建筑电气系统故障诊断方法探究.doc

《建筑电气系统故障诊断方法探究.doc》由会员分享，可在线阅读，更多相关《建筑电气系统故障诊断方法探究.doc（5页珍藏版）》请在第一文库网上搜索。

1、建筑电气系统故障诊断方法探究摘要如果建筑电气系统出现故障，不仅会影响建筑使用者的正常生活，还可能引起火灾进而威胁人员生命安全。研究了如何进行电气系统故障诊断，分析电气系统故障的类型，研究SVM和基于压缩感知理论的诊断方法，帮助技术人员开拓诊断技术研究思路，提升建筑电气系统的安全性。关键词建筑；电气系统；故障建筑电气系统的运行会受到很多因素的影响，导致电气系统运行出现故障，进而影响建筑内人员的正常用电。为了保障电气系统的稳定性，及时解决建筑电气系统的问题，就需要利用相关技术快速诊断电气系统故障，并及时进行调控。1建筑电气系统组成和分类结合建筑电气系统的电能特性，可将电气系统大体分为强电系统和弱电

2、系统，强电系统包括变配电系统、动力系统、照明系统以及防雷系统，弱点系统包括通信系统、广播系统及天线系统。根据功能可分为以下几种系统类型。（1）供配电系统。供配电系统包括建筑的发电系统、输电系统、配电系统，能够实现电压变换、电能分类和电力输送的功能。（2）建筑弱电系统。一般而言，除动力系统、照明系统外，其他系统全部归类为弱电系统，主要完成建筑内的信号传递和信息交流。（3）动力系统。动力系统主要为建筑物内的动力装置供电，包括电梯传动、空调、供暖设备、水泵等，动力系统中的设备主要将电能转换为机械能输出，保证机械设备正常工作。（4）照明系统。建筑的照明系统主要完成电能到光能的转换，利用照明系统能给居住

3、者提供舒适的生活环境，包括供电电源、电线、照明系统控制设备组成，可以完成对照明系统的光能分配。2建筑电气系统平台故障分类导致建筑电气系统故障的原因较多，一旦出现故障将会对人员的安全产生严重威胁，比如由于触电导致人员伤亡，或出现电气设备损毁，导致火灾威胁室内安全。2.1电气系统线路故障线路故障是电气系统的主要故障，而且一旦线路出现故障，除了会导致触电和停电等问题，还会由于绝缘燃烧引发火灾。线路故障进一步分为架空线路故障和电缆线路故障。架空线路长期裸露在室外，直接受到风吹、雨淋、雷击等环境因素影响，或者由于空气湿度变化、温度变化导致电路被腐蚀损坏。电缆可能出现绝缘击穿、机械损伤、端头污闪等故障。一

4、些电气电路由于局部负载过高，或者出现短路、基础不良等问题，线路将会出现负载过高导致温度升高、烧毁线路的绝缘、火灾等问题。2.2电气照明故障建筑的照明系统是建筑电气系统中负载较高的部分，由于需经常开闭，照明设备可能损坏，所以照明系统的故障出现概率较高，其故障可分为短路、断路、漏电3类。2.3电气动力系统故障建筑电气系统中的动力系统可为整个建筑供电，包括变压器、断路器、电机、互感器等，容易出现局部过热、局部放电等故障问题，经过长期使用后，变压器还会出现绝缘老化的情况，容易引起火灾。电气动力系统的断路器可能会出现机械传动机构磨损失灵，或者由于气密性降低导致断路器不能正常使用，如出现拒分、误跳、分闸误

5、闭锁等。2.4防雷接地故障防雷接地系统是建筑物电气系统中的关键部分，可确保建筑物遭遇雷击之后将雷电电流导入大地，保护建筑内部的人员、设备不受到雷击影响。但是如果出现接地电网带电、接地土壤电阻过高、接地电阻过大等问题，将会影响接地系统的正常工作。2.5弱电控制系统故障弱电控制系统主要以PLC和变频器结合进行电气系统的逻辑控制工作，PLC能储存程序，也能定时完成相关计算工作，还可以进行逻辑运算、计数等控制，通过接收数据信号，可完成对电气系统工作状态的分析，进而输出控制指令。3基于向量机理论的故障诊断算法3.1支持向量机（SVM）理论支持向量机理论是指确定样本之间的决策曲面，使不同类型的样本之间获得

