基于MVO-SimAM-1DCNN与时频域融合的多工况航空故障电弧检测

闫锋; 李思翰

doi:10.12404/j.issn.1671-1815.2506412

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (11) :4680-4691 DOI: 10.12404/j.issn.1671-1815.2506412

电工技术

基于MVO-SimAM-1DCNN与时频域融合的多工况航空故障电弧检测

闫锋 ¹^,² ,
李思翰 ¹^,^*

作者信息 +

Multi-condition Aviation Fault Arc Detection Based on MVO-SimAM-1DCNN with Time-frequency Domain Fusion

YAN Feng ¹^,² ,
LI Si-han ¹^,^*

Author information +

文章历史 +

摘要

为实现快速准确识别航空交流电路中出现的故障电弧,提出一种基于多元宇宙寻优算法(multi-verse optimization, MVO)、加入轻量化无参数注意力机制(similarity-based attention module, SimAM)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)与时频域为特征输入的组合故障检测算法,实现模型部署效率和全局搜索能力的优化。首先,按标准搭建多工况下的航空故障电弧实验平台,采集点接触、模拟振动、抗干扰等十五种负载条件下的电流信息;其次,将时域信号通过快速傅里叶变换为频域信号分析特征,数据表明产生故障电弧时1 000 ~ 5 000 Hz分量包含较多特征信息,将该区间频域特征与原始时域特征拼接融合为一维数据,并归一化后作为模型输入;最后,搭建MVO-SimAM-1DCNN检测模型进行训练,通过MVO获取最优超参数后回代神经网络得到测试集准确率为97.72%,并引入多个性能参数评估模型的有效性。结果表明:该特征提取策略具备一定有效性,组合检测模型在识别准确率及检测速度方面优于传统模型,同时网络层数较少以提高部署效率,为航空故障电弧检测装置的研发提供思路。

Abstract

In order to achieve fast and accurate identification of fault arc occurring in aircraft AC circuits, a combined fault detection algorithm of a one-dimensional convolutional neural network (1DCNN) based on multi-verse optimization (MVO), incorporating a similarity-based attention module (SimAM) with time-frequency domain as the feature input, was proposed to optimize model deployment efficiency and global search capability. Firstly, the experimental platform for aircraft fault arc under multiple working conditions was established according to the required standard, and the current data under fifteen different load conditions such as point contact, simulated vibration, and anti-interference was collected. Secondly, the time-domain signals were transformed into frequency-domain signals using fast Fourier transform for feature analysis. The frequency spectrum indicated that the 1 000 ~ 5 000 Hz components contained more feature information when the fault arc was generated. Therefore, the frequency-domain features within this range were fused with the original time-domain features into one-dimensional data, which were then normalized and used as model input. Finally, the MVO-SimAM-1DCNN detection model was built and trained. The optimal hyperparameters were obtained through MVO and then applied to the neural network, resulting in a test accuracy of 97.72%. And multiple performance parameters were introduced to evaluate the effectiveness of the model. The results show that this feature extraction strategy has certain effectiveness and this combined detection model is superior to the traditional model in terms of recognition accuracy and detection speed. Meanwhile, it has fewer network layers to improve deployment efficiency, providing ideas for the research and development of aviation fault arc detection devices.

Graphical abstract

关键词

故障电弧 / 特征融合 / 多元宇宙优化算法 / 无参数注意力机制 / 一维卷积神经网络

Key words

fault arc / feature fusion / multi-verse optimization / parameter-free attention module / one-dimensional convolutional neural network

引用本文

引用格式 ▾

闫锋, 李思翰. 基于MVO-SimAM-1DCNN与时频域融合的多工况航空故障电弧检测[J]. 科学技术与工程, 2026, 26(11): 4680-4691 DOI:10.12404/j.issn.1671-1815.2506412

YAN Feng, LI Si-han. Multi-condition Aviation Fault Arc Detection Based on MVO-SimAM-1DCNN with Time-frequency Domain Fusion[J]. Science Technology and Engineering, 2026, 26(11): 4680-4691 DOI:10.12404/j.issn.1671-1815.2506412

登录浏览全文

4963

注册一个新账户忘记密码

随着现代航空业的快速发展,以及电气化技术在飞机上的不断创新,传统的多能源飞机正逐步被装载先进电力系统且融合多种新型电气技术的多电飞机所替代,成为发展的前沿方向^[1]。伴随飞机电气化程度的不断提升,机载用电设备的数量以及航空线缆的布局变得更加复杂且密集,形成了前所未有的技术挑战。此外,为了实现轻量化设计,航空线缆的直径通常较小,且长时间工作于高空恶劣环境中,使得线缆之间出现磨损和接触不良的风险大幅增加,最终诱发故障电弧,进而引起火灾等事故严重危害飞行安全^[2]。

飞机中故障电弧可按串联或并联分为两种类型,均导致部分物理现象包括辐射、声、光等出现。其中,当并联回路出现故障电弧时,由于电流峰值的显著上升易被现有设备监测出来;而产生串联故障电弧时具有一定的隐蔽性,其特性类似于在电路中增加一个线性时变电阻,导致电流峰值减小且难以检测^[3]。因此,针对飞机中串联故障电弧的检测方法逐渐成为一个重点研究领域。

