航空航天工作继承的基线：软件功能优先，硬件其次
在深度学习进入电能质量监测领域之前，该领域已经形成了一套清晰可辨的处理流程：变换波形、提取紧凑特征、进行分类，并量化扰动。Priyadarshini等人利用小波包分析对电压暂降信号进行分解，比较了六种母小波（db1、db4、db10、dmey、sym5、coif5），从终端节点系数中提取能量特征，并发现第五层分解处的最大能量误差[2]。Granados-Lieberman等人围绕希尔伯特变换构建了一个完整的智能传感器：通过包络变化进行检测，利用前馈神经网络对半周期包络进行分类，并量化RMS电压、THD、波峰因数和瞬态时间常数，全部在Xilinx Spartan 3E FPGA上实现，并用合成信号及实际运行条件对照Fluke 435-II参考仪器进行了验证[7]。这条早期研究路线之所以重要，是因为它确立了现代问题的两个方面：计算什么，以及它可以在数字硬件上在线运行。它还确立了新论文所继承的评估文化，即以合成信号为主要测试平台，而实际条件测试则是一个独立的、更困难的步骤[2][7]。
为什么400赫兹飞机电网不只是更快的50赫兹电网
锚定论文的核心动机在于：多电飞机以电气系统取代液压、气动和机械部件，从而提高电压和频率，并带来传统电网研究未曾涉及的可靠性挑战[1]。其仿真架构受波音787启发：一台250 kVA三相同步发电机以400 Hz向230 V交流主母线供电，通过降压变压器向115 V交流辅助母线供电，并通过变压器整流器单元向28 V和270 V直流线路供电，同时配有接触器、断路器、电阻负载和电机[1]。信号以33.3 kHz采样以捕捉瞬态行为，21个类别涵盖正常运行、发电机启动开关瞬态、电压暂降、暂升、中断、谐波、闪变、瞬态振荡、瞬态脉冲、复合扰动、交流负载断开，以及九种故障类型，包括发电机开路、相接地短路和相间短路、变压器开路和短路、TRU开路，以及28 V母线短路和开路[1]。论文明确指出，飞机网络的工作频率高于传统电气系统，且架构紧凑，并且缺乏专门针对飞机电力系统的研究[1]。这一空白论断是整项贡献的关键支撑依据，而它是对文献状况的论断，而非实测结果。
构建73,500个样本：仿真、增强与GAN
锚点论文的第一项贡献是数据集本身。研究构建了两个各含73,500个样本的数据集，一个来自一维时间序列信号，另一个来自短时傅里叶变换时频表示[1]。各类别分布经过了大幅增强：每类100个原始样本（共2,100个，占2.86%）、每类3,000个信号处理增强样本（共63,000个，占85.71%），以及每类400个GAN生成样本（共8,400个，占11.43%）[1]。信号处理增强将每个样本乘以一个随机标量并叠加加性白高斯噪声，对多变量序列还可选对角缩放[1]。时间序列数据集通过IEEE DataPort发布[1]。对目标读者而言，这是一个有意义的方法论选择：分类器主要在小规模原始集的合成变体上训练，因此所报告的准确率反映的是模拟运行包络内的性能，而非跨独立采集的飞机工况的性能。论文本身在后文也承认了这一点，指出对加性噪声的鲁棒性并不能替代父波形不相交验证，因为数据泄漏和相关样本重叠可能产生过于乐观的泛化估计[1]。
十二种架构，在精度-复杂度前沿上只有一个胜出者
所有被评估的模型测试准确率均超过94%，作者将此解读为数据驱动方法在该任务上有效的确认[1]。一维CNN取得了最高的测试准确率97.29%，但需要8,338,709个参数；紧凑型ResNet（二维）以175,685个参数达到96.94%，在复杂度降低一个数量级的情况下仅差0.35个百分点[1]。VGG16需要138,424,765个参数才达到96.55%，ResNet50需要23,544,789个参数达到95.88%，而一维CNN-LSTM尽管有480,485个参数，却以94.57%表现最弱[1]。紧凑型ResNet的精确率、召回率和F1分别为96.96%、96.94%和96.95%，表明在21个类别上表现均衡，混淆矩阵显示大多数类别中700个测试样本有超过650个被正确分类[1]。作者将此解释为卷积特征提取无需循环层即可捕获判别性结构的证据，并且残差连接使得在少量参数下也能稳定训练[1]。对于嵌入式AI工程师而言，实际的启示是：仅凭准确率会选择错误的模型——一维CNN那0.35个百分点的优势将付出约47倍参数的代价，这直接关系到FPGA上的DSP切片、LUT和BRAM预算[1]。
从软件精度到ZCU102上的6.90 ms，以及噪声下性能如何退化
