基于傅里叶变换启发的轻量级交弭故障诊断
信号处理
2025-10-31 v1
摘要
系列交弭故障的轻量级在线检测对于住宅和工业电力系统至关重要，以防止电气火灾。现有诊断方法在资源受限条件下难以实现快速响应和稳健准确性。为克服这一挑战，本工作建议利用一种名为 MFNN 的多频率神经网络，将先验物理知识嵌入网络中。灵感来自放电电流曲线和傅里叶分解分析，我们创建了一种超expressiveness 的自适应激活函数，称为 EAS，并提出一种新颖的网络架构，其中包含分支网络帮助 MFNN 提取多频率特征。在我们的实验中，使用八个高级交弭故障诊断模型对包含多种采样时间和多级噪声的实验数据集进行测试，以展示 MFNN 的优势。相应的实验结果表明：1）MFNN 在交弭故障定位方面优于其他模型，得益于分支网络的信号分解。2）MFNN 的噪声抗干扰能力优于其他模型，在信噪比为 -9 时测试准确率分别比 LCNN 高出 14.51%，比 BLS 高出 16.3%。3）EAS 和网络架构为 MFNN 的卓越性能作出了贡献。
引用
@article{arxiv.2510.26093,
title = {Lightweight Ac Arc Fault Diagnosis via Fourier Transform Inspired Multi-frequency Neural Network},
author = {Qianchao Wang and Chuanzhen Jia and Yuxuan Ding and Zhe Li and Yaping Du},
journal= {arXiv preprint arXiv:2510.26093},
year = {2025}
}