张敏

[摘要]目前，随着建筑电气系统越发复杂化，其出现故障的概率也在逐渐增大，但目前很多情况下，建筑电气故障诊断仍为人工进行，效率较低、且诊断的准确性无法得到保证。本文简要介绍了目前建筑电气故障诊断中的问题，并探究了具体的诊断方式。

[关键词]建筑电气系统；故障；诊断

文章编号：2095-4085（2016）07-0160-02

建筑电气属于建筑物系统的核心技术，且建筑电气系统越来越智能化，一旦系统出现故障，将会带来比较广泛的影响，并威胁到群众的人身财产安全。为此，人们应当采用先进的方法和技术，对建筑电气进行高效、准确的故障诊断，以保证系统运行更为稳定、可靠。

1建筑电气故障诊断现状及问题

1.1建筑电气故障诊断的现状

目前，国内已普遍应用电力系统诊断技术，但因外界因素制约，建筑业的电气系统故障诊断并未普及应用，诊断故障多为人工检测，物力、人力被大量浪费，检测的准确性也受到影响。建筑业在科技高速发展的今天，应当致力推广使用电气系统诊断技术，以减少事故发生率，建筑水平也可得到保障。但因系统复杂，导致此技术普及应用中存在障碍，建筑业可对自身条件加以整合，不断提高其技术水平，使得所应用的故障诊断技术适用性强，诊断结果精准。

1.2建筑电气故障诊断中的问题

首先，建筑业故障诊断需要有稳定的电气系统，但目前电气系统稳定度不够高，所以，有关建筑业应当致力建设运行较稳定的电气系统，以保证准确诊断的实现，使建筑业有序开展故障诊断工作；其次，基于电力系统进行故障诊断为目前建筑电气故障诊断的特点，而有些算法不足以满足故障诊断需要，结果阻碍了准确诊断的实现；最后，故障诊断中的专家系统方法维护受到挑战，此方式的有效创新无法在实际应用中良好实现，致使稳定性不高等不足在故障诊断中呈现出来，诊断准确性受到影响。综上，很多亟待解决的问题存于建筑电气故障诊断中，在实践中建筑业应对此高度关注，并采取措施加以解决[1]。

2常见建筑电气故障种类

智能化为建筑电气系统的发展趋势，系统越来越趋于复杂，若有故障出现于系统中，将带来非常广泛的影响，群众的工作、生活、人身财产安全将受到危害。建筑电气故障种类因系统的复杂性而趋于多样，电气照明系统、电气动力系统、防雷接地系统、电气线路均可发生故障，而元件及设备损坏、谐波、接地、断路、短路为通常的故障原因，具体包括：①电气线路故障，主要包括电缆线路故障和架空线路故障两种，故障原因为：较高的运行环境温度及因环境改变，线路锈蚀、腐朽短路，故障现象为：保护导体带电、线路锈蚀、混线等；②电气动力系统故障，故障原因是：短路、断路等，故障现象为：变压器局部放电、绝缘老化；断路器拒分、拒合；电动机无法工作；松动的互感器线圈螺钉；③防雷接地系统故障，故障原因包括：周部过热、零线带电、接地电阻太大，故障现象：有接地装置异常；土壤电阻率特大；零线带电；④电气照明系统故障，包括：第一，断路，故障原因为：开关破损，电路无法接通；线头脱松；熔丝熔断，故障表现为：用电器具无法工作；电灯不亮；电路无电压；第二，短路，故障原因为：绝缘导线破损；金属外壳被用电器具碰到；因错误的接线，中性线和相线接触，故障表现为：导线被烧坏；电路切断；熔丝迅速熔断；电流太大；第三，漏电，故障原因为：违规安装；照明灯及电线绝缘老化、损坏，故障表现为：电线发热、建筑物带电、用电量较平时更大。

3建筑电气仿真平台故障诊断

基于征兆集/故障集映射模式为故障诊断的本质，识别故障状态及提取发生故障征兆为其两项任务，因发生较随机且类型繁多为建筑电气系统故障特点，于是，将实验基础设为故障仿真平台，开展各类常见建筑电气故障的自诊断研究，如配电系统接地故障、绝缘故障、接地系统故障等，并根据故障诊断对象及目的的不同，确定合理的电阻、电流或电压值，以方便诊断，装传感器于关键线路回路，并采用一定技术、方法（如数据采集器）对故障时反常信号进行收集，将故障特征提出，并在诊断故障算法中输进经处理的数据，这样，故障位置及故障种类可由算法判别输出，并显示报警信息，维修控制策略可在对问题所在分析后提出[2]。

