多模态特征融合在过电流引起并联击穿电弧检测中的应用

多模态特征融合在过电流引起并联击穿电弧检测中的应用一、内容综述 21.1过电流引起并联击穿电弧现象 21.2多模态特征融合技术概览 3 6二、多模态特征提取 7 2.1.3频域特征 2.2光信号特征提取 2.2.1光强特征 2.2.2光谱特征 2.2.3形态学特征 2.3热信号特征提取 2.3.1温度分布特征 2.3.2热辐射特征 2.4声信号特征提取 2.4.1声压特征 2.4.2声频特征 三、特征融合方法 403.1卷积神经网络 423.1.1结构与参数设计 3.1.2权重学习 3.2循环神经网络 3.3长短期记忆网络 3.4深度残差网络 4.1.1特征选择 5.1数据集与实验设置 5.3实际应用案例 六、结论与展望 技术通过整合多种传感器数据，如温度、电压和电流等，来提高对电弧发生状态的识别能力。以下表格概述了多模态特征融合技术的关键组成部分及其作用：关键组成部分作用温度传感器监测电弧周围的温度变化，为判断电弧是否形成提供依电压传感器实时监控电路中的电压波动，帮助确定电弧发生的时机。电流传感器捕捉电弧产生的电流变化，辅助判断电弧的强度和持续时内容像传感器利用视觉信息捕捉电弧的形态和位置，增强对电弧特性的理解。多模态特征融合技术通过综合这些传感器的数据，能够更准确地预测并联击穿事件的发生，从而提高电弧检测系统的准确性和可靠性。此外这种技术还可以减少误报率，因为单一传感器可能无法全面捕捉到电弧的所有特征。多模态特征融合技术在过电流引起的并联击穿电弧检测中的应用，不仅提高了检测的精度，还增强了系统的鲁棒性，使其能够在复杂和多变的电气环境中稳定运行。在电力系统中，过电流是一种常见的故障现象，它可能导致电气设备损坏或故障。当电路中的电流超过其额定值时，电阻会增大，产生大量的热能，这可能导致导体过热熔化，甚至引发电弧放电。电弧是一种强烈的放电现象，它在并联电路中尤为危险，因为电弧会在并联元件之间产生高温和高电压，从而导致并联元件的击穿。并联电弧通常发生在以下几种情况下：1.短路：当两个或多个导体之间发生短路时，电流会突然增加，导致过电流。短路电流可能导致导体过热熔化，从而产生电弧。2.绕组故障：变压器、电机等设备的绕组可能会出现绝缘损坏或接地故障，导致过电流。这些故障可能导致电弧的产生，进而引发并联元件的击穿。3.操作失误：在电力系统的调试、维护或运行过程中，操作人员的不当操作可能导致过电流，从而引发并联电弧。为了及时检测并联电弧，需要对并联电路进行实时监控。多模态特征融合是一种有效的方法，它可以从多种传感器获取信号，如电流、电压、温度等，并将这些信号进行处理和分析，以准确地识别并联电弧现象。接下来我们将详细介绍多模态特征融合在过电流引起并联击穿电弧检测中的应用。1.2多模态特征融合技术概览多模态特征融合技术作为一种先进的数据处理方法，旨在通过有效地整合来自不同模态(如电压、电流、声学等)的信息，提升整体特征的表征能力与检测精度。在过电流引起并联击穿电弧的检测领域，该技术展现出巨大的应用潜力。通过融合多种传感器的数据，可以更全面、准确地捕捉电弧现象的物理特性，从而为故障诊断提供更丰富的(1)多模态特征融合的基本原理多模态特征融合的核心在于解决不同模态数据之间的异构性问题。为了实现有效融合，通常需要经过特征提取、特征匹配和融合决策三个主要步骤：1.特征提取：从各个模态的数据中提取具有代表性的特征。例如，在电弧检测中，可以从电压信号中提取波形特征，从电流信号中提取时域和频域特征，从声学信号中提取频率和强度特征。2.特征匹配：将不同模态的特征进行对齐和匹配，以便后续融合。这可能涉及到时间对齐、尺度归一化等预处理步骤。3.融合决策：采用特定的融合策略(如加权求和、决策级融合等)将匹配后的特征进行融合，最终生成一个综合性的特征表示。(2)常用的多模态融合策略多模态融合策略的选择对最终的效果具有关键影响，常见的融合策略包括：融合策略描述加权求和融合通过为每个模态的特征分配权重，然后将加权后的特征进行求和，以生成综合特征。加权平均融合与加权求和类似，但使用加权平均而不是简单的求决策级融合分别对不同模态数据进行决策，然后将各个决策结果进行融合，以生成最终决策。早期融合在特征提取之前，将不同模态的数据进行融合，通常用于数据的高层融合。晚期融合在特征提取之后，将不同模态的特征进行融合，征。混合融合结合早期融合和晚期融合的优势，分别在不同层级的特征上进行融(3)多模态特征融合的优势在过电流引起并联击穿电弧检测中，多模态特征融合技术具有以下显著优势：●提高检测精度：通过融合多个模态的信息，可以更全面地捕捉电弧现象的物理特性，从而提高检测的准确性和可靠性。●增强鲁棒性：单一模态的数据可能会受到噪声、环境变化等因素的影响，而多模态融合可以有效地抑制这些干扰，增强检测系统的鲁棒性。●扩展检测范围：融合不同模态的数据可以扩展检测系统的感知范围，使其能够应对更复杂的检测场景。2.多模态特征概述(OverviewofMultimodalFeatures)3.实验设计(ExperimentalSetup)4.特征融合方法(FeatureFusionMethodology)5.评估与分析(EvaluationandAnalysis)●使用评价指标(如准确率、召回率、F1分数等)来测试模型的准确性和鲁棒性。6.结论与展望(ConclusionandOutlook)传感器类型信号类型采集范围/精度实际激励方案高速电流传感器电流信号0-10kA(±0.5%精度)Rogowski线圈压电式电压传感器电压信号0-2kV(±1%精度)压电陶瓷传感器自定义红外热像仪温度场分布-20℃至800℃(±2℃精智能超声检测仪声音频率成分20Hz-20kHz(±3dB精度)MEMS麦克风阵列2.核心特征提取方法2.1电弧电流特征电流信号是并联击穿电弧最直接的监测指标，其时频域特征可表示为：其中基频电流分量I(通常400Hz~1kHz)可反映电弧功率水平，高频谐波分量I主要与电弧电压突变相关。