技术领域
[0001] 本
发明属于航空故障电弧检测领域，具体是一种故障电弧产生装置及其检测方法。
背景技术
[0002] 近年来，电
力电子技术得到迅猛发展，航空系统的电
气化程度不断地提高，全电飞机成为发展的一种趋势。全电飞机的发展意味着飞机上的用电设备不断增加，飞机配电系统也越来越复杂。因此，
电路保护也变得极为重要。电弧作为一种
能量大、
温度高，检测又极其困难的电路故障，给飞机的安全运行带来极大的威胁。
[0003] 电弧故障被认为是由于连接松动，绝缘损坏或电路老化等引起的。电弧的产生伴随着持续的放热和发光，成为火灾产生的潜在诱因。早在2006年，美国消防局(USFA)的官方报告指出，电弧故障已经成为美国电力火灾的主要原因之一。直到现在，电弧故障不仅是家庭消防安全的一个重要问题，而且对变电站、飞机和空间站造成很大的威胁。
[0004] 国内外学者对故障电弧的检测方法的研究主要集中在电弧的物理特性和电弧
电流电压波形。物理特性主要包括电弧的发光、发热和电磁
辐射等；电弧造成的电流波形的畸变，电弧的不稳定燃烧对电路电流的影响是研究的重要出发点。Sidhu T.S.等人根据电弧的发展伴随着光、热量和
电磁波的辐射特性，利用麦克
风、红外摄像头和采集电磁
信号的天线进行电弧的检测，不仅可以检测到电弧是否产生，还可以确定电弧发生的
位置。但是这种方法应用在航空领域有一定的困难，大量
传感器布置与外界强烈的干扰使得这种方法还停留在试验阶段。
[0005] 在现有的文献中，电弧的发生装置大都以
电机带动两
电极产生
串联故障电弧，这种方式产生的电弧过于理想化，不能反映飞机上故障电弧的真实情况。另外，这些文献大多只考虑串联故障电弧，而没有考虑并联故障电弧，这在实际应用中是不全面的。
发明内容
[0006] 为解决上述问题，本发明提出了一种故障电弧产生装置及其检测方法，通过同时设计串联和并联故障电弧模拟发生装置，在
振动台的作用下产生电弧，尽可能模拟真实情况，使结果更具有代表性。同时提出在小波包分解、集合经验模态分解等对电流信号进行处理，最后利用BP神经网络进行故障电弧判断。
[0007] 所述的故障电弧产生装置，包括串联故障电弧产生装置和并联故障电弧产生装置，具体如下：
[0008] 串联故障电弧产生装置，包括振动台，绝缘层，
手柄和
螺栓；振动台为底座，绝缘层固定在振动台上，在绝缘层中心固定一个导体
基座，绝缘
螺母穿透导体基座将其固定在绝缘层上，且同时将绝缘层固定在振动台上。在导体基座上与绝缘螺母相对的位置，连接固定的螺栓，手柄松动的套在螺栓中；松动的手柄在振动台的作用下，和固定的螺栓之间会产生相对位移，模拟导体松动的情况产生电弧。
[0009] 并联故障电弧发生装置包括绝缘基座，两根测试
导线，
钢刀片和绝缘手柄；绝缘手柄控制钢刀片的起落。两根测试导线连接外部电源，并列放置在绝缘基座上；钢刀片竖直切开两根测试导线外层漆皮，与测试导线内部
铜丝
接触；通过钢刀片连接两根测试导线，产生并联故障电弧，模拟航空导线在维修或受到外力情况下，绝缘被破坏从而产生电弧的情况。
[0010] 所述的故障电弧的检测方法，包括直流故障电弧的检测方法和交流故障电弧的检测方法；具体如下：
[0011] 针对直流故障电弧的检测方法是利用小波包分解提取故障特征量，然后利用BP神经网络进行判断。
[0012] 具体步骤如下：
[0013] 步骤一、采集串联故障电弧产生装置或并联故障电弧产生装置产生的故障电弧，使用不同的基函数对故障电弧的电流信号分别进行小波包分解，得到每个基函数对应的各分解
节点；
[0014] 基函数分别为：haar、db5、db10、coif1、coif5、sym2、sym8。
[0015] 步骤二、针对每个基函数，分别计算该基函数的各分解节点的能量值和香农熵；
[0016] 针对某基函数的第n个分解节点，能量值E(n)计算公式如下：
[0017]
[0018] 其中，i为第n个分解节点中的离散点序号，m为第n个分解节点的离散点总个数，Cn,i为第n个分解节点中第i个离散点的系数。
[0019] 针对该基函数的第n个分解节点，香农熵Sentropy(n)定义为：
