試論建筑電氣系統故障的診斷方法措施

褚詩泉

安徽江威精密制造有限公司

試論建筑電氣系統故障的診斷方法措施

褚詩泉

安徽江威精密制造有限公司

建筑電氣系統運行過程中很容易出現各種故障，建筑電氣系統故障診斷技術十分重要，因此本文討論了建筑電氣系統故障診斷的方法措施。

建筑電氣；系統故障；診斷方法

前言：

在建筑電氣系統的故障診斷中，傳統的人工檢測方法已無法滿足現代社會發展的需求，相關單位必須加強創新建筑電氣系統故障的診斷方法。

一、建筑電氣系統故障診斷的問題

近年來，各種先進的電氣系統診斷技術應用越來越廣泛，但是受到技術、經濟等條件的限制，為了更好地應用建筑電氣系統故障診斷技術，必須加強建筑電氣系統故障診斷研究，結合自身技術條件，高度重視建筑電氣系統故障診斷中存在的各種問題：其一，建筑電氣系統故障診斷必須基于電氣系統的實際運行狀態，但是某些算法在實際應用中不能滿足相關故障診斷要求，使得建筑電氣系統故障診斷的準確性較低；其二，建筑電氣系統受到各種因素的影響，穩定性和安全性不足，這也給建筑電氣系統故障診斷帶來很大難度，無準確判斷電氣系統的故障位置，基于這個情況，應有針對性地對電氣系統進行調整和控制，從而為建筑電氣系統故障診斷奠定良好基礎；其三，受到各種條件的限制，采用專家系統診斷建筑電氣系統故障時，還存在很多問題，沒有對專家系統診斷方法進行有效創新，并且建筑電氣系統故障診斷中暴露出穩定性和準確性不足的問題。

二、建筑電氣系統故障的診斷方法

2.1信號處理診斷法

對于建筑電氣系統故障，采用信號處理診斷法，這種方法在實際應用中受到某種限制，并且信號處理診斷法在建筑電氣系統故障的粗略分析和判斷中應用非常廣泛，建筑電氣系統故障診斷應全面了解系統診斷需求，選擇最合適的診斷方法，滿足故障診斷要求。通過實驗證明，信號處理診斷法應用的關鍵和核心是有效利用各種可測信號，采用各種方法和渠道，判斷建筑電氣系統時域特征，有效、準確地檢測電氣系統故障。在實際應用中故障診斷操作非常簡便，對于相關工作人員的專業技術要求不高，但是也存在一定的缺點，信號處理診斷法在診斷建筑電氣系統故障時，缺少全面性，所以相關工作人員在建筑電氣系統故障診斷過程中應全面考慮各種外界條件，不斷提高建筑電氣系統故障診斷的合理性和準確性。

2.2知識診斷法

建筑電氣系統故障診斷過程中采用知識診斷法，這種診斷方法具有智能化特性，在實際的故障診斷中，相關技術人員應采用科學、有效的措施，全面掌握建筑電氣系統的運行狀態和信息靈活性，從而高效、合理地進行建筑電氣系統故障診斷。同時，建筑電氣系統故障診斷中利用知識診斷法，必須基于專業的分析和判斷，為了提高建筑電氣系統故障診斷的準確性和科學性，相關技術人員必須結合實際的系統狀況，在判斷電氣系統故障和問題時，應選擇最佳的判斷方法，得出建筑電氣系統故障原因和位置，結合分析結果，有針對性地進行解決處理，采取有效、合理的方法消除建筑電氣系統故障問題。

2.3解析模型診斷法

解析模型診斷法主要是基于建筑電氣系統的數學理論知識，結合系統實際的運行狀況，構建科學、合理的電氣系統解析模型，全面分析解析模型，對建筑電氣系統故障診斷結果進行判斷和總結，并且結合診斷結果，采取合理、有效的解決措施，保障建筑電氣系統的安全、穩定、可靠運行。另外，在解析模型診斷法的實際應用中，有些建筑電氣系統無法構建合適的數學模型，所以相關工作人員在建筑電氣系統診斷中應注意全面分析建筑電氣系統運行狀態，適當簡化模型構建條件。