我们设计了基于Morlet小波变换的时频谱提取算法：defmorlet_wavelet_transform(signal,fs,scales):小波变换实现coeffs=cwt(signal,moreturnnp.abs(coeffs)返回模长谱2.2多模态特征向量构建将各传感器特征归一化后构建特征向量X:X=[ZC₁,ZC₂,Ik,|δV,THD其中各分量定义说明：特征名称公式表示物理意义范围/计算方法ZC_1电弧脉冲陡峭度[-5,5]线性归一化[0,1]阈值归一化lk>31。时触发特征名称公式表示物理意义范围/计算方法电压峰峰值[0,2kV]幅值归一化总谐波畸变率[0,1]线性归一化电弧重复频率[1Hz,1kHz]对数归一化自组织级别[0,1]Shannon熵值平均温度[300K,1500K]温度归一化局部最高温度[300K,2000K]温度归一化2.3融合优化流程N_current_samples=fsanaN_voltage_samples=N_current_samples//2N_temp_samples=N_current_samples//4N_audio_samples=N_current_sampsync_pwm=100ulelectrons/pulse微粒同步控制2.冗余校验：通过主成分分析将30维初始特征降维至21维有效空间。3.置信度加权：2.1电信号特征提取在多模态特征融合应用于过电流引起并联击穿电弧检测的过程中，首先需要对电信号进行特征提取。电信号特征提取是指从原始电信号中提取出能够反映电弧特性的关键信息，以便更好地进行后续的处理和分析。电信号的特征提取方法有多种，包括时频分析、小波变换、倒谱分析等。以下介绍其中几种常用的方法。(1)时频分析时频分析是一种常用的信号处理方法，它可以将信号分解为时域和频域两个方面的信息。通过时频分析，可以有效地研究信号的变化规律和特征。常用的时频分析方法有傅里叶变换(FFT)和短时傅里叶变换(STFT)。傅里叶变换可以将信号转换为频域信号，从而分析信号的频率成分；短时傅里叶变换可以同时分析信号的时域和频域特性。傅里叶变换是一种将时域信号转换为频域信号的方法，其数学表达式为：其中F(x(t))是频域信号，x(t)是时域信号，W是频率，t是时间。傅里叶变换可以有效地反映信号的能量分布和频率成分。短时傅里叶变换是在时域和频域之间进行平衡的一种方法，其数学表达式为：其中S(x(t),w)是短时傅里叶变换结果，N是-window长度，T是-timestep长度。短时傅里叶变换可以有效地分析信号的快速的时域变化和局部频率成分。(2)小波变换小波变换是一种基于波浪形的信号分析方法，它可以有效地分析信号的局部特征和(3)倒谱分析其中为电压信号的均值，N为采样点数。2.谐波分析：电压信号中可能包含高次谐波分量，这些谐波分量的存在可以反映系统的非线性特性，与击穿电弧的发生密切相关。通过傅里叶变换对电压信号进行谐波分析，可以量化各次谐波幅值和频率，从而识别潜在的击穿风险。电压信号的傅里叶变换表示为：其中f为频率，T为采样周期。3.小波变换：由于电压信号在击穿前后可能存在非平稳性的特性，小波变换能够提供时频域分析，更好地捕捉信号的局部特征。通过对电压信号进行小波分解，可以分析其在不同尺度下的细节系数，从而识别出击穿相关的特征。小波变换的离散形式表示为：其中a为尺度参数，b为位置参数，S(t)为小波母函数。电压特征提取示例：以下为电压特征提取的示例性表格，展示了不同击穿状态下电压特征的量化结果：击穿状态电压均值(V)波动幅度(V)主导谐波次数主导谐波幅值(V)正常轻微击穿3击穿状态电压均值(V)波动幅度(V)主导谐波次数主导谐波幅值(V)严重击穿5通过上述电压特征的提取和分析，可以为多模态特征融合一步提高过电流引起并联击穿电弧检测的准确性和灵敏度。过电流现象通常伴随着电弧的产生，因此电流信号成为电弧检测的首要特征。了解电流特征涉及以下几个方面：●概述：在过电流的初期，索氏系数被用来表征电流的幅值变化，其定义●检测方法：使用高频电流传感器测量并实时分析电流瞬时值。2.波形特征：●概述：电弧在微秒级导通，导致电流波形在过流区间出现瞬态峰值。通过傅里叶变换可以分解电流信号，从而获得其频谱特征。●检测方法：进行短时傅里叶变换(Short-TimeFourierTransform,STFT)或小波变换来分析时频特性。3.时域特征：●概述：时域特征包括电流波形的上升时间、峰值时间、下降时间和持续时间。●检测方法：通过时间间隔测量(例如，采样的电流值与基线值比较)来提取。4.统计特征：●概述：电流的统计特征包括电流均值、方差、偏度、峰度等静态统计量和电流变化趋势(平均增长率或衰减率)等动态统计量。●检测方法：使用统计工具直接分析历史电流数据或运用滑动窗口方法提取时序上的统计特性。5.相关系特征：●概述：电流特征可以与周围环境或系统的其他变量(如电压、温度等)存在相关性。相关系数可以帮助量化这种关联。●检测方法：通过构建相关系数矩阵分析特征间的关联性。下表是电流特征的总结，以供读者参考：特征维度特征类别幅值特征脉冲/瞬态电流的峰值和谷值，以及它们的比值波形特征频谱分析时域特征时间间隔和时序电流波形的上升、峰值、下降时间和整体持续时间统计特征描述统计量均值、方差、偏度和峰度等静态统计量，以及增长或衰减率等动态统计量征关联分析电压、电流、温度等变量间的相关系数分析，帮助识别影响电流的其他因素通过综合以上电流特征，可以建立多特征融合的检测系统，实现更加准确和高效的电弧辨识与保护。2.1.3频域特征频域特征是电力系统中故障信号分析的重要手段之一，通过傅里叶变换(FourierTransform)将时域信号转换为频域信号，可以揭示信号在不同频率上的能量分布和频率分量特性。在过电流引起并联击穿电弧检测中，频域特征能够有效捕捉电弧放电过程中产生的高频噪声、谐波以及基波扰动等关键信息，从而为故障诊断提供有力支撑。(1)傅里叶变换与特征提取对于采集到的电流信号(i(t)),其傅里叶变换定义为：其中(I(+))表示频域信号，(f)为频率，(J)为虚数单位。通过对电流信号进行快速傅里叶变换(FFT),可以得到其在不同频率下的幅值和相位信息。【表】展示了典型电弧放电的频域特征。