[0020]
[0021] 其中，每个分解系数占该节点能量的比例pi的求解公式为：
[0022]
[0023] 所以， 当pi＝0时，令pi*log2pi＝0。
[0024] 步骤三、针对每个基函数，分别求取所有分解节点的能量值总和与香农熵总和的比值，依据能量-香农熵比值最大原则选取小波包分解的最优基函数；
[0025] 首先，针对第j个基函数，对应的所有分解节点的总能量和总香农熵的比值ζ公式为：
[0026]
[0027] 然后，选取最大的总能量和总香农熵的比值，该最大比值对应的基函数，作为小波包分解最优基函数。
[0028] 步骤四、以最优基函数对采集的故障电弧的电流信号再次进行小波包分解，分别求出各分解节点的能量和香农熵的比值；
[0029] 针对最优基函数中的第n个分解节点，对应的能量-香农熵比值ζ(n)公式为:
[0030]
[0031] 步骤五、根据最优基函数各分解节点的能量-香农熵比值求解对应
频率段的比值，提取故障特征频率段中的各分解节点的香农熵作为故障特征量；
[0032] 根据最优基函数能确定分解层数，根据人为设定的
采样频率，能确定每个分解节点所在的频率段；
[0033] 具体步骤为：
[0034] 步骤501、利用最优基函数分别对正常和有故障电弧采集的电流信号进行小波包分解，得到正常和故障下的各分解节点；
[0035] 正常和故障下的相同序号的分解节点对应同一个频率段；
[0036] 步骤502、利用正常和故障电弧下相同序号的分解节点对应的能量-香农熵比值，再次进行相比，得到该分解节点的对应频率段的比值R；
[0037] 针对第n个分解节点，求出正常情况下能量-香农熵比值ζarc(n)和故障电弧下能量-香农熵比值ζnor(n)，对应频率段的比值R计算公式为：
[0038]
[0039] 步骤503、将每个分解节点对应频率段的比值R按从大到小排序，选择前N个，作为故障特征频率段；
[0040] 比值R越大，说明对应频率段在正常和电弧故障情况下，体现出的信息差别越大；
[0041] 步骤504、将各故障特征频率段中包含的各分解节点的香农熵作为故障特征量。
[0042] 步骤六、利用LM(Levenberg-Marquard)-BP神经网络对故障特征量进行判断。
[0043] 将故障特征量作为BP神经网络的输入，当判断有电弧时输出-1，没有电弧时输出1。
[0044] 针对交流故障电弧的检测方法是利用集合经验模态分解提取特征量，利用BP神经网络进行判断。
[0045] 具体步骤如下：
[0046] 步骤I、采集串联模拟发生装置或并联模拟发生装置产生的故障电弧的电流信号，利用集合经验模态分解
算法EEMD对电流信号进行分解，得到各阶的本征模太分量IMF；
[0047] 步骤II、针对各阶的本征模太分量IMF，分别计算各模态分量对应的能量和能量熵；
[0048] 第j个模态分量的能量为：
[0049]
[0050] 其中，i为第j个模态分量的采样点的序号，n为第j个模态分量的采样点的个数。Cj,i为第j个模态分量的第i个采样点的系数。
[0051] 第j个模态分量的能量熵为：
[0052]
[0053] 其中，每个模态分量中每个采样点的系数占该模态分量能量的比例为pi＝|Cj,i|2/E(j)；
[0054] 步骤III、使用EEMD对故障电弧信号和正常电流信号进行分析，分别得到故障和正常两种情况下各阶的本征模太分量IMF；
[0055] 步骤IV、将正常和故障电弧下相同序号的本征模太分量IMF对应的能量熵进行相比，得到各同阶的IMF比值；
[0056] 步骤V、将各同阶的IMF比值从大到小排序，选取前M个作为特征量；
[0057] 步骤VI、利用LM-BP神经网络对特征量进行故障电弧的判断。
[0058] 将提取的各特征量作为BP神经网络的输入，规定正常情况下输出为1，存在电弧时的输出为-1。
[0059] 本发明的优点和有益效果在于：
[0060] 1、本发明的故障电弧产生装置，考虑了飞机振动的实际情况，通过振动台振动产生的电弧电流电压数据更具有真实性；
[0061] 2、本发明的故障电弧检测方法，在实验中首次加入了改变气压的装置，分析
