试论建筑电气系统故障的诊断方法措施

2016-03-16褚诗泉

环球市场 2016年6期

关键词：诊断法故障诊断故障

褚诗泉

安徽江威精密制造有限公司

试论建筑电气系统故障的诊断方法措施

褚诗泉

安徽江威精密制造有限公司

建筑电气系统运行过程中很容易出现各种故障，建筑电气系统故障诊断技术十分重要，因此本文讨论了建筑电气系统故障诊断的方法措施。

建筑电气；系统故障；诊断方法

前言：

在建筑电气系统的故障诊断中，传统的人工检测方法已无法满足现代社会发展的需求，相关单位必须加强创新建筑电气系统故障的诊断方法。

一、建筑电气系统故障诊断的问题

近年来，各种先进的电气系统诊断技术应用越来越广泛，但是受到技术、经济等条件的限制，为了更好地应用建筑电气系统故障诊断技术，必须加强建筑电气系统故障诊断研究，结合自身技术条件，高度重视建筑电气系统故障诊断中存在的各种问题：其一，建筑电气系统故障诊断必须基于电气系统的实际运行状态，但是某些算法在实际应用中不能满足相关故障诊断要求，使得建筑电气系统故障诊断的准确性较低；其二，建筑电气系统受到各种因素的影响，稳定性和安全性不足，这也给建筑电气系统故障诊断带来很大难度，无准确判断电气系统的故障位置，基于这个情况，应有针对性地对电气系统进行调整和控制，从而为建筑电气系统故障诊断奠定良好基础；其三，受到各种条件的限制，采用专家系统诊断建筑电气系统故障时，还存在很多问题，没有对专家系统诊断方法进行有效创新，并且建筑电气系统故障诊断中暴露出稳定性和准确性不足的问题。

二、建筑电气系统故障的诊断方法

2.1信号处理诊断法

对于建筑电气系统故障，采用信号处理诊断法，这种方法在实际应用中受到某种限制，并且信号处理诊断法在建筑电气系统故障的粗略分析和判断中应用非常广泛，建筑电气系统故障诊断应全面了解系统诊断需求，选择最合适的诊断方法，满足故障诊断要求。通过实验证明，信号处理诊断法应用的关键和核心是有效利用各种可测信号，采用各种方法和渠道，判断建筑电气系统时域特征，有效、准确地检测电气系统故障。在实际应用中故障诊断操作非常简便，对于相关工作人员的专业技术要求不高，但是也存在一定的缺点，信号处理诊断法在诊断建筑电气系统故障时，缺少全面性，所以相关工作人员在建筑电气系统故障诊断过程中应全面考虑各种外界条件，不断提高建筑电气系统故障诊断的合理性和准确性。

2.2知识诊断法

建筑电气系统故障诊断过程中采用知识诊断法，这种诊断方法具有智能化特性，在实际的故障诊断中，相关技术人员应采用科学、有效的措施，全面掌握建筑电气系统的运行状态和信息灵活性，从而高效、合理地进行建筑电气系统故障诊断。同时，建筑电气系统故障诊断中利用知识诊断法，必须基于专业的分析和判断，为了提高建筑电气系统故障诊断的准确性和科学性，相关技术人员必须结合实际的系统状况，在判断电气系统故障和问题时，应选择最佳的判断方法，得出建筑电气系统故障原因和位置，结合分析结果，有针对性地进行解决处理，采取有效、合理的方法消除建筑电气系统故障问题。

2.3解析模型诊断法

解析模型诊断法主要是基于建筑电气系统的数学理论知识，结合系统实际的运行状况，构建科学、合理的电气系统解析模型，全面分析解析模型，对建筑电气系统故障诊断结果进行判断和总结，并且结合诊断结果，采取合理、有效的解决措施，保障建筑电气系统的安全、稳定、可靠运行。另外，在解析模型诊断法的实际应用中，有些建筑电气系统无法构建合适的数学模型，所以相关工作人员在建筑电气系统诊断中应注意全面分析建筑电气系统运行状态，适当简化模型构建条件。

