方法，例如将频率和性能参数映射为二进制编码或使用其他编码技术。

[0076] S102、对编码数据集合进行数据格式转换，得到编码数据集合对应的时间序列数据；

[0077] 具体的，首先从编码数据集合中提取时间戳信息，以确保服务器能够按时间顺序组织数据。时间戳是记录数据采集时间的关键元素。例如，假设服务器有一个编码数据集合，其中包含以下两个数据点和对应的时间戳标识：数据点1：编码值=0.75，时间戳=时间戳1；数据点2：编码值=0.82，时间戳=时间戳2。本实施例中，服务器提取了两个时间戳，标记为时间戳1和时间戳2。这些时间戳表示了数据点采集的时间点。时间序列间隔分析的目标是计算时间戳之间的时间间隔，以确定数据点之间的时间差。这些时间间隔对于了解数据采集的频率和间隔非常重要。例如，时间间隔1：时间戳2－时间戳1；时间间隔2：时间戳3－时间戳2。这些时间间隔可以用来分析数据点之间的时间分布和采样频率。时间序列格式转换是将编码数据集合转化为时间序列数据，每个时间序列数据点都包括时间戳和对应的编码值。这种格式更适合时间序列分析、可视化和预测。例如，服务器将编码数据集合转换为时间序列数据：时间序列数据点1：时间戳=时间戳1，编码值=0.75；时间序列数据点2：时间戳=时间戳2，编码值=0.82；时间序列数据点3：时间戳=时间戳3，编码值=0.68。这种时间序列数据格式便于后续的时间序列分析和性能趋势预测。

[0078] S103、对时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果，当时间序列平稳性校验结果为不通过时，对时间序列数据进行差分处理，得到平稳时间序列数据；

[0079] 具体的，时间序列平稳性是一个关于时间序列数据性质的重要概念。一个平稳的时间序列是指其统计特性在时间上是恒定的，主要包括均值和方差。平稳性序列的均值和方差不会随时间变化，这有助于确保时间序列模型的可靠性。对时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果。通过绘制时间序列数据的图形，观察是否存在明显的趋势、季节性或周期性。计算时间序列数据的均值和方差，并观察它们是否随时间发生显著变化。使用单位根检验（如ADF检验、KPSS检验等）来确定时间序列数据是否具有单位根，从而判断平稳性。通过计算滚动均值和滚动方差，观察它们是否随时间变化，从而检查平稳性。如果时间序列数据通过这些检验，可以认为它是平稳的。但如果不通过平稳性校验，就需要进行差分处理。差分处理是一种常用的技术，用于将非平稳时间序列转化为平稳时间序列。差分的基本思想是计算时间序列中相邻观测值之间的差异，以消除趋势和季节性成分。差分处理的步骤如下：一阶差分：计算每个时间点与前一个时间点的差异；二阶差分：对一阶差分的结果再进行一次差分，可以用于处理更复杂的非平稳性；季节性差分：如果数据存在季节性模式，可以计算每个时间点与同一季节上一年的时间点之间的差异。通过差分处理，可以使时间序列数据满足平稳性的要求，从而更容易应用于时间序列模型，如ARIMA模型（差分整合移动平均自回归模型）。

[0080] S104、根据平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图；

[0081] 具体的，需要确定一组预设的滞后阶数，这些阶数代表了考虑的时间滞后。通常，可以选择一系列整数，例如[1,2,3,4,5]，表示希望分析的滞后阶数。对于每个预设的滞后阶数，需要计算时间序列与其自身在该滞后阶数下的自相关系数。自相关系数是一个度量两个时间点之间相关性的统计量。服务器使用相关性函数（correlation function）来计算这些系数。一旦获得自相关系数，需要将滞后阶数和对应的自相关系数进行配对处理，形成多组自相关数据对。每一组数据对包括一个滞后阶数和相应的自相关系数。将滞后阶数作为横轴，自相关系数作为纵轴，使用这些数据对绘制自相关图。自相关图将显示出不同滞后阶数下的自相关性程度。通常，自相关系数在滞后阶数为0时等于1，然后在不同的滞后阶数下逐渐减小。偏自相关图显示时间序列与其自身在给定滞后阶数下的偏自相关性。选择预设的滞后阶数集合，与自相关图类似，需要选择一组预设的滞后阶数，这些阶数代表了服务器考虑的时间滞后。对于每个预设的滞后阶数，需要计算时间序列与其自身在该滞后阶数下的偏自相关系数。偏自相关系数是一种度量，在考虑其他滞后阶数的影响后，两个时间点之间的相关性程度。通常，服务器使用偏自相关函数（partial autocorrelation function）来计算这些系数。类似于自相关图，需要将滞后阶数和相应的偏自相关系数进行配对处理，形成多组偏自相关数据对。将滞后阶数作为横轴，偏自相关系数作为纵轴，使用这些数据对绘制偏自相关图。偏自相关图将显示出不同滞后阶数下的偏自相关性程度。通常，偏自相关系数在滞后阶数为0时等于1，然后在不同的滞后阶数下逐渐减小。这些自相关图和偏自相关图提供了关于时间序列数据内在结构的重要见解。通过分析这些图形，可以确定时间序列中的自相关性和偏自相关性，从而有助于选择适当的时间序列模型，例如ARIMA模型。这些模型可以更好地理解通信用铜包铝合金电缆性能数据的变化趋势，生成准确的性能测试报告，确保通信和电力系统的正常运行。

