熊道輝

摘 要：建筑電氣系統(tǒng)的故障診斷問(wèn)題在現(xiàn)代化建筑中發(fā)生的頻率比較高。如果在新的建筑工程質(zhì)量要求、新技術(shù)和新材料應(yīng)用的背景下沿用傳統(tǒng)的故障診斷方法排除故障，則已無(wú)法滿(mǎn)足實(shí)際要求。采用新的技術(shù)方法，比如支持向量機(jī)算法、模擬電氣故障硬件實(shí)驗(yàn)?zāi)Ｐ汀⑸窠?jīng)網(wǎng)絡(luò)診斷方法等，可保證故障診斷的準(zhǔn)確率和有效性，適合在建筑工程中推廣。

關(guān)鍵詞：電氣系統(tǒng)；故障診斷；電氣故障；RBF神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TU85 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.15913/j.cnki.kjycx.2016.24.095

建筑電氣發(fā)展到如今，已經(jīng)成為結(jié)構(gòu)復(fù)雜和關(guān)聯(lián)緊密的系統(tǒng)，但建筑電氣故障發(fā)生的概率也在不斷提高，因此，需要對(duì)建筑電氣故障診斷方法進(jìn)行深入研究。

1 建筑電氣系統(tǒng)故障診斷方法

早期的建筑電氣故障依賴(lài)人工檢測(cè)和查找的方法進(jìn)行故障排除。隨著現(xiàn)代科學(xué)技術(shù)的進(jìn)步，智能故障系統(tǒng)開(kāi)始被廣泛應(yīng)用，比如人工神經(jīng)網(wǎng)絡(luò)方法（BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、人工鋒群優(yōu)化神經(jīng)網(wǎng)絡(luò)方法）、支持向量機(jī)方法、小波變換法、壓縮感知方法等。

2 建筑電氣故障仿真平臺(tái)

仿真實(shí)驗(yàn)對(duì)象是建筑電氣實(shí)驗(yàn)臺(tái)MA2067，其模擬民用或工用建筑中的各種用電設(shè)備，使用Eurotest61557測(cè)量?jī)x可對(duì)該實(shí)驗(yàn)臺(tái)的故障進(jìn)行檢測(cè)、定位和測(cè)量。該仿真平臺(tái)以常見(jiàn)的電氣裝置為實(shí)驗(yàn)配置，包括斷路器、熔斷器、RCD等，該仿真平臺(tái)的內(nèi)部結(jié)構(gòu)包括220 V的電源、50 Hz的交流電，弱電保護(hù)系統(tǒng)為單相和三相，強(qiáng)電系統(tǒng)為主體實(shí)驗(yàn)配置，通過(guò)開(kāi)關(guān)的斷開(kāi)閉合對(duì)阻值進(jìn)行故障排查。 故障仿真實(shí)驗(yàn)臺(tái)內(nèi)部邏輯結(jié)構(gòu)如圖1所示。

3 SVM方法分析

支持向量機(jī)（SVM）是基于統(tǒng)計(jì)學(xué)理論的新型機(jī)器學(xué)習(xí)方法，基于數(shù)據(jù)的機(jī)器學(xué)習(xí)給予訓(xùn)練樣本以系統(tǒng)輸入、輸出的依賴(lài)關(guān)系，通過(guò)非線(xiàn)性核函數(shù)，將輸入樣本空間映射到高維線(xiàn)性特征空間。具有處理非線(xiàn)性回歸問(wèn)題的能力，且具有訓(xùn)練時(shí)間短、泛化能力強(qiáng)等優(yōu)點(diǎn)。

根據(jù)故障的特征分類(lèi)，可以分為正常狀態(tài)（E1）、兩相相間短路故障（E2）、相對(duì)地短路故障（E3）、單相接地故障（E4）、三相不平衡故障（E5）、斷相故障（E6）。對(duì)不同測(cè)試位置的故障電阻值采用SVM特征分量的方法進(jìn)行故障的排除，結(jié)果如表1所示。

