中嘉城建设计有限公司 黑龙江省 哈尔滨市 150001
摘要：研究建筑电气系统的故障诊断问题。现代化建筑物中，电气故障发生的频率越来越高，针对目前建筑电气系统缺少有效诊断故障方法的问题，同时考虑到在建筑物实际运行环境中典型故障样本数据获取非常有限，因此采用支持向量机(简称SVM)算法，使用建筑电气故障模拟硬件实验平台数据建立了其故障诊断模型，对系统5种故障状态进行诊断分类，仿真结果错判总数为零。最后与人工神经网络诊断方法的对比研究表明，在小样本情况下SVM诊断有效，非线性映射和泛化分类能力更好，更适合于工程实际应用。最后对比人工神经网络诊断方法，经过研究表明，SVM不但在小样本诊断下有效，同样适用于泛化分类和非线性映射，对工程实际应用的效果更好。
关键词：故障诊断；建筑电气系统；SVM
随着经济社会的快速发展，城市化进程不断加快，高层建筑业越来越多，人们对于建筑品质和环境提出更高的要求。在建筑系统中，其核心技术就是建筑电气，它包括了景观照明、办公自动化、管理自动化、室内照明、建筑供配电等众多内容。由于建筑电气的规模逐渐变大，不同系统的联系越发亲密，结构日益复杂，造成建筑电气发生故障的几率持续增加。本文把电气系统故障的仿真平台作为研究主体，采用SVM作为诊断算法，对电气系统故障进行分析。
一、当前建筑电气系统检测和治理现状
故障诊断技术在建筑行业来讲，重点是针对电气设备而言的，由于电气系统是建筑施工的动力源泉，因此需要我们从设备正常运转角度去加大维护和保障力度。从现阶段来看，尽管建筑行业在工程质量和系统建设上的水平逐年提升，但是还没有形成完备的诊断和监测治理系统，这里既有客观因素，同时也有主观因素，这就需要我们在主观上去分析原因，尤其是要打破原有的思维观念，改变以前粗放的设备诊断方式，进一步创新方式方法，并从基础建设角度去不断完善提升，只有这样才能更好地避免设备事故，提高安全运转的效率，从而也为提高建筑施工质量提供有力保障。
二、电气仿真平台的故障诊断主要原理
建筑电气系统故障诊断实质上是基于征兆集/故障集的映射模式，包括故障发生时的征兆提取和故障状态的识别。由于建筑电气系统故障种类繁多且发生机率随机，所以以建筑电气故障仿真平台为实验基础，对建筑物中常有的电气故障，包括接地系统故障、绝缘故障、配电系统接地故障等进行故障自诊断研究，按照不同故障工作状态的诊断目的和对象，选择最便于诊断的工作状态信号(电压、电流或者电阻值)，在配电线路关键回路加装传感器，通过数据采集器等技术手段，收集故障时异常信号，提取故障特征，将处理后的数据输入故障诊断算法，经过算法判别输出故障类型及故障位置，提示报警信息，以及根据问题所在提出控制措施和维修决策。
三、小样本SVM的进行的故障诊断
现代智能技术是数据机器学习的重要方面，机器学习的主要目的就是根据固定的训练样本估计系统输入和输出之间的依赖关系，使他能对系统行为作出准确的预测。
经过研究表明，神经网络算法仅仅是追求最小化的风险，所以它需要大量的数据去保证机器学习的性能，使经验中的风险更加接近于现实生活会遇到的风险，但是经验风险最小化并不是指期望风险小，会使机器学习无法保证它的泛化能力[2]。SVM算法却可以在小样本下，考虑置信范围和经验风险，把函数集组成函数子集序列，让每个子集按照VC的大小进行排列，并且寻找每个子集中最小的经验风险，折中考虑置信界限和经验风险，把实际中的风险降到最小。
期刊文章分类查询,尽在期刊图书馆
在具体的运行中，设备出现故障经常是突发的，故障信号常常可遇不可求，对于传统设备来说，典型故障数据信息的获取是极其有限的，所以，转而选择SVM作为故障诊断的算法，因为其在小样本状况下，依旧可以很好地实现推广分类的目的。
四、建筑电气系统故障的仿真平台
