基于多维特征量的航空串联故障电弧检测
基于st-svd-pca的串联故障电弧特征提取方法
基于st-svd-pca的串联故障电弧特征提取方法引言：随着电力系统的发展，故障电弧在电力设备中的出现频率逐渐增加。
电弧故障不仅会造成设备的损坏，还会引发火灾和人员伤亡。
因此，及时准确地检测和识别故障电弧对于电力系统的安全运行至关重要。
本文提出一种基于ST-SVD-PCA的串联故障电弧特征提取方法，可以有效地提取故障电弧的特征，实现故障电弧的准确检测和识别。
1.ST-SVD-PCA的基本原理（1）数据采集：首先需要采集电力设备中的电流或电压信号，可以使用传感器实时采集数据。
为了提高特征提取的准确性，建议采集多路信号，如三相电流信号。
（2）数据预处理：对采集得到的原始数据进行预处理，包括滤波、降噪等。
可以使用滤波器对数据进行平滑处理，去除噪声影响。
（3）数据分段：将预处理后的数据分成多个段，每个段的长度应适当，一般为数十个周期。
这样可以保证每个段内的数据处于同一工作状态，有利于特征提取。
（4）ST-SVD分解：对每个数据段进行ST-SVD分解，得到信号的频谱分量。
ST-SVD可以将信号分解为多个频谱分量，其中包括主特征分量和次特征分量。
主特征分量是信号中最重要的成分，次特征分量是信号中次重要的成分。
（5）PCA降维：对ST-SVD分解得到的特征分量进行PCA降维。
由于ST-SVD分解得到的特征分量可能维度很高，为了降低计算复杂度和提高分类准确性，可以使用PCA将特征分量降维到较低的维度。
（6）特征提取：从降维后的特征分量中提取故障电弧的特征。
可以使用统计量、能量、相关系数等方法来提取特征。
（7）故障电弧检测和识别：根据提取得到的特征，使用分类算法（如SVM、BP神经网络等）进行故障电弧的检测和识别。
总结：本文提出了一种基于ST-SVD-PCA的串联故障电弧特征提取方法。
该方法能够对电力设备中的电流或电压信号进行分析，提取故障电弧的特征，并实现准确的检测和识别。
该方法具有较高的准确性和可靠性，对于电力系统的安全运行具有重要的意义。
基于相空间重构的航空电弧故障识别方法
2020年1月电工技术学报Vol.35 Sup.1 第35卷增刊1 TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY Jan. 2020DOI: 10.19595/ki.1000-6753.tces.L80275基于相空间重构的航空电弧故障识别方法崔芮华曹欢（河北工业大学电器研究所天津 300130）摘要为了进行航空交流串联电弧故障检测，该文在115V/400Hz的航空供电条件下按照美标UL 1699以及SAE AS 5692进行了点接触试验、振动试验和截断试验。
利用工控机和数据采集卡提取出电流的正常信号和电弧故障信号，根据基于相空间重构的方法和波形比较法计算出电流信号的计盒维数、信息维数、均值比及其标准差和峰峰值。
结果发现，发生了电弧故障后，以上特征值相比于正常情况均产生了较大程度的改变。
将上述特征值组成电弧故障样本，作为遗传算法优化的BP神经网络的输入数据，将线路是否正常作为输出，进行电弧故障识别。
分析结果表明，该方法的识别效率在96%以上。
关键词：相空间重构相平面图计盒维数信息维数遗传算法BP神经网络中图分类号：TM501An Arc Fault Identification Method in Aircraft Based onPhase Space ReconstructionCui Ruihua Cao Huan（Electrical Research Institute Hebei University of Technology Tianjin 300130 China）Abstract Point contact test, guillotine test and vibration test, which are based on the American standards containing UL 1699 and SAE AS 5692, were finished under the condition of 115V/400Hz aircraft power supply in order to detect the alternating series arc faults in aviation. The normal and the arc fault current signals were extracted using the industrial personal computer and the data acquisition card, then the box counting dimensions, information dimensions, mean ratios and their standard deviations and peak-to-peak values of the current signals were calculated based on phase space reconstruction and wave comparison. The