◎【表】典型电弧放电频域特征特征类别频率范围(Hz)幅值特性主要来源基波频率电网供电中等电弧非线性负载高频噪声较低电弧放电不稳定因素(2)主要频域特征分析1.频谱幅值分析频谱幅值可以反映不同频率分量的能量分布，在正常工作状态下，电流信号的频谱主要集中在基波频率及其谐波附近。当发生并联击穿电弧时，电弧放电会产生额外的频谱峰值，特别是在高频区域。通过分析频谱幅值的变化，可以判断是否存在电弧故障。2.谐波含量分析谐波含量是评估电力系统质量的重要指标之一，电弧放电作为一种非线性负载，会在电流信号中引入显著的谐波分量。通过计算总谐波畸变率(TotalHarmonic其中(Vn)为第(n)次谐波的有效值，(V₁)为基波的有效值。3.高频噪声特征电弧放电的非稳态特性会导致高频噪声的出现，通过分析高频噪声的频谱分布和能量占比，可以进一步确认电弧故障的存在。高频噪声通常集中在(>1kHz)的频率范围内，其幅值虽然较低，但对故障诊断具有重要意义。(3)实际应用中的优势在过电流引起并联击穿电弧检测中，频域特征具有以下优势：●抗干扰能力强：频域分析可以有效滤除工频干扰和噪声，突出电弧特有的频谱特●故障识别准确：通过频谱峰值、谐波含量和高频噪声等特征，可以实现对电弧故障的准确识别和定位。●计算效率高：快速傅里叶变换(FFT)算法的广泛应用使得频域特征提取计算效率高，适用于实时监测系统。频域特征在过电流引起并联击穿电弧检测中具有重要的应用价值，能够为故障诊断提供丰富且可靠的信息。2.2光信号特征提取在过电流引起并联击穿电弧检测中，光信号特征提取扮演着至关重要的角色。由于电弧产生时伴随有光亮和光辐射，通过对光信号的有效提取和分析，可以获取有关电弧的重要信息。(1)光信号特点下特点：(2)特征提取方法量分布。这有助于识别电弧光谱的特定特征，进而区(3)特征选择与处理式识别等方法来判断是否发生并联击穿电弧。此(如电流、电压等)进行多模态特征融合，以提高检测的准确性和可靠性。特征类型作用强度特征光电传感器识别强度突变的瞬间，判断电弧产生频谱特征光谱分析仪识别电弧光谱的特定特征，区分正常与异常状态通过以上方法，可以有效地从光信号中提取出与并联击穿电弧相关的特征，为后续的检测和分析提供重要依据。在过电流引起并联击穿电弧检测中，光强特征是一个重要的物理量，它反映了电弧产生的过程中的光辐射强度。光强特征可以通过测量电弧发光强度来获得，通常使用光电二极管或其他光电传感器进行实时监测。◎光强与电弧强度的关系光强与电弧强度之间存在一定的关系，当电弧产生时，会释放大量的能量，导致周围介质电离并产生光辐射。因此电弧强度越大，产生的光强也越强。通过测量光强，可以间接地反映电弧的强度和状态。◎光强特征的提取方法为了从光强信号中提取有用的特征，可以采用多种方法，如峰值检测、平均值计算、小波变换等。这些方法可以帮助我们提取光强信号中的主要特征，为后续的算法提供输法特征类型优点缺点峰值检测突出信号峰值能够准确捕捉信号中的最大值预测信号整体水平可能丢失信号中的局部小波变换分析信号时频能够捕捉信号的时域和频域信息在实际应用中，可以根据具体需求选择合适的光强特征提取测的准确性，可以将多种特征组合起来，形成更加丰富的特征向量，用于后续的分类和识别任务。◎光强特征在电弧检测中的应用通过对光强特征的提取和分析，可以实现对过电流引起并联击穿电弧的检测。例如，当检测到光强信号出现异常波动时，可能意味着电弧的产生或发展。此时，可以结合其他电气量特征(如电流、电压等)进行综合判断，从而提高检测的准确性和可靠性。此外光强特征还可以用于优化电弧检测系统的性能，例如，通过调整光电传感器的参数或优化信号处理算法，可以提高光强特征的提取精度和稳定性，进而提升整个系统的检测性能。光谱特征是描述材料或物体在特定波长下吸收或发射光的能力的一组数据。在电弧检测中，通过分析电弧产生的光谱特征，可以有效地识别和定位过电流引起的并联击穿(1)傅里叶变换红外光谱(FTIR)傅里叶变换红外光谱技术是一种常用的光谱分析方法，它能够提供物质分子振动频率的信息。在电弧检测中，可以通过测量电弧产生的红外光谱来获取有关电弧气体成分和温度的信息。(2)拉曼光谱拉曼光谱技术利用激光激发样品中的分子振动，然后通过散射光的频移来获取分子振动信息。在电弧检测中，拉曼光谱可以用于分析电弧气体的成分和状态。(3)紫外-可见光谱紫外-可见光谱技术通过测量样品对紫外光和可见光的吸收特性来获取有关样品的(4)光谱特征与电弧的关系(5)光谱特征的提取与应用(1)开运算(OpenOperation)可以帮助识别电弧等离子体的轮廓和边界。开运算的基本公式如下：其中δ(x,y)是一个小的structuralelement(结构元素),通常表示为一个小的正方形或圆。开运算可以消除内容像中的小噪声和细节，突出电弧等离子体的主要轮廓。(2)关运算(CloseOperation)关运算与开运算相反，用于连接内容像中的连通区域。它可以将电弧等离子体周围的小区域合并成一个较大的区域，关运算的基本公式如下：通过应用开运算和关运算，可以得到电弧等离子体的二值化内容像，其中电弧区域被表示为高亮度值，背景区域被表示为低亮度值。(3)变换算子(TransformOperators)变换算子是一种常见的形态学操作，它可以将原始内容像转换为新的内容像，同时保留某些形状和结构信息。例如，腐蚀(Erosion)操作可以消除内容像中的小圆点和噪声，膨胀(Dilation)操作可以扩大内容像中的连通区域。在电弧检测中，变换算子可以用于增强电弧的特征和提取更多关于电弧的信息。(4)滤波器(FilterOperators)滤波器是一种用于调整内容像像素值的算法，在电弧检测中，滤波器可以用于平滑内容像，减少噪声，并突出电弧的特征。例如，高斯滤波器(GaussianFilter)可以减少内容像中的高频噪声，使得电弧轮廓更加清晰。以下是一个使用开运算和关运算对电弧等离子体内容像进行二值化的示例：输入内容像：然而形态学特征仅依赖于内容像的灰度值，因此对于颜色信息和光照变化敏感的场2.3热信号特征提取(1)热信号传感器选择物体热辐射与温度的关系，遵循普朗克辐射定律：其中E(A,7)表示波长为λ、温度为T时的单色辐射出射度，h为普朗克常数，c为光速，k为玻尔兹曼常数。