大气压对故障电弧特性的影响。
[0062] 3、本发明的故障电弧检测方法，应用的LM-BP训练算法，训练时长短，收敛速度快。
附图说明
[0063] 图1为本发明串联故障电弧产生装置示意图；
[0064] 图2为本发明串联故障电弧产生装置的实际装配图；
[0066] 图4为本发明负压室装置的实际装配图；
[0067] 图5为本发明并联故障电弧产生装置示意图；
[0068] 图6为本发明并联故障电弧产生装置的实际装配图；
[0069] 图7为本发明串联故障电弧检测方法
流程图；
[0070] 图8为本发明并联故障电弧检测方法流程图；
[0071] 图9为本发明
实施例中不同电压时的串联故障电弧电流波形图；
[0072] 图10为本发明实施例中并联故障电弧电流波形图；
[0073] 图11为本发明实施例中负载为
电阻的交流串联故障电弧电流波形图；
[0074] 图12为本发明实施例中交流并联故障电弧电流波形图；
[0075] 图13为本发明实施例中负载为电阻情况下的正常情况的IMF；
[0076] 图14为本发明实施例中负载为电阻下的带电弧的IMF；
[0077] 图15为本发明实施例中负载为
开关电源下的正常情况的IMF；
[0078] 图16为本发明实施例中负载为
开关电源下的带电弧的IMF；
[0079] 图17为本发明实施例中负载为节能灯下的正常情况的IMF；
[0080] 图18为本发明实施例中负载为节能灯下的电弧情况的IMF；
[0081] 图19为本发明实施例中气压为0.1MPa时的故障电弧电流波形图；
[0082] 图20为本发明实施例中气压为0.05MPa时的故障电弧电流波形图；
[0083] 图21为本发明实施例中气压为0.05MPa时的故障电弧电流波形图。
具体实施方式
[0084] 下面将结合附图和实施例对本发明作进一步的详细说明。
[0085] 本发明所述的故障电弧产生装置，包括串联故障电弧产生装置和并联故障电弧产生装置，具体如下：
[0086] 串联故障电弧产生装置，如图1和图2所示，包括振动台，绝缘层，手柄和螺栓；振动台为底座，绝缘层通过绝缘螺母固定在振动台上，在绝缘层中心固定一个导体基座，绝缘螺母穿透导体基座将其固定在绝缘层上，且同时将绝缘层固定在振动台上。在导体基座上与绝缘螺母相对的位置，连接固定的螺栓，手柄松动的套在螺栓中；松动的手柄在振动台的作用下，和固定的螺栓之间会产生相对位移，模拟导体松动的情况产生电弧。
[0087] 另外，考虑到飞机在实际的飞行环境中，气压低于正常大气压，将电弧发生装置固定在密封装置中，如图3和图4所示，通过
真空抽气
泵，将模拟环境达到所需的气压。普通民航客机飞行高度一般为10000米左右，地面上的气压认为是标准大气压0.103MPa，由经验公式可以计算出飞机飞行的高空中气压大约为0.027MPa，仅为大气压的四分之一。这套装置可以达到0.01MPa，所以完全能够达到实验要求。
[0088] 并联故障电弧发生装置，如图5和图6所示，包括绝缘基座，两根测试导线，钢刀片和绝缘手柄；绝缘手柄控制钢刀片的起落。两根测试导线连接外部电源，并列放置在绝缘基座上；钢刀片竖直切开两根测试导线外层漆皮，与测试导线内部铜丝接触；通过钢刀片连接两根测试导线，产生并联故障电弧，模拟航空导线在维修或受到外力情况下，绝缘被破坏从而产生电弧的情况。
[0089] 上述两种故障电弧产生装置，考虑了飞机振动的实际情况，通过振动台振动产生的电弧电流电压数据更具有真实性；并且在实验中首次加入了改变气压的装置，分析大气压对故障电弧特性的影响。
[0090] 本发明所述的故障电弧的检测方法，包括直流故障电弧的检测方法和交流故障电弧的检测方法；直流故障电弧的检测方法分别检测串联模拟发生装置或并联模拟发生装置产生的故障电弧，分为串联故障电弧和并联故障电弧。
[0091] 如图7所示，直流故障电弧的检测方法具体步骤如下：
[0092] 步骤一、采集串联故障电弧产生装置或并联故障电弧产生装置产生的故障电弧，使用不同的基函数对故障电弧的电流信号分别进行小波包分解，得到每个基函数对应的各分解节点；