[0082] S105、通过目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定初始ARIMA模型对应的阶数集合；

[0083] 具体的，对目标偏自相关图和目标自相关图进行形状趋势分析，这是为了确定它们的形状特征。形状趋势分析可以帮助识别自相关图和偏自相关图中的重要信息。通过观察目标偏自相关图，识别其中的第一形状趋势。这可以是任何在图形中可见的规律性形状，例如衰减或周期性变化。同样，通过观察目标自相关图，识别其中的第二形状趋势。这个形状趋势与目标偏自相关图的形状趋势不同。对目标偏自相关图和目标自相关图进行置信区间分析，以确定置信区间，这有助于提取AR和MA阶数。根据目标偏自相关图，计算出第一置信区间。这个置信区间表示偏自相关系数的波动范围，通常在图形中以虚线或阴影区域显示。利用第一置信区间，确定AR阶数集合。AR阶数表示在目标偏自相关图中超过第一置信区间的滞后阶数。同样，根据目标自相关图，计算出第二置信区间。这个置信区间表示自相关系数的波动范围。利用第二置信区间，确定MA阶数集合。MA阶数表示在目标自相关图中超过第二置信区间的滞后阶数。进行I阶数分析以确定目标I阶数集合。I阶数表示使时间序列平稳所需的差分次数。通常，I阶数可以通过观察时间序列的趋势和季节性来确定。例如，假设有一组通信用铜包铝合金电缆的性能测试数据，服务器根据目标偏自相关图和目标自相关图确定适当的ARIMA模型。在目标偏自相关图中，服务器观察到一个明显的衰减趋势，这是第一形状趋势。在目标自相关图中，服务器观察到周期性变化，这是第二形状趋势。服务器计算第一置信区间和第二置信区间，并从目标偏自相关图中提取AR阶数集合，从目标自相关图中提取MA阶数集合。通过观察时间序列的趋势和季节性，服务器确定了I阶数集合。将AR阶数集合、MA阶数集合和I阶数集合合并，得到了适用于通信用铜包铝合金电缆性能数据的初始ARIMA模型的阶数集合。这些阶数将用于建立ARIMA模型，进一步分析性能数据和生成性能测试报告。

[0084] S106、基于阶数集合，对初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过目标模型参数对初始ARIMA模型进行模型拟合，得到目标ARIMA模型；

[0085] 具体的，基于预设的阶数集合，使用网格搜索算法生成多组参数集合。ARIMA模型的参数通常包括AR阶数（p）、差分阶数（d）、MA阶数（q）以及季节性AR阶数（P）、季节性差分阶数（D）、季节性MA阶数（Q）等。对于每个参数，可以预设一组的取值范围，然后使用网格搜索算法排列组合这些取值，生成多组参数集合。对于每组参数集合，分别对初始ARIMA模型进行模型拟合分析。使用这些参数来建立ARIMA模型，并将模型应用于性能测试数据。模型拟合分析的目标是评估模型对数据的拟合程度，通常使用拟合指标（如均方根误差RMSE或残差平方和SSR）来衡量模型的性能。基于预设的排序指标（通常是拟合指标的值，如RMSE或SSR），对每组参数集合对应的模型拟合分析结果进行排序，得到一个排列列表。排列列表将模型拟合分析结果按照性能从最好到最差的顺序排列。根据排序列表，选择具有最佳性能的参数组合作为目标模型参数。这可以是列表中拟合指标值最低（最好）的参数组合。目标模型参数包括了AR阶数、差分阶数、MA阶数、季节性AR阶数、季节性差分阶数和季节性MA阶数等参数。使用确定的目标模型参数将这些参数应用于初始ARIMA模型，并进行模型拟合，建立一个最佳拟合性能测试数据的ARIMA模型。这个目标ARIMA模型可以用于分析性能数据、生成性能测试报告以及预测电缆性能的趋势。例如，假设有一组通信用铜包铝合金电缆的性能测试数据，服务器预设了AR阶数的范围为[1,2]，差分阶数的范围为[0,1]，MA阶数的范围为[1,2]。服务器使用网格搜索算法生成了多组参数集合。对于每组参数集合，服务器建立ARIMA模型并应用于性能测试数据。根据拟合指标（例如RMSE）对模型拟合分析结果进行排序，得到一个排序列表。在排序列表中，服务器选择了具有最低RMSE值的参数组合作为目标模型参数。假设选择的参数组合是(p=2,d=1,q=1)，则服务器将这些参数应用于初始ARIMA模型，得到目标ARIMA模型。最终，这个目标ARIMA模型可以用于进一步分析性能数据、生成性能测试报告，并预测通信用铜包铝合金电缆的性能趋势。这个模型的参数是经过优化的，能够更好地拟合性能测试数据。

