建筑電氣系統故障診斷問題及診斷方法

魏 臨

（克孜勒蘇柯爾克孜自治州第一建筑安裝工程有限責任公司 845350）

建筑電氣系統故障診斷問題及診斷方法

魏 臨

（克孜勒蘇柯爾克孜自治州第一建筑安裝工程有限責任公司 845350）

隨著經濟社會的迅速發展，科學技術的日益普及和成熟，建筑現代化程度也不斷提升，然而電氣故障發生率也日益增長，本文根據當前現實情況，采用建立故障診斷模型的方法診斷電氣系統中出現的幾種故障狀態，旨在將之一模型方法運用到實際工程中，使得建筑電氣系統故障能夠及時被發現和解決，促進建筑電氣系統穩定運行。

建筑電氣系統；故障診斷；仿真平臺；SVM；小樣本

目前，建筑電氣系統的故障檢查一般都是人工檢測、查找故障源頭、人工處理的程序來實施的，電工技術人員的搶修速度、專業技能和實踐經驗直接決定了建筑電氣系統的故障恢復時間[1]。因此，實現智能化建筑的關鍵在于提高建筑電氣系統的穩定性和可靠性。目前，國內外對于建筑電氣故障診斷方面的研究處于初期。追究其原因在于，由于大多數故障研究的重點在于電力系統，同建筑電氣的內容相似或相同，因此故障診斷方法也大抵相同；另外，由于建筑電氣一般都是電壓等級較低，相比于大型電力系統，其故障發生率較低，危險程度不高，因此故障排斥比較簡單。然而，建筑系統由照明、電梯、給排水、電氣等方面構成，同時建筑物是人們生活、工作必不可少的場所，因此具有一個較高的安全等級才能保護人們生命財產安全。因此，需要加強對建筑電氣系統故障診斷的研究。

1 建筑電氣系統存在的故障

短路、斷路、接地、諧波及電氣元件損害等時造成電氣系統故障的主要原因，目前建筑電氣系統存在以下幾種常見的故障情況：

1.1 電氣線路的故障

架空線路和電纜線路的故障是電氣線路常見故障，如果出現這些故障，極有可能會造成觸電、火災等事故的出現。出現這些故障的原因在于環境影響、戶外天氣導致絕緣皮脫落、破損和有的零件腐蝕等。

1.2 電氣照明的故障

短路、斷路和漏電是電氣照明常見故障，具體情況見表1。

表1 關于斷路、短路和漏電三種情況的情況及故障原因分析

1.3 電氣動力系統的故障

這一種故障主要出現在變壓器、互感器、電動機、斷路器等設備，設備局部過熱和絕緣皮老化等是常見的故障[2]。

2 構建電氣仿真平臺

診斷建筑電氣系統主一般是以故障集或征兆為基礎的一種映射模式，包含了系統出現故障過程中的征兆現象以及對系統故障狀態的識別。建筑電氣系統故障具有各種類型，且出現時間和出現的形態不缺性性比較突出，因此，為了能夠系統診斷建筑電氣系統故障，應該構建一個仿真平臺，基于其作為實驗的基礎媒介，從而分析出建筑電氣系統存在的故障。這個平臺能夠基于設備所表現出的各種工作狀態診斷出設備存在的故障，經過相對應的工作狀態信號，在配電線路上安裝傳感器，采用技術方法，接收和分析不正常信號，提取出故障的主要特征，從而分析出故障的類型與具體位置，并根據問題制定出有效的維修措施和控制方法。

建筑電氣故障仿真平臺應該包含建筑中全部的抵押配電裝置，例如斷路器、熔斷器、residual current operated protectivedevic （ERCD）、單向與三向插座等（如圖1所示），通50Hz、220V的交流電，變壓器以15V的電壓將電能供給弱電保護板，從而使得單相和三相系統相平衡[3]；弱電系統是該平臺的主體與核心，主要判斷系統中出現的四種故障，設置22個開關的不同狀態，從而查找到故障的具體位置。

