一種航空故障電弧檢測的判別算法的製作方法
2024-02-07 12:35:15 1
本發明涉及一種航空故障電弧檢測的判別算法，屬於航空故障電弧檢測領域。
背景技術：
隨著我國航空工業的高速發展，人們對航空安全越來越重視。航空系統工作環境複雜，例如，飛行過程中的振動會導致導線連接部分接觸不良，溫度變化和輻射都會導致輸電線路絕緣表面的老化等，而這些問題都有可能導致故障電弧的產生。
故障電弧根據其產生方式可以分為串聯故障電弧和並聯故障電弧；串聯故障電弧是由導線連接部分鬆動或接觸不良引起的；其故障電流一般較小。並聯故障電弧多發生在相線與中性線或相線與相線之間，是由於兩個或多個導線絕緣破壞，金屬導體露出，兩個相鄰導線之間發生短路造成的。並聯故障電弧一般比串聯故障電弧更危險，釋放出的能量更大。
故障電弧的持續時間短，且電流較小，航空斷路器無法動作，但這會使電纜出現極其嚴重的局部故障，從而造成飛機設備故障起火，甚至引起飛行故障或空難事故，造成機毀人亡的慘劇。因此故障電弧檢測技術的研究對航空事業的發展具有重要的現實意義。
常見的故障電弧特徵分為時域特徵或頻域特徵；時域特徵量包括平均值，電流變化率，標準差等，由於故障電弧產生時，均會存在突變，因此常見的故障判別方法基本將此突變特徵作為判據。
例如專利cn103384446a中提出了基於pcb空心變壓器檢測電弧電流變化率的裝置和方法。專利us2007/0133135中公開了一種通過電流平均值的變化檢測串行直流電弧，採用電流峰峰值檢測並行直流電弧的方法。上述兩個專利申請只從時域特徵方面對故障電弧電流進行了分析，並沒有考慮頻域特徵對故障電弧電流的影響。
技術實現要素：
本發明針對飛機電纜中存在的電弧故障，提出了一種航空故障電弧檢測的判別算法；提取故障電弧電流的部分時域特徵和頻域特徵作為訓練樣本，分別去構建支持向量機的預測模型，並利用構建的支持向量機辨別電弧的故障與正常狀態。
具體步驟如下：
步驟一、採集實驗平臺上不同負載下的故障電弧電流信號；
步驟二、判斷故障電弧電流信號為直流故障電弧電流還是交流故障電弧電流，如果是直流故障電弧電流，進入步驟三；否則，交流故障電弧電流進入步驟五；
步驟三、針對直流故障電弧電流，採用快速傅立葉分解，小波變換與信息熵相結合的方法提取故障電弧電流信號的兼具時域和頻域的特徵量；
特徵量包括：小波能量，信息熵和電流變化率。
首先，計算第m個採樣點的小波能量公式如下：
j為對故障電弧電流進行小波分解的層數，j≥3；dj(m)為第j層分量在第m個採樣點的重構細節分量。
然後，信息熵的具體過程如下：
步驟1)、將所有的採樣點劃分為n個採樣區間，針對每個採樣區間，將該採樣區間內的採樣點信號能量劃分為n+1個能量子區間；
依次選取m個採樣點作為一個採樣區間，根據m個採樣點的小波能量將該採樣區間的採樣點信號能量區間(0,∞)劃分為n+1個能量子區間；m＝(1,2,...m,...,m)；
在當前採樣區間下，若存在採樣點信號的小波能量值大於等於0.005，則選取最大的小波能量值設為en；利用en將能量區間(0,∞)分為n+1個區域，如下：
在當前採樣區間下，若所有採樣點信號的小波能量值都小於0.005，則定義該採樣區間的信息熵為0。
步驟2)、針對當前採樣區間，計算所有採樣點的小波能量分別同時出現在每個能量子區間的概率；
當前採樣區間初始值包括採樣點1～m；
第t個採樣區間中m個採樣點的小波能量同時出現在每個能量子區間的概率如下：
pt＝(pt1,pt2,...,pt,n+1)
pt,n+1表示在第t個採樣區間內的所有m個採樣點同時落在第n+1個能量子區間內的概率.