[0093] 小波分析是一种适合于非平稳信号的时频分析方法，但是对于信号高频段部分不再进行分解，而故障电弧的发生会在线路电流产生高频噪声，因此对于故障电弧电流信号而言，存在着分解不够细致的缺点。小波包分解克服了小波分析的这一缺点，能够将信号分解到任意细的频率段，满足对信号分析的要求。
[0094] 基函数分别为：haar、db5、db10、coif1、coif5、sym2、sym8。
[0095] 本发明实施例的
电源电压为直流28V，数据的
采样频率为25kHz。
[0096] 直流条件下的串联故障电弧检测实验中，负载为电阻、
电动机和节能灯，用来模拟飞机上的阻性负载、感性负载和容性负载。所做实验的种类和组数如表1所示。振动频率为10Hz、15Hz、20Hz、30Hz情况下每种负载类型采集10组数据，所以每种负载下共有40组数据。
每一组实验都包括正常工作时的电流数据、带电弧工作时的电流数据和启动时的电流数据，即每一组数据都包括三种不同情况下的电流信号。在该实施例中还增加了一组电压为
270V，负载为200Ω电阻的对照组。
[0097] 表1
[0098]
[0099] 直流条件下的并联故障电弧检测实验中，负载为电阻、电动机和节能灯，为模拟线路的电阻，接入5Ω的电阻。在该实验中的负载及所对应的组数如表2所示。
[0100] 表2
[0101]
[0102] 不同电压时的串联故障电弧电流波形图如图9所示，在不同的电压幅值下，得到串联故障电弧的电流波形图的电弧发生时刻。
[0103] 并联故障电弧电流波形图如图10所示，在直流28V供电情况下，得到并联故障电弧电流波形的电弧发生时刻。步骤二、针对每个基函数，分别计算该基函数的各分解节点的能量值和香农熵；
[0104] 针对某基函数的第n个分解节点，能量值E(n)计算公式如下：
[0105]
[0106] 其中，i为第n个分解节点中的离散点序号，m为第n个分解节点的离散点总个数，Cn,i为第n个分解节点中第i个离散点的系数。
[0107] 针对该基函数的第n个分解节点，香农熵Sentropy(n)定义为：
[0108]
[0109] 其中，每个分解系数占该节点能量的比例pi的求解公式为：
[0110]
[0111] 所以， 如果pi＝0，则令pi*log2 pi＝0。
[0112] 步骤三、针对每个基函数，分别求取所有分解节点的能量值总和与所有分解节点的香农熵总和的比值，依据能量-香农熵比值最大原则选取小波包分解的最优基函数；
[0113] 首先，针对第j个基函数，计算对应的所有分解节点的总能量和总香农熵的比值ζ，公式为：
[0114]
[0115] 选取最大的总能量和总香农熵的比值，该最大比值对应的基函数，作为小波包分解最优基函数。本发明选取的各基函数下总能量-总香农熵比值平均值如表5所示；
[0116] 表5
[0117]基函数 平均值 基函数 平均值
haar 118.12 Coif5 119.83
Db5 104.81 Sym2 113.01
Db10 99.54 Sym8 112.56
Coif1 125.98
[0118] 通过表5可以确定，当基函数为coif1时，计算得到的结果最大，所以本实施例选取coif1作为小波包分解的最优基函数。
[0119] 步骤四、以coif1为最优基函数对本实施例采集的故障电弧的电流信号进行三层小波包分解，分别求出各分解节点的能量和香农熵的比值；
[0120] 针对最优基函数中的第n个分解节点，对应的能量-香农熵比值ζ(n)公式为:
[0121]
[0122] 步骤五、根据各分解节点的能量-香农熵比值求解对应频率段的比值，提取故障特征频率段中的各分解节点的香农熵作为故障特征量；
[0123] 根据人为设定的采样频率，确定每个分解节点所在的频率段；
[0124] 具体步骤为：
[0125] 步骤501、利用最优基函数分别对正常和有故障电弧采集的电流信号进行小波包分解，得到正常和故障下的各分解节点；
[0126] 正常和故障下的相同序号的分解节点对应同一个频率段；
[0127] 步骤502、利用正常和故障电弧下相同序号的分解节点对应的能量-香农熵比值，再次进行相比，得到该分解节点的对应频率段的比值R；