最早对于电弧的认识始于19世纪初,到目前为止国内外针对串联故障电弧的研究主要分为数学模型研究、检测方法研究和检测装置研究。其中,多种电弧数学模型,如Cassie、Mayr及Schavemaker等^[4-6]虽然对深入了解电弧的本质有一定的帮助,但在实际应用中电弧变幻莫测且存在使用条件限制、检测参数复杂等困难。而检测方法研究又可分为基于故障电弧产生物理现象的检测方法、基于故障电弧电流电压时频域特性的检测方法和基于高频采集电流电压算法的检测方法。其中,部分学者通过近场测量采集电弧发生时出现的电磁辐射等物理信号进行故障检测与诊断^[7-9],但在实际应用中无法监测随机发生的故障电弧位置,同时存在传感器失效等难点导致不适用于复杂航空线缆。

目前基于电流电压信号的时频域特性及融合人工智能等算法的检测方法为国内外重点研究方向,通过对采集到的正常状态与电弧状态信号开展时域、频域等多角度分析,提取故障特征后输入检测模型中进行故障诊断。文献[10]通过经验小波变换获取关键模态分量,融合多维特征后最终输入概率神经网络中检测。文献[11]通过相空间重构技术于高维空间中分析四种特征量的变化规律,采用主成分分析降维处理特征并进行故障诊断。文献[12]利用小波分解中选取最优分解层数与小波基函数,进而分析小波能谱熵并设置阈值进行故障电弧的诊断。文献[13]采用窗口划分结合小波分解与经验模态分解,提取多维度故障特征后输入机器学习分类模型中进行识别。文献[14]设计一种时频域联合阈值判定法,并搭建在线故障电弧检测系统进行现场实验验证。文献[15]采用时域特征量融合变分模态分解获取的能量熵,构成多维特征输入随机森林中进行故障诊断。文献[16]设计异常分布、异常脉冲、谐波能量三种风险因子提取不同场景的故障电流特征,融合信息熵输入组合检测模型中开展研究。文献[17]设计一种不受负载类型干扰影响且泛化能力强的故障电弧识别特征组合,明确故障电弧识别的关键因素和特征提取方法。文献[18]根据不同负载下电弧电压波形高频信号的分布特点,构建一种电压特征能量幅值和相位信息的综合检测策略,实现不同线路参数和负载类型的故障检测。其中,设置阈值的检测方法过于依赖传统经验,小波变换等相关改良模型效果虽好却存在计算复杂、应用困难等问题。

随着近年来深度学习的迅猛发展,部分学者通过构建深度学习网络模型开展故障电弧的相关研究并取得良好的效果。文献[19]利用鲸鱼优化算法对随机森林的超参数智能寻优,证明改进组合模型的检测效果优于传统模型。文献[20]结合轻量化卷积与常规卷积操作,采用遗传算法搜寻网络参数并构建检测模型进行故障诊断。文献[21]改进深度长短时记忆网络,设计八层网络结构与多个对比实验开展研究。结合深度学习的高效性等优势,目前采用该方法来研究航空故障电弧检测等相关领域具有广泛的应用前景,推动民航安全性进一步提升。

为发挥神经网络针对故障分类识别的强大优势用于提高航空故障电弧的检测准确率与效率,现提出一种基于多元宇宙寻优算法(multi-verse optimization, MVO)搜寻一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)最优超参数,同时引入轻量化无参数注意力机制(similarity-based attention module, SimAM)的组合检测模型。整体研究的步骤如下:

(1)通过搭建多种工况下的航空故障电弧模拟实验平台,开展实验并收集故障电流信号数据。

(2)对时频域信号中蕴含的故障信息进行分析和预处理,特征融合后输入组合检测模型中。

(3)搭建检测模型,通过MVO算法搜索最优的神经网络超参数,使用1DCNN模块进行故障特征提取,利用SimAM模块增强重要特征,实现正常与故障状态的分类。

(4)最后通过多个性能参数验证该模型的综合能力,并设计对比模型开展比较分析,进一步证明时频域融合及MVO与SimAM算法的优势。

本文研究旨在通过MVO优化SimAM-1DCNN模型并融合时频域特征,实现航空故障电弧的快速准确识别,提升部署效率与全局搜索能力,为相关检测装置研发提供理论支撑。

1 多工况故障电弧实验

首先,依据电弧故障断路器标准(UL 1699)^[22]、航空系统电弧故障测试方法(SAE AS 5692)^[23]等相关航空规范建立三种工况下的故障电弧实验平台,分别为点接触实验、模拟振动实验、抗干扰实验。实验平台采用航空交流115 V/400 Hz电源供电以模拟典型的航空供电类型,以铜芯导线为电路连接线,接入总开关、电弧发生装置、负载、电流探头、示波器等构成电流回路,主要设备参数如表1所示。由于航空器机电设备类型多种多样,故本文中选择纯阻性、阻感性、阻容性三种类型为主要负载分别表征风挡加热器、螺线管、座椅等飞机设备。