步驟3)、依次沿採樣時間軸向後移動1個採樣點，選擇下一個採樣區間，並計算所有採樣點的小波能量出現在每個能量子區間內的概率；
步驟4)、直至n個採樣區間全部計算完，得到概率矩陣p。
矩陣p的每一列表示某個採樣區間內所有採樣點的小波能量分別出現在n+1個能量子區間內的概率；
步驟5)、利用概率矩陣p中的每列值計算對應的該採樣區間的信息熵。
每個採樣區間的信息熵計算公式如下：
其中，pi為當前採樣區間內所有採樣點的小波能量出現在第i個能量子區間內的概率；對數底a不同，對應的信息熵單位不同；k為比例係數。
對信息熵的計算公式進行簡化和修正，如下：
第t個採樣區間的信息熵結果為：iet＝-k(ht1+ht2+…ht,n+1)；
依次計算出n個採樣區間的信息熵結果。
最後，計算相鄰採樣點間的電流差值與採樣周期的比值作為電流變化率(d)；
設d(m)為第m個採樣點的電流變化率，t為採樣周期，i(m)為第m個採樣點的電流值。
步驟四、用直流故障電弧的小波能量，信息熵和電流變化率特徵量作為訓練樣本，訓練支持向量機預測模型，並進入步驟七；
步驟五、針對交流故障電弧電流，採用快速傅立葉分解，小波變換與信息熵相結合的方法及經驗模態分解法提取故障電弧電流信號的兼具時域和頻域的特徵量；
特徵量包括：電流過零時刻附近的小波能量和信息熵，以及經驗模態分解的第四個本徵模函數值。
首先，計算第m個採樣點的小波能量公式如下：
j為對故障電弧電流進行小波分解的層數，j≥5；dj(m)為第j層分量在第m個採樣點的重構細節分量。
然後，信息熵的具體過程如下：
步驟1)、將所有的採樣點劃分為n個採樣區間，針對每個採樣區間，將該採樣區間內的採樣點信號能量劃分為n+1個能量子區間；
依次選取m個採樣點作為一個採樣區間，根據m個採樣點的小波能量將該採樣區間的採樣點信號能量區間(0,∞)劃分為n+1個能量子區間；
在當前採樣區間下，若存在採樣點信號的小波能量值大於等於0.035，則選取最大的小波能量值設為en；利用en將能量區間(0,∞)分為n+1個區域，如下：
在當前採樣區間下，若所有採樣點信號的小波能量值都小於0.035，則定義該採樣區間的信息熵為0。
步驟2)、針對當前採樣區間，計算所有採樣點的小波能量分別同時出現在每個能量子區間的概率；
當前採樣區間初始值包括採樣點1～m；
第t個採樣區間中m個採樣點的小波能量同時出現在每個能量子區間的概率如下：
pt＝(pt1,pt2,...,pt,n+1)
pt,n+1表示在第t個採樣區間內的所有m個採樣點同時落在第n+1個能量子區間內的概率.