经过8位量化并部署在Xilinx Zynq UltraScale Plus MPSoC ZCU102上后，Compact ResNet达到了95.87%的准确率，实测神经网络加速器每条输入记录的平均延迟为6.90 ms [1]。该FPGA深度学习处理器使用外部DDR存储器存储输入信号、权重和输出，包含三个AXI4主接口、存储器访问仲裁器、卷积核、全连接核、用于加法、乘法和二维缩放的定制核、调度器，以及一个收集各内核时序信息的分析器模块 [1]。相对于软件实现，量化损失为1.07个百分点，而这类数字恰恰决定了一个设计能否达标。在噪声鲁棒性方面，准确率随SNR降低而逐渐下降：10 dB时为96.04%，7.5 dB时为95.25%，5 dB时为92.74%，2.5 dB时为86.55%，0 dB时为71.26% [1]。作者指出，该噪声是在训练增强的基础上于推理阶段施加的，且这种平滑的退化表明模型依赖的是稳定的时间与频谱结构，而非对噪声敏感的幅度 [1]。0 dB的结果是诚实的边界：在信号与噪声功率相等时，大约每十条记录中就有三条被误分类，这不是一个安全关键的工作点。
模拟波音787与飞行中飞机之间的距离
锚点论文明确指出，其研究结果确立了基于仿真的加速器级可行性，并推动未来开展端到端数据采集与实验验证[1]。这一表述与更广泛的证据基础相一致。Bharadwaj等人描述了基于模型的航空电子故障仿真与检测，并声明仅计划对故障检测器进行有限验证[6]，这提醒我们：从仿真到飞机的迁移长期以来一直是一个未解决的环节，而非已经攻克的问题。Sidorov和Venkatesh关于利用集成维护数据诊断现代飞机电气系统故障的研究是相关的背景资料，但全文不可获取，因此只能作为前期探索方向加以提及，不能用于支撑具体论断[3]。Rokocakau关于电力电子深度学习故障诊断的比较分析报告称分层CNN模型表现良好，但证据仅为摘要，无法用于评判此处的架构选择[4]。Liu针对片上限价订单簿预测的INT8 1D-CNN软硬件协同设计表明，在边缘FPGA上实现微秒级延迟的量化推理在另一领域中是可实现的，这支持了该部署方法的总体合理性，但并未验证这一特定的航空航天模型[5]。尚未解决的问题是具体的：分类器在带有飞机特有干扰的真实传感器数据上表现如何，21类分类体系在面对未建模故障模式时能否存续，6.90 ms延迟是否满足实际健康监测循环的时序预算，以及父波形不相交验证能否保持所报告的准确率[1]。
关于这些来源
本研究页面基于7项经过同行评审的研究构建——这些研究发表于2010年至2026年间，其中5项发表于2024年或之后——它们是从通过质量筛选的7项研究中选出的最相关研究，而这些研究又是从超过5亿篇文献的数据库中检索到的91篇论文中筛选而来。
本文引用的文献
基于深度学习的航空航天电力系统电气故障与电能质量扰动检测
锚点论文基于受波音787启发的400 Hz仿真，构建了一个每数据集73,500个样本的21类基准，选择了一个参数量为175,685的紧凑型ResNet，软件准确率达到96.94%，并在ZCU102上经过8位量化后，展示了95.87%的准确率和6.90 ms的平均加速器延迟，同时明确将其主张限定为基于仿真的加速器级可行性[1]。
基于小波包分析的电压暂降能量特征提取与可视化用于增强电能质量监测。
Priyadarshini等人建立了用于电压暂降检测的小波包能量特征提取方法，比较了六种母小波，发现第五层分解时的能量误差最大，并明确将深度学习和强化学习作为其信号处理方法未来扩展的方向[2]。
集成维护数据在现代飞机电气系统故障诊断中的应用
Sidorov和Venkatesh探讨了在更电动飞机背景下用于诊断现代飞机电气系统故障的综合维护数据，涵盖传感器技术、机械系统诊断和结构健康监测，但所提供的证据无法完整获取，仅能支持其所述范围[3]。
电力电子系统集成中基于深度学习的故障诊断技术
Rokocakau对电力电子深度学习故障诊断的比较分析报告称，分层CNN模型相对于经典机器学习方法表现良好，但仅有摘要的证据无法支持具体的架构或准确率比较[4]。
微秒级延迟、完全片上执行的边缘FPGA限价订单簿预测：一种轻量级INT8一维CNN软硬件协同设计
Liu展示了在边缘FPGA上实现微秒级延迟、完全片上INT8 1D-CNN推理用于限价订单簿预测，提供了跨域验证，证明在严格延迟约束下边缘FPGA上的量化CNN部署是可行的[5]。
基于模型的航电系统故障仿真与检测
Bharadwaj等人提出了基于模型的航空电子系统故障仿真与检测，并陈述了一项仅对故障检测器进行有限验证的计划，从而定义了锚定论文也承认的仿真到验证差距[6]。
一种基于希尔伯特变换的智能传感器，用于电能质量扰动的检测、分类和量化。
Granados-Lieberman等人构建了一种基于FPGA的智能传感器，采用希尔伯特变换检测、前馈神经网络分类和基于帕塞瓦尔定理的量化方法，并通过合成信号和实际运行工况进行了验证，以Fluke 435-II作为参考，建立了后来深度学习工作所继承的在线硬件流水线[7]。