1.1 点接触实验

点接触实验用于模拟航空线缆于不同负载条件下出现的由线束磨损及腐蚀等原因导致的故障电弧现象,该实验的原理图及实物图如图1、图2所示。其中电弧发生装置由6 mm碳棒电极、6 mm尖头铜棒电极、移动滑块、调节装置等组成。实验过程中碳棒电极固定不动,铜棒电极通过滑块和调节装置相连,正常状态下两电极点接触式相连,故障状态下将两电极由调节旋钮缓慢分离,控制距离使空气被击穿,产生拉弧式故障电弧。随后利用示波器经电流探头捕捉到带有故障特征的电流时域数据,储存到U盘中以便后续处理。

1.2 模拟振动实验

振动实验用于模拟线缆处在高空飞行状态下由于频繁振动而出现的接触不良、接头松动等现象,该实验的原理图及实物图如图3、图4所示,其中电弧发生装置由振动台、夹具、绝缘板、双头螺栓、固定螺母、铜头导线等构成。实验前,利用夹具固定绝缘板和振动台,通过打孔使螺栓穿过绝缘板并用螺母固定。外侧导线连接相邻两个螺栓并同样由螺母固定住接线端子,内侧导线连接螺栓后则通过绝缘胶带简单固定住部分连接线,使其接线端子处于松动状态。当振动台启动后,内侧接线端由于接触不良而产生故障电弧,随即利用示波器捕捉电流时域特征数据并存储。

1.3 抗干扰实验

抗干扰实验用于模拟当实际航空并联电路中的某一侧支路发生故障电弧时,可能对其余正常并联支路产生信号干扰,导致检测模型出现误判的情况,该实验的原理图及实物图如图5、图6所示。其中电弧发生装置与点接触实验保持一致,增设一条并联电路且接入限流负载,通过两个电流探头输入电流信号到示波器中。实验过程中,调节电弧发生装置产生故障电弧,观察示波器对比分析两条并联支路的电流时域信号变化,同时储存被干扰支路的电流数据进一步分析。

2 特征分析与数据预处理

2.1 时域分析

将部分时域信号可视化,如图7所示,分别为点接触、模拟振动、抗干扰实验的正常波形与故障波形对比。其中,点接触实验的故障波形在零点附近出现“零休”现象,波形表现出明显的平肩部,以及峰值下降和信号畸变等特征。同样是串联电路,模拟振动实验的故障波形特征则相较于点接触实验更加明显且丰富,主要体现在波形产生明显的平肩部、间歇断路、半波缺失等故障特征,以及出现电流信号峰值不规律且夹杂大量毛刺,正常周期与故障周期相交替等现象。相较于前两种实验,并联电路的抗干扰实验波形特征则相对不明显,由于受干扰支路并未发生实质故障电弧,对比波形分析发现并未出现平肩部等明显特征,对比数据点分析发现电流峰值相较于正常波形出现了轻微下降现象。由于电路中产生故障电弧时也会出现电流峰值下降现象,故将该类型实验数据输入后能判别检测模型是否具有一定抗干扰能力。

2.2 频域分析

采样信号x(n)的维度为N×1,对时域信号进行快速傅里叶变换,得到对应离散形式为

(1)X[k]=$\stackrel{N-1}{\sum _{n=0}}$x[n] e^-j2πtan^/N, 0≤k≤N-1

式(1)中:x[n] 为长度为 N 的时域离散信号;X[k]为对应的频域离散信号;k为频率索引(k=0,1,…,N-1 对应 N 个离散频率点);j 为虚数单位。

转换后得到三种实验的对应频谱值,可视化部分频谱图如图8所示。对比分析图像可知,各工况电路无电弧状态下频谱多次谐波峰值均较低,对应高频成分较少;而电路中产生故障电弧后,点接触实验频谱中产生大量高频成分,对应多次谐波峰值均有上升现象,主要集中在1 000 ~ 5 000 Hz部分;模拟振动实验频谱中特征较为复杂,主要表现为杂波成分多且较丰富;抗干扰实验频谱中特征主要表现为3次谐波峰值出现明显下降。

依据文献[24]中分析,故障状态下的频域中包含大量特征,且在1 000 ~ 5 000 Hz部分特征变化尤为明显,为进一步提高模型训练后的检测准确性,提高算法部署效率减少计算复杂度,同时兼容1DCNN网络的架构,采用扁平拼接法,以原始时域在前、特征区间频域在后的顺序,将一维数据拼接为新的长向量作为输入模型的一个单位,进而制作后续的数据集。

2.3 数据集介绍

设置采样频率为250 kHz,满足奈奎斯特采样原理,即采样频率需要至少达到信号最高频率的二倍以避免信号采样过程中发生混叠^[25]。为捕捉故障电弧深度特征,每组电流数据保留5个整周期,共3 125个采样点作为时域特征进行后续计算,拼接频域特征后进行归一化,其表达式为

(2)x_scaled=2$\frac{x-{x}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{x}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{x}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$-1

点接触实验每种负载正常与故障状态各包含400组数据,模拟振动实验各为300组数据,抗干扰实验各为200组数据,一共10 200组数据构成数据集。各负载均为线性负载,类型及详细参数值如表2所示。由于不同负载下的正常状态需判断一致,故设置标签值对应均为0;此外为减少标签复杂度,其余三种模拟实验类型下的故障状态则分别设置为1、2、3。