步驟3)、依次沿採樣時間軸向後移動1個採樣點，選擇下一個採樣區間，並計算所有採樣點的小波能量出現在每個子能量區間內的概率；
步驟4)、直至n個採樣區間全部計算完，得到概率矩陣p。
矩陣p的每一列表示某個採樣區間內所有採樣點的小波能量分別出現在n+1個能量子區間內的概率；
步驟5)、利用概率矩陣p中的每列值計算對應的該採樣區間的信息熵。
每個採樣區間的信息熵計算公式如下：
其中，pi為當前採樣區間內所有採樣點的小波能量出現在第i個能量子區間內的概率；對數底a不同，對應的信息熵單位不同；k為比例係數；
對信息熵的計算公式進行簡化和修正，如下：
第t個採樣區間的信息熵結果為：iet＝-k(ht1+ht2+…ht,n+1)；
依次計算出n個採樣區間的信息熵結果。
最後，利用經驗模態分解方法提取本徵模函數imf4的值特徵。
經驗模態分解(emd)將信號分解為不同本徵模函數(imf)的疊加，經多次emd分解後第四個分量，即本徵模函數imf4在電流的「零休」時段內特徵值比較明顯。
步驟六、用交流故障電弧的小波能量，信息熵，經驗模態分解的第四個本徵模函數值三個特徵量作為訓練樣本，訓練支持向量機預測模型，並進入步驟七；
步驟七、利用直、交流故障電弧電流構建的兩個支持向量機預測模型分別辨別電弧的故障與正常狀態；
利用支持向量機預測模型進行判別直流電弧電流的故障時，通過輸入小波能量，信息熵和電流變化率三個特徵量，輸出標籤為1時，則輸入的直流電弧電流為正常電流；同時，將正常負載的啟動停止過程的電流突變也劃分為正常電流；否則，輸出標籤為-1時，則輸入的直流電弧電流為故障電流。
利用支持向量機預測模型進行判別交流電弧電流的故障時，通過輸入小波能量，信息熵和經驗模態分解的第四個本徵模函數值三個特徵量，輸出標籤為1時，則輸入的交流電弧電流為正常電流；同時，將正常負載的啟動停止過程的電流突變也劃分為正常電流；否則，輸出標籤為-1時，則輸入的交流電弧電流為故障電流。
本發明的優點在於：
1)、一種航空故障電弧檢測的判別算法，排除非線性負載正常啟動或停止期間由於電流不穩定或者變化幅度較大造成的誤判，增加了故障判別的準確性。
2)、一種航空故障電弧檢測的判別算法，對於直流故障電弧電流以小波能量、信息熵和電流變化率作為特徵量，對於交流故障電弧電流以小波能量、信息熵、經驗模態分解的第四個本徵模函數值(imf4)作為特徵量；選取多個特徵量，減少了故障特徵的偶然性，增加了判別的準確性。
3)、一種航空故障電弧檢測的判別算法，分別以故障特徵和正常特徵去訓練支持向量機預測模型，利用訓練好的支持向量機辨別電弧故障與正常狀態，對故障電弧，尤其是故障和正常臨界範圍內的特徵進行智能判別，減少了隨機性。
附圖說明
圖1是本發明針對串聯故障電弧模擬採集電流信號的實驗電路圖；
圖2是本發明針對並聯故障電弧模擬採集電流信號的實驗電路圖；
圖3是本發明一種航空故障電弧檢測的判別算法的流程圖；
圖4是本發明對每個採樣區間計算信息熵的方法流程圖；
圖5是本發明具體實施例中產生直流串聯故障電弧的電流波形示意圖；
圖6是本發明具體實施例中對5a故障電弧電流進行分解的示意圖；
圖7是本發明具體實施例中5a故障電弧電流的小波能量圖；
圖8是本發明具體實施例中直流電機啟動和停止電流波形示意圖；
圖9是本發明具體實施例中直流電機啟動電流的小波分解示意圖；
圖10是本發明具體實施例中直流電機啟動電流的小波能量圖；
圖11是本發明具體實施例中支持向量機對直流故障電弧的預測圖；
圖12是本發明具體實施例中交流串聯故障電弧時電流的波形圖；
圖13是本發明具體實施例中交流串聯故障電弧電流的小波分解圖；
圖14是本發明具體實施例中交流串聯故障電弧電流的小波能量圖；
圖15是本發明具體實施例中交流串聯故障電弧電流的emd分解圖；
圖16是本發明具體實施例中支持向量機對交流故障電弧的預測圖。
具體實施例
下面結合附圖對本發明的具體實施方法進行詳細說明。
本發明一種航空故障電弧檢測的判別算法，通過採集不同負載下的航空串、並聯故障電弧電流信號，採用快速傅立葉分解(fft)，小波變換(wt)與信息熵(ie)相結合的方法及經驗模態分解法(emd)，通過對不同負載條件下電流信號的小波變換和多次採樣分析，提取故障電弧電流信號兼具時域和頻域的特徵進行分析，增加了故障判別的準確性，並且將正常負載的啟動停止過程的電流與電弧電流也做了比較，以排除故障電流判別時產生的誤判；
