基于FPGA的深度学习技术用于实时直流串联电弧故障检测
《IEEE Open Journal of Industry Applications》:FPGA-Enabled Deep Learning for Real-Time DC Series Arc Fault Detection
【字体:
大
中
小
】
时间:2026年03月11日
来源:IEEE Open Journal of Industry Applications 3.8
编辑推荐:
摘要:直流串联电弧故障是直流电路中出现的意外且危险的电气放电现象。它可能引发火灾并损坏电气组件,存在安全隐患。由于这类故障有可能迅速升级为危险状况,因此及时检测至关重要。为了能够立即采取干预措施,必须快速识别与直流串联电弧故障相关的异常模式。近年来,相关研究越来越倾向于使用基于机
摘要:
直流串联电弧故障是直流电路中出现的意外且危险的电气放电现象。它可能引发火灾并损坏电气组件,存在安全隐患。由于这类故障有可能迅速升级为危险状况,因此及时检测至关重要。为了能够立即采取干预措施,必须快速识别与直流串联电弧故障相关的异常模式。近年来,相关研究越来越倾向于使用基于机器学习的算法,而非传统的规则驱动方法,因为机器学习算法具有适应不同电路动态的特点。尽管基于机器学习的算法在故障识别方面取得了良好效果,但在时间要求苛刻的应用场景中应用这些计算强度较高的算法仍然面临挑战。本文通过一种硬件解决方案来应对这一挑战,提出了一种采用FPGA硬件加速器的嵌入式实时检测系统,以提高检测效率。该方案利用STANN HLS库,在Avnet Ultra96-V2 FPGA上实现了优化后的基于机器学习的算法,包括全连接神经网络和卷积神经网络。其中,卷积神经网络实现了最高的检测精度,它在较低的检测延迟、自动精度调整后的高数值精度以及适中的功耗之间取得了良好平衡。与现有最先进技术相比,STANN展现了极高的效率。此外,还通过将FPGA解决方案与Nvidia Jetson Xavier NX板上的GPU实现方案进行比较,评估了其性能。结果显示,FPGA版本的性能更为出色,最小运行时间为52μ秒,每次推理的能耗为146μ焦耳,而Jetson Xavier NX的最小运行时间为170μ秒,每次推理的能耗为343μ焦耳。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号