3 算法原理及模型构建

3.1 1DCNN网络

一维卷积神经网络是传统卷积神经网络的衍生形式,用于处理时间序列等序列数据且效果优异,其结构一般包括输入层、卷积层、池化层、全连接层和激活函数等^[26]。该算法中卷积层作为最关键的网络层,采用一维卷积核作为滑动窗,并通过对输入序列的卷积来提取重要特征。通过及时调整卷积核的大小、数量及整体神经层的布局,使得模型能够实现更深层的抽象特征提取,进而提高模型性能。激活函数则是对卷积层的输出内容进行非线性变化以强化模型的表达能力,池化层通过减少数据维度及冗余信息增强模型的鲁棒性与泛化能力,全连接层在最后阶段对提取的局部特征进行分析并将其映射到标签,以满足回归或分类等任务需求。一维卷积网络针对本文的故障电弧检测具有计算效率高、可扩展性强和局部特征提取效果好等优势,其分类任务流程图如图9所示。

3.2 SimAM模块

轻量化无参数注意力机制由传统注意力机制基础上改进得来^[27],针对传统机制存在的计算效率低和表达能力弱等缺陷进行优化,通过减少权重矩阵的计算数量,利用局部注意力机制替代大量的全局计算,提高计算效率的同时还减少对全局信息的依赖度,进而让模型强化有效的特征通道权重,最终增强表达能力、提高分类精度。其计算步骤如下。

首先,对输入矩阵X进行线性变换,其计算公式为

(3)K=XW_K

(4)V=XW_V

(5)Q=XW_Q

式中:W_K、W_V、W_Q为通过学习获取的权重参数;K、V、Q则对应为生成的键矩阵、值矩阵及查询矩阵。

随后开展注意力分布计算操作,计算公式为

(6)A=f(Q,K)

式(6)中:A为计算出的注意力矩阵;f(Q,K)为通常使用加法或减法等基本操作的一个简化函数。

SimAM通过该计算方式替代传统的点积操作,从而降低计算复杂度。通过计算各通道的最大值与最小值之间的差值来确定对应注意力权重,随后经过归一化处理和加权求和获取结果。对应计算公式为

(7)O=A^*V

式(7)中:O为输出矩阵;A^*为归一化处理后的注意力矩阵。

3.3 MVO优化算法

多元宇宙优化算法是基于物理学中多元宇宙理论而设计的一种群体智能优化方法。该理论假设宇宙大爆炸后存在多个平行宇宙,而MVO算法则通过模拟黑洞、白洞和虫洞在相互作用下影响多元宇宙种群产生一系列行动来实现优化目标^[28]。

MVO算法中的多元宇宙种群,每个宇宙均为优化问题的候选解,其中物体对应候选解的变量,宇宙的膨胀率对应解的适应度。MVO算法过程包括由白洞、黑洞发挥搜索效果的探测期,以及虫洞发挥稳定寻优效果的开采期。计算过程中,每个宇宙及其中的各个物体都有自身对应的膨胀率,膨胀率的高低决定该宇宙产生黑洞及白洞的概率,黑洞易吸收物体而白洞易排斥物体,物体通过白洞-黑洞通道于任意两个宇宙之间传输,使宇宙种群的膨胀率趋同。另一方面,随机生成的虫洞则会构建通道从最优宇宙传输物体到当前宇宙,使各宇宙种群膨胀率趋于最佳宇宙,避免算法陷入局部最优。MVO算法计算步骤如下:

构建随机的宇宙种群矩阵为

(8)U=$\left[\begin{array}{l}{U}_{1}\\ {U}_{2}\\ ︙\\ {U}_{n}\end{array}\right]$=$\left[\begin{array}{llll}{x}_{1}^{1}& {x}_{1}^{2}& \dots & {x}_{1}^{d}\\ {x}_{2}^{1}& {x}_{2}^{2}& \dots & {x}_{2}^{d}\\ ︙& ︙& & ︙\\ {x}_{n}^{1}& {x}_{n}^{2}& \dots & {x}_{n}^{d}\end{array}\right]$

式(8)中:U_i为第i个宇宙;n为对应宇宙种群即候选解的总数;d为对应宇宙内物体即变量的总数;

${x}_{i}^{d}$

为对应第i个宇宙的第d个变量。

采用轮盘赌机制选择出优秀宇宙中的物体通过白洞-黑洞通道更新到当前宇宙,其公式为

(9)${x}_{i}^{j}$=$\left\{\begin{array}{ll}{\mathrm{x}}_{\mathrm{k}}^{\mathrm{j}},& {\mathrm{r}}_{1}<{\mathrm{N}}_{I}\left({U}_{i}\right)\\ {\mathrm{x}}_{\mathrm{i}}^{\mathrm{j}},& {\mathrm{r}}_{1}\ge {\mathrm{N}}_{I}\left({U}_{i}\right)\end{array}\right.$

式(9)中:

${x}_{i}^{j}$

为第i个宇宙中第j个变量;

${x}_{k}^{j}$

为经过轮盘赌机制挑选出的第k个宇宙中第j个变量;r₁为从0到1区间内生成的随机数;N_I(U_i)为第i个宇宙的标准膨胀率。

虫洞的传输机制采用虫洞存在率及虫洞旅行距离率构建,其公式为

(10)ω_j=(ub_j-lb_j)r₄+lb_j

(11)${x}_{i}^{j}$=$\left\{\begin{array}{ll}\left\{\begin{array}{l}{x}_{j}+\mathrm{T}\mathrm{D}\mathrm{R}{\omega }_{j},{r}_{3}<0.5\\ {x}_{j}-\mathrm{T}\mathrm{D}\mathrm{R}{\omega }_{j},{r}_{3}\ge 0.5,\end{array}\right.& {r}_{2}<\mathrm{W}\mathrm{E}\mathrm{P}\\ {x}_{i}^{j},& {r}_{2}\ge \mathrm{W}\mathrm{E}\mathrm{P}\end{array}\right.$