圖1 一種型號的仿真平臺

3 小樣本SVM故障診斷

現代智能技術的重要內容便是根據數據的機器學習，機器學習的目的是按照規定的訓練樣本，對系統輸入、輸出之間的依賴關系進行判斷，從而盡量準確預測出系統做出的行為。圖2便是機器學習的基本模型。

圖2 機器學習的基本模型

針對機器學習，一般采用損失函數L（y，y實際值）來表達出機器輸出對實際值進行預測而引起的損失[4]。其中，損失函數的期望定義為實際風險或期望風險，如下式：

但是經驗風險便是訓練樣本的“平均損失”程度，是指：

機器學習的目的在于將期望風險（實際風險）最小化，但是分析式（1）得知，為了計算出期望風險需要根據聯合概率P（x，y），計算實際問題十分困難。因此，在傳統學習方法中常常使用經驗風險最小化（ERM）原則，便是經過學習算法使式（2）的經驗風險Remp最小化（只有在樣本數無線大時，經驗風險才能夠接近期望風險）。

人工神經網絡便是借鑒了ERM原則，但是并未獲得最小化期望風險，雖然在很大程度上符合了經驗風險最小，然而在推廣過程中卻步步艱辛，存在很多嚴重的缺陷。

按照定義，期望風險和經驗風險之間的關系如下所示：

在實際運行過程中，設備故障出現比較突然，故障信號常常是可遇不可求，對于眾多設備來講，獲取典型故障樣本數據數量較小。因此，在小樣本情況下，故障診斷算法能夠廣泛推廣應用在現實中。

4 SVM在故障仿真平臺中的應用分析

4.1 故障的分類

故障仿真平臺能夠充分體現出實際運行國政建筑物的一些常見故障，根據不同類型將這些故障劃分為：絕緣電阻過小、線路阻抗的故障、接地電阻的故障及連續性故障四類。除了這四種常見的故障，故障仿真平臺還能夠體現出建筑物正常狀態，因此，總計五種診斷狀態。

4.2 小樣本故障診斷中SVM相比于神經網絡法的優勢

（1）不同于神經網絡發，SVM法并不需要收集大量的數據，在計算和操作過程中更加直接和簡潔，在模型構造和學習能力的復雜性之間進行了最合理的調和。

（2）SVM法輸出穩定性更強，能夠迅速對系統故障情況進行準確分類，根據故障具體情況制定出有效的解決方法，從而避免出現嚴重的經濟損失。

（3）由于神經網絡法需要大量的故障樣本作為模型訓練的基礎，這便要求在建立網絡優化的目標立足于經驗風險最小的基礎上來實施。基于這一點，SVM法使用的是結構風險最小的方法，這一方法原理在于小樣本的情形下，也能夠確保較好的非線條性映射能力和廣泛的分類能力。

總之，本文重點研究了建筑電氣系統仿真平臺對故障診斷的情況，使用了SVM故障診斷方式，對故障進行了合理的計算，在使用過程中所體現出來的優勢不僅是相對穩定的輸出過程，而且還對于小樣本進行了更加科學合理的有關分類，是一種值得廣泛應用和推廣的計算方法。

[1]余丙榮，周明龍，李玲純.基于遺傳算法的WANN的汽車發動機故障診斷分析[J].安徽工程大學學報，2011，05（08）：288～289.

[2]范庚，馬登武，張繼軍，鄧力.基于決策樹和相關向量機的智能故障診斷方法[J].計算機工程與應用，2013，05（07）：1141～1143.

[3]溫陽東，宋陽，王穎鑫，侯繼光.基于模糊神經網絡的電力變壓器故障診斷[J].計算機測量與控制，2013，11（01）：654～656.

[4]胡海剛，朱鳴鶴，朱文材，龐宏磊.基于SVM和BP神經網絡的軸系故障診斷[J].現代科學儀器，2010，01（06）：841～846.

[5]蔡晨陽，王毅杰.建筑電氣系統故障診斷方法及其應用技術[J].房地產導刊，2015，12（17）：2511～2514.

TU85

A

1673-0038（2015）37-0187-02

2015-8-26