建筑電氣系統(tǒng)故障診斷方法研究

摘要：文章針對(duì)目前建筑電氣系統(tǒng)故障診斷的現(xiàn)狀進(jìn)行分析，列舉常見的電氣系統(tǒng)故障并歸納了常見診斷方法，強(qiáng)調(diào)了科學(xué)智能的自診斷方法的必要性，并分析了基于支持向量機(jī)和基于壓縮感知理論算法的兩種診斷方法對(duì)建筑電氣系統(tǒng)故障進(jìn)行分類并判斷，滿足了建筑電氣系統(tǒng)中故障診斷的工程應(yīng)用要求。

關(guān)鍵詞：建筑電氣系統(tǒng)；電氣故障；故障診斷；支持向量機(jī)算法；壓縮感知理論算法 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TM743 文章編號(hào)：1009-2374（2016）08-0107-02 DOI：10.13535/j.cnki.11-4406/n.2016.08.055

1 概述

近年來，隨著人們對(duì)建筑物提出更加安全與方便的要求，建筑電氣系統(tǒng)趨于更加龐大復(fù)雜，傳統(tǒng)的人工檢測也無法再滿足建筑電氣系統(tǒng)的故障檢查。因?yàn)榻ㄖ姎庀到y(tǒng)故障一旦發(fā)生，將給人們的生命和財(cái)產(chǎn)帶來不可預(yù)測的風(fēng)險(xiǎn)和威脅，同時(shí)還可能引發(fā)一系列火災(zāi)等事故，因此建筑電氣系統(tǒng)故障的診斷已經(jīng)成為我們所關(guān)注的最重要的問題之一。故障診斷技術(shù)也從最開始的人工檢測和簡單的儀表測量故障位置的階段到利用計(jì)算機(jī)和傳感器等結(jié)合的技術(shù)的診斷階段，一直到今日逐步流行的智能檢測和診斷階段，其智能化和高效率也有了巨大的飛躍。雖然其診斷技術(shù)仍然處于發(fā)展階段，尤其在中國，建筑電氣系統(tǒng)的智能故障診斷技術(shù)起步較晚，但其穩(wěn)定性和高效率已經(jīng)得到了驗(yàn)證和巨大的應(yīng)用前景，已如火如荼地發(fā)展起來。在此背景下，一系列智能化的建筑電氣系統(tǒng)故障診斷方法也隨著科學(xué)技術(shù)的發(fā)展應(yīng)運(yùn)而生，如利用人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)算法、壓縮感知等算法已應(yīng)用于故障診斷方法中。

2 建筑電氣系統(tǒng)常見故障及常見診斷方法

建筑電氣故障發(fā)生的類型比較多，一旦發(fā)生，不僅對(duì)人們的生命和財(cái)產(chǎn)造成巨大的威脅和損失，同時(shí)還會(huì)引發(fā)火災(zāi)等無法預(yù)料的災(zāi)禍，因此其前期預(yù)測和診斷的重要性不言而喻。而究其原因一般有短路、斷路、接地、諧波、電氣設(shè)備與電氣元件損壞等。建筑物的電氣故障類型主要有電氣線路故障、防雷接地系統(tǒng)故障、設(shè)備和元件故障以及電氣照明故障等。表1對(duì)這些常見故障及其原因和危害進(jìn)行了總結(jié)。

針對(duì)以上常見故障，目前常見的故障診斷方法主要分為三類：

基于信號(hào)的處理方法：該方法主要是利用檢測到的信號(hào)獲得系統(tǒng)時(shí)域和頻域的特征，然后進(jìn)行故障分析，該方法實(shí)現(xiàn)簡單，不必建立數(shù)學(xué)模型，但精確度不高，且一般只有在故障發(fā)生有比較明顯特征時(shí)才能檢測到信號(hào)，只能做前期初步粗略判斷。主要方法有基于信號(hào)模態(tài)的方法和小波變換法。

基于解析模型的方法：對(duì)診斷設(shè)備建立數(shù)學(xué)模型，能夠檢測出一些未知故障，因此其特征檢測有特有的敏感性，但在應(yīng)用上因難以建立數(shù)學(xué)模型而有所限制，主要方法有參數(shù)估計(jì)方法、狀態(tài)估計(jì)方法、等價(jià)空間方法等。