如圖3所示，具體步驟如下：
步驟一、採集實驗平臺上不同負載下的故障電弧電流信號；
本算法是以模擬故障電弧實驗平臺為基礎的，直流航空電源28v或270v，交流航空電源115v，400hz，開關k，不同類型的負載z，示波器，鉗型電流傳感器t，串聯故障電弧發生裝置m；在串聯故障發生裝置中，靜觸頭1為固定的電極，觸頭2為可以移動的電極，其末端磨尖。步進電機帶動絲槓導軌，使電極移動，以此來模擬飛機導線鬆動或接觸不良造成的串聯故障電弧；並聯故障電弧實驗採用人為地破壞兩根並行導線的絕緣層，在兩根並行導線之間添加少量食鹽水、或者碳粉模擬導線被腐蝕或者碳化短路導電的情況。串聯故障電弧的模擬是通過步進電機帶動絲槓導軌，使電極移動，進而使得兩電極接觸或分離實現的。並聯電弧的模擬是將兩根人為破壞的導線綑紮串入電路，並在損壞暴露金屬導體的導線上散上碳粉。
針對串聯故障電弧模擬：
如圖1所示，按串聯故障電弧實驗電路圖將串聯發生裝置接入電路，兩觸頭相接觸；打開示波器調節合適的精度，採用下降沿觸發，設置電機控制參數，使得觸頭分開1mm。電源採用(28v)，閉合電路，使電路通電，電流穩定(5a)；後採集平臺上不同負載下的故障電弧電流信號。首先，打開電機電機轉動使得觸頭分離；每個實驗做30次，保存數據；然後，改變負載電流的大小(7a，10a)，重複以上實驗，保存數據；然後，改變電源電壓的大小(270v)，重複以上實驗，保存數據；最後，改變負載的類型(直流電動機、節能燈、白熾燈)，重複以上實驗，保存數據；
針對並聯故障電弧模擬：
如圖2所示，將並聯發生裝置接入電路，電源電壓為(28v)，中間的「閃電折線」代表故障發生段；在導線間撒上不同量的碳粉，示波器採用自動觸發。閉合電路，採集故障電弧的電流數據，重複實驗30次；改變不同碳粉量，記錄故障電弧電流的數據；改變電源電壓大小(270v)，重複上述並聯故障電弧實驗；交流故障電弧的模擬同直流故障電弧的模擬，將電源改變為115v(400hz)；將採集的數據通過以上數學方法分析比較。
顯然，本實驗只是模擬故障電弧的方式的一種舉例，而並非對實際步驟的限制，對於不同的人員，還可以採用與上述相似的方法，對於故障電弧電流分析的數學方法為此發明所保護的。
步驟二、判斷故障電弧電流信號為直流故障電弧電流還是交流故障電弧電流，如果是直流故障電弧電流，進入步驟三；否則，是交流故障電弧電流進入步驟五；
步驟三、針對直流故障電弧電流，採用快速傅立葉分解，小波變換與信息熵相結合的方法提取故障電弧電流信號的兼具時域和頻域的特徵量。
特徵量包括：小波能量，信息熵和電流變化率。
小波能量具有頻域特徵，計算得到的小波能量越大則故障電流就存在高頻分量；信息熵體現的是故障電弧電流在不同能量段內分布的均勻程序；而電流的變化量具有時域特徵，體現的是電流隨時間的突變程度。
首先，計算第m個採樣點的小波能量公式如下：
j為對故障電弧電流進行小波分解的層數，對於直流故障電弧電流信號的小波分解，採用至少三層小波分解，j≥3；優選用db4小波基；dj(m)為第j層分量在第m個採樣點的重構細節分量；直流故障電弧電流的小波能量的閾值為0.005。
不同頻段的小波能量能反映不同頻率段信號分量的大小，由於正常電流對近似分量a3的小波能量的大小影響很大，所以只採用高頻細節分量d3(m)，d2(m)，d1(m)求解小波能量。
然後，信息熵求解時涉及到概率分布的計算；如圖4所示，具體過程如下：
步驟1)、將所有的採樣點劃分為n個採樣區間，針對每個採樣區間，將該採樣區間內的採樣點信號能量劃分為n+1個能量子區間；
依次選取30個採樣點作為一個採樣區間，根據每次採樣的30個點的小波能量將該採樣區間的採樣點信號能量區間(0,∞)劃分為9個能量子區間；
在當前採樣區間下，若存在採樣點信號的小波能量值大於等於0.005，則選取最大的小波能量值設為en；利用en將能量區間(0,∞)分為9個區域，如下：
在當前採樣區間下，若所有採樣點信號的小波能量值都小於0.005，則定義該採樣區間的信息熵為0。