results show that the huge changes occur in the above characteristic quantities compered with the normal situation during the arc fault. The sample of the arc fault which is constructed by the above characteristic quantities are deemed as the inputs of the BP neural network optimized by genetic algorithm. Whether the circuit normal or not is deemed as the outputs of the BP neural network in order that identify the arc fault. The results show that the recognition efficiency of this method is above 96%.Keywords：Phase space reconstruction, phase plane, box counting dimension, information dimension, genetic algorithm, BP neural network河北省自然科学基金青年基金（E2015202143）和河北省教育厅青年基金（QN2014148）资助项目。
基于LS-SVM的航空故障电弧诊断
周 越 （１９９０一 ），男 ，主 要 从 事 航 空 故 障 电 弧 的 研 究 。 熊 翔 （１９９１一 ），男 ，硕士研究生 ，研究方 向为航空故 障电弧 的智 能检测 。 ￥基 金 项 目：辽 宁省 自然 科 学 基 金 项 目 （２０１３０２００４５）
４５ —－——— ．－－－—
—
李 岚 松 （１９９４一 ）， 男 ，硕 士 研 究 生 ，研 究方 向为故 障电 弧 的 智 能 检 测 。
Ｄｉａｇｎｏｓｉｓ ｏｆ Ａｖｉａｔｉｏｎ Ｆａｕｌｔ Ａｒｃ Ｂａｓｅｄ ｏｎ ＬＳ－ＳＶＭ
ＬＩ Ｌａｎｓｏｎｇ ， ＺＨＯＵ Ｙｕｅ ， ＸＩＯＮＧ Ｘｉａｎｇ ， ＹＵ Ｇｕａｎｇｈｕｉ ， ＷＡＮＧ Ｙｏｎｇｘｉｎｇ
（１．Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｄａｌｉａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｄａｌｉａｎ １ １ ６０２４，Ｃｈｉｎａ； ２，Ｄａｌｉａｎ ｚｈｏｎｇｋｏｎｇ ｗｉｓｄｏｍ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．Ｌｔｄ．，Ｄａｌｉａｎ １ １６０８５，Ｃｈｉｎａ）
电源 电压为 １１５ Ｖ／４００ Ｈｚ，燃 弧 时间短 ，没 有规律 性 ，因此 必须 对 航 空 串联 故 障 电弧 进 行 必 要 的检 测 与 防护 。
现有 的故 障电弧 检测 方法 大 多是 以故 障 电弧 发生 时 电路 中 的 电流 信 号 的 变 化 作 为 判 断 的依 据 。文献 ［２］通过求 取 电流 信 号 的短 时过 零率 来 实现 故 障 电弧 的检 测 ；文 献 ［３］将 电流 波 形 的相 空 间进行 重构 ，并 基 于 分 形 理 论 对 电 流 相平 面 图 的信 息维 数进 行计 算 ，结合 电流 “零休 ”时 间建 立 故 障电弧 识 别 模 型 ；文 献 ［４］利 用 傅 里 叶 变 换 提 取发 生故 障 电弧前 后 电流 的前 ２０次谐 波 含量 ，采
基于深度长短时记忆网络的多支路串联故障电弧检测方法
正常工作（启停）的波形。采集故障电弧波形时令开关 2 断 开，故障电弧发生装置工作并采集故障电弧数。
关键词：低压配电系统；串联故障电弧；多支路负载；深度学习；长短期记忆（LSTM）网络 中图分类号：TP391. 5；TP389. 1 文献标志码：A
Multi-branch series fault arc detection method based on deep long short-term memory network
DOI：10. 11772/j. issn. 1001-9081. 2020091502
基于深度长短时记忆网络的多支路串联故障电弧检测方法
余琼芳 1，2，路文浩 1*，杨 艺 1
（1. 河南理工大学 电气工程与自动化学院，河南 焦作 454000； 2. 大连理工大学 北京研究院博士后科研工作站，北京 100000） （ ∗ 通信作者电子邮箱 3082781068@qq. com）
一种基于多特征量的直流电弧故障检测方法
２０１８年 ／ 第２期 物联网技术２７0 引 言直流电弧故障多发于直流供电系统，倘若直流电弧发生故障，会产生比较稳定的持续燃烧环境，若未及时发现并切断火源，则易因电气设备着火而引发火灾。
目前，针对直流电弧故障的检测大多通过提取发生电弧故障时电流的时域或频域特征，采用阈值法检测电弧故障。