6、最大化的分类空隙，可进行回归分析、信号处理和分类识别工作。该理论的基础在于风险结构的最小化原则，从而在有限条件下获得学习问题的最优解，也具有泛化推广能力。应用该理论，可使用少量样本完成对问题的分类，所以实用性强，并且工作效率较高。故障的诊断工作就是利用故障的表象完成对故障状态的分类，找到系统故障所属的类别，从而完成对故障的识别工作。使用支持向量机的工作方式，会专门找到最优超平面来完成对两类样本的分类工作，找到每类数据之间平均距离最大，具有最大分类间距的超平面。3.2应用SVM理论进行电气故障分析的优势和可行性现代智能技术大量使用机器学习技术，通过对数据和目标之间的输出差值进行评估完成自我校正，

7、经过反复校正之后，最终建立起与人类思维相似的认知系统。使用神经网络技术时，需要有大量的训练数据作为基础才能完成故障分析系统建设，而且需要一定的训练时间，而使用SVM算法能在小样本情况下就完成对经验风险、置信范围的综合分析，从而控制期望风险。由于建筑物实际运行的过程中系统会受到很多因素的影响，导致电气系统的故障具有明显的突发性，因此，很难通过持续监控获得故障信号和数据，若进行深度学习，每一种故障问题均都需要上百种数据，但是系统中典型的故障数据比较少，并不能支持机器学习。因此，应使用SVM进行样本数据分析，确保在小样本的情况下也能完成分类工作，满足故障诊断要求。3.3SVM分类的算法和电气故障诊断

8、试验SVM采用小样本学习法，试验中收集了60组样本数据，对线路阻抗故障E1、连续性故障E2、接地故障E3、绝缘故障E4、正常E5进行分析，每个样本中都含有10个位置不同的故障信息特征箱梁，从中选择45组样本作为训练样本，其他15组样本为测试样本。试验中，发现样本数据的单位量有比较大的差别，为了减少复杂计算对学习速度的影响，避免特征向量对数据的影响，对所有的数据进行数据归一化处理，所有原始数据被规整到01。之后使用K-CV法寻找最佳参数，设置选择惩罚参数c的范围为0.254，径向基宽度参数的变化范围为0.06254，之后对训练集进行交叉验证，获得c为0.70699，为0.17668。之后将上述数

9、值输入SVM网络中，并使用样本数据测试。经过测试，使用SVM算法对故障的识别率为100%，所以可确定SVM算法能够正确做出诊断，以及完成对故障的模拟工作。并且SVM的输出较稳定，具有较快的分类速度，所以可在故障发生时迅速做出判断，帮助系统执行故障处理流程，可有效控制电气系统的损失。相对而言，使用神经网络技术容易出现过学习的问题，而且需有大量的故障样本支持模型训练；使用SVM可实现结构风险最小化，并且能实现非线性映射和泛化分类。4基于压缩感知理论的故障诊断算法压缩感知理论是目前一种全新的理论算法，大量应用在人脸识别、图像处理等工作中，该理论的基础是信号所具有的稀疏性，能够使信号被压缩，也可以进行

10、信号的重构，所以可将原始信号进行高纬度和低纬度的切换。在分类工作中，会议训练样本基本元素表达测试样本，输入待识别样本和同类训练样本线性组合。4.1压缩感知故障诊断方法故障诊断是一个分类过程。诊断过程中，会利用故障异常信号获得故障的特征，再利用算法确定故障类型。在设计训练样本时，需要对故障进行分配，确定每个故障样本为p维，之后建立p1维列向量，建立样本的训练矩阵。如果给定样本册数数据为y，则该样本的所属类别未知，为了确定故障类型，就需要建立完备矩阵进行故障y的分类。4.2稀疏表达分类故障诊断试验建立了基于稀疏表达分类算法的l1和l2分类器，重建信号时，要求稀疏矩阵构建正交基底，并建立了支持SVM

11、分类法的向量机。经过分析，l2分类器在准确率上较高，并且对故障的分析速度和精度均与SVM算法接近，有利于及时发现和排除故障。5结束语使用SVM故障诊断模型对建筑物故障的诊断分析更加有效，可利用少量样本数据完成诊断、分类和故障识别，相对神经网络技术具有一定的优势，在建筑电气系统的故障判断中有较好的诊断效果，适合建筑电气工程故障诊断使用。使用压缩感知理论进行分析，可形成对现有故障诊断的补充，有利于更早发现和排除故障。参考文献1张栓柱.建筑电气系统故障诊断方法研究J.造纸装备及材料，2021，50（2）：128130.2吉香辉.建筑电气系统故障诊断方法研究J.建材与装饰，2020（18）：231，234.3史良磊，关锦涛.建筑电气系统故障诊断方法研究J.住宅与房地产，2020（5）：263.4李麟.建筑电气系统故障诊断方法分析J.中阿科技论坛（中英阿文），2020（1）：6164.5吴坚.建筑电气系统故障诊断方法研究J.中国新技术新产品，2019（22）：5354.6张龙.建筑电气系统故障诊断方法研究D.北京：北京林业大学，2014.5