建筑電氣系統(tǒng)中故障診斷方法分析

武淑芳

（內(nèi)蒙古筑友建筑設(shè)計咨詢有限責(zé)任公司，010030 ）

建筑電氣系統(tǒng)中故障診斷方法分析

武淑芳

（內(nèi)蒙古筑友建筑設(shè)計咨詢有限責(zé)任公司，010030 ）

隨著現(xiàn)代化進(jìn)程的加快，在現(xiàn)代化的建筑物中，電氣故障發(fā)生的頻率也隨之越來越高。針對目前建筑電氣系統(tǒng)中缺少行之有效的診斷故障方法的問題，同時考慮到在現(xiàn)代建筑的實際運行環(huán)境中典型的故障數(shù)據(jù)樣本獲取是非常的有限的。根據(jù)相關(guān)行業(yè)統(tǒng)計，若是一家年產(chǎn)值30萬噸的合成氨化肥廠，每年的停車時間減少30天，則增產(chǎn)6000多萬噸是十分可能的其效益是相當(dāng)?shù)木薮蟮?。所以不難看出，在建筑電氣領(lǐng)域應(yīng)用故障診斷技術(shù)，也將有利于對于系統(tǒng)與設(shè)備的工作狀態(tài)做出及時有效的判斷，并使其生產(chǎn)和運行則更加的可靠安全。

建筑電氣系統(tǒng) 故障診斷 支持向量機(jī)

引言：隨著城市化進(jìn)程的加速發(fā)展，建筑的高度不斷的突破。人們對于建筑物的環(huán)境與品質(zhì)的要求也不斷地提高，對于整個建筑物系統(tǒng)來說，建筑電氣是其最為重要的核心技術(shù)之一，包括了建筑物的配電、室內(nèi)照明、戶外景觀照明等許多主要內(nèi)容。建筑物的電氣發(fā)展規(guī)模越來越大，結(jié)構(gòu)也隨之越來越復(fù)雜。不同的系統(tǒng)間的互聯(lián)越來越緊密，從而也使得電氣系統(tǒng)所發(fā)生故障的概率大大的提高了。

目前，針對于故障的智能診斷技術(shù)已經(jīng)在機(jī)械、電力系統(tǒng)等領(lǐng)域中發(fā)展的比較成熟了，但對于建筑電氣系統(tǒng)中故障的方面還處在萌芽階段，基本上是用人工來查找診斷其發(fā)生故障的原因的。也由此，對于如何利用現(xiàn)代科學(xué)技術(shù)來提升系統(tǒng)的穩(wěn)定性和可靠性應(yīng)用于建筑電氣領(lǐng)域提出了更高的要求。

近年來，智能故障診斷系統(tǒng)的使用最為廣泛的要數(shù)人工神經(jīng)網(wǎng)絡(luò)方法，但是神經(jīng)網(wǎng)絡(luò)卻存在著收斂速度慢、易陷入局部極小值等問題中，其中最大的限制條件是需要大量的訓(xùn)練樣本數(shù)據(jù)才能保證故障診斷的精度，限制了其在實際工程中的應(yīng)用。支持向量機(jī)（簡稱SVM）則是以統(tǒng)計學(xué)習(xí)的理論為基礎(chǔ)的，建立在VC維理論和結(jié)構(gòu)風(fēng)險最小原則上的機(jī)器學(xué)習(xí)方法。依據(jù)有限的樣本信息，在模型的學(xué)習(xí)能力與復(fù)雜性之間找尋最佳切合點，已獲得最好的推廣能力，其特點是：可以很好地找出小樣本下的分類問題，并具有很強(qiáng)的實用性[1]。

1 建筑電氣仿真平臺故障診斷的原理

建筑電氣系統(tǒng)故障診斷的實質(zhì)上是建立在征兆集或故障集的映射模式的基礎(chǔ)上的，包括其故障發(fā)生時的故障狀態(tài)識別和故障的征兆提取。而由于建筑電氣系統(tǒng)發(fā)生的故障種類繁多且發(fā)生的幾率隨機(jī)性較大，因此建筑電氣故障仿真平臺為實驗的基礎(chǔ)。對于建筑物中的常有的電氣故障等問題進(jìn)行故障自診斷研究，依據(jù)不同故障的工作狀態(tài)的診斷目的和對象，選取對應(yīng)最便于診斷的工作狀態(tài)的信號，在配電線路的關(guān)鍵回路上加裝上傳感器，通過利用數(shù)據(jù)采集器等技術(shù)手段，收集故障時的異常的信號，提取其故障的特征，將處理后的數(shù)據(jù)輸入到故障的診斷法中，經(jīng)過算法判別其輸出的故障類型及不同的位置，并提示報警信息，以及根據(jù)問題的所在來提出維修的決策和控制的措施。