三、建筑電氣系統故障診斷方法應用

3.1建筑電氣故障仿真平臺

其實本質上的故障診斷是在建筑電氣系統基于設定的故障，包括故障識別和故障診斷的映射模型。但是在構建系統中的很多故障，它的發生概率是隨機的，所以電故障仿真平臺的結構是在研究的基礎。針對在電氣故障自我診斷的常見問題，故障診斷的目的基于不同的工作狀態和對象的選擇。信號應該很容易診斷安裝在配電線路的關鍵電路設備，通過使用數據采集，采集異常信號故障特征提取，故障診斷方法，加工的技術數據輸入故障，故障類型識別算法可通過輸出和不同位置，及報警信息，并根據決策和控制的問題，更好地為它的平臺。交流電源220V，50Hz，變壓器轉換的15V 直流輸出，對弱者保護板提供電力，在單向和三向保護弱保護板的動力系統，強電系統測試的主要部分，系統根據設定的由開關斷開22高壓系統故障關閉四種故障電阻處理，斷開的路徑，而封閉的是故障的相應部分。

3.2小樣本SVM故障診斷

基于機器學習的數據是現代智能技術和機器學習的一個重要方面是根據系統的輸入和輸出中兩者之間的給定的訓練樣本已依賴性的估計，使得它能夠最大程度的準確地預測系統的行為。對于機器學習，通常用損失函數L(y，y實際值)以表示所引起的機器輸出到預測實際價值的損失。損失函數的期望被定義為預期的危險或實際風險，如下式：

R(w)= ∫ L(y, y實際值)dP(x, y)(1)

而經驗風險則是訓練樣本的“平均損失”程度，即

Remp(w)=1/n∑ni=1L(y, y 實際值)(2)

機器學習的目的，以盡量減少預期的風險(實際風險)，從式(1)，我們可以知道，這種風險是依靠于聯合概率P(x, y)，所以這樣就很難真正出現的問題。因此，應用于傳統的學習方法和所謂的經驗風險最小化(ERM)的原理，即，通過學習算法(2)經驗風險 Remp最小化(經驗風險僅在樣品到無窮加速的數目為接近預期的風險)。這是基于風險管理的基本原理，并沒有感覺到預期風險最小化人工神經網絡，雖然在用于經驗風險最小化某種程度的支持，但是在誘導的促進成為更嚴重的缺陷。

期望風險與經驗風險這兩者之間，有著下面的關系：

R(w)≤Remp(w)+Φ(h/n)(3)

其中h是學習機的VC維(反映機器學習能力，該值越大，經驗風險越小)，n是樣本數，Φ(h/n)代表置信范圍。

3.3實驗平臺SVM故障診斷

3.3.1故障特征量及分類

模擬實際住宅建筑中的常見故障用測試平臺來實現，此類型可以分為四種線路阻抗故障時，連續的故障，接地電阻，絕緣電阻太小，等等。除了正常狀態，還有五種狀態。

3.3.2SVM模型的建立

支持向量機的精髓，是兩類問題，解決各類故障分類的問題，目前主要采取

“一對一”，“一對多”的方法，SVM方法中的K類，對于決定自由電路圖等。所述的分類方法“一對一”的選擇。重要是由于相比，拒絕分級區分類精度小，每個SVM只考慮兩種類型的樣品，單SVM更易于培訓輸出模擬的結果表明：錯誤識別的總數的SVM算法0的識別率是100%。總之，可以判斷，該支持向量機算法能有效地正確診斷建筑電氣測試平臺的正確與錯誤。

3.3.3故障診斷問題比較

根據數據統計，在小樣本的情況下，雖然仿真結果的測試樣品的幾種方法是理想的，但BP網絡結構比較復雜，線性輸出還不能十分穩定，收斂速度也是不穩定，RBF網絡訓練誤差小，快速收斂，但從該點故障識別率，分類能力的提高仍是支撐向量機。

四、結語

綜上所述，建筑電氣系統故障診斷還存在很多問題，需要采取科學、有效的措施加強建筑電氣系統故障診斷，推動建筑電氣系統故障診斷技術的發展。

[1]賈雪，王曉旭.電氣設備故障診斷技術研究綜述[J].吉林建筑大學學報，2015，06：49-52.

[2]葉曉星.電氣控制系統故障分析診斷及維修技巧[J].福建質量管理，2015，11：151.