三、建筑电气系统故障诊断方法应用

3.1建筑电气故障仿真平台

其实本质上的故障诊断是在建筑电气系统基于设定的故障，包括故障识别和故障诊断的映射模型。但是在构建系统中的很多故障，它的发生概率是随机的，所以电故障仿真平台的结构是在研究的基础。针对在电气故障自我诊断的常见问题，故障诊断的目的基于不同的工作状态和对象的选择。信号应该很容易诊断安装在配电线路的关键电路设备，通过使用数据采集，采集异常信号故障特征提取，故障诊断方法，加工的技术数据输入故障，故障类型识别算法可通过输出和不同位置，及报警信息，并根据决策和控制的问题，更好地为它的平台。交流电源220V，50Hz，变压器转换的15V 直流输出，对弱者保护板提供电力，在单向和三向保护弱保护板的动力系统，强电系统测试的主要部分，系统根据设定的由开关断开22高压系统故障关闭四种故障电阻处理，断开的路径，而封闭的是故障的相应部分。

3.2小样本SVM故障诊断

基于机器学习的数据是现代智能技术和机器学习的一个重要方面是根据系统的输入和输出中两者之间的给定的训练样本已依赖性的估计，使得它能够最大程度的准确地预测系统的行为。对于机器学习，通常用损失函数L(y，y实际值)以表示所引起的机器输出到预测实际价值的损失。损失函数的期望被定义为预期的危险或实际风险，如下式：

R(w)= ∫ L(y, y实际值)dP(x, y)(1)

而经验风险则是训练样本的“平均损失”程度，即

Remp(w)=1/n∑ni=1L(y, y 实际值)(2)

机器学习的目的，以尽量减少预期的风险(实际风险)，从式(1)，我们可以知道，这种风险是依靠于联合概率P(x, y)，所以这样就很难真正出现的问题。因此，应用于传统的学习方法和所谓的经验风险最小化(ERM)的原理，即，通过学习算法(2)经验风险 Remp最小化(经验风险仅在样品到无穷加速的数目为接近预期的风险)。这是基于风险管理的基本原理，并没有感觉到预期风险最小化人工神经网络，虽然在用于经验风险最小化某种程度的支持，但是在诱导的促进成为更严重的缺陷。

期望风险与经验风险这两者之间，有着下面的关系：

R(w)≤Remp(w)+Φ(h/n)(3)

其中h是学习机的VC维(反映机器学习能力，该值越大，经验风险越小)，n是样本数，Φ(h/n)代表置信范围。

3.3实验平台SVM故障诊断

3.3.1故障特征量及分类

模拟实际住宅建筑中的常见故障用测试平台来实现，此类型可以分为四种线路阻抗故障时，连续的故障，接地电阻，绝缘电阻太小，等等。除了正常状态，还有五种状态。

3.3.2SVM模型的建立

支持向量机的精髓，是两类问题，解决各类故障分类的问题，目前主要采取

“一对一”，“一对多”的方法，SVM方法中的K类，对于决定自由电路图等。所述的分类方法“一对一”的选择。重要是由于相比，拒绝分级区分类精度小，每个SVM只考虑两种类型的样品，单SVM更易于培训输出模拟的结果表明：错误识别的总数的SVM算法0的识别率是100%。总之，可以判断，该支持向量机算法能有效地正确诊断建筑电气测试平台的正确与错误。

3.3.3故障诊断问题比较

根据数据统计，在小样本的情况下，虽然仿真结果的测试样品的几种方法是理想的，但BP网络结构比较复杂，线性输出还不能十分稳定，收敛速度也是不稳定，RBF网络训练误差小，快速收敛，但从该点故障识别率，分类能力的提高仍是支撑向量机。