文献[1]采用神经网络分析和快速傅里叶变换在频域检测航天器系统的直流电弧故障，文献[2]采用统计方法来研究发生电弧故障时电流在时域的波形变化特征，文献[3，4]则采用时域结合小波变换来进行特征提取。
但由于实际电气设备的特性各不相同，直流电弧是否发生故障也具有随机特性，影响因素多样，各特征量的阈值难以界定，因此这些方法大多检测准确率低、误动作高。
直流电弧故障检测方法本质上是一个“有或无”的二分类问题。
本文提出一种基于支持向量机SVM 分类器的直流电弧故障检测方法。
首先提出了若干可用于直流电弧故障检测的时域、频域特征量，特别提出了基于希尔伯特-黄变换的时频域特征，并设计了具有检测直流电弧故障功能的SVM 分类器，采用特征量训练的SVM 分类器可根据输入的电流特征量数据判断是否发生直流电弧故障。
1 用于直流电弧故障检测的电流特征本文采用时间窗口对电流进行特征提取，每个窗口为0.2ms ，包含1 000个电流采样数据。
1.1 时域特征本文将以下两个时域特征作为用于直流电弧故障检测的电流时域特征。
（1）电流波动特性：在一个时间窗口中电流最大值和最小值的差值（峰峰值）：F =I max －I min（1）（2） 波形因数：在一个时间窗口中电流波形的有效值和绝对均值的比值：F n I 1i i 1=（2）1.2 频域特征本文使用快速傅里叶变换对正常工作时和发生电弧故障时的电流进行频域特性对比，确定可用于直流电弧故障检测的电流频域特征。
从原始电流采样数据里取出正常工作和发生电弧故障的电流各20 ms 进行对比分析。
因为数据采样频率为5 MHz ，由采样定理知，只需分析0～2.5 M Hz 内的谐波分量即可。
基于全相位谱和深度学习的串联故障电弧识别方法
陈 烜 1，冷继伟 1，李海峰 1,2
(1.国网四川电力服务有限公司，四川 资阳 641300；2.四川大学电气工程学院，四川 成都 610065)
摘要：为准确识别低压配电网中的串联故障电弧，提出了一种基于全相位谱和深度学习的串联故障电弧识别方法。 首先，从理论上推导负载畸变信号的全相位频谱特征产生机理，利用全相位离散傅里叶变换提取线性、非线性负 载的全相位频谱特征量。其次，构建了基于 Logistic 回归的深度学习神经网络模型，并对不同负载、不同运行状 态下的全相位频谱特征量进行深度学习训练。最后，对搭建的故障电弧试验平台上采样数据进行分析，结果能准 确识别低压配电网是否发生串联故障电弧和甄别出故障负载的类型。试验结果验证了所提方法的有效性，并随着 深度学习理论在电力系统智能化中的应用，该方法可做进一步的深入研究和推广。 关键词：串联故障电弧；全相位；频谱泄漏；深度学习；Logistic 回归
Abstract: To recognize the series arc fault in low voltage distribution network accurately, this paper proposes a method of series fault arc recognition based on an all-phase spectrum and deep learning. First, it deduces the generation mechanism of all-phase spectrum characteristics of load distortion signal in theory, and extracts the all-phase spectrum feature of a linear and non-linear load by an all-phase discrete Fourier transform. Secondly, it constructs a deep learning neural network model based on Logistic regression, and carries out deep learning training of all-phase spectrum characteristics under different loads and operating conditions. Finally, the sampling data of the fault arc experiment platform is analyzed. The results can accurately recognize whether a series fault arc occurs in a low voltage distribution network and distinguish the type of fault load. Experimental results verify the effectiveness of the proposed method. With the application of deep learning theory in the intelligent power system, the method is expected to be further studied and popularized.