[0086] S107、对编码数据集合进行数据特征提取，得到编码数据特征，基于编码数据特征对编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将编码数据特征输入目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果；

[0087] 具体的，服务器对编码数据集合进行数据特征提取，以获取描述性能数据的有用特征。这可以通过预置的多头注意力模型来完成。多头注意力模型是一种深度学习模型，可以学习数据中的重要特征。它包含多个注意力头，每个头关注数据的不同方面，从而捕捉多种特征通过将编码数据集合输入多头注意力模型，可以提取出表示性能数据的编码数据特征。服务器使用离群点检测算法对编码数据特征进行离群点检测。离群点是与正常数据明显不同的数据点，表示电缆性能的异常。离群点检测算法可以识别数据中的离群点，并将其标记为潜在的异常。通过对编码数据特征进行离群点检测，服务器得到离群点数据，这些数据包含电缆性能异常的迹象。对于检测到的离群点数据，服务器进行异常值提取和异常类型分析。异常值提取涉及从离群点数据中识别出目标数据异常值。这些异常值代表了电缆性能的具体问题。异常类型分析是对异常值进行分类，确定多个异常类型。这有助于更精确地理解电缆性能问题的性质。在确定了异常值和异常类型后，进行电缆性能异常分析。这个分析将异常值与异常类型关联起来，以确定电缆性能是否受到特定类型的问题影响。电缆性能异常分析结果将提供关于性能问题的详细信息，例如异常出现的频率、持续时间等。服务器将编码数据特征输入到预置的ARIMA模型中，用于性能变化趋势预测。编码数据特征充当输入，ARIMA模型用于分析性能数据的历史趋势和模式。预测结果是电缆性能的未来变化趋势，包括的异常情况。例如，假设服务器使用多头注意力模型从通信用铜包铝合金电缆的性能测试数据中提取了编码数据特征。服务器使用离群点检测算法检测到了一些离群点数据，这些数据代表电缆性能的异常情况。服务器从离群点数据中提取了异常值，并进行了异常类型分析，得出了多个异常类型，例如电阻异常、传输损耗异常等。服务器进行电缆性能异常分析，将异常值与异常类型关联，以确定性能问题的性质和影响。服务器将编码数据特征输入到ARIMA模型中，用于性能变化趋势预测。这个模型可以帮助服务器预测电缆性能的未来趋势，包括的异常情况，从而采取适当的措施来维护和修复电缆。这一整套流程有助于提高通信用铜包铝合金电缆的可靠性和稳定性。

[0088] S108、通过电缆性能异常分析结果以及电缆性能趋势预测结果进行性能测试报告生成，得到目标性能测试报告，并将目标性能测试报告传输至预置的可视化展示终端进行可视化展示。

