建筑電氣故障自診斷技術應用探析

鄧小剛

摘要：城市化不斷發展下，對建筑質量及性能提出了更高的要求，電氣系統屬于建筑中的重要組成部分，具備一定的復雜性，一旦出現故障問題，影響建筑性能的同時，很可能會產生嚴重的經濟損失?；诖?，本文重點對建筑電氣故障自診斷技術應用內容進行探究，從建筑電氣系統常見故障入手，分析建筑電氣故障自診斷過程，提出建筑電氣故障自診斷技術的應用，以供參考。

關鍵詞：建筑電氣;故障自診斷;技術應用

引言

建筑領域不斷發展中，對建筑電氣系統故障的重視程度逐漸提高。建筑領域也選擇了有效的方案，進一步提升系統運行的可靠性，降低系統運行故障。但就電氣系統實際而言，其不但具備較大的復雜性，并且在運行環節會受到較多外界因素的影響，若沒有及時處理，會產生嚴重的后果，因此，需要重點探究建筑電氣故障自診斷技術，找準故障位置及原因，及時加以解決。

1建筑電氣系統常見故障

第一，線路故障。具體包括電纜線路故障、架空線路故障等，與線路所處環境存在較大聯系。當出現故障后，會使導體處于帶電工作狀態，并且，也會出現銹蝕問題，嚴重影響線路的正常運行[1]。第二，動力系統故障。這一故障發生后，互感器線圈螺釘會松動，從而導致變壓器局部放電，發生短路或斷路等不良情況。第三，防雷接地系統故障。當周圍溫度過高或接地電阻數值過大時，則會出現這一故障，故障發生后，會使接地裝置發生異常、零線帶電，嚴重影響系統防雷性能。除此之外，電氣照明系統故障也是建筑電氣系統較為常見的故障，出現這一故障后，會出現短路情況，影響電氣照明系統正常運行。

2建筑電氣故障自診斷過程

對于故障自診斷而言，實際上指的是在系統運行過程中，選擇不同的監測方式，分析系統運行情況，判斷其是否處于正常運行狀態。如果存在異常，可以通過儀器、儀表或者人工的方式進行測試及判斷，找出故障發生的具體位置，從而及時進行故障維修。此外，還可以預測可能會出現的故障，在故障發生前進行針對性的處理，避免故障出現。

第一，特征信號檢測。通常情況下，建筑中會存在較多種類的電氣設備，而設備不同的情況下，信號輸出形式也存在較大差異，通過特征信號能夠準確的反映出電氣系統功能信號，因此，識別電氣設備故障時，通常會通過特征信號表示。進行特征信號提取時，可以選擇以能量形式的方式提取，也可以選擇以物態形式的方式提取。第二，提取征兆信號。提取征兆信號使，通常會根據不同的特征信號[2]，選擇針對性的方式進行提取。因為特征信號包括物態形式以及能量形式，所以，應針對具體類型選擇不同的提取方式。對于物態形式特征信號，提取其征兆信號時，可以選擇化學或物理方法進行提取，對于能量形式特征信號，在征兆信號提取時，可以在相位域、頻域以及時域中提取。第三，系統狀態識別。判斷電氣系統運行狀態時，會將特征信號與標準情況進行比較，從差異中得出電氣系統運行是否正常。如果運行正常，可以對其為來運行狀況進行預測。如果發現電氣系統運行存在問題，會進行狀態的深入診斷，從而找出故障的具體原因以及發生位置等，以此作為主要依據，進行系統維修。第四，故障維修決策。根據不同故障原因，并與故障發生相關信息相結合，制定出科學、合理的維修措施，維修人員根據具體的維修計劃，及時維修故障，保證電氣系統良好運行。

3建筑電氣故障自診斷技術應用

3.1 小樣本SVM故障診斷

該故障診斷技術，主要是利用機器學習原理，在給定訓練樣本數據系統輸出及輸入相關性分析下，預測出系統行為是否正常。機器學習中，一般情況下，損失函數L（Y，Y的實際值）主要是機器輸出損失的實際值，以便更好的開展預測工作，對于損失函數而言，其屬于預期風險及實際風險。