基于多信息融合的航空线路串联故障电弧识别方法
电工技术学报
TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY
DOI: 10.19595/ki.1000-6753.tces.L80504
Vol.34 Sup.1 Jun. 2019
基于多信息融合的航空线路串联故障
关键词：多信息融合 航空故障电弧 串联故障电弧 多维特征量 故障识别 中图分类号：TM501+.2
Series Arc Fault Identification Method in Aviation Lines Based on Multi-Information Fusion
Cui Ruihua1,2 Wang Yang1,2 Wang Chuanyu1,2 Li Yingnan1,2 Li Fengfeng1,2 （1. State Key Laboratory of Reliability and Intelligence of Electric增刊 1
崔芮华等 基于多信息融合的航空线路串联故障电弧识别方法
119
0 引言
台，故障电弧试验原理如图 1 所示。
近几年，随着电气技术在航空领域的进一步发 展，飞机配电系统的容量不断增加，随之而来的是 电缆数量上的增加以及结构上的复杂化。相关报 告[1]表明，许多空难事故和飞行器故障都直接或间 接与电气系统的供电线路表面产生的持续电弧有 关。航空电气安全问题变得更为严峻，研究航空交 流故障电弧检测技术对于保证配电线路的安全性和 可靠性具有重要意义。
Keywords： Multi-information fusion, aviation fault arc, series fault arc, multi-dimensional features, fault recognition
基于1d-cnn的串联故障电弧检测
220 V
GND 数据采集装置
断路器
故障电弧发生器
电流互感器
负
载
1.00.80.60.40.20
80
705030106040200训练迭代次数
训练数据的准确率
验证数据的准确率训练数据的损失值验证数据的损失值
1.00.80.60.40.20
80
705030106040200训练迭代次数
训练数据的准确率验证数据的准确率训练数据的损失值验证数据的损失值
1.00.80.60.40.20
80
705030106040200训练迭代次数训练数据的准确率
验证数据的准确率训练数据的损失值验证数据的损失值 1.00.80.60.40.20
80
705030106040200训练迭代次数
训练数据的准确率验证数据的准确率训练数据的损失值验证数据的损失值
1.0
0.80.60.40.20
80
70503010
6040200
训练迭代次数
准确率和损失值
训练数据的准确率
验证数据的准确率训练数据的损失值验证数据的损失值。
基于st-svd-pca的串联故障电弧特征提取方法
基于st-svd-pca的串联故障电弧特征提取方法
电弧故障是输电线路故障中比较常见的一种类型，如果及时检测到并
进行处理，可以有效避免电网停电，并确保电网的安全稳定运行。
为了实
现电弧故障的准确检测和定位，需要对其特征进行提取和分析，从而识别
出电弧故障的发生时间和位置。
本文提出了一种基于st-svd-pca的串联
故障电弧特征提取方法。
首先，将电网信号分割成若干个窗口，每个窗口的长度为T。
然后，
利用奇异值分解（SVD）对每个窗口的信号进行降维处理，从而得到相应
的特征向量。
接着，利用主成分分析（PCA）算法对这些特征向量进行再
次降维处理，得到最终的特征向量。
最后，将这些特征向量按照时间顺序
串联起来，形成一个特征序列。
为了进一步优化特征提取效果，本文引入了空间域的信息。
具体来说，对于每个窗口，我们将其所有信号分别按照相位进行分组，然后利用同样
的st-svd-pca方法将每组信号提取出相应的特征向量，得到若干个特征