[0089] 需要说明的是，从电缆性能异常分析中收集并整合各种异常情况的结果。这包括异常值的位置、异常类型、异常的起始时间和结束时间等信息。这些数据将用于生成性能测试报告中的异常部分。将电缆性能趋势预测的结果整理成易于理解和呈现的形式。这包括性能参数的图表、趋势分析、预测结果的数据表格等。这些数据将用于报告的趋势分析部分。设计性能测试报告的模板，包括标题、页眉、页脚、目录、正文和图表。在报告模板中编写正文部分，包括以下内容：电缆性能异常分析结果：描述检测到的异常情况、异常类型和异常的影响。可以使用文字描述、表格或图表来呈现；性能趋势预测结果：呈现性能参数的历史趋势和预测趋势。使用图表和数据表格来支持分析；建议和解决方案：提供针对检测到的异常情况的建议和解决方案。这可以包括维护措施、修复计划和改进建议。生成用于呈现异常情况和趋势分析的图表和图形。这些图表应该清晰地传达信息，例如异常的位置、性质和趋势的预测。准备预置的可视化展示终端，确保它具备显示性能测试报告的能力。这可以是一个数据可视化平台、报告阅读应用程序或Web界面。使用生成的模板、文本内容和图表，将性能测试报告生成为电子文档（通常是PDF格式）。将生成的报告传输至预置的可视化展示终端。在可视化展示终端上打开性能测试报告，确保报告在可视化界面上正确呈现。可以与相关利益相关者共享报告，如管理层、维护团队和决策者。例如，假设在通信用铜包铝合金电缆的性能测试中，服务器检测到了一个电缆部分的异常情况，其中电阻值异常升高，导致信号传输问题。服务器还预测到了未来几个月内电阻值继续上升的趋势。在性能测试报告中，服务器将呈现以下内容：异常情况的文字描述和图表，包括异常的位置和类型；电阻值的历史趋势图和预测图表，以及趋势分析数据表格；针对异常的建议和解决方案，包括建议进行电缆检修和维护。服务器将报告生成为PDF文档，并传输至预置的可视化展示终端。在展示终端上，用户可以打开报告，查看异常情况和趋势分析，并与团队共享报告，以采取适当的措施来处理电缆性能问题。这个过程有助于保障通信用铜包铝合金电缆的可靠性和稳定性，确保正常运行。

[0090] 本发明实施例中，使用传感器数据和自动化分析技术，实现对电缆性能的自动监测和测试，减少了手动测试的工作量，提高了测试效率。通过实时采集和分析传感器数据，能够立即检测到潜在的电缆性能问题，有助于及时采取维护和修复措施，降低了系统停机时间。通过离群点检测和异常类型分析，可以高度敏感地识别电缆性能方面的异常情况，提高了问题的及时性和准确性。通过ARIMA模型和时间序列分析，能够预测电缆性能的未来趋势，帮助规划和预防潜在问题，提高了系统的可靠性。采用多头注意力模型提取数据特征，有助于更全面、深入地理解电缆性能数据，为问题诊断提供更多信息。通过早期识别性能问题和预测性能趋势，可以降低电缆维护的成本，避免了紧急维修和替换的费用。及时检测和处理电缆的性能异常可以降低安全风险，防止电缆问题导致事故和中断。提供了可视化展示终端，通过直观的方式呈现性能测试报告，进而提高了通信用铜包铝合金电缆的性能测试准确率。

[0091] 在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

[0092] （1）采集多个电缆测试传感器的传感器数据，对传感器数据进行重复数据去除，得到第一候选传感器数据；

[0093] （2）对第一候选传感器数据进行缺失值填充，得到第二候选传感器数据；

[0094] （3）对第二候选传感器数据进行归一化处理，得到标准化数据；

[0095] （4）对标准化数据进行信号传输频率计算，得到标准化数据对应的信号传输频率数据；

[0096] （5）对标准化数据进行电缆性能参数计算，得到标准化数据对应的电缆性能参数；

[0097] （6）基于信号传输频率数据以及电缆性能参数对标准化数据进行编码处理，得到编码数据集合。

[0098] 具体的，从多个电缆测试传感器中采集数据。这些传感器包括电阻、电流、电压、温度传感器等，用于监测电缆的各种性能参数。在采集的传感器数据中，会存在重复的数据点，这些数据点对性能分析没有附加价值。因此，需要对传感器数据进行去重操作。例如，假设服务器从电阻传感器采集了一组数据，其中包含多次相同数值的数据点。在去重操作后，服务器只保留一个该数值的数据点，以减少数据冗余。传感器数据中存在缺失值，这些缺失值需要进行填充，以确保数据完整性和准确性。例如，在电流传感器的数据中，某一时间点的数据未被记录。通过插值或其他方法，可以填充该时间点的数据，以保持数据的连续性。不同传感器具有不同的测量范围和单位，为了能够比较它们并进行后续的分析，需要对数据进行归一化处理，将其转换为相同的尺度。例如，假设服务器有两个传感器，一个测量电压，另一个测量温度。它们的测量范围分别为0‑5V和0‑100摄氏度。通过归一化处理，服务器将它们都映射到0‑1的范围内，以便进行比较。对于电缆性能分析，了解信号传输的频率非常重要。可以通过对标准化数据进行频谱分析或计算来获取信号传输频率数据。例如，从电缆传感器中收集的电压数据包含不同频率的信号成分。通过傅立叶变换或其他频谱分析方法，可以得到不同频率分量的振幅和频率信息。根据传感器数据，可以计算出各种电缆性能参数，例如电阻、电导、传输损耗、信噪比等。例如，基于电流和电压传感器的数据，可以计算电缆的电阻值。此外，通过分析信号传输前后的信噪比，可以评估电缆的传输质量。可以根据信号传输频率数据和电缆性能参数对标准化数据进行编码处理，以便进一步的分析和建模。例如，使用编码算法，可以将标准化数据转换为一组数字或编码，以便在后续分析中使用。这可以帮助服务器更好地理解电缆性能与传感器数据之间的关系。

