针对生弧材料弱化故障电弧特征和监督式学习方法依赖于大量标记数据的问题，提出了包络微分算子增强故障电弧特征，并采用半监督学习模型融合该特征辨识直流故障电弧和生弧材料的方法。首先依据UL 1699B搭建直流故障电弧实验平台，采集了铝、黄铜、不锈钢、石墨铸铁以及球墨铸铁常见电力设备材料下的故障电弧信号，再采用包络微分算子增强电弧小波特征，有效提升了多生弧材料条件下的故障电弧特征显著性。然后通过K-Means算法进行离群点检测，有效降低了同种生弧材料的特征波动。最后通过采用半监督学习算法MixMatch改进长短期记忆网络(long short-term memory

LSTM)模型，实验结果验证了该模型可在有限故障数据条件下获得比现有监督式学习模型更高的故障电弧和生弧材料辨识性能，为直流故障电弧精准运维提供了可行的技术手段。