建筑電氣系統中故障診斷方法分析

武淑芳

（內蒙古筑友建筑設計咨詢有限責任公司，010030 ）

建筑電氣系統中故障診斷方法分析

武淑芳

（內蒙古筑友建筑設計咨詢有限責任公司，010030 ）

隨著現代化進程的加快，在現代化的建筑物中，電氣故障發生的頻率也隨之越來越高。針對目前建筑電氣系統中缺少行之有效的診斷故障方法的問題，同時考慮到在現代建筑的實際運行環境中典型的故障數據樣本獲取是非常的有限的。根據相關行業統計，若是一家年產值30萬噸的合成氨化肥廠，每年的停車時間減少30天，則增產6000多萬噸是十分可能的其效益是相當的巨大的。所以不難看出，在建筑電氣領域應用故障診斷技術，也將有利于對于系統與設備的工作狀態做出及時有效的判斷，并使其生產和運行則更加的可靠安全。

建筑電氣系統 故障診斷 支持向量機

引言：隨著城市化進程的加速發展，建筑的高度不斷的突破。人們對于建筑物的環境與品質的要求也不斷地提高，對于整個建筑物系統來說，建筑電氣是其最為重要的核心技術之一，包括了建筑物的配電、室內照明、戶外景觀照明等許多主要內容。建筑物的電氣發展規模越來越大，結構也隨之越來越復雜。不同的系統間的互聯越來越緊密，從而也使得電氣系統所發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已經在機械、電力系統等領域中發展的比較成熟了，但對于建筑電氣系統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生故障的原因的。也由此，對于如何利用現代科學技術來提升系統的穩定性和可靠性應用于建筑電氣領域提出了更高的要求。

近年來，智能故障診斷系統的使用最為廣泛的要數人工神經網絡方法，但是神經網絡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練樣本數據才能保證故障診斷的精度，限制了其在實際工程中的應用。支持向量機（簡稱SVM）則是以統計學習的理論為基礎的，建立在VC維理論和結構風險最小原則上的機器學習方法。依據有限的樣本信息，在模型的學習能力與復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

建筑電氣系統故障診斷的實質上是建立在征兆集或故障集的映射模式的基礎上的，包括其故障發生時的故障狀態識別和故障的征兆提取。而由于建筑電氣系統發生的故障種類繁多且發生的幾率隨機性較大，因此建筑電氣故障仿真平臺為實驗的基礎。對于建筑物中的常有的電氣故障等問題進行故障自診斷研究，依據不同故障的工作狀態的診斷目的和對象，選取對應最便于診斷的工作狀態的信號，在配電線路的關鍵回路上加裝上傳感器，通過利用數據采集器等技術手段，收集故障時的異常的信號，提取其故障的特征，將處理后的數據輸入到故障的診斷法中，經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

建立在數據的機器學習為現代智能技術中的重要方面的基礎上，機器學習其目的是根據給定的訓練樣本來取得系統的輸入與輸出之間的依賴關系的估計，使其能夠對系統行為做出盡可能肯定準確的預測。

在實際運行的環境中，設備故障的出現是有一定的突發性和偶然性的，故障的信號則往往是可遇而不可求的，然而對于大多數設備來說，具有典型的故障的數據樣本是少之又少的，所以，選取支持向量機作為故障診斷算法是能夠在小樣本情況下很好地達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，有變壓器轉換為15V的直流輸出，為弱電保護板提供電量，弱電保護板則對強電系統中的單向以及三向的系統進行保護，強電系統則是該試驗臺的主體組成部分，系統是根據通過故障設置的面板上的22個開關的斷開閉合來應對強電系統中的四大類阻值故障的，斷開即為通路，反之閉合即為相應的部位發生了故障[2]。

4 SVM在實驗平臺故障診斷中的應用

4.1.故障特征量的選擇與故障的分類

根據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，因此共有五種狀態。

4.2.SVM模型的建立

支持向量機的本質是針對兩個分類問題而構建的，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、決策導向無環圖等。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，拒絕的分類區較小，且每個SVM只需考慮兩類樣本，單個SVM則更容易訓練。

仿真輸出的結果表明：SVM算法的錯判總數為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以神經網絡對故障診斷問題的比較

根據數據顯示，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網絡的構建是較為復雜的，輸出線的不夠穩定，收斂速度極為不穩定是其缺點，RBF網絡訓練誤差較小，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的。

結語：首先，建筑電氣故障模擬的實驗平臺數據自動采集功能的開發，如果使平臺內部分布著的200多條線路每條線路上都加上傳感器進行檢測，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關鍵回路上添加傳感器，采集關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。本文中進行診斷的只有五種狀態，這與實際生活中所面臨的建筑電氣系統能夠發生的故障數目和種類還相差甚遠，因此之后還要不斷添加和發現新的故障的類型，真正使其接近實際系統運行時的狀態和狀況。

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研究[D].北京建筑大學,2013.

[2]張龍.建筑電氣系統故障診斷方法研究[D].北京林業大學,2014.

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

TU723

B

1007-6344（2015）05-0013-01