在实际应用中，红外热像仪通过积分所有波段的辐射能量，得到温度内容像。(2)温度特征提取方法从红外热像仪获取的温度内容像中，可以提取以下关键特征：1.平均温度：整个电弧区域的平均温度值，反映电弧的整体发热水平。2.峰值温度：电弧区域中的最高温度点，通常与电弧的最活跃放电区域对应。3.温度梯度：电弧区域温度的空间变化率，用于表征电弧的稳定性。4.温度分布均匀性：通过标准差或方差衡量温度分布的均匀程度。以上特征可以通过以下示例表格进行总结：特征名称数学表达式物理意义平均温度电弧整体发热水平峰值温度电弧最活跃放电区域温度特征名称数学表达式物理意义温度梯度电弧稳定性温度分布均匀性温度分布的均匀程度(3)特征融合与处理括主成分分析(PCA)和多尺度分解(如小波变换)。例如，通过PCA可以将原始特征空Y=XW其中X为原始特征矩阵，W为特征向量矩阵，Y为主在分析温度分布特征时，常用的数学模型之一是所谓的“热其中(p)是材料的密度，(cp)是定压比热容，(▽)表示梯度，(k)是热导率，(4是热源(在此处为电弧产生的热量)。实验中，往往通过在接触面上安装热敏电阻或红外线热像仪来测量温度变化。例如，在一组测试中，可以观察到以下结果：测试序号电弧电流(A)峰值温度(°C)温度上升速率(°C/s)1234上表展示了在不同电流电弧下的温度分布特征，注意到随着电流的增加，峰值温度和温度上升速率显著增大，这提示我们电力设备和系统在面对不同类型和程度的负荷时，温度分布特征可以作为预测并联击穿电弧发生的关键因素。为了有效利用温度分布特征，需要进行特征提取与融合。除了温度值，可以计算其他相关参数如温度变化率、温度梯度以及热流密度等，以增强检测效果。结合其他传感器数据如气体浓度、声音等构成多模态数据集，使用机器学习算法进行特征融合，从而提高电弧检测的准确性和鲁棒性。诸如支持向量机(SVM)或神经网络(ANN)等机器学习模型可以作为工具来训练和优化特征提取后的数据，最终实现对电弧状态的实时和准确检测。总结起来，温度分布特征在并联击穿电弧检测中，不仅提供了一个关键的早期预警信号，还与多模态特征的融合为实现精确检测电弧奠定了坚实的基础。有效的温度分布特征提取与融合策略能够显著提升系统的识别准确率和响应速度，进而提高电力设备的安全性。2.3.2热辐射特征在过电流引起并联击穿电弧检测中，热辐射特征是一种重要的多模态信息。电弧放电过程中会产生大量的热量，导致电弧通道及其周围区域的温度显著升高。这种温度变化通过红外辐射的方式传播，可以被红外传感器捕捉到，从而形成热辐射特征。(1)热辐射机理热辐射的机理主要基于黑体辐射理论，根据普朗克定律，黑体辐射的能量密度与温度的关系可以表示为：(E(A,T))是波长为(A)、温度为(7)时的辐射能量密度。(h)是普朗克常数。(k)是玻尔兹曼常数。在实际应用中，电弧并非理想的黑体，但其辐射特性在很大程度上可以用黑体辐射模型来近似描述。(2)热辐射特征提取为了有效地提取热辐射特征，通常采用红外相机对电弧区域进行实时监测。通过红外内容像，可以获取电弧的温度分布信息。常见的热辐射特征提取方法包括：1.温度均值：电弧区域内的温度均值可以反映电弧的整体热辐射强度。2.温度方差：温度方差可以反映电弧温度的分布均匀性。3.温度梯度：温度梯度可以反映电弧温度的局部变化情况。(3)热辐射特征的优势热辐射特征具有以下优势：1.非接触测量：红外传感器可以非接触地测量电弧的温度，避免了传统接触式测温方法的干扰和损坏。2.实时性：红外相机可以实时捕捉电弧的热辐射信息，便于实时监测电弧状态。3.高灵敏度：红外技术对温度变化具有较高的灵敏度，能够捕捉到微小的温度变化。(4)实验结果通过对实际电弧进行红外监测，提取了热辐射特征并与其他特征(如光学特征)进行了对比。实验结果表明，热辐射特征在区分正常状态和击穿电弧状态方面具有较高的准确性和鲁棒性。具体实验结果如【表】所示：特征准确率(%)召回率(%)热辐射特征光学特征【表】热辐射特征与其他特征的对比通过上述分析，可以看出热辐射特征在过电流引起并联击穿电弧检测中具有重要的应用价值。2.4声信号特征提取在多模态特征融合中，声信号特征提取是一个关键步骤。声信号可以反映并联击穿电弧发生时的物理现象，从而为电弧检测提供有价值的信息。本文介绍了几种常见的声信号特征提取方法。(1)傅里叶变换(FFT)傅里叶变换是一种将时域信号转换为频域信号的方法，可以用于分析声信号的频谱特性。通过FFT,我们可以提取出电弧发生时的频率峰值，这些峰值可能与电弧的类型、能量和位置等相关。傅里叶变换的计算公式如下：其中F(x(t))是频域信号，x(t)是时域信号，w是角频率。(2)短时傅里叶变换(STFT)短时傅里叶变换可以在时域和频域之间进行双向转换，可以更好地捕捉信号的变化过程。短时傅里叶变换的计算公式如下：其中8表示卷积操作，δ(t)是脉冲函数。通过STFT,我们可以提取出电弧发生时的瞬时频率和能量信息。(3)小波变换(WaveletTransform)小波变换可以更好地处理非平稳信号，即信号的频率成分随时间变化。小波变换的分析窗口大小可以调整，从而提取出不同频率范围内的信号特征。小波变换的计算公式其中W(u,w)是小波变换系数，x(t)是时域信号，λ是小波尺度。(4)微分牛顿方法(DifferentialNewtonMethod,DNM)微分牛顿方法是一种基于导数的信号处理方法，可以通过对声信号进行求导来提取其特征。微分牛顿方法的公式如下：其中f(xn)是声信号，xn是当前时刻的信号值。通过DNM,我们可以提取出声信号的变化率和趋势。(5)相关性分析相关性分析可以用于量化两个信号之间的相似程度，通过计算声信号与其他特征之间的相关性系数，我们可以判断它们之间的相关性程度，从而进一步提取特征。声信号特征提取是多模态特征融合中非常重要的一环，可以提取出电弧发生时的频率、能量和位置等信息。本文介绍了几种常见的声信号特征提取方法，包括傅里叶变换、短时傅里叶变换、小波变换和微分牛顿方法等。这些方法各有优缺点，可以根据实际应用需求选择合适的提取方法。