基于知識(shí)的診斷方法：根據(jù)先驗(yàn)信息，如人類專家的經(jīng)驗(yàn)，系統(tǒng)固有的知識(shí)系統(tǒng)實(shí)現(xiàn)系統(tǒng)的故障診斷，并通過算法讓系統(tǒng)實(shí)現(xiàn)自學(xué)習(xí)，實(shí)現(xiàn)智能化的故障診斷和檢測，其神經(jīng)網(wǎng)絡(luò)診斷方法是目前炙手可熱的研究方法。對(duì)于建筑電氣系統(tǒng)故障識(shí)別簡單的流程框圖如圖1所示：

3 基于支持向量機(jī)的故障診斷算法

故障診斷問題實(shí)際上是一個(gè)分類識(shí)別問題，即將每個(gè)故障狀態(tài)（包括正常狀態(tài)）進(jìn)行分類，找出各狀態(tài)對(duì)應(yīng)類別，完成故障識(shí)別。而支持向量機(jī)作為一種機(jī)器學(xué)習(xí)算法，其工作方式是找到一個(gè)最優(yōu)超平面將兩類樣本完全分開，最大的優(yōu)勢是在小樣本數(shù)據(jù)采集的情況，能夠?qū)崿F(xiàn)很好的分類，對(duì)于實(shí)際電氣系統(tǒng)中采集典型故障樣本數(shù)據(jù)非常有限的情況有較強(qiáng)的適應(yīng)性。

支持向量機(jī)應(yīng)用于電氣故障診斷的主要流程是：首先要提取數(shù)據(jù)或者是電氣系統(tǒng)的樣本，然后將樣本進(jìn)行預(yù)處理，包括數(shù)據(jù)歸一化處理，接著將預(yù)處理后的樣本數(shù)據(jù)分為訓(xùn)練集和測試集兩部分，設(shè)置模型參數(shù)，先對(duì)訓(xùn)練集訓(xùn)練支持向量機(jī)（SVM），最后將訓(xùn)練得到的模型對(duì)測試集進(jìn)行分類判斷，得到診斷結(jié)果。

根據(jù)實(shí)驗(yàn)平臺(tái)以及實(shí)際建筑物中的常見故障，假定將故障類型分為連續(xù)性故障、絕緣電阻過小、線路阻抗故障、接地電阻異常，那么加上正常狀態(tài)一共有5類診斷狀態(tài)。這時(shí)采用支持向量機(jī)（SVM）的算法訓(xùn)練分類模型，構(gòu)造分類器。再采用樣本數(shù)據(jù)進(jìn)行測試該SVM模型，檢驗(yàn)該分類器的準(zhǔn)確率。對(duì)于將SVM與BP神經(jīng)網(wǎng)絡(luò)對(duì)比分析，支持向量機(jī)算法（SVM）主要有以下三個(gè)優(yōu)點(diǎn)：（1）SVM綜合考慮模型的復(fù)雜性和學(xué)習(xí)能力進(jìn)行折衷，解決了神經(jīng)網(wǎng)絡(luò)算法過學(xué)習(xí)的問題；（2）SVM輸出相對(duì)穩(wěn)定、速度快，能夠在故障發(fā)生時(shí)及時(shí)做出診斷，實(shí)時(shí)性較好；（3）支持向量機(jī)（SVM）是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，所以對(duì)于建筑電氣系統(tǒng)只能獲取小樣本的情況有更強(qiáng)的適應(yīng)性和針對(duì)性。

這里尤其要注意的是，因?yàn)樵趯?shí)際建筑物的電氣系統(tǒng)中故障出現(xiàn)的突發(fā)性較強(qiáng)，而且故障信號(hào)的采集也比較困難，那么對(duì)于很多的設(shè)備來說，如果對(duì)每一種故障都進(jìn)行樣本采集上百上千次是不實(shí)際的。所以，通常來說，典型的故障樣本數(shù)據(jù)的獲取是非常有限的，所以在這種情況下，支持向量機(jī)（SVM）相較于BP神經(jīng)網(wǎng)絡(luò)而言，能夠?qū)崿F(xiàn)在小樣本情況下達(dá)到很好的分類結(jié)果，對(duì)于建筑電氣故障診斷有很強(qiáng)的適應(yīng)性和針對(duì)性。

