TMS320F28P550SJ: 请教一些关于Arc Fault Detection using Embedded AI models的问题

以下是我对您问题的回复。

1) 我们需要收集多少数据用于训练？

通常情况下，数据收集没有固定的最低阈值，数据越多，训练性能越好。不过，您可以参考 Edge AI Studio 上提供的示例数据集，了解推荐的数据量。关键是要确保您捕获到各种不同的运行条件和电弧场景，以适应您的系统。

2) 是否必须使用 1024 个 ADC 采样点？幅度选择和特征选择的目的是什么？

是的，根据当前参考设计的实现，每帧需要 1024 个 ADC 采样点。

关于幅度选择：

FFT 计算生成复数（实部和虚部）后，幅度选择操作会将复数 FFT 输出转换为实值幅度，并提取频率成分（每个频率的能量），同时舍弃相位信息。电弧故障检测依赖于频谱特性，而不是频率分量之间的相位关系。

关于特征选择：

特征提取通过将每帧的 4 个连续频率区间分组，将每帧的可用 FFT 频点减少到 32 个关键特征，从而在保留基本特征的同时压缩频谱信息。然后，系统将来自 8 个连续帧的特征（32 × 8 = 256 个特征）组合起来，以提供时间上下文。这种“时间历程”使 AI 模型能够分析频率特性及其随时间的变化。注意：我们使用了如图所示的 8 帧级联配置。这种方法使神经网络能够区分真正的电弧故障与瞬态或正常运行状态，从而在保持实时性能的同时显著提高检测精度。

3) 如何消除电源开关频率等电气噪声干扰？

您无需消除开关噪声，AI 模型会学习如何处理它。在收集训练数据时，您应该在所有电源和负载运行的情况下，在实际系统运行期间采集数据。由于这种电噪声自然存在于“正常”样本和“电弧”样本中，神经网络会学习忽略这些常见模式，而只关注区分电弧故障和正常运行的独特特征。通过使用包含来自系统的真实电噪声的数据进行训练，神经网络可以自动学习区分真正的电弧故障特征和背景干扰，从而实现准确检测并最大限度地减少误报。

4) 在此上下文中，“特征”是什么意思？

在本电弧故障检测系统中，“特征”是指捕获电弧故障特征的频谱的数值表示。这些特征专门用于训练深度学习模型。系统将来自连续 8 帧的特征连接起来，生成包含 256 个特征（每帧 32 个特征 × 8 帧）的最终输入，并将其输入到神经网络中，从而为 AI 模型提供频率和时间信息。这是基于我们使用的 8 帧连接配置（参见附图）。

5) “98%”是什么意思？

98% 的准确率意味着在评估数据集中，电弧故障模型正确分类了 98% 的数据点。评估数据集包含电弧和非电弧数据点，因此该指标代表了两类数据点的总体分类准确率。换句话说，在每 100 个测试数据样本（包括电弧事件和正常运行数据）中，该模型正确识别了其中的 98 个。