声压特征是分析过电流引起并联击穿电弧时的重要物理量之一。在进行多模态特征融合时，声压特征能够提供关于电弧放电时间、空间分布及能量释放的关键信息。电弧放电过程中会产生高频噪声和低频振动，通过麦克风阵列采集到的声压信号包含了丰富的故障特征。(1)声压信号采集与预处理声压信号的采集通常采用高灵敏度麦克风阵列，布置在距离电弧发生位置的不同位置上。为了消除环境噪声的影响并提取有效特征，需要对原始声压信号进行预处理。预处理的主要步骤包括：1.滤波：通过带通滤波器去除直流分量和低频噪声(如≤50Hz的工频干扰)以及高频噪声(如≥5kHz的高频杂波),保留电弧放电特征频段(通常为100Hz~5kHz)。2.归一化：将声压信号幅值归一化到[-1,1]范围内，以消除不同麦克风灵敏度差异和距离衰减的影响。3.去噪：采用小波变换或自适应滤波等方法抑制残余噪声。设采集到的原始声压信号为(p(t)),经过预处理后的信号为(pn(t)),则：其中(μ)为信号均值，(0)为信号标准差。(2)关键声压特征提取在多模态特征融合中，提取的声压特征应能有效区分正常状态与故障状态。以下是几种常用的声压特征：特征名称物理意义均方根(RMS)信号能量强度，反映电弧功率大小特征名称物理意义幅值包络(AEV)统计特征信号对称性，异常电弧通常具有偏态分布时间频域特征通过傅里叶变换获得频谱，识别特征频率(如(3)声压特征与多模态融合的优势声压特征具有以下优势：1.实时性：声波传播速度快，特征提取和处理所需时间较短，适合实时监测。2.抗电磁干扰：声压特征不受电磁场的影响，环境适应性较好。3.空间导向性：麦克风阵列可根据声波到达时差和强度计算电弧位置，为多模态融合提供空间信息。在多模态特征融合中，声压特征可与电流、温度等其他模态特征协同工作，提高故障检测的准确率。例如，通过支持向量机(SVM)将声压RMS特征与电流突变量特征结合，可获得较高的检测精度(>95%)。在电力系统发生短路故障时，会产生显著的声信号，这些声信号通常表现为高频噪声或特定频率的和谐音。声频特征在电弧故障检测中具有重要的意义，因为它们能够提供故障发生位置和性质的信息。(1)声频特征的获取声频特征的获取通常通过安装麦克风或声学传感器来实现，这些设备可以捕捉到故障发生时所产生的声音信号，转换成电信号后进行分析和处理。传感器类型优点缺点麦克风价格低廉、易于安装声学传感器频谱分辨率高、抗干扰能力强成本较高、安装复杂(2)声频特征的分析和提取声频信号的分析通常包括以下几个步骤：1.信号预处理：包括去噪、滤波和平移对齐等步骤。2.频谱分析：通过傅里叶变换将时域信号转换为频域信号，以识别特定频率成分。3.时频特性分析：如短时傅里叶变换(STFT)、小波变换(WaveletTransform)等技术，进一步揭示声信号的时频特性。描述频率成分信号中不同频率部分的分布频谱分析频率中心噪声信号的主要频率频率方差指示噪声频率波动程度频率成分分析频率边带指示频率范围变化情况小波变换(3)声频特征的分类与特征选择声频特征需经过分类和选择以提高故障检测的有效性，常用的分类方法包括：1.监督学习：通过已标注的训练数据(有已知故障类型的声信号)来训练分类器。2.无监督学习：通过数据的自相关性或主成分分析(PCA)等降维技术来识别常见特征选择可以通过以下技术实现：●统计方法：如相关性分析、卡方检验等。●模型依赖方法：如嵌入式方法(如决策树中的信息增益)和非嵌入式方法(如递归特征消除)。(4)声频特征在电弧检测中的应用声频特征可以与其他模态特征(如电流、电压、温度等)结合，通过多模态特征融合技术，提高电弧故障检测的准确性和可靠性。1.特征融合模型：包括级联模型、特征加权模型、特征集成模型等。2.特征融合过程：包括信号的采集、预处理、特征提取、特征融合和决策等步骤。通过对声频特征的有效分析和融合，可以更准确地检测过电流引起的并联击穿电弧，从而维护电力系统的安全和稳定运行。在过电流引起并联击穿电弧检测中，多模态特征融合旨在将来自不同传感模态(如电流、电压、声学、光学等)的信息进行有效整合，以提高检测的准确性和鲁棒性。特征融合方法主要包括早期融合、晚期融合和混合融合三种策略。1.早期融合早期融合是指在特征提取阶段将来自不同模态的特征向量直接合并，形成一个高维特征空间。这种方法简单直观，但容易丢失各模态的独特信息。常用的早期融合方法包·向量拼接(VectorConcatenation):将不同模态的特征向量在某一维度上进行简单拼接，形成一个复合特征向量。设第(i)个模态的特征向量为(fi∈Rdi),则拼接后的特征向量为：●加权求和(WeightedSum):对每个模态的特征向量进行加权求和，权重可通过晚期融合是指在分别提取各模态特征并进行决策后，将各模态的决策结果进行融合。这种方法可以充分利用各模态的优势，但可能丢失部分细节信息。常用的晚期融合方法例如，设第(i)个模态的决策结果为(yi∈{0,1}),则最终决策结果(y)为：-贝叶斯融合(BayesianFusion):基于贝叶斯决策理论，对各模态的先验概率和现全局优化。常见的混合融合方法包括：●分层融合(HierarchicalFusion):先进行局部模态融合，再进行全局决策融合。例如，可以先将若干相邻模态的特征进行拼接或加权求和，形成多个中间特征，再对这些中间特征进行决策融合。●注意力机制(AttentionMechanism):通过学习不同模态的注意力权重，动态地调整各模态特征的贡献程度。设注意力权重为(α=[a₁,α2,…,a]),则融合后的特征为：注意力权重(α)可以通过以下公式动态计算：其中(W)为权重矩阵。选择合适的特征融合方法可以显著提高过电流引起并联击穿电弧检测的性能。实际应用中，应根据具体需求和数据特点选择合适的融合策略。3.1卷积神经网络在并联击穿电弧检测中，内容像识别与处理技术发挥着重要作用。多模态特征融合结合了不同感知方式的数据，提供了更全面、更准确的信息。卷积神经网络(CNN)作为一种深度学习的代表性算法，特别适用于内容像相关的处理任务。在本节中，我们将详细介绍卷积神经网络在过电流引起并联击穿电弧检测中的应用。