式中:ub_j和lb_j分别为变量x_j对应动态边界的上下界;x_j为当前最优宇宙中第j个变量,r₂、r₃、r₄均为从0到1区间内生成的随机数;WEP(wormhole existence probability)为虫洞存在率;TDR(travelling distance rate)为旅行距离率。

另一方面,虫洞存在率即WEP体现出算法的开发性能,旅行距离率即TDR体现出算法在解空间的高效搜索能力。以上两个参数为MVO算法中最关键的参数,通过调整可获得更精确的搜索结果,其公式为

(12)WEP=WEP_min+h

$\left(\frac{\mathrm{W}\mathrm{E}{\mathrm{P}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{W}\mathrm{E}{\mathrm{P}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{H}\right)$

(13)TDR=1-$\frac{{}_{1}^{p}h}{{}_{1}^{p}H}$

式中:WEP_min、WEP_max分别为虫洞存在率的最小值与最大值,本文中取经验值分别为0.2和1;h和H分别为当前迭代次数与最大迭代次数;p则为TDR迭代过程中的精度参数,本文中取经验值为6。

综上,多元宇宙算法MVO针对本文故障电弧的检测优势在于:位置更新条件的随机性较强,使得算法在探索解空间时效果优异;此外旅行距离率TDR及虫洞存在率WEP的引入,保证算法寻优迭代稳定趋向收敛。

3.4 故障电弧组合检测模型

整体故障电弧检测模型由MVO算法及SimAM-1DCNN算法组合而成,其中1DCNN网络由两层卷积层、池化层及SimAM模块构建成主体网络。为防止出现梯度爆炸等现象,于网络层中添加L2正则化,参数设为0.000 1,以及在卷积和池化操作间加入批规范化操作即BN(batch normalization)层,进一步嵌套SimAM模块于BN层和池化层之间,BN层计算公式为

(14)μ_X=$\frac{1}{n}\sum _{i\in (1,n)}$x_i

(15)${\sigma }_{X}^{2}$=$\frac{1}{n}\sum _{i\in (1,n)}({x}_{i}-{\mu }_{X}{)}^{2}$

(16)${\stackrel{\wedge }{x}}_{i}$=$\frac{{x}_{i}-{\mu }_{X}}{\sqrt{{\sigma }_{X}^{2}+\epsilon }}$

(17)y_i=γ ${\stackrel{\wedge }{x}}_{i}$+β≡BN_{γ,β(x_i)}

式中:x_i∈X={ x₁,x₂,…,x_n }为处理前数据;y_i为处理后数据;γ、β为重构参数;ε为大于0且接近0的常数。

整体SimAM-1DCNN算法框架及参数如表3所示。采用Adam优化算法,强化模型的泛化能力;采用Softmax作为全连接层激活函数以适配多分类问题;采用one-hot编码防止不同标签值对检测模型产生影响,同时选择分类交叉熵损失函数(categorical crossentropy)来适配,其公式为

(18)Loss($\stackrel{\wedge }{y}$,y)=-$\stackrel{n}{\sum _{i=1}}$[y_i${\stackrel{\wedge }{\mathrm{l}\mathrm{n}y}}_{i}$+(1-y_i)ln(1-${\stackrel{\wedge }{y}}_{i}$)]

式(18)中:y为真实标签;

$\stackrel{\wedge }{y}$

为预测标签。

MVO算法则用于搜寻主体网络中两层卷积层中的五个超参数,分别是两层卷积核的大小、数量及学习率。计算过程中,首先对宇宙种群位置及膨胀率进行随机初始化,并定义初始参数与变量,接着通过1DCNN卷积迭代计算出每个宇宙的膨胀率即适应度,随即进行归一化后比较得出最优适应度,排序选出当前最优宇宙。最后进入循环迭代计算,由式(12)、式(13)随机更新WEP、TDR两个参数,利用白洞、黑洞及虫洞机制更新宇宙种群位置后,再次计算各宇宙适应度并比较更新最优宇宙位置,循环直到满足最大寻优迭代次数,输出最优宇宙位置及适应度值。最终将搜寻到SimAM-1DCNN算法的五个最优超参数回代网络进行训练及验证得到最优结果。整体MVO-SimAM-1DCNN组合检测模型流程图如图10所示。

4 结果分析与对比

通过分析运算结果中验证集的准确率和损失值,以及设计并输出测试集的精确率、召回率、F₁分数等性能参数和混淆矩阵对模型性能开展评估,反映并验证模型中各模块的性能及其有效性。设计对照模型,进一步验证添加MVO算法和SimAM算法的优势及模型在响应时间上的高效性。