[0128] 针对第n个分解节点，求出正常情况下能量-香农熵比值ζarc(n)和故障电弧下能量-香农熵比值ζnor(n)，对应频率段的比值R计算公式为：
[0129]
[0130] 步骤503、将每个分解节点对应频率段的比值R按从大到小排序后，选择前N个，作为故障特征频率段；
[0131] 本实施例对应频率段的比值R如表6所示，选择前4个，作为故障特征频率段；
[0132] 表6
[0133]频率段 R 频率段 R
1 3.53 5 8.88e05
2 6.88e02 6 97.91
3 3.81e02 7 67.96
4 1.22e03 8 43.47
[0134] 通过表6可以发现，在第2、3、4、5频率段计算得到的数值较大，说明这四个频率段在正常和故障情况下，体现出的信息差别较大，因此选取以上四个频率段作为故障特征频率段。
[0135] 步骤504、将上述四个故障特征频率段中包含的各分解节点的香农熵作为故障特征量。
[0136] 步骤六、利用LM(Levenberg-Marquard)-BP神经网络对故障特征量进行判断。
[0137]
人工神经网络是指模拟人脑神经系统的结构和功能，运用大量的处理部件，由人工方式建立起来的网络系统。人脑是人工神经网络的
原型，人工神经网络是对脑神经系统的模拟。其中神经元是人工神经网络的基本结构单元和基本的信息处理单位，常被称之为“处理单元”或“节点”。
[0138] 神经网络虽然具有很强的自我调整自身参数和模拟人类学习思维能力，能够以极小误差拟合非线性系统，但是神经网络在
迭代学习过程存在着其理论自身所附带的
缺陷和不足。主要有以下缺点：
[0139] ①在迭代过程中容易使误差的收敛过程陷入局部极小值，致使最终学习完毕后的网络实际误差不能够达到设定的目标期望误差。
[0140] ②BP神经网络的收敛速度慢，有可能在训练一段时间后，迟迟到不到目标期望误差值，致使训练时间过长，迭代计算量明显增大。
[0141] 为了克服上述缺点，引入Levenberg-Marquard训练算法对BP神经网络进行优化。该训练算法的特点是训练时长短，收敛速度快。Levenberg-Marquard训练算法是
梯度下降法与Gauss-Newton法相结合的改进方法，简称为LM训练算法。
[0142] 本实施例将利用小波包分解得到的四个特征频率段的香农熵作为BP神经网络的输入，当判断有电弧时输出-1，没有电弧时输出1.所以在直流故障电弧的判别中，BP神经网络有四个输入，一个输出。选取所有测量数据的70％作为
训练数据，剩余的为测试数据，最终的判断结果如表7所示。
[0143] 表7
[0144]实验类别 测试数据数量 误判数量
串联 48*3 3
并联 9*3 2
[0145] 本发明所述的交流故障电弧的检测方法分别检测串联模拟发生装置或并联模拟发生装置产生的故障电弧，分为串联故障电弧和并联故障电弧；
[0146] 如图8所示，并联故障电弧检测方法具体步骤如下：
[0147] 步骤I、采集串联模拟发生装置或并联模拟发生装置产生的故障电弧的电流信号，利用集合经验模态分解算法EEMD对电流信号进行分解，得到各阶的本征模太分量IMF；
[0148] 以EMD分解方法为基本理论，提出了利用多次加入白噪声的EEMD分解算法。利用EEMD对故障电弧电流信号进行分解后，从各阶的IMF分量中可以更加直观的显示出故障信号的时频特征。
[0149] 使用集合经验模态分解(EEMD)对故障电弧信号和正常电流信号进行分析，通过比较本征模太分量(IMF)，确定提取特征的IMF。
[0150] 本实施例的电源电压为交流115V，数据的采样频率为250kHz。
[0151] 交流条件下的串联故障电弧实验中，负载为电阻、开关电源和节能灯，用来模拟飞机上的阻性负载、非线性负载和容性负载。所做实验的种类和组数如表3所示。振动频率为10Hz、15Hz、20Hz、30Hz情况下每种负载类型采集10组数据，所以每种负载下共有40组数据。
每一组实验都包括正常工作时的电流数据、带电弧工作时的电流数据和启动时的电流数据，即每一组数据都包括三种不同情况下的电流信号。