SVM模型的建立是通過(guò)兩類(lèi)問(wèn)題而構(gòu)件的，支持向量機(jī)本質(zhì)上是為了解決多類(lèi)故障問(wèn)題，主要方法包括K類(lèi)SVM法、決策導(dǎo)向無(wú)環(huán)圖等。目前，采用的主要包括一對(duì)一、一對(duì)多等分類(lèi)方法。本文選用一對(duì)一分類(lèi)方法，主要是因?yàn)橐粚?duì)一的精度較高、單個(gè)SVM容易訓(xùn)練。

基于SVM算法的建筑電氣系統(tǒng)模擬實(shí)驗(yàn)平臺(tái)的故障流程為：①根據(jù)實(shí)驗(yàn)收集到的故障數(shù)據(jù)樣本對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，用于驗(yàn)證建筑電氣系統(tǒng)的故障狀態(tài)；②對(duì)實(shí)驗(yàn)原始故障數(shù)據(jù)進(jìn)行歸一化處理；③交叉驗(yàn)證選擇SVM最優(yōu)核函數(shù)；④訓(xùn)練SVM故障診斷模型；⑤通過(guò)支持向量機(jī)分類(lèi)算法判斷故障類(lèi)型；⑥輸出診斷結(jié)果。

本次實(shí)驗(yàn)平臺(tái)實(shí)測(cè)，支持向量機(jī)采集的數(shù)據(jù)包括了6組6種狀態(tài)的故障檢測(cè)結(jié)果，即正常狀態(tài)、兩相相間短路故障、相對(duì)地短路故障、單相接地故障、三相不平衡故障、斷相故障。每個(gè)故障信息特征經(jīng)過(guò)訓(xùn)練和測(cè)試得出了診斷樣本結(jié)果。利用K-CV法尋找到最佳參數(shù)，選擇懲罰參數(shù)對(duì)故障進(jìn)行交叉驗(yàn)證。

通過(guò)SVM算法的仿真平臺(tái)和分析方法對(duì)故障的錯(cuò)判概率為0，識(shí)別率為100%.由此可見(jiàn)，SVM算法可以有效判斷和診斷建筑電氣故障，準(zhǔn)確率極高。

4 神經(jīng)網(wǎng)絡(luò)方法

BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)計(jì)算的神經(jīng)網(wǎng)絡(luò)方法故障診斷也是對(duì)建筑電氣故障進(jìn)行排查的有效方法之一。

BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層，上、下層之間實(shí)現(xiàn)了全連接，同一層神經(jīng)元之間無(wú)連接。在進(jìn)行訓(xùn)練樣本的選取時(shí)，將神經(jīng)元輸入BP網(wǎng)絡(luò)，輸出神經(jīng)元個(gè)數(shù)為6代表6類(lèi)診斷狀態(tài)。

RBF網(wǎng)絡(luò)則在創(chuàng)建過(guò)程中增加了隱含層節(jié)點(diǎn)和個(gè)數(shù)，直至符合預(yù)先設(shè)定的誤差值。對(duì)訓(xùn)練結(jié)果進(jìn)行測(cè)試，得出了測(cè)試結(jié)果。使用BP網(wǎng)絡(luò)的訓(xùn)練平均誤差為0.034 93，使用RBF網(wǎng)絡(luò)的訓(xùn)練平均誤差為0.004，使用BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步數(shù)為1 337，使用RBF網(wǎng)絡(luò)進(jìn)行的訓(xùn)練步數(shù)為19；使用BP網(wǎng)絡(luò)錯(cuò)判個(gè)數(shù)為3，使用RBF網(wǎng)絡(luò)錯(cuò)判個(gè)數(shù)為2.