序列，最后将这些特征序列按照相位顺序相继串联起来，形成一个更加完
整的特征序列。
飞机EWIS电弧故障检测技术综述
aircraft to meet the increasing power demands，the probability of initiating and sustaining continuous
波变换（DWT），由式（4）给出，即
n-b
1 N-1
DWT ( k，a，b ) =
x (k - n) g (
) （4）
∑
a
a n=0
对于时频域方法，文献［24］建立了一种自回归模
/h 1
（1）
其中，k dis 为失真系数，h i 代表第 i 次谐波；i 和 n 分别代
表谐波号和离散信号数据总数。
另外，基于滑动窗 DFT 的自回归算法，适合非静态
王希彬，等：飞机 EWIS 电弧故障检测技术综述
种基于数学形态学的串联型电弧故障诊断方法。利用
2.3
197
时频域法
数学形态学的开闭运算，有效地滤除电流信号中的噪
时频域方法是确定信号的频率随时间发生何种变
声干扰，并通过多分辨率形态梯度运算提取串联型电
化，在时频域分析电弧故障的瞬变行为。与傅里叶变
弧故障发生前后电流波形的突变特征，进而获取正常
［6-14］
用于检测电弧故障中
。根据特征提取技术的不
一个夹在电线外绝缘层的电容性探针和一个移动的高
同，电气检测方法又可分为时域、频域和时频域方法。
阻抗计量仪，探针用于探测第一个节点的电压，计量仪
本文总结了现有的飞机线路系统中电弧故障检测
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第17卷第13期2017年5月 1671—1815(2017)13-0038-06科学技术与工程Science Technology and EngineeringVol . 17 No . 13 May 2017© 2017 Sci . Tech . Engrg .崔芮华1王绍敏1!2!(河北工业大学电磁场与电器可靠性省部共建重点试验室1 $电气工程学院电器研究所2 $天津300130)摘要航空交流系统工作环境复杂、故障电弧检测可靠性要求较高，而单一特征的检测方法适应能力相对较差。
开展了航空交流电源条件下串联型故障电弧模拟试验，分别对电源频率为360 H ]400 H ]450 H z 时的线性负载线路电流进行数据采集。
根据电弧电流的特点，提出了一种融合波形畸变特征、间谐波特征和能量分布不确定性特征的多维特征量检测方法。
引 入支持向量机和粒子群优化算法进行参数寻优，用训练得到的分类模型对测试集进行分类预测。
结果表明，该串联故障电弧 分类模型最高分类准确率可达到98. 83\。
关键词航空故障电弧 多维特征量 支持向量机 粒子群优化中图法分类号TM501.2;文献标志码A美国联邦航空管理局曾指出电气故障是很多飞机发生事故的主要原因，1996年的环球航空800以 及1998年的瑞士航空111被认定为是线缆故障导 致的坠毁[1]。
故障电弧的瞬间温度可达到20 000K[2]，几乎可以融化或汽化绝大多数飞机材料，进而对线束本身、各类管路、结构件等造成严重的破 坏)3]，极大影响着飞机的安全可靠运行。
而且串联 型故障电弧因受线路负载的限制，电弧电流一般较 小，传统的保护器不能对故障电弧起到保护 作用)4]。
目前，随着航空电气系统容量的增大，航空电源 的频率不仅限于单一的400 H z )5]。
与普通220 V / 50 H z 供电系统相比，航空电气系统更为复杂，发生 在航空交流系统中的故障电弧复杂度也会随之增 加。
因此，通过融合多种特征量，寻找到一种适应能 力较强的检测方法是航空故障电弧检测技术发展的 必然趋势。