4.1 结果分析

数据集中训练集,验证集和测试集样本数量占比分别为7∶2∶1;MVO优化算法中定义初始参数如下:初始化最优解的适应度为无穷大,迭代轮次为0;设置种群数量为30,寻优迭代次数为20,搜索卷积核数量、大小和学习率的上边界分别为70、10、70、10、0.01,下边界分别为8、2、8、2、0.000 1;SimAM-1DCNN网络的迭代次数为50,批大小为28。最终MVO算法迭代计算得到最优参数为:第一层卷积核数量为65,大小为10;第二层卷积核数量为25,大小为10;学习率为0.000 1。

MVO算法的引入有效提升了模型的部署效率,省去模型的人工参数调优过程。如图11所示为最终模型在训练集及验证集上的准确率和损失值迭代曲线,观察曲线变化趋势,发现模型收敛较为迅速且在迭代20次后就已经趋向收敛。检测模型在训练集、验证集上的最终准确率和损失值如表4所示,最终准确率分别达到了98.89%和98.68%,损失值分别为0.075 4和0.101 2。

引入精确率P、召回率R和F₁分数进行性能测试,其中精确率反映出模型的准确性,召回率反映出模型正确捕获样本的能力,F₁分数对精确率和召回率进行权衡后反映出模型的综合性能,对应的表达式分别为

(19)P=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

(20)R=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(21)F₁=$\frac{2PR}{PR}$×100%

式中:TP(true positive)对应实际和预测均为正的样本数量;FP(false positive)对应实际为负但预测为正的样本数量;FN(false negative)对应实际为正但预测为负的样本数量。

最终检测模型在测试集上的各项性能参数输出结果如表5所示,其中准确率达到97.72%,精确率、召回率、F₁分数分别为97.76%、97.72%和97.68%,证明该组合模型在故障电弧分类任务上具备较优的准确性和综合能力。进一步引入混淆矩阵对测试集的随机样本进行检测,结果如图12所示。分析混淆矩阵图,发现496个正常样本均被正确识别;三类故障样本中共计4个样本出现错误识别,可见本文组合检测模型针对故障电弧的分类判断具备较高的准确率。

4.2 不同模型性能评估

为验证组合检测模型的优势,分别设计时域信号+1DCNN、时频域融合+1DCNN和时域信号+SimAM-1DCNN三种对比模型,其中1DCNN网络结构均与上文两层卷积操作保持一致。如图13~图15所示为三种模型的准确率与损失值迭代图像对比。

分析图像得知,融合时频域特征信息后,模型提高了准确率、减少了损失值,说明本文的特征融合方法能够强化故障电弧的检测效果;引入SimAM注意力机制后,模型收敛速度更快更平稳,说明SimAM能够快速强化重要特征抑制无效信息。随后计算并获取以上三种模型的测试集准确率与损失值并与上文组合模型进行比较,如表6所示,其中组合模型对准确率和损失值的优化效果较为显著。

为验证多元宇宙算法MVO在优化1DCNN超参数时,相较于其他类似优化算法的效果更优,本文均以卷积迭代后输出的最终损失值作为适应度构建模型,分别设计鲸鱼寻优算法(whale optimization algorithm, WOA)、灰狼寻优算法(grey wolf optimizer, GWO)、粒子群寻优算法(particle swarm optimization, PSO)三种对比模型,如图16所示为4种优化算法于20次寻优迭代过程中的适应度曲线,其中MVO收敛速度较快且平稳。各模型最终适应度如表7所示,适应度越低对应超参数效果越优,对比得知MVO具备更佳的寻优效果。

所有运算均在配置GPU-4090及Tensorflow2.1-GPU版本的计算机环境中完成。保存训练后的模型并随机选择部分样本进行计算,获取平均检测时间为0.086 2 s,并与其他文献中的算法进行比较,如表8所示。

结果说明本文的算法具备较快的检测速度,能够实现快速识别故障电弧。原因在于本文的算法模型网络层数相对较少,选取两层1DCNN与两层SimAM,相较于文献[29]参数量较少且计算相对简化;另一方面在于采样率和周期数的选取,本文分别设置为250 kHz、5个周期,单一样本数据量相较于文献[30]较少,使计算效率进一步优化。

5 结论

(1)设计搭建点接触、模拟振动、抗干扰等多种工况下的故障电弧实验平台,以获取正常与故障状态下电流时域数据,采用快速傅里叶变换得到频谱图像进一步提取分析频域特征,结果分析1 000~5 000 Hz频段谐波包含较多故障信息。

(2)提出一种基于MVO算法搜寻神经网络最优超参数,以及SimAM-1DCNN网络提取并强化关键特征的组合检测方法用于识别故障电弧。

(3)时频域融合后的数据作为组合检测模型的输入,训练模型后获取测试集准确率达到97.72%,单一样本检测时间相对其他文献方法减少到0.086 2 s,证明本文特征信息提取策略的有效性,同时组合模型相较其他传统模型具备更佳的识别率、鲁棒性和检测速度。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	张毅伟, 薛健敏. 新能源飞机动力系统的发展现状与趋势[J]. 军民两用技术与产品, 2025(4): 22-27.

[2]	Zhang Yiwei, Xue Jianmin. Development of power systems for new energy aircraft[J]. Dual Use Technologies and Products, 2025(4): 22-27.

[3]	刘苏德, 王子昕, 靖子洋, 等. 航空线缆电弧故障引发电气火灾研究综述[J]. 电气工程学报, 2023, 18(3): 18-34.

