論建筑電氣系統故障診斷

祝培文

摘 要：隨著國民經濟的發展和城市化進程的加速，人們對建筑物的安全和舒適提出了更高的要求。建筑電氣結構的復雜性和大規模性導致各個子系統間的關聯錯綜復雜，這使得建筑電氣故障發生幾率增加，一旦建筑發生故障將會直接對人構成威脅，因此，不得不引起重視。

關鍵詞：建筑；電氣系統；故障；診斷；方法

1 前言

目前，我國對建筑電氣系統的故障診斷方面基本上還是靠人工檢測來查找故障原因，這不僅浪費了人力、物力，而且對檢測人員的責任感意識和專業化水平也提出了高標準要求，使得建筑電氣系統故障檢測面臨著潛在的風險。因此，傳統的故障檢修與排除辦法已經無法滿足功能日益多樣化的建筑電氣系統，如何在建筑電氣領域利用科學技術提升系統的可靠性和穩定性成為智能建筑發展的迫切需要。

2 建筑電氣系統概念解析

建筑電氣是指在限定的環境和空間中實現建筑物功能的一種核心技術，那么，建筑電氣系統指的就是實現建筑物功能的技術之合力，其一般包括用電設備、供配電線路及控制和保護設備三大部分。隨著電能、電氣技術以及電氣設備的廣泛使用，建筑電氣的主要內容已經從傳統簡單的供配電、防雷接地、消防、照明衍生為一門以機械工程學、理學、物理光學、無線電波學、電力電子學、現場總線等理論為基礎的綜合學科，并逐漸結合物聯網和計算機技術向智能化方向發展，使得建筑物在現代建筑電氣技術的應用下更加安全，更能滿足人們對舒適工作和居住環境的需求。一般來說，建筑電氣系統主要有以下幾大類：①按照電能的性質可分為“強電系統”和“弱電系統”兩大類。強電系統是指把電能引入建筑物，經過用電設備轉換成光能、熱能和機械能等的系統，包括變配電系統、動力系統、照明系統和防雷接地系統。弱點系統是實現建筑物內部以及內部與外部之間的信息交流與傳遞的系統，包括通信系統、共用天線電視系統、廣播系統、火災自動報警系統、安全防范系統等；②按電能的供給、分配、傳輸和使用可分為供配電系統和用電系統兩大類，其中用電系統還可細分為建筑弱電系統、建筑動力系統和建筑電氣照明系統三種。

3 建筑電氣系統常見故障類型

由于建筑電氣系統的智能化發展，建筑電氣系統的復雜性不言而喻，一旦這類系統發生故障，影響范圍將會非常廣泛，嚴重影響了人們的生活、工作，甚至會危及人們的生命財產安全。建筑電氣系統的復雜性導致建筑電氣故障發生的類型的多樣性，目前建筑電氣故障大致可以分為電氣線路故障、防雷接地系統故障、電氣動力系統故障、電氣照明系統故障等。一般的故障原因有：短路、斷路、接地、諧波、電氣設備與電氣元件損壞等。

4 建筑電氣系統故障診斷方法

4.1 建筑電氣系統常見的故障診斷方法

按照國際普遍認同的觀點，故障診斷方法一般被分為三大類：基于解析模型的方法、基于信號處理的方法和基于知識的診斷方法，具體如下：

（1）基于解析模型的方法。所謂解析模型，就是要求相關的技術人員在進行故障診斷前，要事先根據建筑電氣系統的運行情況構建相應的解析模型，這就需要一定的數學理論基礎，然后分析解析模型，總結故障結果。實踐證明，這種方法能夠檢測出一些未知故障，但是其容易會受到被診斷系統數學模型的限制，這在一定程度上限制了其推廣應用。

（2）基于信號處理的方法。這種方法適用于對故障的粗略判斷中，其是利用檢測到的信號，并通過不同的渠道獲得系統時域或頻域中的特征（例如幅值、頻率、方差等特征值），然后利用其與故障之間的關系進行故障分析。這種方法要求建筑行業在進行故障診斷工作的過程中應對其診斷需求進行了解，從而選擇適宜的診斷方式，滿足故障診斷需求。實踐證明，這種方法方便簡捷，適宜做前期初步粗略判斷，但是其精確度不高，這就要求相關技術人員在對其進行應用的過程中一定要充分考慮到外界因素對故障診斷的影響，以便提高診斷結果的準確性。

（3）基于知識的診斷方法。與前兩者相比，這種方法呈現出明顯的智能性特點，它要求相關的技術人員具有很高的專業化水平，并且在對被診斷設備進行故障診斷前，應根據設備的具體情況選擇適宜的判斷方式以合理推斷出電氣系統的故障及故障原因，然后利用系統的自學習，實現智能化的故障診斷和檢測。實踐證明，該種方法不僅可以對故障進行離線診斷，還能夠適用于故障的在線檢測與處理，目前比較流行的是人工神經網絡診斷法，這種方法不需要構造具體的數學模型，但它最大的約束條件是需要大量的訓練樣本數據才能保證故障診斷精確度，這限制了其在實際工程中的應用。

4.2 基于支持向量機理論的故障診斷算法

支持向量機（簡稱SVM），與人工神經網絡方法不同，它可以很好地解決小樣本情況下的分類問題，具有很強的實用性。它是以統計學習理論為基礎，建立在VC維理論和結構風險最小原則基礎上的機器學習方法。SVM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。與其他學習算法一樣，支持向量機也需要把預處理后的樣本數據分為訓練集和測試集兩部分，然后優化模型關鍵參數，采用訓練集訓練SVM，再用得到的模型來對測試集進行分類判斷，最后得出診斷結果。實踐表明，SVM算法的識別率為100%，它能夠有效地診斷出建筑電氣系統故障及故障原因所在，這對于建筑電氣系統只能獲取小樣本的情況有很強的適應性和針對性。

4.3 基于壓縮感知理論的故障診斷算法

壓縮感知（簡稱CS）該理論基于線性模型，其核心假設是信號的稀疏性，如果信號稀疏或能被壓縮，高維原始信號就能很好的從低維觀測信號中恢復出來。故障診斷的過程實質上就是一個分類的過程，CS利用故障時的異常信號，提取故障特征，通過算法判別各種故障類型。

5 結束語

建筑電氣系統故障診斷方面尤其是對故障診斷技術逐漸引起了人們的關注，目前，雖然我國部分地區已經實現了對MAT-LAB軟件的應用，但是在現今無比復雜的建筑電氣系統情況下，相關技術人員還是要根據故障診斷現狀構建相應的模擬平臺，從而不斷完善建筑行業電氣系統故障診斷方法，提高故障診斷結果的精準度。

參考文獻：

[1] 段惠霞.建筑電氣系統的故障診斷方法分析[J].電氣工程，2015（21）：217.

[2] 賈雪，李昭爽，李建秀，劉志敏.電氣設備故障診斷與模式識別淺析[J].農業與技術，2016（36）：163～164.