支持向量机（support vector m a c h i n e ，S VM)因其可以避免人工神经网络存在的局部最优和收敛速度 慢等缺陷并且在处理非线性数据和预测方面的能力2016年10月7日收到 河北省自然科学基金青年基金(E2015202143 )、河北省教育厅青年基金（QN2014148)资助第一作者简介'崔芮华（1962—)，女，博士，教授。
研究方向：电器 CAD/CAM/CAE 和电器的智能设计。
!通信作者简介:王绍敏，女，硕士研究生。
研究方向：电器可靠性及检测技术。
引用格式:崔芮华，王绍敏.基于多维特征量的航空串联故障电弧检测[J].科学技术与工程，2017, 17(13): 38—43Cui Ruihua ，Wang Shaomin. Diagnosis of arc faults in aviation AC system based on multi-dimensional features ) J ]. Science Technology and Engineering ，2017，17( 13 )： 38 —43可随着实验数据的完备而得到不断改进，得到广泛 应用)6]。
考虑故障电弧的随机性和隐蔽性，提出一种基 于多维特征量的航空交流系统故障电弧检测方法。
分别从时域、频域和时频域3个角度，提取电弧电流 信号的波形畸变特征、间谐波特征和能量分布不确 定性特征，构成电弧电流的特征矩阵。
从提取出的 特征矩阵中选定训练集和测试集，用训练集对S V M 进行训练，并通过粒子群优化（particle sw a r m opti m a l ， P S 0) 算法对 S V M 进行参数寻优，最后用训练 得到的分类模型对测试集进行分类预测。
1数据釆集与预处理参照标准U L 1699搭建了串联型点接触试验平台，故障电弧产生的试验原理图如图1所示。
串联型点接触试验模拟航空交流系统由于接线F i g .1图1故障电弧试验原理图The principle diagram of arc fault test基于多维特征量的航空串联故障电弧检测计算机W据采集圭13期崔芮华，等'基于多维特征量的航空串联故障电弧检测39得每组数据进行简单预处理，即以起弧的时刻为原点，向前截取35 m s 的正常电流，向后各截取25 m s 的电弧电流数据作为原信号。
这样对每组数据经滑 动时间窗进行某种特征量提取时，便可得到20个特 征量样本，其中正常和故障情况各一半。
此外，航空电缆长期工作在复杂的环境中，电弧 电流信号必定受到严重的干扰。
对电弧电流信号进 行降噪处理是对故障电弧准确诊断的前提和保障。
因此，所研究的所有数据都是经过小波阈值降噪[7] 处理之后的数据。
2多维特征量的提取2.1脉宽特性串联故障电弧发生时，线路中电流波形会发生 不同程度的畸变。
电弧电流“零休区”、高频成分的 存在以及过零点前后电流上升率的变化，使得取绝 对值后的电流曲线滞留在阈值P i 、P 2之间的时间 发生随机性变化，对应输出不同宽度的高电平脉冲 信号，如图3所示。
Fig. 3 Current waveform and pulse signalcoiresponding to the curve between threshold values图3中t = 12. 5 m s 是起弧时刻，0〜12. 5 m s 是 正常电流区域，12. 50〜25 m s 是电弧电流区域。
图 3从上到下分别是原信号、原信号取绝对值并进行 局部放大处理后的波形和在阈值区间内的曲线对应 输出的高电平脉冲信号。
对比故障发生前后输出的脉冲信号可知，线路正常工作时脉冲信号较窄且大 小均勻，当线路发生故障电弧时脉冲信号的宽度总 体上大于正常工作时的脉冲信号，且脉宽不再呈均 勻分布状态，而是随机性变化的。
因此，可以通过统 计脉冲宽度来辨别故障电弧。
由于采样时间间隔一定时，可以用滞留在阈值t、屯之间的采样点个数占时间窗内总采样点数mwy v v v v ^0 510 ;152025t /m s(a )Jr ..〇x 05 1015 20 25t /m s(b )‘ 1 1 111 1 111 1ill illni(C )图3电流波形及阈值区间内曲线 对应输出的脉冲信号松动和在飞机振动或者维修过程中被机构件、夹钳 擦伤或割开等原因引起的故障电弧。