步驟2)、針對當前採樣區間，計算所有採樣點的小波能量分別同時出現在當前採樣區間劃分的每個能量子區間的概率；
當前採樣區間初始值包括採樣點1～30；依次的採樣區間為2～31，3～32……；
在具有30個採樣點的第1個採樣區間內，計算30個採樣點的小波能量同時出現在9個能量子區間的概率如下：
p1＝(p11,p12,p13,p14,p15,p16,p17,p18,p19)
p11表示在第1個採樣區間內的所有30個採樣點同時落在第1個能量子區間內的概率。
步驟3)、依次沿採樣時間軸向後移動1個採樣點，選擇下一個採樣區間的30個點，並計算所有採樣點的小波能量出現在下一個採樣區間劃分的每個能量子區間內的概率；
下一個採樣區間的採樣點包括2～31；第2個採樣區間的所有採樣點的小波能量同時出現在下一個採樣區間劃分的9個能量子區間內的概率如下：
p2＝(p21,p22,p23,p24,p25,p26,p27,p28,p29)
步驟4)、直至n個採樣區間全部計算完，得到概率矩陣p。
矩陣p的每一列表示某個採樣區間內所有採樣點的小波能量分別出現在該採樣區間劃分的9個能量子區間內的概率；矩陣中的每個值的第一個下標表示當前的採樣區間，第二個下標表示在當前採樣區間對應的能量子區間；
步驟5)、利用概率矩陣p中的每列值計算對應的該採樣區間的信息熵。
每個採樣區間的信息熵的計算公式為
其中，pi為當前採樣區間內所有採樣點的小波能量出現在第i個能量子區間內的概率；對數底a為2時，信息熵的單位為比特；對數底a為e時，信息熵的單位為奈特；對數底a為10時，信息熵的單位為迪特；k為比例係數；本實施例中，對數底a取2，常數k取1。
對信息熵的計算公式進行簡化和修正，如下：
依次計算出n個採樣區間的信息熵結果；
以第一組採樣區間為例：
利用概率分別計算：h11＝p11log2p11，h12＝p12log2p12，……h19＝p19log2p19；最終信息熵的結果為：即ie1＝-(h11+h12+…h19)；
同理，第t個採樣區間的信息熵結果為：iet＝-(ht1+ht2+…ht,n+1)。
最後，產生直流故障電弧時故障電流與非故障時刻電流的不同主要體現在電流值的變化率。計算相鄰採樣點間的電流差值與採樣周期的比值作為電流變化率(d)；
設d(m)為第m個採樣點的電流變化率，t為採樣周期，i(m)為第m個採樣點的電流值。
步驟四、用直流故障電弧的小波能量，信息熵和電流變化率特徵量作為訓練樣本，訓練支持向量機預測模型，並進入步驟七；
步驟五、針對交流故障電弧電流，採用快速傅立葉分解，小波變換與信息熵相結合的方法及經驗模態分解法提取故障電弧電流信號的特徵。
特徵量包括：電流過零時刻附近的小波能量和信息熵，以及經驗模態分解的第四個本徵模函數值。
首先，計算第m個採樣點的小波能量公式如下：
j為對故障電弧電流進行小波分解的層數，j≥5；dj(m)為第j層分量在第m個採樣點的重構細節分量。
交流故障電弧電流的小波能量的閾值為0.035。
對於電流信號的小波分解，採用五層小波分解，選用db4小波基，小波能量及信息熵的求取方法同上，但只計算電流過零時刻附近的小波能量與信息熵的值。
然後，信息熵的具體過程如下：
步驟1)、將所有的採樣點劃分為n個採樣區間，針對每個採樣區間，將該採樣區間內的採樣點信號能量劃分為n+1個能量子區間；
依次選取m個採樣點作為一個採樣區間，m＝(1,2,...m,...,m)；根據m個採樣點的小波能量將該採樣區間的採樣點信號能量區間(0,∞)劃分為n+1個能量子區間；
在當前採樣區間下，若存在採樣點信號的小波能量值大於等於0.035，則選取最大的小波能量值設為en；利用en將能量區間(0,∞)分為n+1個區域，如下：
在當前採樣區間下，若所有採樣點信號的小波能量值都小於0.035，則定義該採樣區間的信息熵為0。
步驟2)、針對當前採樣區間，計算所有採樣點的小波能量分別同時出現在當前採樣區間劃分的每個能量子區間的概率；
當前採樣區間初始值包括採樣點1～m；
第t個採樣區間中m個採樣點的小波能量同時出現在每個能量子區間的概率如下：
pt＝(pt1,pt2,...,pt,n+1)
pt,n+1表示在第t個採樣區間內的所有m個採樣點同時落在第n+1個能量子區間內的概率.