◎CNN基础针对并联击穿电弧检测的特点，需要设计合适的CNN结构。这包括卷积层的数量、的特征。◎实验与性能评估集、预处理、模型训练、测试等环节。通过对比不同模型的性能指标(如准确率、召回率等),评估CNN在实际应用中的表现。以下是一个简单的表格，展示了CNN中一些关键参数的设置示例：参数名称符号卷积核大小3x3,5×5等步长(stride)S1,2等滤波器数量N根据任务需求设定参数名称符号示例值/描述A表示激活值，B表示输入特征内容，K表示卷积核，b表示偏置项，1表示层数，f表示激活函数。这个公式描述了卷积层的基本运算过程。(1)系统总体结构本系统旨在实现过电流引起的并联击穿电弧的实时检测，通过多模态特征融合技术对电流信号、电压信号以及温度信号等多种信息进行综合分析，以准确判断电弧的产生与熄灭。系统的总体结构主要包括以下几个部分：●传感器模块：负责采集电流、电压及温度等关键信号。●信号预处理模块：对采集到的信号进行滤波、放大和模数转换(ADC)等预处理操作。●特征提取与融合模块：从预处理后的信号中提取出有用的特征，并通过多模态特征融合算法将这些特征整合在一起。●判断与决策模块：基于融合后的特征，通过设定的阈值和逻辑判断电弧的状态。●输出模块：将判断结果以声光报警或数字信号的形式输出给用户。(2)传感器模块设计传感器模块是系统的感知器官，其性能直接影响到整个系统的检测精度。为确保系统的可靠性和准确性，我们选用了高精度的电流互感器(CT)、电压互感器(VT)以及温度传感器。●电流互感器(CT):用于精确测量电路中的电流变化，其输出信号经过精确的处理后输入到信号预处理模块。●电压互感器(VT):用于测量电路中的电压变化，其输出信号同样需要经过预处●温度传感器：采用热敏电阻或热电偶等类型，用于监测设备的工作温度，将温度信号转换为电信号输出。(3)信号预处理模块设计信号预处理模块的主要任务是对传感器模块采集到的原始信号进行必要的处理，以提高信号的质量和可用性。●滤波：采用低通滤波器去除信号中的高频噪声和干扰。●放大：使用仪表放大器对微弱的电流电压信号进行放大，以增强信号的幅度。●模数转换(ADC):将模拟信号转换为数字信号，以便于后续的处理和分析。(4)特征提取与融合模块设计特征提取与融合模块是本系统的核心部分之一，其性能直接决定了电弧检测的准确性和实时性。●特征提取：从预处理后的信号中提取出如波形特征、频域特征、时域特征等多种特征参数。●多模态特征融合算法：采用先进的机器学习、深度学习等算法，将不同模态的特征进行整合和融合，以得到更具代表性的综合特征。(5)判断与决策模块设计判断与决策模块根据融合后的特征参数，结合预设的阈值和逻辑规则，对电弧的状态进行判断。●阈值设定：根据设备的工作条件和历史数据，设定合理的阈值用于判断电弧的的产生与熄灭。●逻辑判断：采用逻辑运算符对融合后的特征进行综合判断，如与、或、非等操作。(6)输出模块设计输出模块负责将判断结果以声光报警或数字信号的形式输出给用户。●声光报警：当检测到过电流引起的并联击穿电弧时，系统会发出声光报警信号以引起用户的注意。●数字信号输出：同时，系统还可以将判断结果以数字信号的形式输出给上位机或远程监控系统。3.1.2权重学习在多模态特征融合过程中，不同模态的特征具有不同的信息量和重要性。为了有效融合这些特征，需要为每个模态分配合适的权重。权重学习旨在通过优化算法，自动学习并确定各个模态特征的融合权重，从而实现最优的特征融合效果。(1)权重学习的基本原理权重学习的基本目标是找到一个权重向量(w=[w₁,W₂,…,wn]),其中(w;)表示第(i)个模态特征的权重，且满足归一化约束：权重向量的学习通常基于一个损失函数，该损失函数衡量融合后的特征在分类任务上的性能。常见的损失函数包括交叉熵损失、均方误差损失等。通过最小化损失函数，可以找到最优的权重分配方案。(2)基于损失函数的权重优化假设我们有(n)个模态特征(x₁,X₂,…,xn),经过线性融合后的特征表示为：其中(z)是融合后的特征向量。假设我们使用交叉熵损失函数(L)来衡量分类性能，则目标是最小化损失函数：其中(z)是融合后的特征，(y)是真实标签。为了满足权重归一化约束，可以使用拉格朗日乘子法引入约束条件：其中(A)是拉格朗日乘子。通过梯度下降等方法优化(w)和(A),可以得到最优的权重分配方案。(3)实验设置为了验证权重学习的效果，我们设计了以下实验：1.数据集：使用公开的并联击穿电弧检测数据集，包含电流、电压、声学等多种模态的特征。2.模型：采用多模态特征融合网络，将不同模态的特征进行线性融合，并通过权重学习确定融合权重。3.损失函数：使用交叉熵损失函数进行分类任务。4.优化算法：采用Adam优化器进行权重优化。实验结果如【表】所示，展示了不同权重分配方案下的分类准确率。◎【表】权重学习实验结果分类准确率(%)3.2循环神经网络(1)概述循环神经网络(RecurrentNeuralNetworks,RNN)是一种特殊类型的神经网络，(2)结构(3)训练过程训练RNN需要解决两个主要问题：状态记忆和梯度消失/爆炸问题。状态记忆是指如何存储和更新每个时间步的状态；梯度消失/爆炸问(4)应用示例(5)挑战与解决方案(6)未来展望(1)长短期记忆网络概述长短期记忆网络(LongShort-Term(忘记门、输入门和输出门)来控制信息的流动，从而解决了传统RNN在处理长期依赖(3)LSTM网络在过电流并联击穿电弧检测中(4)效果与对比分析电弧检测任务时展现出更高的精度和鲁棒性。通过3.4深度残差网络为了有效提取并融合多模态传感器(如电流、电压、声学等)采集到的复杂、高维时，本研究采用了深度残差网络(DeepResidualNetwork,ResNet)作为核心的特征提取与融合模型。ResNet由He等人在2016年提出，其创新性地解决了深度神经网络(1)ResNet的基本原理传统的深度神经网络在层数增加时，前向传播过程中的梯度 (梯度消失),使得靠近输入层的参数难以更新，网络难“残差块”(ResidualBlock)结构来解决这个问题间的残差映射F(x)=H(x)-x,而不是直接学习目标映射H(x)。