[0099] 在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

[0100] S201、对编码数据集合进行时间戳提取，确定编码数据集合对应的时间戳集合；

[0101] S202、对时间戳集合进行时间序列间隔分析，确定时间戳集合对应的时间序列间隔；

[0102] S203、基于时间序列间隔，对编码数据集合进行时间序列格式转换，得到编码数据集合对应的时间序列数据。

[0103] 需要说明的是，时间戳提取是将编码数据集合中的时间信息分离出来的过程。时间戳通常用于记录每个数据点的时间标签，以便后续分析。在编码数据集合中，每个数据点应包含一个时间戳，以便标识数据采集的时间点。时间戳的格式通常是标准的日期和时间格式。时间序列间隔分析涉及计算时间戳集合中连续时间戳之间的时间间隔。这些时间间隔可以提供有关数据点之间时间关系的重要信息。将时间戳按照时间顺序排序，以确保时间序列的正确顺序。计算相邻时间戳之间的时间差，得到时间序列间隔。时间序列格式转换是将编码数据集合转换为时间序列数据的关键步骤。在这一步骤中，将原始数据与其对应的时间戳或时间序列间隔进行关联，创建时间序列数据。时间序列数据通常以表格或矩阵的形式组织，每行代表一个时间序列数据点，包括数据值和时间信息。时间序列数据的创建可以通过将编码数据与时间戳或时间序列间隔进行合并来实现。

[0104] 在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：

[0105] S301、基于预设的滞后阶数集合，对平稳时间序列数据进行自相关系数计算，得到自相关系数集合；

[0106] S302、对滞后阶数集合以及自相关系数集合进行配对处理，得到多组自相关数据对，并基于多组自相关数据对进行自相关图构建，得到目标自相关图；

[0107] S303、基于滞后阶数集合，对平稳时间序列数据进行偏自相关系数计算，得到偏自相关系数集合；

[0108] S304、对滞后阶数集合以及偏自相关系数集合进行配对处理，得到多组偏自相关数据对，并基于多组偏自相关数据对进行自相关图构建，得到目标偏自相关图。

[0109] 需要说明的是，服务器进行自相关系数计算。自相关系数衡量了时间序列数据点与其滞后值之间的相关性。为了进行自相关分析，服务器首先要选择一个预设的滞后阶数集合。这些滞后阶数代表时间序列数据中的时间间隔。对于每个滞后阶数，服务器计算时间序列数据与相应滞后阶数后的数据的相关性。这通常使用常见的相关性计算方法，如皮尔逊相关系数或斯皮尔曼相关系数来完成。这个过程将得到一组自相关系数，反映了不同滞后阶数下的自相关性。自相关系数越高，表示时间序列数据在该滞后阶数下的相关性越强。服务器进行多组自相关数据对的配对处理。将滞后阶数集合与自相关系数集合进行关联，以形成多组自相关数据对。每个数据对包括一个滞后阶数和对应的自相关系数值。这些数据对将有助于后续的自相关图构建。自相关图的目的是将自相关系数可视化，以便更好地理解时间序列数据的自相关性。在自相关图中，横轴表示滞后阶数，纵轴表示自相关系数的值。通过绘制自相关系数与滞后阶数的图表，服务器直观地看到时间序列数据在不同滞后阶数下的自相关性。自相关图通常以柱状图或折线图的形式展示，其中每根柱子或折线代表一个滞后阶数的自相关系数。类似地，服务器进行偏自相关系数的计算和分析。偏自相关系数是一种可以帮助识别时间序列数据中潜在趋势的统计指标。它衡量了时间序列数据点与其滞后值之间的相关性，同时消除了其他滞后值的影响。偏自相关系数的计算方法与自相关系数类似，但偏自相关系数反映了时间序列数据点与其滞后值之间的直接关系，而不受其他滞后值的影响。多组偏自相关数据对的配对处理与自相关数据类似，将偏自相关系数与其对应的滞后阶数进行配对处理，以形成多组偏自相关数据对。这些数据对将用于构建偏自相关图，以可视化时间序列数据的偏自相关性。偏自相关图的构建方式与自相关图相似，横轴表示滞后阶数，纵轴表示偏自相关系数的值。通过绘制偏自相关系数与滞后阶数的图表，服务器更好地理解时间序列数据的偏自相关性。通过自相关和偏自相关分析，服务器深入了解时间序列数据中的潜在模式、周期性和趋势，为电缆性能测试提供了有力的支持。这些分析结果可以帮助服务器预测和解释时间序列数据的行为，从而更好地理解通信用铜包铝合金电缆的性能。