对建筑电气系统进行故障诊断主要是以征兆或故障集为基础的一种映射模式，涵盖系统发生故障过程中的征兆表示以及对系统出现故障状态的认知。建筑电气系统故障的相关类型非常多样，且发生时间与发生状态存在很大的不确定性，因此，想要对建筑电气系统故障进行系统诊断，便需要构建起一个仿真平台，利用其作为实验的基础媒介，进而对建筑电气系统故障进行分析。该平台可以根据故障出现时设备所表现出的不同工作状态对设备进行故障诊断，通过相应的工作状态信号，以配电线路相应位置传感器，运用技术手段，对异常信号进行接收与分析，将故障的主要特征提取出来，从而判定故障的类型与位置，并以问题为依托，提出相应的控制方法与维修策略。
建筑电气故障仿真顾春芳需要包括建筑中所有的低压配电装置，如精神熔断器、断路器、residual current operated protective device(RCD)、单向与三向插座等。该仿真平台的内部结构，电源供电为220V，50Hz交流市电，由变压器转变为15V直流输出，为弱电保护板供电。弱电保护板对强电系统中的单相和三相系统进行保护。强电系统是该实验台主体，系统通过故障设置面板上的22个开关的断开闭合对强电系统中四大类阻值故障，22个故障位置进行模拟故障设置，断开即为通路，闭合即为相应部位故障发生。
五、SVM在故障诊断中的具体应用
5.1故障的分类
根据实验可以模拟出在实际住宅经常遇到的故障，故障的类型可以分为连续性障碍、绝缘电阻过小、线路阻碍故障和接地电阻异常四种情况，最后再加上正常的状态，所以在这边文章中一共有5类。
5.2SVM模型建立
支持向量机的本质就是为两分类问题进行构建的，在解决多种故障分类时，目前的方法主要有决策导向无环图、K类SVM法、“一对多”、“一对一”等。本文研究使用的方法是一对一类型，原因是一对多的精准度远低于一对一，而且它的拒绝分类面积小，每个SVM只允许2中样本，单个SVM则更加容易训练。
5.3诊断的结果和分析
支持向量机主要适用于小样本学习方法，本文在实验平台中共收集了60组样本数据，5种状态模式，即：连续性障碍、绝缘电阻过小、线路阻碍故障接地电阻异常和正常状态。每个样本中又包含10个故障信息分布在其他的位置，选择15组作为测试样本，剩下的45组进行训练。
根据实验中得出的参数构建SVM网络，对45组样本进行分类建筑模型，并输入测试样本诊断分类，输出的结果显示：SVM算法出现错判的几率为零，即识别率是100%。通过上述分析，可以得出SVM算法能正确有效的诊断电气实验平台中的故障问题。
5.4神经网络和SVM的对比
为了验证神经网络方法和SVM故障诊断间的差别，本文采用具有代表性的RBF网络和BP网络进行计算，选择与SVM一样的训练样本，其中BR网络的神经元数量是10，输出个数是5，根据公式计算，最后测试验证得出网络效果最佳时的隐含层节点数是15。
通过综合分析看出，虽然集中方法的效果都比较理想，但是RBF网络收敛快、误差小，BP网络输出不稳、结构复杂，且收敛速度慢，从推广分类和故障识别率来看，都比不上SVM。
结语
综上所述，本文以建筑电气系统故障为研究对象，把故障诊断引入到电气系统中，并考虑到实际环境，采用SVM作为诊断方法，通过实验得到满意的效果，最后和RBF和BP进行比较分析，得出SVM的一系列优点。实验证明，SVM在电气系统中具有重要的作用。
参考文献
[1]文充.建筑电气系统故障诊断方法研究[J].中国高新技术企业,2016(8):107-108.
[2]张龙，陈宸，韩宁，王亚慧.压缩感知理论中的建筑电气系统故障诊断[J].智能系统学报，2014，02：204-209.
[3]陈思远.建筑电气系统故障诊断方法研究[J].电子制作,2014(24):204-204.
[4]吴茜，王亚慧.基于RBF与BP神经网络的建筑电气系统故障诊断比较研究[J].北京建筑工程学院学报，2012，04：42-47.
论文作者:孙延军
论文发表刊物:《防护工程》2018年第5期
论文发表时间:2018/7/4
标签：故障论文; 系统论文; 建筑电气论文; 故障诊断论文; 样本论文; 方法论文; 状态论文; 《防护工程》2018年第5期论文;