建筑电气系统故障诊断问题及诊断方法

2015-11-04魏临

建材与装饰 2015年37期

关键词：故障诊断电气样本

魏临

（克孜勒苏柯尔克孜自治州第一建筑安装工程有限责任公司 845350）

建筑电气系统故障诊断问题及诊断方法

魏临

（克孜勒苏柯尔克孜自治州第一建筑安装工程有限责任公司 845350）

随着经济社会的迅速发展，科学技术的日益普及和成熟，建筑现代化程度也不断提升，然而电气故障发生率也日益增长，本文根据当前现实情况，采用建立故障诊断模型的方法诊断电气系统中出现的几种故障状态，旨在将之一模型方法运用到实际工程中，使得建筑电气系统故障能够及时被发现和解决，促进建筑电气系统稳定运行。

建筑电气系统；故障诊断；仿真平台；SVM；小样本

目前，建筑电气系统的故障检查一般都是人工检测、查找故障源头、人工处理的程序来实施的，电工技术人员的抢修速度、专业技能和实践经验直接决定了建筑电气系统的故障恢复时间[1]。因此，实现智能化建筑的关键在于提高建筑电气系统的稳定性和可靠性。目前，国内外对于建筑电气故障诊断方面的研究处于初期。追究其原因在于，由于大多数故障研究的重点在于电力系统，同建筑电气的内容相似或相同，因此故障诊断方法也大抵相同；另外，由于建筑电气一般都是电压等级较低，相比于大型电力系统，其故障发生率较低，危险程度不高，因此故障排斥比较简单。然而，建筑系统由照明、电梯、给排水、电气等方面构成，同时建筑物是人们生活、工作必不可少的场所，因此具有一个较高的安全等级才能保护人们生命财产安全。因此，需要加强对建筑电气系统故障诊断的研究。

1 建筑电气系统存在的故障

短路、断路、接地、谐波及电气元件损害等时造成电气系统故障的主要原因，目前建筑电气系统存在以下几种常见的故障情况：

1.1 电气线路的故障

架空线路和电缆线路的故障是电气线路常见故障，如果出现这些故障，极有可能会造成触电、火灾等事故的出现。出现这些故障的原因在于环境影响、户外天气导致绝缘皮脱落、破损和有的零件腐蚀等。

1.2 电气照明的故障

短路、断路和漏电是电气照明常见故障，具体情况见表1。

表1 关于断路、短路和漏电三种情况的情况及故障原因分析

1.3 电气动力系统的故障

这一种故障主要出现在变压器、互感器、电动机、断路器等设备，设备局部过热和绝缘皮老化等是常见的故障[2]。

2 构建电气仿真平台

诊断建筑电气系统主一般是以故障集或征兆为基础的一种映射模式，包含了系统出现故障过程中的征兆现象以及对系统故障状态的识别。建筑电气系统故障具有各种类型，且出现时间和出现的形态不缺性性比较突出，因此，为了能够系统诊断建筑电气系统故障，应该构建一个仿真平台，基于其作为实验的基础媒介，从而分析出建筑电气系统存在的故障。这个平台能够基于设备所表现出的各种工作状态诊断出设备存在的故障，经过相对应的工作状态信号，在配电线路上安装传感器，采用技术方法，接收和分析不正常信号，提取出故障的主要特征，从而分析出故障的类型与具体位置，并根据问题制定出有效的维修措施和控制方法。

建筑电气故障仿真平台应该包含建筑中全部的抵押配电装置，例如断路器、熔断器、residual current operated protectivedevic （ERCD）、单向与三向插座等（如图1所示），通50Hz、220V的交流电，变压器以15V的电压将电能供给弱电保护板，从而使得单相和三相系统相平衡[3]；弱电系统是该平台的主体与核心，主要判断系统中出现的四种故障，设置22个开关的不同状态，从而查找到故障的具体位置。

图1 一种型号的仿真平台

3 小样本SVM故障诊断

现代智能技术的重要内容便是根据数据的机器学习，机器学习的目的是按照规定的训练样本，对系统输入、输出之间的依赖关系进行判断，从而尽量准确预测出系统做出的行为。图2便是机器学习的基本模型。

图2 机器学习的基本模型

针对机器学习，一般采用损失函数L（y，y实际值）来表达出机器输出对实际值进行预测而引起的损失[4]。其中，损失函数的期望定义为实际风险或期望风险，如下式：

但是经验风险便是训练样本的“平均损失”程度，是指：

机器学习的目的在于将期望风险（实际风险）最小化，但是分析式（1）得知，为了计算出期望风险需要根据联合概率P（x，y），计算实际问题十分困难。因此，在传统学习方法中常常使用经验风险最小化（ERM）原则，便是经过学习算法使式（2）的经验风险Remp最小化（只有在样本数无线大时，经验风险才能够接近期望风险）。

人工神经网络便是借鉴了ERM原则，但是并未获得最小化期望风险，虽然在很大程度上符合了经验风险最小，然而在推广过程中却步步艰辛，存在很多严重的缺陷。

按照定义，期望风险和经验风险之间的关系如下所示：