图！（a)是串联型点接触故障电弧试验原理图。
其中电弧发生器 是试验模拟故障电弧燃烧状态的装置，如图1(b )所 示。
包括一^个静止的炭-石墨电极和一^个铜制的移 动电极，铜电极的接触面制成尖端，碳电极的接触面 保持平整。
电极相互接触时电路完全闭合，进行电 弧故障试验时，使用横向调节器缓慢移动可移动电 极，当与静止电极分离至一定的间隙时，电弧就会产 生。
闭合开关、接通电源，通过电流互感器和采集卡 对线路电流信号进行采样，并将数据存入计算机。
其中，采样卡的采样频率设置为400 k H z 。
参照标准本文进行了以下试验:不同负载线路、 不同电源频率和不同等级电流条件下的电弧试验。
试验模拟不同负载线路，电流大小改变时的点接触 故障电弧试验。
每种试验相同条件下分别进行5 组，试验方案如表1所示。
表1电流大小改变的电弧试验Table 1 Arcing tests with different current amplitudes序号负载类型电源频率/Hz 电流大小/A 1230 '4000.5210 '40011.53 5 '400234230 ' +9.7 m H 4000.5515 ' +5 m H 400 6.46 5 ' +5 m H 400167230 ' +4.7 "F 4000.58 5 '+47 "F 400109 5 '+94 "F 4002010230 '3600.511230 ' +9.7 m H 3600.512230 ' +4.7"F 3600.513230 '4500.514230 ' +9.7 m H 4500.515230 ' +4.7"F4500.5电弧信号具有时变特性，短时间内的特征变化较小，可以近似作为稳态处理。
因此，通过滑动时间 窗将信号建立在短时分析的基础上，其中滑动时间 窗的两个参数：窗口宽度和滑动步长分别设置为 12. 5 m s 、2. 5 m s ，如图 2 所示。
窗口宽度12.5~~f 步长¥窗口苋度 12.5 ■_____125_____'p时间/ms图2滑动时间窗示意图Fig. 2 The diagram of sliding time window为了便于之后对数据的分析和观察，将试验所40科学技术与工程17卷_12〇0 500 1 000 1 500样本(C )图4特征量的分维可视化图Fig. 4 Visualization figure of characteristic quantity观察图4中样本特征量1的分布，可以发现正 常样本属性值大部分处于）0 $ 0• 0']之间，还有一小 部分处于[0. 0'，0• 1 ]之间;故障样本的属性值则大每个奇异值$+反映子矩阵5+包含的信息的多 少。
在一定程度上代表了该矩阵的特征。
奇异值对 于矩阵元素的扰动变化不敏感，当矩阵存在一定的 干扰时，矩阵的奇异值是较为稳定的特征参数。
信息熵理论[12]是关于系统不确定性及不规则 程度的描述。
将奇异值特征量经信息熵处理过后， 信号的频率成分及分布特征得到了定量表示，实现 了对故障信息特征的进一步挖掘。
定义奇异熵E和奇异增熵&R 分别为\E = % &E +⑶$对时间窗内的电流信号采用db 4小波进行4层 小波变换，并提取奇异熵值E ，作为故障电弧检测的 一维特征量。
2.4特征矩阵的构建由于电弧燃烧是一个随机过程，电弧特性受负 载类型、电源频率和电流大小等因素的影响。
为了 观察一维特征量对故障电弧的识别效果，将1 '00 个样本的分类图及样本特征量的分维可视化图显示 于图4。
其中，样本序号0〜750表示正常样本，类 别标签为1 %样本序号751〜1 500表示故障样本，类 别标签为-1，3个特征量依次为脉宽特性、间谐波 均值和小波奇异熵值。
的比值来表征脉宽特性。