[4]	Liu Sude, Wang Zixin, Jing Ziyang, et al. Review of electrical fires caused by cable arcing faults in aviation[J]. Journal of Electrical Engineering, 2023, 18(3): 18-34.

[5]	张铁纯, 廖茂桥, 张波, 等. 航空接地故障电弧损伤影响研究与预测[J]. 中国民航大学学报, 2025, 43(1): 75-82.

[6]	Zhang Tiechun, Liao Maoqiao, Zhang Bo, et al. Study and prediction of the effect of aviation grounded faults arc damage[J]. Journal of Civil Aviation University of China, 2025, 43(1): 75-82.

[7]	刘宗杰, 王成全, 徐国强, 等. 对于Cassie电弧模型爆炸气体灭弧时间的研究[J]. 电子设计工程, 2020, 28(20): 162-166.

[8]	Liu Zongjie, Wang Chengquan, Xu Guoqiang, et al. A study on the arc extinction time of explosion gas in Cassie arc model[J]. Electronic Design Engineering, 2020, 28(20): 162-166.

[9]	崔建, 孙帅, 张国钢, 等. 基于双温度磁流体电弧仿真改进Mayr电弧模型的特快速暂态过电压仿真方法[J]. 电工技术学报, 2024, 39(16): 5149-5161.

[10]	Cui Jian, Sun Shuai, Zhang Guogang, et al. The very fast transient overvoltage simulation method based on two-temperature MHD arc simulation to improve Mayr arc model[J]. Transactions of China Electrotechnical Society, 2024, 39(16): 5149-5161.

[11]	张志亮, 王希彬, 贾临生, 等. 基于Schavemaker模型和小波分析的航空EWIS故障电弧检测技术[J]. 兵工自动化, 2024, 43(9): 49-54.

[12]	Zhang Zhiliang, Wang Xibin, Jia Linsheng, et al. Fault arc detection technology for aviation EWIS based on Schavemaker model and wavelet analysis[J]. Ordnance Industry Automation, 2024, 43(9): 49-54.

[13]	杨卓, 蔡晓斌, 吴波, 等. 基于近场测量的串联故障电弧传感器[J]. 传感器与微系统, 2022, 41(5): 99-101, 105.

[14]	Yang Zhuo, Cai Xiaobin, Wu Bo, et al. Series fault arc sensor based on near-field measurement[J]. Transducer and Microsystem Technologies, 2022, 41(5): 99-101, 105.

[15]	徐肖伟, 王科, 项恩新, 等. 基于电磁辐射到达时差的电弧故障定位及精度[J]. 科学技术与工程, 2024, 24(11): 4520-4526.

[16]	Xu Xiaowei, Wang Ke, Xiang Enxin, et al. Arc fault location accuracy based on time difference of arrival of electromagnetic radiation signals[J]. Science Technology and Engineering, 2024, 24(11): 4520-4526.

[17]	Ke Y, Zhang W B, Suo C G, et al. Research on low-voltage AC series arc-fault detection method based on electromagnetic radiation characteristics[J]. Energies, 2022, 15(5): 1829.

[18]	王毅, 刘黎明, 李松浓, 等. 基于经验小波变换复合熵值与特征融合的故障电弧检测[J]. 电网技术, 2023, 47(5): 1912-1919.

[19]	Wang Yi, Liu Liming, Li Songnong, et al. Arc fault detection based on empirical wavelet transform composite entropy and feature fusion[J]. Power System Technology, 2023, 47(5): 1912-1919.

[20]	崔芮华, 李泽, 佟德栓. 基于相空间重构和PCA的航空电弧故障检测[J]. 中国电机工程学报, 2021, 41(14): 5054-5065.

[21]	Cui Ruihua, Li Ze, Tong Deshuan. Arc fault detection based on phase space reconstruction and principal component analysis in aviation power system[J]. Proceedings of the CSEE, 2021, 41(14): 5054-5065.

[22]	高海洋, 王玮, 尚同同, 等. 基于小波能谱熵的串联型故障电弧检测方法[J]. 电工电能新技术, 2022, 41(12): 63-71.

[23]	Gao Haiyang, Wang Wei, Shang Tongtong, et al. Series fault arc detection method based on wavelet energy spectrum entropy[J]. Advanced Technology of Electrical Engineering and Energy, 2022, 41(12): 63-71.

[24]	杨洋, 黄罗杰, 李平, 等. 基于多维度特征提取的电弧故障检测方法[J]. 电子测量与仪器学报, 2021, 35(10): 107-115.

[25]	Yang Yang, Huang Luojie, Li Ping, et al. Arc fault detection based on multi-dimension feature extraction[J]. Journal of Electronic Measurement and Instrumentation, 2021, 35(10): 107-115.

[26]	丁叶飞. 基于时频域联合阈值判定的光伏电站直流故障电弧在线检测系统[J]. 太阳能, 2024(8): 104-111.

[27]	Ding Yefei. Online detecting system for DC fault arcs in PV power stations based on time-frequency domain joint threshold judgment[J]. Solar Energy, 2024(8): 104-111.

[28]	董志文, 苏晶晶. 基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法[J]. 电气技术, 2024, 25(1): 1-7.