通過(guò)上述比較，雖然集中測(cè)試樣本的仿真效果都比較好，但BP網(wǎng)絡(luò)的構(gòu)建方法存在輸出不穩(wěn)定、收斂速度慢的缺點(diǎn)，而RBF網(wǎng)絡(luò)訓(xùn)練誤差較小、收斂較快。

5 改進(jìn)方法

在進(jìn)行設(shè)備檢測(cè)和故障數(shù)據(jù)收集、處理時(shí)，采集信號(hào)中不可避免地會(huì)夾雜一些噪聲；小波變換具有時(shí)域和頻域的局部變化，具有良好的自適應(yīng)性，可以對(duì)非平穩(wěn)信號(hào)進(jìn)行有效分解。因此，在提取特征之前用小波變換進(jìn)行消噪處理，可有效提高故障診斷的準(zhǔn)確性。

從大量的數(shù)據(jù)樣本中提取相似的數(shù)據(jù)創(chuàng)建訓(xùn)練樣本，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，結(jié)合小波分解技術(shù)，采用支持向量機(jī)理論建模。實(shí)驗(yàn)結(jié)果表明，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，從而提高了故障診斷的精度。

基于壓縮感知理論的建筑電氣系統(tǒng)故障診斷方法的關(guān)鍵是將故障的分類(lèi)歸結(jié)為一個(gè)求解待測(cè)樣本對(duì)于整體訓(xùn)練樣本的稀疏表示問(wèn)題，可以達(dá)到很好的診斷效果。

傳統(tǒng)的SVM分類(lèi)技術(shù)是通過(guò)求解凸規(guī)劃問(wèn)題來(lái)獲得最優(yōu)分類(lèi)面的，因?yàn)樵谇蠼膺^(guò)程中需要存儲(chǔ)一個(gè)很大的核矩陣，它不適合求解大規(guī)模問(wèn)題。對(duì)于權(quán)向量投影多平面支持向量機(jī)（WMPSVM）方法，其學(xué)習(xí)速度比SVM快，且這種多平面分類(lèi)器能有效地解決亦或（XOR）問(wèn)題，值得在實(shí)驗(yàn)、實(shí)踐工作中應(yīng)用。

6 結(jié)束語(yǔ)

本文通過(guò)建筑電氣系統(tǒng)故障實(shí)驗(yàn)平臺(tái)，對(duì)系統(tǒng)出現(xiàn)的各類(lèi)故障數(shù)據(jù)進(jìn)行了采集和分析，并將故障診斷方法運(yùn)用到了建筑電氣系統(tǒng)的故障診斷中。采用BP、RBF神經(jīng)網(wǎng)絡(luò)方法，通過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，證明了網(wǎng)絡(luò)訓(xùn)練具有良好的效果。

傳統(tǒng)的計(jì)算學(xué)習(xí)方法遵循“經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化”原則，但采用人工神經(jīng)網(wǎng)絡(luò)無(wú)法實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)的最小化。而通過(guò)機(jī)器學(xué)習(xí)的方法就可以得到經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，且趨近于期望風(fēng)險(xiǎn)。因此，機(jī)器相比于人工神經(jīng)網(wǎng)絡(luò)，在經(jīng)驗(yàn)風(fēng)險(xiǎn)控制和置信范圍上都略勝一籌。

綜合比較而言，SVM算法具有復(fù)雜性學(xué)習(xí)能力的特點(diǎn)，可以將神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)產(chǎn)生的“過(guò)學(xué)習(xí)”問(wèn)題加以解決，且SVM方法的輸出穩(wěn)定、分類(lèi)速度快，能有效避免故障診斷過(guò)程中受到損失。

當(dāng)前，一些最新的故障診斷（改進(jìn)）方法也在本文中有所描述，值得在后續(xù)理論工作中持續(xù)改進(jìn)以及在建筑電氣故障診斷工作中深入應(yīng)用。

參考文獻(xiàn)

[1]朱榮梁，馮凱.建筑電氣系統(tǒng)故障診斷方法研究[J].商品與質(zhì)量，2016（30）.

[2]劉光輝.小波消噪和人工蜂群優(yōu)化神經(jīng)網(wǎng)絡(luò)的建筑電氣故障診斷[J].電氣應(yīng)用，2015（10）.

〔編輯：張思楠〕