[0110] 在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：

[0111] S401、分别对目标偏自相关图以及目标自相关图进行形状趋势分析，确定目标偏自相关图对应的第一形状趋势以及目标自相关图对应的第二形状趋势；

[0112] S402、对目标偏自相关图进行置信区间分析，确定目标偏自相关图对应的第一置信区间；

[0113] S403、通过第一置信区间对目标偏自相关图进行AR阶数提取，得到对应的目标AR阶数集合；

[0114] S404、对目标自相关图进行置信区间分析，确定目标自相关图对应的第二置信区间；

[0115] S405、通过第二置信区间对目标自相关图进行MA阶数提取，得到对应的目标MA阶数集合；

[0116] S406、对目标偏自相关图以及目标自相关图进行I阶数分析，得到对应的目标I阶数集合；

[0117] S407、将目标AR阶数集合、目标MA阶数集合以及目标I阶数集合进行数据合并，得到初始ARIMA模型对应的阶数集合。

[0118] 具体的，服务器从目标偏自相关图和目标自相关图中提取形状趋势信息。这些趋势帮助服务器识别时间序列数据中的周期性和趋势性模式。形状趋势分析涉及观察目标偏自相关图和目标自相关图，以识别出它们的形状趋势。这可以包括自相关系数在不同滞后阶数下的上升、下降或保持稳定等趋势。例如，如果自相关系数在某个滞后阶数后迅速下降，这说明数据存在季节性模式。服务器进行置信区间分析，以确定ARIMA模型的阶数。置信区间提供了对自相关系数和偏自相关系数的统计显著性的度量。这些区间可以帮助服务器确定哪些滞后阶数是显著的，从而确定AR和MA阶数。对于目标偏自相关图，服务器进行置信区间分析，以确定哪些滞后阶数的偏自相关系数在置信区间内。如果某个滞后阶数的偏自相关系数超出了置信区间，那么这个滞后阶数是显著的。类似地，对于目标自相关图，服务器进行置信区间分析，以确定哪些滞后阶数的自相关系数在置信区间内。服务器将提取的AR、MA和I阶数集合合并在一起，以得到初始ARIMA模型的阶数集合。这个阶数集合将作为ARIMA模型的参数，用于进一步的模型拟合和性能测试。

