AFCI 應用筆記二之數據采集

1. 簡介

基于監督學習的神經網絡算法需要大量數據作為輸入，模型完全由數據驅動，其數據質 量是算法有效的必要條件，所以如何高效的采集到數據，以及正確的標注或分析是極其重要的，如果第一步有問題，后續的所有工作都是徒勞。

本文將介紹 PECC 的數據采集板，以及來自 GPM China 的數據采集工具，簡單分析數據質量的一些方法，以及需要注意的一些事項。

圖1. PECC 硬件 V1.0

2. 上位機介紹

圖2. 上位機主界面

2.1. 打開串口

單擊①找到相應的串口號，并通過②選擇合適的波特率，點擊③打開串口。注意：

1.   如果連接設備是串口+USB 虛擬串口，則需要選擇正確的波特率才能正常通訊。

2.  如果連接設備是 USB 虛擬串口（比如 PECC 的開發板），則波特率可以隨便選擇。

2.2. 數據采集

通過④設置標簽，⑤設置采樣率（最高 400KHz），⑥設置采樣時間，⑦選擇通道（目前 上位機支持四個通道），選擇⑧開始數據采集。

2.2.1.     數據標注方法與原則

1. ④中設置的是文件標簽，也可以理解為文件保存路徑，python 腳本會根據保存的文 件路徑來給數據進行打標。

2. 文件夾中必須有且僅有 “Arc”“Normal”字符串，大小寫無關。其中“Arc”，表 示該文件夾下的數據全為有弧信號； “Normal”，表示該文件夾下的數據全為無弧 信號。參看下文一個比較好的數據標注的例子。

3. “Normal”信號的采集。無弧信號采集較簡單，只需要關注不同的采集條件，讓數 據分布更廣即可。為了確保無弧，所有線頭連接部分必須保證充分接觸，防止接觸 不良導致接頭內部產生電弧，而肉眼無法看到的情況發生，拉弧機兩端最好有接示 波器，電壓必須為 0，以確保拉弧機接頭內部沒有肉眼無法看到的電弧。

4. “Arc”信號的采集。為了保證采集到的數據全部為有弧信號，需要先打開拉弧機產 生電弧，再點擊⑧開始采集，待上位機采集完成，再斷開拉弧機。

5. 由于拉弧與非常多的因素相關，所以數據采集應當在各個不同條件下采集。目前已 知能影響拉弧效果的因素包括且不限于：是否有關斷器，是否有優化器，電流等級， 逆變器通道，硬件采集電路，拉弧距離等。在數據標注時，需要對這些情況進行相 應的標注，方便以后分析。電流等級可以以 2-3A 為一個步長采集所有電流等級內的 數據。

6. 采集時長或數據大小。沒有明確規定的大小，建議每個電流等級總時長不低于 30s。 同一條件也不建議太大，因為數據量太多可能導致內存不足，無法訓練或訓練時間 過長。

2.2.2.     數據文件夾

1.  文件夾設置好后，采集數據，會自動在上位機同目錄下生成文件夾。

2.  在 Chart 頁面下，左鍵點擊文件夾會將文件夾路徑更新到④中，方便采集

2.2.3.     采集板供電

PECC 板子使用 USB 供電，可以連接筆記本，但是 USB 供電會引入工頻噪聲，在采集 階段和驗證階段，必須保證環境的一致性，所以在采集和驗證階段都需要使用統一的設備進 行供電，不能切換電腦或電源。建議使用同一臺電腦采集數據和驗證，并且連接電源，不使 用電池。

圖3. 數據標注

圖4. 數據采集 Log

2.2.4.     采集日志

1.   Log 信息會自動保存在上位機同目錄下，以當前時間作為文件名，以.log 作為結尾。

2. 如果 Log 信息中，出現了丟包或其他錯誤信息，最好刪掉采集保存下來的這條數據。 從上文數據采集 log 中，可以看出

① ：400KHz 采樣率下，數據有丟包。那么，可以在 Chart 界面下，找到該條數據，點擊 delete 刪除。

② ： 400KHz 正常的數據采集 Log。

目前，僅在 400KHz 采樣率下，發現小概率有丟包情況，其他情況未發現，未來提高

USB 通信速率應該可以解決該問題，不過串口通訊仍然有誤碼率的可能性。

2.3. 數據分析

2.3.1.     數據顯示

圖5. Chart 頁面

1．點擊采集到的數據①，會在右邊繪制出波形圖。

2．②：時域圖形，橫坐標表示采樣點數，縱坐標表示 ADC 值。③：頻域圖形，橫坐標表 示 N × 采樣率，如果采樣率為 250KHz，則 0.5 表示 125KHz，縱坐標表示幅值。

3．設置幀長⑤，拖動④可以看到不同幀長窗口下的時域和頻域圖形。

2.3.2.     數據對比

圖6. 上位機軟件的時域和頻域對比功能

1. 選擇①痕跡，再選擇其他數據文件，則可以對比不同數據的波形，上圖為有弧和無弧 信號的對比。

2. 檢查②時域部分：查看是否有異常點，是否有樣本點超過最大幅值的情況，中心點是 否在 2048 附近（12 位 ADC 最大值為 4096，中心點為 2048），可以看出硬件是否 有設計問題，比如放大倍數不正確，或者中心點不正確。還可以和示波器進行對比， 看采集到的數據是否和示波器上的一致，來檢查硬件或固件。

3. 檢查③頻域部分：查看濾波器的濾波范圍是否正確，限波點是否正確，上圖可以看到 數據在相對低頻部分有比較好的分辨能力。

2.4. 在線識別

圖7. 識別結果

選擇好①采樣率和③通道，點擊開始識別，就可以讓開發板進入 AFCI 識別模式，識別中會輸出 圖中④類似的 Log 信息，表示采樣率已經設置為 250KHz，CH2 通道已經打開，并輸出了 normal 和 arc 的百分比信息，代表是的無弧和有弧的概率。

2.5. 文件驗證

文件驗證功能指的是將采集到的 csv 格式的原始數據文件，下載到開發板中，進行驗證， 從而判斷固件部分 AI 功能是否正常，如果固件和模型正確，輸出結果應當和標記的內容一樣。

圖8. 文件驗證

圖9. Log 信息

圖 8：在 Chart 界面下，選擇需要驗證的文件，雙擊會彈出驗證對話框，點擊 Yes 進行驗證。 

圖 9：顯示的輸出結果信息，以及剩余驗證數據，通道信息可忽略，因為數據是從上位機下載的 和通道無關。

2.6. 通訊協議

在 Note 界面下，有相應的串口通訊協議和 Release 信息。

圖10. Note 界面

3. 總結

數據采集和標注是做好神經網絡的第一步，需要格外小心和謹慎，不然其中有臟數據，通 過肉眼十分難以清理出來，臟數據過多會導致模型泛化能力很差。

其中一個辦法是用模型對所有數據進行驗證，然后挑選出驗證結果失敗的數據，然后 Plot 出來。若通過肉眼分辨，其工作量非常巨大和繁瑣，還是應當在數據收集的過程中保證數據 的有效性。

更多相關信息請見：AFCI 應用筆記二之數據采集 https://share.eepw.com.cn/share/download/id/391490