近年来,随着航空技术的迅速发展,飞机用电设备不断增多,配电系统用电量猛增,对航空电力系统要求也更高,其安全问题受到了更高的关注和重视。航空电缆复杂的工作环境加速了它的老化,振动、高温、线缆老化、连接松动等因素容易引发航空故障电弧。故障电弧能量高,危害大,它是引发飞机电气火灾的主要原因,严重影响着飞机的安全稳定运行,而现有的保护器件不对其起保护作用。因此,对航空故障电弧进行研究具有重要意义。本文首先针对航空故障电弧研究中电弧信号采集繁琐的问题,设计了一种基于Lab VIEW与DSP的航空故障电弧试验装置。通过LabVIEW虚拟按键控制电弧发生装置触头移动,引发电弧;利用串行通信将采集的数据传送至LabVIEW上位机进行实时显示与存储。新设计的试验平台实现了故障电弧触发的自动控制与电弧特性的准确采集,简化了数据采集过程,具有良好的实用性与人性化设计。随后根据UL1699-2011 AFCI标准,搭建了航空故障电弧试验平台,并利用新研制的试验平台模拟产生航空故障电弧,采集了大量400Hz航空故障电弧试验数据,建立了基于新试验平台的航空故障电弧诊断数据库。分析了典型纯阻性负载和不同负载以及阻性负载在不同采样率下电弧波形特征,为航空故障电弧的诊断研究打下了坚实的基础。紧接着,本文利用提升小波熵和多特征融合方法提取了航空故障电弧特征向量。基于提升小波熵,运用列举法,确定了最优提升方案。基于多特征融合,提取了航空故障电弧时频域特征提升小波熵和时域特征平均值、极值、最大变化率,组成七维特征向量。分析结果表明,特征向量包含了大量的故障电弧特征,多特征融合的方法减小了其他因素对诊断结果的影响。最后本文将极限学习机引入航空故障诊断,利用极限学习机,对单负载和未知负载航空故障电弧进行诊断识别。并针对未知负载航空故障诊断,比较了极限学习机与目前最常用的BP神经网络、RBF神经网络以及LS-SVM三种分类机。试验结果表明,基于极限学习机的航空故障电弧诊断具有快速、准确、算法简单的优点,测试时间不到1.5ms而诊断精度高达95%,性能远高于其他3种常用分类机。