一、研究背景与挑战
在工业领域，变频器驱动的三相电机（TMFCL电路）广泛应用于低压交流系统。然而，绝缘老化、电缆损坏或电气连接松动等问题可能导致串联电弧故障（SAF），这种故障会降低电路电流，使传统过流保护装置失效，极易引发电气火灾。因此，开发高精度、快速响应的SAF检测方法至关重要。
传统检测方法（如傅里叶变换、SVM分类）依赖人工特征工程，存在抗噪声能力差和工况适应性弱的问题。近年来，基于卷积神经网络（CNN）的数据驱动方法因强大的特征提取能力受到关注，但现有模型仍面临计算复杂度高和嵌入式部署困难的挑战。
二、模型原理与创新
1. 核心架构：SAFNet
SAFNet采用深度可分离卷积和瓶颈结构实现轻量化设计，其整体架构如下图所示：
（1）输入矩阵构建（PPM）
为解决不同采样频率下的输入适配问题，提出点对点等距映射（PPM）方法：
- 归一化：将输入信号归一化至[0,1]区间。
- 下采样：通过频率采样法将500点数据降为150点。
- 映射：将一维数据映射到150×150的二维矩阵，保留波形峰值特征。
- 连接：通过行列索引连接离散点，生成最终输入矩阵。
公式：
xi′=i(i=0,1,...,149)yi′=(yi−0)×149(i=0,1,...,149)
其中，yi为下采样数据的幅值，xi′和yi′为矩阵索引。
（2）轻量化设计
- 瓶颈结构：在CNN2中引入1×1卷积压缩通道数，减少参数量。
- 深度可分离卷积：在CNN3中用深度卷积（DW-conv）替代标准卷积，分解为逐通道卷积和逐点卷积，显著降低计算量。
模型结构对比：
- CNN1（基础模型）：3个标准卷积层，参数量100.1M，推理时间19.10ms。
- SAFNet（最终模型）：深度可分离卷积+瓶颈结构，参数量8.38M，推理时间5.30ms。
2. 创新点
轻量化设计
- 通过深度可分离卷积和瓶颈结构，参数量减少91.63%，推理时间缩短72.25%。
- 屋顶线模型（Roofline Model）分析运算符复杂度，选择最优模型结构。
自适应输入矩阵（PPM）
- 支持动态调整输入长度（NCCCW），适应不同采样频率（2.5kHz~25kHz）。
高效实时检测
- 在Jetson Nano嵌入式设备上实现99.44%准确率和26.48ms端到端延迟，满足IEC62606标准。
三、实验设计与结果
1. 数据集与预处理
- 数据采集：在TMFCL电路中模拟正常和故障状态，使用电流互感器（CT）和电压互感器（VT）采集信号，采样频率25kHz。
- 样本分布：共24,752个样本，正常类占47.6%，故障类占52.4%。
2. 对比实验
SAFNet与多种方法在准确率、推理时间和模型大小上的对比结果如下：
| 方法 | 参数量(M) | 推理时间(ms) | 准确率(%) |
|---|---|---|---|
| SVM[7] | 1.33 | 44.14 | 91.02 |
| LTCNN[24] | 0.53 | 5.36 | 96.52 |
| EfficientNet-B0[30] | 15.30 | 178.84 | 99.68 |
| SAFNet（本文） | 2.26 | 5.30 | 99.52 |
四、代码实现（PyTorch）
import torch.nn as nn
class SAFNet(nn.Module):
def __init__(self):
super(SAFNet, self).__init__()
# 第一阶段：深度可分离卷积
self.conv1 = nn.Sequential(
nn.Conv1d(1, 8, 3, padding=1),
nn.ReLU(),
nn.MaxPool1d(2)
)
# 第二阶段：瓶颈结构 + 深度可分离卷积
self.conv2 = nn.Sequential(
nn.Conv1d(8, 8, 1), # 1x1卷积压缩通道
nn.ReLU(),
nn.Conv1d(8, 16, 3, padding=1, groups=8), # 深度卷积
nn.ReLU(),
nn.Conv1d(16, 32, 1), # 1x1卷积恢复通道
nn.ReLU(),
nn.MaxPool1d(2)
)
# 全连接层
self.fc = nn.Sequential(
nn.Linear(32 * 18, 64),
nn.ReLU(),
nn.Linear(64, 1),
nn.Sigmoid()
)
def forward(self, x):
x = self.conv1(x)
x = self.conv2(x)
x = x.view(x.size(0), -1)
x = self.fc(x)
return x
五、应用场景与优势
SAFNet可部署于工业边缘设备（如Jetson Nano），实时监测变频电机电路。其优势包括：
- 高鲁棒性：在负载突变（负载电流15~21A）和变频器参数变化下，准确率仍高于99%。
- 快速响应：单次检测时间26.48ms，满足IEC62606标准（最大断电时间0.5s）。
六、总结与展望
本文提出的SAFNet通过轻量化设计和自适应输入矩阵，在保证高准确率的同时显著提升了实时性，为工业电弧故障检测提供了高效解决方案。未来工作将优化设备体积与成本，并探索多模态融合（如电流+振动信号）以进一步提升性能。