通过将输出F(x)上(通常通过跨层连接实现),形成新的前向传播路径y=x+F(x),使得梯度假设有多个卷积层组成的函数H(x),原始目标函数是F(x)=H(x)。ResNet的目标函数变为y=x+F(x)。在训练过程中，优化目标变为最小化(y-y²,即最小化残差部分的平方(F(x)²。这使得网络可以学习一个接近于零的残差映射F(x)≈0,层特征，极大地降低了梯度消失的风险，使得训练极深网络(如100层、数百层)成为ResNet的基本残差块结构如下内容[此处省略文字描述替代内容片]所示。每个残差块内部包含多个卷积层、激活层(通常为ReLU)和批量归一化(BatchNoBN)层。最关键的是跨层连接，它将输入直接传递到块的输出，有时会通过1x1卷积层(2)残差网络在电弧检测中的应用些独立的ResNet编码器能够有效地处理各自模态数据的非线性关系增强特征的表达力。2.多模态特征融合：在ResNet的早期层或中间层，通过以下几种策略融合单模态提取的特征：●EarlyFusion:在输入到各单模态ResNet编码器之前，将不同模态的特征向量进行拼接(Concatenation)或其他线性组合，然后输入到一个统一的(融合)ResNet网络中，让网络自动学习跨模态的交互信息。【表格】展示了早融合策略●LateFusion:各单模态ResNet编码器分别处理完毕后，提取其最深层的特征向量(或全局平均池化后的特征向量),然后通过一个融合层(如全连接层)或注意力机制进行融合，最终得到统一表示用于分类或回归。·IntermediateFusion:在ResNet编码器内部的中间层进行特征融合。例如，可以从不同模态的ResNet块中提取特定层的特征内容，然后通过拼接或其他方式结合，再送入后续层进行处理。模态融合方式电流(1)电压(V)声学(A)ResNet编码器(e.g,融合网络输模态融合方式入由于ResNet能够学习网络的IdentityMapping,即使融合层或后续网络很小，也能够保证特征信息的有效传递，避免融合过程中的信息丢失，这对于识别具有细微特征差异的并联击穿电弧尤为重要。(3)公式表示假设单个残差块的输入为x,经过多个卷积层、BN层和激活层后的函数为H(x),残差函数为F(x),则基本ResNet块的前向传播公式可表示为：其中F(x)通常定义为：这里包含了跨步大小为2的3x3卷积Conv_1,步长为1的1x1卷积Conv_3(用于调整维度和增加非线性),批量归一化BN,激活函数σ(通常是ReLU),以及可选的残差连接和权重W_0、b_0。在多模态融合场景下，假设融合前各模态特征đa由各自的ResNet_i^(k)提取，z;表示模态i的特征向量(或张量)。如果采用简单的拼接融合，融合网络的输入Zfuse=[Z₁;Z₂;...;zN】。如果使用一个深层ResNet最终分类或预测输出y=Fquse(Zfuse)(4)优势总结将ResNet应用于过电流引起并联击穿电弧的多模态特征融合中，其优势在于：●强大的特征学习能力：能够从复杂的噪声信号中提取深层、具有区分性的特征。●缓解梯度问题：残差连接使得网络能够训练得更深，不易受梯度消失影响，保4.2特征提取模块特征提取模块负责从各模态信号中提取具有代表性的特征，设电流信电压信号为(V(t)),声学信号为(S(t)),视觉信号为(V(t))。各模态信号的特征提取方法◎电流信号特征特征名称公式均值方差特征名称公式波形因子其中(μ)为电流信号的均值，(σ)为电流信号的方差，(C)为电流信号的波形因电压信号的特征提取同样采用时域和频域分析方法，常用特征包括：特征名称公式均值方差波形因子●声学信号特征声学信号的特征提取主要通过频谱分析方法进行，常用特征包括：特征名称公式噪声能量视觉信号的特征提取主要通过内容像处理方法进行，常用特征包括：特征名称公式平均亮度均值偏度其中(I(i,j)为内容像的像素值，(M)和(M)为内容像的宽度和高4.3特征融合模块特征融合模块负责将各模态信号的特征进行融合，以得到更全面、更准确的信息。常用的特征融合方法包括加权求和法、主成分分析法(PCA)和神经网络融合法等。此处采用加权求和法进行特征融合，融合后的特征向量(F)表示为：4.4决策模块决策模块负责根据融合后的特征向量(F)进行过电流引起并联击穿电弧的检测决策。常用的决策方法包括阈值法和分类器法，此处采用支持向量机(SVM)分类器进行决策。4.5模型性能评估模型的性能评估主要通过准确率、召回率和F1分数等指标进行。评估指标的计算指标名称公式准确率召回率其中TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性，Precision为精确率。(1)特征提取在多模态特征融合之前，需要从不同的数据源中提取特征。对于过电流引起并联击穿电弧检测，我们可以从电流信号、电压信号和电磁场信号中提取特征。以下是提取的特征示例：特征名称数据源描述流量信号(1)电流传感器测量通过电路的电流幅值和频率电压信号(V)电压传感器测量并联电路两端的电压幅值和频率磁场强度(H)测量并联电路周围的磁场强度电场强度(E)电场传感器测量并联电路周围的电场强度周波数(f)用于计算信号的频率相位差(φ)相位测量仪测量电流信号和电压信号之间的相位差(2)特征选择特征选择是将提取的特征中的一部分保留下来，而丢弃其他特征的过程。特征选择特征名称描述流量信号(1)信息增益电压信号(V)信息增益磁场强度(H)互信息电场强度(E)互信息周波数(f)相位差(φ)衡量电流信号和电压信号之间的时序关系(3)模型构建层别功能输入层卷积层池化层卷积层池化层平铺层全连接层全连接层输出层分类器(4)模型训练描述准确率(Acc)正确预测并联击穿电弧的样本数占总样本数的比例召回率(Rec)正确预测并联击穿电弧的样本数/(正确预测的样本数+误预测的未击穿电弧的样本数)衡量模型决策过程的易理解程度通过以上步骤，我们构建了一个用于多模态特征融合的模型，该模型可以有效地识感器(如电流传感器、光传感器、声传感器等)采集到的原始数据中，挑选出最具代表(1)常见的特征选择方法进行选择。