ZHDA192 应用手册 | 德州仪器 TI.com.cn

电弧故障电气特征

电弧故障会产生与正常负载运行不同的独特电气特征：

时域特征：

过零处的电流不连续（电弧在电压下降时消失）
叠加高频噪声的不规则电流波形
电流幅度可能低于正常负载（串联电弧）
肩部现象：电流肩靠近过零处，作为电弧重新点火

频域特征：

从 DC 到几十 MHz 的宽带噪声
时变粉红噪声频谱（1/f 滚降）
宽频率范围内存在电弧能量
与正常开关瞬态相比具有明显的频谱特征

图 3-1 正常频谱

图 3-2 电弧故障频谱

表 3-1 电弧特征与负载噪声间的关系

特征	电弧故障	正常负载（电机/调光器）
时间模式	随机、混乱	定期、可预测
过零行为	熄灭/重新点燃	平稳过渡
能量分配	在整个光谱范围内均匀	谐波处集中

信号处理概述 (TIDA-010971)

TIDA-010971 使用带宽大于 40MHz 的 PCB Rogowski 线圈来实现多通道检测策略：

表 3-2 信号通道

通道	频率范围	用途	ML 特性用法
带通电流	5-50kHz	可闻/超声波范围内的电弧噪声	FFT 功能的主输入
LOG300 HF 输出	1-10MHz	高频电弧能量	电弧能量幅度
低通电流	直流-60Hz	基本电流幅值	负载电平检测
线路电压	60Hz	过零基准	相位同步

关键设计概念

有关完整的电路原理图、元件值和设计计算，请参阅 TIDA-010971 设计指南。

PCB 罗氏线圈：差分线圈输出 di/dt 信号；自谐振 >40MHz 可实现宽带电弧检测
混合积分器：基于 TLV387 的电路将 di/dt 转换为增益为 68.6dB 的电流比例信号
LOG300 检测器：为 MHz 频率电弧能量检测提供 98dB 动态范围

特性提取流水线

固件从原始 ADC 样本中提取频域特性：

图 3-3 特性提取流水线

时序关系

ADC 采样间隔：9.3µs（1/107kHz 时约为 9.3µs）
帧周期：512 个样本 × 9.3µs 约等于 4.76ms
滚动窗口：8 帧 × 4.76ms 约等于 38ms 的时间上下文
推理速率：每帧一次（大约 4.76ms）

配置参数 (user_input_config.h)：

注： 滚动窗口 注意事项：此处的“窗口”一词是指八个连续帧的时间滑动窗口，而不是 FFT 窗口函数（例如 Hanning、Hamming）。每个新帧都会将窗口向前移动，为电弧检测提供连续的时间上下文。

#define FE_FRAME_SIZE 512             // ADC samples per frame
#define FE_FEATURE_SIZE_PER_FRAME 32  // Output features per frame
#define FE_NUM_FRAME_CONCAT 8         // Frames in rolling window
#define FE_BIN_SIZE 8                 // FFT bins per feature bin
#define FE_BIN_OFFSET 1               // Skip DC component
#define FE_COMPLEX_MAG_SCALE_FACTOR 5 // Magnitude scaling

处理步骤：

实数 FFT：使用 ARM CMSIS-DSP 的 512 点 FFT (arm_rfft_q15)
复数幅度：计算每个频率区间的幅度
直流移除：跳过直流分量 (FE_BIN_OFFSET = 1)
区间划分：平均 8 个相邻 FFT 频段 → 32 个特性
标准化：缩放至 INT8 范围（-128 至 127）
帧连接：在滚动窗口中堆叠八个帧 → 总共 256 个特性

处理步骤

ML 模型架构

为了满足 MSPM0 类器件的各种存储器、延迟和精度要求，电弧故障检测解决方案提供了一系列轻量级卷积神经网络 (CNN) 模型。这些模型共享一个通用的三层卷积主干网，并且仅在通道深度上有所不同，从而实现从超低占用空间到更高精度配置的可扩展部署。神经网络将提取的特性归类为电弧故障或正常。

表 3-3 模型架构比较注意：下面的性能指标是针对输入尺寸 N=1、C=1、H=256、W=1 测量的

模型名称	参数	闪存大小 (B)	SRAM 大小 (B)	推理时间	精度	建议
ArcFault_model_200_t	约 200	3652	900	197.82us	99.60%	最简单、最小和最快的模型。
ArcFault_model_300_t	约 300	3864	1644	246.91 us	99.60%	比 700 和 1400 型号更快，但也能处理不太复杂的数据。
ArcFault_model_700_t	约 800	4496	1644	288.36 us	99.42%	大型模型、推理速度及内存占用之间的最佳点。
ArcFault_model_1400_t	约 1600	5564	2408	713.31 us	99.88%	最准确的模型，用于复杂的数据场景（推荐）

上述电弧故障模型是专有的，因此仅在基于 GUI 的 EdgeAI Studio 中提供。

图 3-4 建议用于电弧故障检测的 1D CNN 架构. 建议用于电弧故障检测的 1D CNN 架构（电弧故障模型 1400t）

NPU 加速

MSPM0G5187 包含一个集成的 TinyEngine™ NPU，可加速神经网络推理：

NPU 特性：

常见 NN 操作的硬件加速
用于模型存储的指令和参数存储器
中断驱动的完成信号
通过 TI 神经网络编译器 (TI-NNC) 进行 TVM 运行时集成

与 TI-NNC 集成

TI 神经网络编译器生成：

model.a：编译的模型库
tvmgen_default.h：C 接口接头
user_input_config.h：特性提取配置

3 技术背景