步驟3)、依次沿採樣時間軸向後移動1個採樣點，選擇下一個採樣區間，並計算所有採樣點的小波能量出現在下一個採樣區間劃分的每個子能量區間內的概率；
步驟4)、直至n個採樣區間全部計算完，得到概率矩陣p。
矩陣p的每一列表示某個採樣區間內所有採樣點的小波能量分別出現在n+1個能量子區間內的概率；矩陣中的每個值的第一個下標表示當前的採樣區間，第二個下標表示在當前採樣區間對應的能量子區間；
步驟5)、利用概率矩陣p中的每列值計算對應的該採樣區間的信息熵。
每個採樣區間的信息熵計算公式如下：
其中，pi為當前採樣區間內所有採樣點的小波能量出現在第i個子能量區間內的概率；對數底a為2時，信息熵的單位為比特；對數底a為e時，信息熵的單位為奈特；對數底a為10時，信息熵的單位為迪特；k為比例係數；本實施例中，對數底a取2，常數k取1。
對信息熵的計算公式進行簡化和修正，如下：
第t個採樣區間的信息熵結果為：iet＝-(ht1+ht2+…ht,n+1)；
依次計算出n個採樣區間的信息熵結果。
以第一組採樣區間為例：
利用概率分別計算：h11＝p11log2p11，h12＝p12log2p12，……h1,n+1＝p1,n+1log2p1,n+1，以第一組採樣區間為例，則第一個採樣區間內的信息熵ie1為ie1＝-(h11+h12+…h1,n+1)，同理，第m個採樣區間內的信息熵iem為iem＝-(hm,1+hm,2+…hm,n+1)。
最後，利用經驗模態分解方法提取本徵模函數imf4的值特徵。
經驗模態分解(emd)多用於處理非線性和非穩態信號，將信號分解為不同本徵模函數(imf)的疊加，經多次emd分解後第四個分量，即本徵模函數imf4在電流的「零休」時段內特徵值比較明顯。
步驟六、用交流故障電弧的小波能量，信息熵，經驗模態分解的第四個本徵模函數值三個特徵量作為訓練樣本，訓練支持向量機預測模型，並進入步驟七；
步驟七、利用直、交流故障電弧電流構建的兩個支持向量機預測模型分別辨別電弧的故障與正常狀態；
對於直流故障電弧電流以小波能量、信息熵和電流變化率作為特徵量，對於交流故障電弧電流以小波能量、信息熵、經驗模態分解的第四個本徵模函數值(imf4)作為特徵量，並以此作為訓練樣本，分別去構建支持向量機預測模型，利用構建的支持向量機辨別電弧故障與正常狀態。
根據多次採樣及數學分析，提取的故障電弧的部分特徵數據如下：
1)直流故障電弧在312.5～625hz頻率段內特徵較為明顯，部分非線性負載啟動或停止過程中電流的特徵頻率也在312.5～625hz範圍內；交流故障電弧在3906.5～7812.5hz頻率段內特徵較為明顯，部分非線性負載啟動或停止過程中電流的特徵頻率也在3906.5～7812.5hz範圍內。
2)直流電流信號經小波分解後的高頻分量d3和小波能量存在較大突變，且小波能量明顯大於0.005，而在多數非線性負載啟動或停止過程中，小波能量小於0.005，只有個別情況高於0.005；交流故障電流d5在電流過零時變化較為劇烈，故障電弧電流的小波能量高於0.035。部分非線性負載啟停時的小波能量高於0.035。