[0119] 在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

[0120] （1）基于阶数集合，通过预置的网格搜索算法对初始ARIMA模型的模型参数进行排列组合，得到多组参数集合；

[0121] （2）分别对每组参数集合进行模型拟合分析，得到每组参数集合对应的模型拟合分析结果；

[0122] （3）基于预设的排序指标，对每组参数集合对应的模型拟合分析结果进行排序，得到排序列表；

[0123] （4）基于排序列表对初始ARIMA模型进行模型参数提取，确定目标模型参数；

[0124] （5）将目标模型参数以及编码数据集合输入初始ARIMA模型进行模型拟合，得到目标ARIMA模型。

[0125] 具体的，服务器基于阶数集合，使用预置的网格搜索算法，对初始ARIMA模型的模型参数进行排列组合。这些模型参数通常包括AR（自回归）阶数、I（差分整合）阶数和MA（移动平均）阶数。例如，服务器尝试不同的AR阶数、I阶数和MA阶数的组合，形成多组参数集合。针对每组参数集合，服务器分别进行模型拟合分析。服务器将选定的ARIMA模型应用于时间序列数据，并根据选定的参数进行模型拟合。这将产生每组参数集合对应的模型拟合分析结果，包括模型拟合误差、残差等信息。服务器预设排序指标，以评估每组参数集合对应的模型拟合分析结果。这些排序指标可以是拟合误差的均方根误差（RMSE）、拟合残差的平均值、模型拟合的AIC（赤池信息准则）或BIC（贝叶斯信息准则）等。这些指标有助于衡量模型对时间序列数据的拟合质量。基于排序指标，服务器对每组参数集合的模型拟合分析结果进行排序，得到一个排序列表。通常情况下，服务器会选择排名最高（即指标最佳）的一组参数集合，作为目标模型参数。这些参数将用于构建目标ARIMA模型。接着，服务器将这些参数与编码数据集合一起输入初始ARIMA模型中。服务器使用这个目标ARIMA模型来进行时间序列数据的拟合，以生成最终的ARIMA模型。例如，假设服务器有一组包含不同AR阶数、I阶数和MA阶数的参数组合。对于每个组合，服务器应用ARIMA模型于电缆性能时间序列数据，然后计算RMSE作为排序指标。排名最佳的参数组合将被选为目标模型参数。服务器使用这些参数构建ARIMA模型，对电缆性能数据进行拟合和预测。

[0126] 在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：

[0127] （1）通过预置的多头注意力模型对编码数据集合进行数据特征提取，得到编码数据特征；

[0128] （2）通过离群点检测算法对编码数据特征进行离群点检测，得到对应的离群点数据；

[0129] （3）对离群点数据进行数据异常值提取，确定目标数据异常值，并对离群点数据进行异常类型分析，确定多个异常类型；

[0130] （4）基于目标数据异常值以及多个所述异常类型进行电缆性能异常分析，得到电缆性能异常分析结果；

[0131] （5）将编码数据特征输入目标ARIMA模型进行特征向量转换，得到目标特征向量；

[0132] （6）基于预置的趋势变化映射向量集合，对目标特征向量进行向量相似度计算，得到相似度计算结果；

[0133] （7）基于相似度计算结果对编码数据特征进行数据趋势匹配，得到电缆性能趋势预测结果。

[0134] 具体的，服务器使用预置的多头注意力模型对编码数据集合进行数据特征提取。这可以通过深度学习模型来实现，该模型能够自动学习和捕捉数据中的重要特征。提取的特征将帮助服务器更好地理解电缆性能数据。服务器使用离群点检测算法对编码数据特征进行离群点检测。离群点是与大多数数据不同的数据点，表示电缆性能中的异常情况。常见的离群点检测算法包括Z‑Score、Isolation Forest、DBSCAN等。这些算法可以帮助服务器识别潜在的异常数据点。记者，服务器对这些数据进行异常值提取，以确定目标数据异常值。同时，服务器进行异常类型分析，以确定不同类型的异常。这些异常类型可以包括电阻变化、传输损耗增加、信号失真等。基于目标数据异常值和异常类型信息，服务器进行电缆性能异常分析。这将帮助服务器深入了解异常数据对电缆性能的影响，以及这些异常是否需要采取行动来修复或改进电缆性能。服务器将编码数据特征输入到目标ARIMA模型中进行特征向量转换。这个步骤有助于将深度学习提取的数据特征与ARIMA模型相结合，以更好地进行性能趋势预测。服务器使用预置的趋势变化映射向量集合，对目标特征向量进行向量相似度计算。这将帮助服务器确定当前的特征向量与以往的特征向量之间的相似程度，从而识别出数据的趋势变化。基于相似度计算结果，服务器对编码数据特征进行数据趋势匹配，以得到电缆性能趋势预测结果。这个结果将反映出电缆性能在未来的预期变化趋势，有助于提前采取措施来维护或改进电缆性能。例如，假设服务器使用多头注意力模型提取了编码数据的特征，并使用Isolation Forest算法检测到一些离群点。通过对这些离群点进行异常值提取和异常类型分析，服务器确定了其中一些是由于电阻变化引起的，而另一些是由于传输损耗增加引起的。随后，服务器将特征向量输入ARIMA模型，并计算特征向量与以前数据的相似度。如果相似度较高，说明电缆性能趋势保持不变，如果相似度较低，说明存在性能变化趋势。这个信息将有助于及时采取适当的措施来应对电缆性能的变化。

[0135] 通过以上步骤，通过离群点检测和异常类型分析，可以高度敏感地识别电缆性能方面的异常情况，提高了问题的及时性和准确性。通过ARIMA模型和时间序列分析，能够预测电缆性能的未来趋势，帮助规划和预防潜在问题，提高了系统的可靠性。采用多头注意力模型提取数据特征，有助于更全面、深入地理解电缆性能数据，为问题诊断提供更多信息。通过早期识别性能问题和预测性能趋势，可以降低电缆维护的成本，避免了紧急维修和替换的费用。