2 小樣本SVN的故障診斷

建立在數(shù)據(jù)的機(jī)器學(xué)習(xí)為現(xiàn)代智能技術(shù)中的重要方面的基礎(chǔ)上，機(jī)器學(xué)習(xí)其目的是根據(jù)給定的訓(xùn)練樣本來取得系統(tǒng)的輸入與輸出之間的依賴關(guān)系的估計，使其能夠?qū)ο到y(tǒng)行為做出盡可能肯定準(zhǔn)確的預(yù)測。

在實際運行的環(huán)境中，設(shè)備故障的出現(xiàn)是有一定的突發(fā)性和偶然性的，故障的信號則往往是可遇而不可求的，然而對于大多數(shù)設(shè)備來說，具有典型的故障的數(shù)據(jù)樣本是少之又少的，所以，選取支持向量機(jī)作為故障診斷算法是能夠在小樣本情況下很好地達(dá)到分類推廣的目的的。

3 建筑電氣故障仿真平臺

該仿真平臺，50HZ交流市電，電源供電為220V，有變壓器轉(zhuǎn)換為15V的直流輸出，為弱電保護(hù)板提供電量，弱電保護(hù)板則對強(qiáng)電系統(tǒng)中的單向以及三向的系統(tǒng)進(jìn)行保護(hù)，強(qiáng)電系統(tǒng)則是該試驗臺的主體組成部分，系統(tǒng)是根據(jù)通過故障設(shè)置的面板上的22個開關(guān)的斷開閉合來應(yīng)對強(qiáng)電系統(tǒng)中的四大類阻值故障的，斷開即為通路，反之閉合即為相應(yīng)的部位發(fā)生了故障[2]。

4 SVM在實驗平臺故障診斷中的應(yīng)用

4.1.故障特征量的選擇與故障的分類

根據(jù)實驗平臺能夠模擬出的實際住宅建筑物中常見的故障，其類型可分為線路阻抗故障、連續(xù)性故障、接地電阻異常、絕緣電阻過小等四種。再加上正常狀態(tài)，因此共有五種狀態(tài)。

4.2.SVM模型的建立

支持向量機(jī)的本質(zhì)是針對兩個分類問題而構(gòu)建的，在解決多種類型故障分類的問題時，目前最主要的方法有“一對一”、“一對多”、K類SVM法、決策導(dǎo)向無環(huán)圖等。之所以選用“一對一”的分類方法，主要是由于其分類的精度較之“一對多”高，拒絕的分類區(qū)較小，且每個SVM只需考慮兩類樣本，單個SVM則更容易訓(xùn)練。

仿真輸出的結(jié)果表明：SVM算法的錯判總數(shù)為0。即識別率為100%。綜上所述，可以得出SVM算法是可以有效的和正確的診斷出建筑電氣試驗平臺故障的[3]。

4.3.SVM以神經(jīng)網(wǎng)絡(luò)對故障診斷問題的比較

根據(jù)數(shù)據(jù)顯示，在小樣本的情況下，雖然幾種方法對測試樣本的仿真效果都比較理想，但BP網(wǎng)絡(luò)的構(gòu)建是較為復(fù)雜的，輸出線的不夠穩(wěn)定，收斂速度極為不穩(wěn)定是其缺點，RBF網(wǎng)絡(luò)訓(xùn)練誤差較小，收斂較為迅速，但是從其故障的識別率來看，推廣分類的能力仍然是不如支持向量機(jī)的。

結(jié)語：首先，建筑電氣故障模擬的實驗平臺數(shù)據(jù)自動采集功能的開發(fā)，如果使平臺內(nèi)部分布著的200多條線路每條線路上都加上傳感器進(jìn)行檢測，則肯定會造成巨大的成本投入與資源的浪費的，由此研究怎樣在系統(tǒng)關(guān)鍵回路上添加傳感器，采集關(guān)鍵信息點的故障樣本將會是今后的研究重點之一。

其次，實驗平臺的故障類型還是比較缺乏，不夠豐富。本文中進(jìn)行診斷的只有五種狀態(tài)，這與實際生活中所面臨的建筑電氣系統(tǒng)能夠發(fā)生的故障數(shù)目和種類還相差甚遠(yuǎn)，因此之后還要不斷添加和發(fā)現(xiàn)新的故障的類型，真正使其接近實際系統(tǒng)運行時的狀態(tài)和狀況。

最后，缺乏實際的工程檢驗論證，本文所提出的故障診斷方法雖然在實驗的過程中取得了較好的效果，但這僅僅只限于是在實驗室研究中的初步理論和嘗試，還必須要通過實際的工作情況來檢驗其診斷效果及其使用的情況。

[1]吳茜.建筑電氣實驗平臺故障智能診斷技術(shù)研究[D].北京建筑大學(xué),2013.

[2]張龍.建筑電氣系統(tǒng)故障診斷方法研究[D].北京林業(yè)大學(xué),2014.

[3]王亞慧,張龍,韓寧.建筑電氣系統(tǒng)故障診斷方法研究[J].計算機(jī)仿真,2014,02:436-440.

TU723

B

1007-6344（2015）05-0013-01