[29]	Dong Zhiwen, Su Jingjing. Art fault detection method based on variational mode decomposition energy entropy hybrid time domain feature and random forest[J]. Electrical Engineering, 2024, 25(1): 1-7.

[30]	Hu P C, Kong Z M, Huang T, et al. Multi-risk factor and knowledge entropy framework for alternating current arc fault detection[J]. Electronics, 2025, 14(4): 708.

[31]	Li Z Q, Liu Y, Liang Z H, et al. A low voltage AC fault arc detection method based on multi-feature fusion[J]. Journal of Physics: Conference Series, 2024, 2814(1): 12030.

[32]	Wang W, Xu B Y, Zou G F, et al. Arc fault detection method based on voltage characteristic energy amplitude and phase mapping distribution distances[J]. Electric Power Systems Research, 2023, 225: 109866.

[33]	朱海. 基于鲸鱼优化算法改进随机森林的电弧故障检测方法[J]. 电器与能效管理技术, 2024(2): 21-27, 55.

[34]	Zhu Hai. Arc fault detection method based on whale optimization algorithm to improve random forest[J]. Electrical and Energy Management Technology, 2024(2): 21-27, 55.

[35]	刘艳丽, 王浩, 李佳原, 等. 基于多卷积和结构搜索的电弧故障检测模型[J]. 电子测量与仪器学报, 2024, 38(4): 117-127.

[36]	Liu Yanli, Wang Hao, Li Jiayuan, et al. Arc fault detection model based on multi-convolution and structure search[J]. Journal of Electronic Measurement and Instrumentation, 2024, 38(4): 117-127.

[37]	余琼芳, 路文浩, 杨艺. 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[J]. 计算机应用, 2021, 41(S1): 321-326.

[38]	Yu Qiongfang, Lu Wenhao, Yang Yi. Multi-branch series fault arc detection method based on deep long short-term memory network[J]. Journal of Computer Applications, 2021, 41(S1): 321-326.

[39]	Underwriter Laboratories Inc. UL Standard for safety for arc-fault circuit-interrupters UL 1699[M]. 2nd ed. Northbrook: Underwriter Laboratories Inc, 2006.

[40]	International S. Arc fault circuit breaker(AFCB), aircraft, trip-free single phase 115 VAC, 400 Hz-constant frequency: AS5692[S]. Warrendale: SAE Aerospace, 2004.

[41]	闫锋, 苏忠允. 基于时频域融合和ECA-1DCNN的航空串联故障电弧检测[J]. 科学技术与工程, 2024, 24(5): 1937-1945.

[42]	Yan Feng, Su Zhongyun. Aviation series arc fault detection method based on time frequency domain fusion and ECA-1DCNN[J]. Science Technology and Engineering, 2024, 24(5): 1937-1945.

[43]	高文迪. 基于深度学习对亚奈奎斯特采样信号的调制识别[D]. 北京: 北京邮电大学, 2024.

[44]	Gao Wendi. Deep learning based modulation recognition of sub-Nyquist sampled signals[D]. Beijing: Beijing University of Posts and Telecommunications, 2024.

[45]	高超, 刘泽辉, 曹栋, 等. 基于1DCNN-BiLSTM的电力电缆故障诊断[J]. 郑州大学学报(工学版), 2023, 44(5): 86-92.

[46]	Gao Chao, Liu Zehui, Cao Dong, et al. Fault diagnosis of power cable based on 1DCNN-BiLSTM[J]. Journal of Zhengzhou University(Engineering Science), 2023, 44(5): 86-92.

[47]	胡瑾秋, 张来斌, 胡洋柏, 等. 基于YOLOv5s-SimAM-ASFF的油气钻采井场安全隐患识别及智能穿戴设备研发[J]. 科学技术与工程, 2025, 25(16): 7004-7012.

[48]	Hu Jinqiu, Zhang Laibin, Hu Yangbai, et al. YOLOv5s-SimAM-ASFF-based oil and gas drilling and production wellsite safety hazard identification and smart wearable device development[J]. Science Technology and Engineering, 2025, 25(16): 7004-7012.

[49]	李谟发, 张志文, 胡斯佳, 等. 基于MVO算法与改进目标函数的电力系统负荷频率控制[J]. 电力系统保护与控制, 2024, 52(6): 1-14.

[50]	Li Mofa, Zhang Zhiwen, Hu Sijia, et al. Load frequency control of power systems based on an MVO algorithm and improved objective function[J]. Power System Protection and Control, 2024, 52(6): 1-14.

[51]	Liu X L, Huang D S, Jing T, et al. Detection of AC arc faults of aviation cables based on H-I-W three-dimensional features and CNN-LSTM neural network[J]. IEEE Access, 2022, 10: 106958-106971.

[52]	Jing T, Huang D S, Mi Z, et al. An intelligent recognition method of a short-gap arc in aviation cables based on feature weight enhancement[J]. IEEE Sensors Journal, 2023, 23(4): 3825-3836.

基金资助

西藏自治区科技厅重点研发与转化项目(XZ202402ZY0017)

中央高校基本科研业务费专项(25CAFUC08002-02)

中央高校基本科研业务费专项(J2023-030)

中国民用航空飞行学院研究生教育教学研究项目(XKJ2022-7)

PDF (9829KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-04	2026-04-18	2025-11-27
Online Date
2026-06-08

摘要