[0136] 上面对本发明实施例中通信用铜包铝合金电缆的性能测试方法进行了描述，下面对本发明实施例中通信用铜包铝合金电缆的性能测试系统进行描述，请参阅图5，本发明实施例中通信用铜包铝合金电缆的性能测试系统一个实施例包括：

[0137] 采集模块501，用于采集多个电缆测试传感器的传感器数据，对所述传感器数据进行标准化处理，得到标准化数据，并对所述标准化数据进行编码处理，得到编码数据集合；

[0138] 转换模块502，用于对所述编码数据集合进行数据格式转换，得到所述编码数据集合对应的时间序列数据；

[0139] 校验模块503，用于对所述时间序列数据进行时间序列平稳性校验，得到时间序列平稳性校验结果，当所述时间序列平稳性校验结果为不通过时，对所述时间序列数据进行差分处理，得到平稳时间序列数据；

[0140] 构建模块504，用于根据所述平稳时间序列数据进行自相关图及偏自相关图构建，得到目标偏自相关图以及目标自相关图；

[0141] 分析模块505，用于通过所述目标偏自相关图以及目标自相关图对预置的初始ARIMA模型进行阶数分析，确定所述初始ARIMA模型对应的阶数集合；

[0142] 拟合模块506，用于基于所述阶数集合，对所述初始ARIMA模型进行模型参数分析，确定目标模型参数，并通过所述目标模型参数对所述初始ARIMA模型进行模型拟合，得到目标ARIMA模型；

[0143] 提取模块507，用于对所述编码数据集合进行数据特征提取，得到编码数据特征，基于所述编码数据特征对所述编码数据集合进行电缆性能异常分析，得到电缆性能异常分析结果，并将所述编码数据特征输入所述目标ARIMA模型进行性能变化趋势预测，得到电缆性能趋势预测结果；

[0144] 生成模块508，用于通过所述电缆性能异常分析结果以及所述电缆性能趋势预测结果进行性能测试报告生成，得到目标性能测试报告，并将所述目标性能测试报告传输至预置的可视化展示终端进行可视化展示。

[0145] 通过上述各个组成部分的协同合作，使用传感器数据和自动化分析技术，实现对电缆性能的自动监测和测试，减少了手动测试的工作量，提高了测试效率。通过实时采集和分析传感器数据，能够立即检测到潜在的电缆性能问题，有助于及时采取维护和修复措施，降低了系统停机时间。通过离群点检测和异常类型分析，可以高度敏感地识别电缆性能方面的异常情况，提高了问题的及时性和准确性。通过ARIMA模型和时间序列分析，能够预测电缆性能的未来趋势，帮助规划和预防潜在问题，提高了系统的可靠性。采用多头注意力模型提取数据特征，有助于更全面、深入地理解电缆性能数据，为问题诊断提供更多信息。通过早期识别性能问题和预测性能趋势，可以降低电缆维护的成本，避免了紧急维修和替换的费用。及时检测和处理电缆的性能异常可以降低安全风险，防止电缆问题导致事故和中断。提供了可视化展示终端，通过直观的方式呈现性能测试报告，进而提高了通信用铜包铝合金电缆的性能测试准确率。

[0146] 上面图5从模块化功能实体的角度对本发明实施例中的通信用铜包铝合金电缆的性能测试系统进行详细描述，下面从硬件处理的角度对本发明实施例中通信用铜包铝合金电缆的性能测试设备进行详细描述。

[0147] 图6是本发明实施例提供的一种通信用铜包铝合金电缆的性能测试设备的结构示意图，该通信用铜包铝合金电缆的性能测试设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对通信用铜包铝合金电缆的性能测试设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在通信用铜包铝合金电缆的性能测试设备600上执行存储介质630中的一系列指令操作。

[0148] 通信用铜包铝合金电缆的性能测试设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的通信用铜包铝合金电缆的性能测试设备结构并不构成对通信用铜包铝合金电缆的性能测试设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

[0149] 本发明还提供一种通信用铜包铝合金电缆的性能测试设备，所述通信用铜包铝合金电缆的性能测试设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述通信用铜包铝合金电缆的性能测试方法的步骤。

[0150] 本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述通信用铜包铝合金电缆的性能测试方法的步骤。

[0151] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0152] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或通过时，可以存储在一个计算机可读取存储介质中。基于的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read‑only memory， ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

[0153] 以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。