公式一

訓練樣本的平均損失程度就是經驗風險，可用以下公式進行表示：

公式二

機器學習的關鍵是將預期（實際）風險降至最低，從公式一中得出，該風險與聯合概率 ?存在較大聯系，公式二將經驗風險降至最低。預期風險與經驗風險關系如下：

公式三

公式三中，h表示的是學習機的vc維，代表著學習機的學習能力，數值越大，其體驗風險則會越小，n表示的是樣本數， ?表示的是置信范圍。

3.2知識診斷技術

故障診斷過程中，知識診斷技術主要是先通過專業知識，分析故障基本情況，對系統運行情況進行掌握，找到故障位置及產生故障的原因[3]。這種故障診斷技術具備較多的優點，尤其是具備智能化特點，能夠快速檢查出故障的位置與原因，使診斷更為精準，診斷效率較高。例如，診斷某一電動機故障時，在知識診斷技術應用下，診斷人員會快速診斷出系統轉速降低、停止運行的主要原因是電機溫度過高。獲得這一診斷結果后，相關工作人員測量了絕緣情況，得到數值為5MΩ。測量三相阻值平衡后，發現平衡數值處于正常范圍內，從而得出電機自身狀態正常，將負載通電斷開后，發現電動機運轉異常，有較大的噪音，通過實際檢測，最終得出是由于C相供電缺相導致，進而針對性的進行了處理。

3.3解析模型診斷技術

這一診斷技術，主要是應用建筑電氣系統數據理論知識，與系統實際情況相結合，構建電氣系統解析模型，同時，在解析模型的深入分析下，了解電氣系統故障情況，得到最終的診斷結果，從而根據結果制定出故障的處理措施。在技術的良好應用下，會保證系統更為穩定、安全、可靠[4]，為故障處理工作的開展提供準確數據。不過解析模型診斷技術實際應用中存在一定限制，只有在具備模型條件的系統中，才能使用，電氣系統模型建設是此項技術的一項主要工作，在此基礎上，會全面檢測系統存在的故障隱患，不僅可以診斷未知故障，還能有效提升檢測敏感度。若一些建筑電氣系統不具備建設數學模型的條件，應在良好診斷下，分析系統運行狀況，通過構建簡化模型的手段，使故障診斷更為科學、合理。

3.4壓縮感知技術

壓縮感知技術，簡稱為CS，這種診斷技術主要是以線性模型為基礎，實際應用過程中，在故障異常信號應用下，提取故障特征，同時，在相應算法運用下開展診斷工作，從而確定出故障類型。主要診斷流程包括：第一，分析故障數據，提取故障特征，建設訓練樣本矩陣;第二，在支持向量機算法應用下，進行訓練及訓練樣本字典建設;第三，錄入測試樣本，根據相應公式做出實際計算，通過殘差項計算后，得到殘差項最小值，對測試樣本類別進行判斷。

結束語

綜上所述，建筑電氣系統實際運行中，可能會出現線路故障、動力系統故障、防雷接地系統故障、照明系統故障等，為有效預防并診斷建筑電氣系統故障，應加大對于建筑電氣故障自診斷系統的應用與研究，了解其診斷的具體流程，還應通過小樣本SVM故障診斷、知識診斷技術、解析模型診斷技術、壓縮感知技術的良好應用，避免電氣系統故障的出現，當然診斷技術并不局限于此，在未來還應進行深入的探討，確保電氣系統良好運行。

參考文獻

[1]吳坤. 基于壓縮感知理論的建筑電氣系統故障診斷[J]. 重慶電子工程職業學院學報， 2019， 028（002）：126-128.

[2]李慶. 淺析汽車電氣系統典型故障診斷與維修[J]. 汽車實用技術， 2019， 289（10）：212-214.

[3]羅睿. 發電廠電氣設備狀態監測與故障診斷方法分析[J]. 山東工業技術， 2019， 000（014）：159.

[4]鄒晨光， 高昱， 徐連東，等. 建筑電氣系統故障診斷方法研究[J]. 裝備維修技術， 2020（13）：1.