[0152] 表3
[0153]
[0154] 交流条件下的并联故障电弧，所做实验的种类和组数如表4所示。
[0155] 表4
[0156]
[0157] 如图11所示，在交流电压115V，负载为电阻时的串联故障电弧电流波形。
[0158] 如图12所示，表示负载为电阻的交流并联故障电弧电流波形图。
[0159] 以串联故障电弧为例，分别对三种负载情况下的电流波形进行分解。
[0160] 如图13和图14所示，串联故障电弧在负载为电阻下的故障电弧和正常情况下的EEMD分解后的IMF。
[0161] 如图15和图16所示，串联故障电弧在负载为开关电源下的故障电弧和正常情况下的EEMD分解后的IMF。
[0162] 如图17和图18所示，串联故障电弧在负载为节能灯下的故障电弧和正常情况下的EEMD分解后的IMF。
[0163] 每一个分解图中的第一个分量是原始信号，然后从上到下依次是本征模太分量(IMF)，最后一个分量为余量。
[0164] 步骤II、针对各阶的本征模太分量IMF，分别计算各自对应的能量和能量熵；
[0165] EEMD分解后，利用能量熵作为故障电弧的特征量。因为在电流发生突变时刻，通过EEMD分解后的高频特征模态分量幅值也会有较大的变化，因此可以用能量熵来表示曲线变化情况。具体计算过程如下：
[0166] 第j个模态分量的能量为：
[0167]
[0168] 其中，i为第j个模态分量的采样点的序号，n为第j个模态分量的采样点的个数。Cj,i为第j个模态分量的第i个采样点的系数。
[0169] 第j个模态分量的能量熵为：
[0170]
[0171] 其中，每个模态分量中每个采样点的系数占该模态分量能量的比例为pi＝|Cj,i|2/E(j)；
[0172] 步骤III、使用EEMD对故障电弧信号和正常电流信号进行分析，分别得到故障和正常两种情况下各阶的本征模太分量IMF；
[0173] 步骤IV、将正常和故障电弧下相同序号的本征模太分量IMF对应的能量熵进行相比，得到各同阶的IMF比值；
[0174] 步骤V、将各同阶的IMF比值从大到小排序，选取前M个作为特征量；
[0175] 通过以上六幅在不同负载下电流的分解图可以发现，对故障电弧电流进行分解得到的第2、3、4个分量和正常情况下相比，差别较大，因此求解第2、3、4个分量的能量熵作为交流故障电弧的特征量。
[0176] 步骤VI、利用LM-BP神经网络对特征量进行故障电弧的判断。
[0177] 对每一组数据进行集合经验模态分解，求解第2、3、4模态分量的香农熵，作为BP神经网络的输入，同样，规定其输出在正常情况下为1，存在电弧时的输出为-1。所以使用的神经网络为三个输入，一个输出。将表1、表2中所有数据汇总，选取70％的信号作为训练数据，剩余的为测试数据，最终的判断结果如表8所示。
[0178] 表8
[0179]实验类别 测试数据数量 误判数量
串联 36*3 2
并联 9*3 1
[0180] 最后，研究环境气压对故障电弧的影响；
[0181] 飞机的运行环境气压为0.025MPa，即1/4个大气压，在交流和直流的情况下，振动频率为20Hz，分别在气压为0.1MPa、0.05MPa和0.025MPa情况下，不同负载下的实验。不同气压下直流串联故障电弧实验具体数据如表9所示。
[0182] 表9
[0183]
[0184]
[0185] 不同气压下交流串联故障电弧实验具体数据如表10所示；
[0186] 表10
[0187]
[0188] 以直流故障电弧为例，如图19、图20和图21所示，分别表示在直流28V、负载为节能灯，气压分别为0.1MPa、0.05MPa、0.025MPa下，故障电弧的电流波形。
[0189] 为了验证本发明提出的方法对识别不同气压下得到的故障电弧同样适应，将表9和表10所有数据汇总，利用相应的方法提取直流和交流故障电弧的特征量，最后BP神经网络对故障电弧进行判断，最终的判别结果如表11所示。
[0190] 表11
[0191]电压 判别数量 误判数量
28VDC 90 2
270VDC 30 1
115V/400Hz 90 1