4 基于壓縮感知的故障診斷算法

壓縮感知是近年來興起的一種新的理論算法，受到了各個(gè)領(lǐng)域的關(guān)注，其核心是假設(shè)信號(hào)的稀疏性，那么低維觀測信號(hào)（或者是下采樣的信號(hào)）就能恢復(fù)到原始高維信號(hào)（原信號(hào)），利用該方法用于分類訓(xùn)練，從而對(duì)系統(tǒng)的故障進(jìn)行診斷，達(dá)到很好的分類效果，滿足了利用小樣本數(shù)據(jù)達(dá)到診斷電氣故障應(yīng)用的需求。

4.1 訓(xùn)練樣本組成完備字典

提取故障樣本，然后利用聚類方法對(duì)故障樣本分類，假定故障類別設(shè)置為k類，建立完備訓(xùn)練樣本Ф，我們稱其為完備字典。，其中是第i類故障的訓(xùn)練樣本。

4.2 測試樣本分類

因?yàn)橛?xùn)練樣本字典是完備的，那么如果y屬于第i類，僅用第i類樣本數(shù)據(jù)可以表示測試樣本，即向量X=中很多值都為0，也就是稀疏向量，稱為對(duì)測試樣本y進(jìn)行稀疏分解。

為了對(duì)測試樣本分類，只需對(duì)其進(jìn)行求解稀疏向量，結(jié)合已訓(xùn)練的完備矩陣Ф，稀疏矩陣只與其測試樣本有關(guān)的列向量有關(guān)，其系數(shù)也為非0值，對(duì)式（2）求最小化，可以得到其分類結(jié)果。

其故障診斷的分類流程是：首先提取故障特征的數(shù)據(jù)，構(gòu)建一個(gè)訓(xùn)練樣本矩陣，利用支持向量機(jī)（SVM）算法對(duì)其進(jìn)行訓(xùn)練并建立完備的訓(xùn)練樣本字典；然后輸入測試樣本，根據(jù)公式（2）計(jì)算得到X；最后計(jì)算殘差項(xiàng)，得到殘差項(xiàng)中的最小值所對(duì)應(yīng)的標(biāo)號(hào)i，即為該測試樣本的類別。

5 結(jié)語

可以看出，近年來，建筑電氣系統(tǒng)故障診斷已經(jīng)引起了人們的大量關(guān)注。將故障診斷理論以及機(jī)器學(xué)習(xí)方法、新的理論如壓縮感知引入建筑電氣系統(tǒng)，并實(shí)現(xiàn)工程實(shí)際應(yīng)用對(duì)于建筑電氣系統(tǒng)的故障診斷有重大的意義。本文通過對(duì)兩種故障診斷方法，基于支持向量機(jī)分類和基于壓縮感知兩種算法對(duì)建筑電氣系統(tǒng)進(jìn)行故障診斷，達(dá)到了很好的工程應(yīng)用效果，但仍需在工程中進(jìn)行實(shí)際應(yīng)用，以判斷其診斷效果和適用性情況。

參考文獻(xiàn)

[1]吳茜，王亞慧.基于RBF與BP神經(jīng)網(wǎng)絡(luò)的建筑電氣系統(tǒng)故障診斷比較研究[J].北京建筑工程學(xué)院學(xué)報(bào)，2012，28（4）.

[2]張龍，陳宸，韓寧，等.壓縮感知理論中的建筑電氣系統(tǒng)故障診斷[J].智能系統(tǒng)學(xué)報(bào)，2014，9（2）.

[3]王亞慧，張龍，韓寧，等.建筑電氣系統(tǒng)故障診斷方法研究[J].計(jì)算機(jī)仿真，2014，31（2）.

作者簡介：文充（1984-），河南臨潁人，重慶市設(shè)計(jì)院工程師，碩士，研究方向：建筑電氣。

（責(zé)任編輯：小 燕）