当前位置：首页 > news >正文

SAFNet：一种基于CNN的轻量化故障诊断模型

news 2025/7/2 6:04:41

一、研究背景与挑战

在工业领域，变频器驱动的三相电机（TMFCL电路）广泛应用于低压交流系统。然而，绝缘老化、电缆损坏或电气连接松动等问题可能导致串联电弧故障（SAF），这种故障会降低电路电流，使传统过流保护装置失效，极易引发电气火灾。因此，开发高精度、快速响应的SAF检测方法至关重要。

传统检测方法（如傅里叶变换、SVM分类）依赖人工特征工程，存在抗噪声能力差和工况适应性弱的问题。近年来，基于卷积神经网络（CNN）的数据驱动方法因强大的特征提取能力受到关注，但现有模型仍面临计算复杂度高和嵌入式部署困难的挑战。

二、模型原理与创新

1. 核心架构：SAFNet

SAFNet采用深度可分离卷积和瓶颈结构实现轻量化设计，其整体架构如下图所示：

（1）输入矩阵构建（PPM）

为解决不同采样频率下的输入适配问题，提出点对点等距映射（PPM）方法：

归一化：将输入信号归一化至[0,1]区间。
下采样：通过频率采样法将500点数据降为150点。
映射：将一维数据映射到150×150的二维矩阵，保留波形峰值特征。
连接：通过行列索引连接离散点，生成最终输入矩阵。

公式：

xi′=i(i=0,1,...,149)yi′=(yi−0)×149(i=0,1,...,149)

其中，yi为下采样数据的幅值，xi′和yi′为矩阵索引。

（2）轻量化设计

瓶颈结构：在CNN2中引入1×1卷积压缩通道数，减少参数量。
深度可分离卷积：在CNN3中用深度卷积（DW-conv）替代标准卷积，分解为逐通道卷积和逐点卷积，显著降低计算量。

模型结构对比：

CNN1（基础模型）：3个标准卷积层，参数量100.1M，推理时间19.10ms。
SAFNet（最终模型）：深度可分离卷积+瓶颈结构，参数量8.38M，推理时间5.30ms。

2. 创新点

轻量化设计
- 通过深度可分离卷积和瓶颈结构，参数量减少91.63%，推理时间缩短72.25%。
- 屋顶线模型（Roofline Model）分析运算符复杂度，选择最优模型结构。
自适应输入矩阵（PPM）
- 支持动态调整输入长度（NCCCW），适应不同采样频率（2.5kHz~25kHz）。
高效实时检测
- 在Jetson Nano嵌入式设备上实现99.44%准确率和26.48ms端到端延迟，满足IEC62606标准。

三、实验设计与结果

1. 数据集与预处理

数据采集：在TMFCL电路中模拟正常和故障状态，使用电流互感器（CT）和电压互感器（VT）采集信号，采样频率25kHz。
样本分布：共24,752个样本，正常类占47.6%，故障类占52.4%。

2. 对比实验

SAFNet与多种方法在准确率、推理时间和模型大小上的对比结果如下：

方法	参数量(M)	推理时间(ms)	准确率(%)
SVM[7]	1.33	44.14	91.02
LTCNN[24]	0.53	5.36	96.52
EfficientNet-B0[30]	15.30	178.84	99.68
SAFNet（本文）	2.26	5.30	99.52

四、代码实现（PyTorch）

import torch.nn as nnclass SAFNet(nn.Module):def __init__(self):super(SAFNet, self).__init__()# 第一阶段：深度可分离卷积self.conv1 = nn.Sequential(nn.Conv1d(1, 8, 3, padding=1),nn.ReLU(),nn.MaxPool1d(2))# 第二阶段：瓶颈结构 + 深度可分离卷积self.conv2 = nn.Sequential(nn.Conv1d(8, 8, 1),  # 1x1卷积压缩通道nn.ReLU(),nn.Conv1d(8, 16, 3, padding=1, groups=8),  # 深度卷积nn.ReLU(),nn.Conv1d(16, 32, 1),  # 1x1卷积恢复通道nn.ReLU(),nn.MaxPool1d(2))# 全连接层self.fc = nn.Sequential(nn.Linear(32 * 18, 64),nn.ReLU(),nn.Linear(64, 1),nn.Sigmoid())def forward(self, x):x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0), -1)x = self.fc(x)return x