3)故障電弧電流的信息熵明顯大於0.4，因此可以設定信息熵閾值為0.4；非線性負載啟動或停止過程中電流的信息熵也可能高於0.4，但由於其存在過渡時間，超過過渡時間後，信息熵會迅速減小。而故障電弧具有偶然性，因此對存在故障的電路進行多次測量會發現，當超過過渡時間後，電路中電流信息熵依然存在大於0.4的情況；交流故障電弧產生的信息熵也大於1，而非線性負載啟停過程中的信息熵部分大於1。
4)發生串聯故障電弧的電流變化率在1000～20000a/s之間，非線性負載啟動流變化率在25～4300a/s之間。
5)交流故障發生時，imf4在過零點附近的值大於0.02，而未發生故障時的imf4的值基本為0.002左右。
僅僅利用單個故障特徵對直流故障電弧進行識別有一定的困難，很難找到一個閾值來判斷是否是故障電弧，而且也很難保證故障電弧判別的準確度。因此，本文採用了故障診斷中經常使用的支持向量機來判別故障電弧，這需要有一定的樣本來訓練支持向量機的模型。在支持向量機的分類學習方面，本文藉助了libsvm軟體包。libsvm是一個簡單、易於使用和快速有效的svm軟體包，該軟體對svm所涉及的參數調節相對比較少，提供了很多的默認參數，利用這些默認參數可以解決很多問題。
首先構建訓練所需的樣本庫，樣本庫為1000*4的矩陣，矩陣每一行的前三列為提取的故障電弧的特徵量，第四列為標籤列，用於分類，標籤列只能取1或者-1對於正常電流的特徵量，設置其對應的標籤為1，故障電弧電流的特徵設置其標籤為-1。
矩陣的前500行，即第1～500個樣本屬於第一類特徵量(正常電流的特徵量)，標籤設為1；矩陣的後500行，即第501～1000個樣本屬於第二類特徵量(故障電弧電流的特徵量)，標籤設為-1。
然後，用上述方法構造的樣本庫，作為支持向量機的輸入去訓練分類模型。
最後，利用訓練好的支持向量機辨別電弧故障與正常狀態，經測試準確率可達到95％以上。
針對直流故障電弧電流進行數據分析：
在電源電壓為28v，負載為純電阻，正常電流為5a的條件下，產生串聯故障電弧時的電流波形如圖5所示，橫坐標為時間，縱坐標為電弧電流的大小，分別採集了三種不同大小的故障電弧電流；從圖中可以看出，正常電流穩定在5a左右，觸頭未動作時，沒有電弧產生，電流基本穩定，電流變化率較小。隨著動觸頭運動，在兩觸頭未分離前，由於觸頭的鬆動，觸頭間的接觸電阻增大，電流略微減小。觸頭分離瞬間，電流突降，電弧開始產生，電弧燃燒時，電流震蕩劇烈，由於電弧電阻與負載是串聯的關係，電流值低於未產生電弧時的負載電流值。
對於5a直流故障電弧電流信號採用db4小波基進行分解，採用至少三層小波分解的示意圖如圖6所示，橫坐標為時間，縱坐標a3為對電流i分解得到的低頻分量，d3(m)，d2(m)，d1(m)分別為對電流i小波分解得到的高頻分量，d3(m)，d2(m)，d1(m)頻段依次升高；
對於5a直流故障電弧電流信號的小波能量圖如圖7所示，橫坐標為時間，縱坐標代表小波能量的大小；電源電壓為28v，正常負載電流為5a條件下，當電流突變時附近的小波能量值較大，這是因為小波分量d3(m)，d2(m)，d1(m)都存在較大的值。在未發生故障的非電弧區，小波能量為0。另外，從圖中可看出在電弧燃燒過程中，只要電流存在波動，小波能量值就會有較大的突變。