常用的指标包括：●相关系数：衡量特征与目标变量之间的线性关系。●信息增益：基于信息论，衡量特征对目标变量的不确定性降低程度。·卡方检验：适用于分类任务，衡量特征与目标变量之间的独立性。2.包裹法包裹法依赖于特定的机器学习模型，通过模型的表现来评估特征子集的质量。其计算复杂度通常较高，但选择的特征与模型兼容性较好。例如，可以使用递归特征消除3.嵌入法嵌入法在模型训练过程中自动进行特征选择，如L1正则化(Lasso)。这类方法既能利用模型的表达能力，又能避免包裹法的计算开销。(2)特征选择指标为了量化特征的重要性，本研究采用以下指标进行特征选择：指标公式说明相关系数衡量特征X与击穿电弧标签Y的线性相关性信息增益度重通过正则化惩罚降低不重要特征的权重(3)选择标准1.阈值筛选：设定相关系数或信息增益的阈值，仅保留高于该阈值的特征。4.1.2模型串联者使用基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的多层感知器(Multi-LayerPerceptron,MLP)等神经网络算法进行电弧污染物检测，取得了显著的◎独立特征加权融合算法的稳定性和准确性。这种算法在使用过程中需要从分量透视的信息融合系统(HierarchicalInformationFusion,HIF)中提取特征，使用全连接堆叠网络或间都是相互拓扑同构的，一种尺度空间的爱森曼斯(Isomerase)变换解决了一维与二维(1)训练数据集准备1.电压信号(V):采集自并联谐振电源的电压传感器。2.电流信号(I):采集自谐振电感的电流传感器。3.声学信号(A):通过麦克风采集的电弧燃烧声频信号。4.内容像数据(RGB):通过高速摄像头拍摄的并联击穿电弧内容像。假定每个模态的数据长度为(L),则原始数据可以表示为四维矩阵：其中(V∈R×)、(I∈R×L)、(A∈R×)、(RGB∈RN×HX×3),分别表示电压、电流、声学信号和内容像数据。为方便计算，将各模态数据规范化到([-1,1])区间：(2)网络架构与训练参数采用基于Transformer的注意力机制进行多模态特征融合。模型架构如下：1.特征提取层：为每个模态数据分别设计卷积神经网络(CNN)或循环神经网络(RNN)以提取局部特征。●电压和电流信号使用1D卷积层：●声学信号使用1D卷积层：●内容像数据使用3D卷积层：2.特征融合层：利用多模态注意力机制融合各模态特征：多模态注意力机制的计算公式为：3.分类层：对融合后的特征进行分类，输出并联击穿电弧的检测结果：训练参数设置：参数值说明批量大小学习率自适应学习率的优化器交叉熵损失函数训练总轮数学习率衰减策略初始阶段线性增加，后期余弦衰减(3)模型评估模型训练完毕后，使用验证集评估模型性能。主要评估指标包括：1.准确率(Accuracy):2.精确率(Precision):3.召回率(Recall):通过以上步骤，模型能够有效地学习多模态特征，提高并联击穿电弧的检测准确率。4.2模型评估在对多模态特征融合在过电流引起并联击穿电弧检测中的应用进行评估时，我们采用了多种评估指标和方法，以确保模型的准确性和性能。1.准确率评估：我们使用了准确率(Accuracy)来评估模型的性能。准确率是正确预测的样本数除以总样本数，为了得到准确的评估结果，我们在不同的测试集上进行了多次测试，并计算了平均准确率。通过多次测试，我们得到了模型在过电流引起并联击穿电弧检测中的平均准确率。这一指标能够直观地反映模型的性能。2.性能指标对比：为了更全面地评估模型性能，我们将多模态特征融合模型与其他传统方法进行了对比。我们选择了几个常用的机器学习算法作为对比对象，包括支持向量机(SVM)、决策树(DecisionTree)和随机森林(RandomForest)。对比的指标包括准确率、召回率、F1分数等。通过对比实验，我们发现多模态特征融合模型在过电流引起并联击穿电弧检测中表现出更高的性能。下表列出了不同模型的性能指标对比：3.收敛速度评估：在模型训练过程中，我们还关注了模型的收敛速度。通过绘制训练过程中的损失函数值和准确率的变化曲线，我们可以观察到模型在训练过程中的收敛情况。多模态特征融合模型在训练过程中能够快速收敛，并且具有较好的泛化能力。通过准确率评估、性能指标对比和收敛速度评估，我们可以得出多模态特征融合模型在过电流引起并联击穿电弧检测中表现出较高的准确性和性能。●实验设置为了验证多模态特征融合在过电流引起并联击穿电弧检测中的应用效果，本研究搭建了如下实验平台：·电源系统：采用交流电源，额定电压为220V,频率为50Hz。●电路模型：设计了一个包含多个并联支路的电路模型，每个支路包含一个电阻和一个电感，模拟实际电路中的并联击穿过程。●传感器模块：包括电流传感器和电压传感器，用于实时监测电路中的电流和电压信号。●信号处理模块：采用微控制器和嵌入式系统，对采集到的信号进行预处理、滤波和模数转换。●显示与存储模块：用于实时显示实验数据和保存分析结果。1.数据采集：在过电流条件下，对并联支路进行持续监测，采集电流电压信号。2.预处理：对采集到的信号进行滤波、去噪等预处理操作，以提高信号质量。3.特征提取：分别从电流信号和电压信号中提取时域、频域等多模态特征。4.特征融合：利用多模态特征融合算法，将提取到的特征进行整合，形成综合特征5.分类识别：采用机器学习算法对融合后的特征进行分类识别，判断是否存在过电流引起的并联击穿现象。通过实验测试，我们得到了以下主要结果：电流峰值(A)电压峰值(V)击穿时刻(s)分类结果击穿击穿击穿未击穿提前。同时经过多模态特征融合后的分类结果与实际击穿现象高度吻合，表明该技术在过电流引起并联击穿电弧检测中具有较高的准确性和有效性。5.1数据集与实验设置(1)数据集描述1.1数据采集1.电流传感器：采用高精度霍尔效应传感器(型号：LEMLA55-P),用于实时监测2.电压传感器：采用有源电压传感器(型号：ADE7753),用于测量电路电压，采样频率为fy=10kHz。1.2数据标注电弧状态标注说明正常状态电路正常工作，无电弧产生轻微击穿出现轻微电弧，电流略微增大严重击穿出现严重电弧，电流显著增大感器数据确认