由於小波能量是通過各層小波分量計算而得，因此小波能量是小波分量的另一種表示形式，即小波能量的變化規律與小波分量的變化規律是一致的。由於電動機負載產生故障電弧時的電流變化劇烈，對比電阻性負載，電動機負載在故障發生時的小波能量高於電阻負載產生故障時的小波能量值。
除了故障電弧，各類負載的啟動和停止過程也會引起電流的變化，因此將電弧電流與各類負載啟動和停止電流區別開是有必要的，以防止對故障的誤判。
對比的是直流電機正常啟動或停止過程中電流的波形示意圖；如圖8所示，其中橫坐標為時間，縱坐標為啟停電流的大小；直流電機啟動時電流會突變到很高的幅值，隨後緩慢下降，最後穩定，停止時電流緩慢下降到零；
直流電機正常啟動電流的小波採用db4小波基進行分解，採用至少三層小波分解的示意圖如圖9所示，橫坐標為時間，縱坐標a3為對電流i分解得到的低頻分量，d3(m)，d2(m)，d1(m)分別為對電流i小波分解得到的高頻分量，d3(m)，d2(m)，d1(m)頻段依次升高；
直流電機正常啟動電流的小波能量圖如圖10所示，橫坐標為時間，縱坐標代表小波能量的大小；當電流突變時附近的小波能量值較大，這是因為小波分量d3(m)，d2(m)，d1(m)都存在較大的值。在未發生故障的非電弧區，小波能量為0。另外，從圖中可看出只要電流存在波動，小波能量值就會有較大的突變。
支持向量機對直流故障電弧的預測圖如圖11所示，其中實心點代表的是實驗數據真實的標籤值，黑色的圓圈代表的是用訓練好的支持向量機判別後得出的標籤值，從圖中可以發現，對測試樣本的準確率在90％以上。
針對交流故障電弧電流進行數據分析：
在交流電壓為115v，5a阻性負載下發生串聯故障電弧時電流的波形圖如圖12所示，橫坐標為時間，縱坐標為電弧電流的大小；
交流115v，5a阻性負載下的對於交流故障電弧電流信號採用db4小波基進行分解，採用至少五層小波分解的示意圖如圖13所示，橫坐標為時間，縱坐標a5為對電流i分解得到的低頻分量；
交流115v，5a阻性負載下的對於交流故障電弧電流的小波能量圖如圖14所示，橫坐標為時間，縱坐標代表小波能量的大小；
交流115v，5a阻性負載下的交流串聯故障電弧電流的emd分解圖，如圖15所示，橫坐標為時間，縱坐標為經驗模態分解得到的本徵模函數值imf，從上到下分別為imf1～imf5；
支持向量機對交流故障電弧的預測圖如圖16所示，其中實心點代表的是實驗數據真實的標籤值，黑色的圓圈代表的是用訓練好的支持向量機判別後得出的標籤值，從圖中可以發現，對測試樣本的準確率在90％以上。
本發明在實驗平臺上對不同負載下的直流串並聯航空故障電弧電流信號進行採集，採用快速傅立葉分解(fft)，小波變換(wt)與信息熵(ie)相結合的方法及經驗模態分解法提取故障特徵。通過對不同負載條件下電流信號的小波變換和多次採樣分析，分別從時域、頻域等方面提取了故障電弧的特徵。對於直流故障電弧電流以小波能量、信息熵和電流變化率作為特徵量，對於交流故障電弧電流以小波能量、信息熵、經驗模態分解的第四個本徵模函數值(imf4)作為特徵量，並以此作為訓練樣本，去構建支持向量機預測模型，利用構建的支持向量機(svm)辨別電弧故障與正常狀態，經測試準確率可達到95％以上。另外，此方法也可以排除正常負載啟停過程中的電流突變造成的誤判。