4小样本SVM故障诊断

当代智能技术中的一大重要部分就是以数据为基础的机器学习。对已知训练样本进行分析，估算出系统输出、输入间依赖关系，以较为精准的预测系统行为是机器学习之目的[3]。

对于以机器输出预测实际值而出现的损失，一般通过损失函数L（y，y实际值）来反映出来。其中，实际风险或期望风险为定义损失函数期望，公式为：

R（w）=∫L（y，y实际值）dP（x，y）（1）

训练风险“平均损失”大小为经验风险，公式为：

Remp（w）=1n∑ni=1L（y，y实验值）（2）

尽可能的降低期望风险及其学习目的，可由（1）式可看出，需靠联合概率P（x，y）才可得出期望风险，导致在实践中的计算困难。所以，经验风险最小化（ERM）原则在传统学习方式中使用着，就是说，在算法学习后，最小化（2）式的经验风险Remp。

在遵循ERM原则下实现的人工神经网络，期望风险的最小化无法达成，尽管经验风险最小得到一定满足，但在推广性上欠缺较大。

经分析，可得出经验风险和期望风险的关系为：

R（w）Remp（w）+ф hn（3）

此式中，学习机VC维是h（机器学习能力可由此反映出，随着此值的增大，经验风险将减小），样本数为n，而置信范围为фhn。

由此可看出，若对置信范围、经验风险一同控制，可实现实际风险的最小化。若减少VC维或增加样本量，会减小置信范围，并使经验风险趋近于实际风险；反之，可扩大置信范围，并增加经验风险和实际风险的差值。

致力单纯实现经验风险最小化为神经网络算法特点，所以，为使学习机性能良好，必须增加样本数据量，这样才可使经验风险与实际风险较为接近，但期望风险最小并非仅使经验风险最小就可实现，机器学习泛化水平无法保证。在小样本下对置信范围与经验风险的综合考量可因SVM算法被实现，这样一函数子集系列可被构造出来，并根据VC维大小排列各子集；为让实际风险最小，进行最小经验风险寻找于各子集中，并对置信范围和经验风险折中考量于子集间[4]。

5建筑电气故障仿真平台

此平台是对一些常见低压电气装置，如三相插座、单向插座、RCD、熔断器、断路器加以集合。其中，220V为电源电压，交流为50Hz，直流输出通过变压器转为15V，供电以弱点保护板。保护强电系统中的三相、单相系统为弱电保护板功能。本实验台主体为强电系统，为应对系统四大类阻值故障，可利用故障设置板上22个开关的闭合断开，若通路开关为断开，若某部位出现故障，则此处开关闭合。

6在实验平台诊断故障中应用SVM

6.1选择故障特征量及故障种类

建筑物常见故障可通过实验平台进行模拟，绝缘电阻过小、接地电阻异常、连续性故障、线路阻抗故障为4种故障类型，因此，状态包括正常状态在内，共5种。

6.2建立SVM模型

“构建过程针对2个分类问题”为支持向量机本质，在多类型故障分类问题进行处理时，决策导向无环图、K类SVM法、“一对多”、“一对一”为现今最常见的方法。因比起“一对多”，“一对一”分类精度更高、拒绝分类区不大，且各SVN只有2类样本需考虑，单个SVN训练更方便，分类方式可确定为“一对一”。

“SVM算法的无错判、即100%识别”可从仿真输出结果中看出，所以说，对于建筑电气试验平台故障的诊断，SVN算法是准确及有效的。

6.3SVN对故障诊断以神经网络的比较

由数据可得出，若样本较小，对测试样本的仿真，几种方式效果均较佳，但BP网络复杂的构建、不尽稳定的输出线、相当不稳的收敛速度为其不足，而RBF网络的优点为迅速的收敛、较小的训练误差，但若分析其故障识别率，支持向量机的推广分类水平更佳。

7结语

综上所述，建筑电气故障种类趋于多样，电气照明系统、电气动力系统、防雷接地系统、电气线路均可发生故障，经分析得出，以支持向量机做为故障诊断算法比较理想，但因建筑电气系统复杂性，有关技术者在实践中应当不断改进其技术和方法，使故障诊断更为准确、有效。

参考文献：

[1]王亚慧，张龙，韩宁.建筑电气系统故障诊断方法研究[J].计算机仿真，2014，31（2）：436-440.

[2]许正伟，徐永明.浅析建筑电气安装工程存在的质量问题[J].中国房地产业：理论版，2012，（3）：369-369.

[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]邵敏.无障碍设施呼叫系统的电气设计方案探讨[J].江苏建筑职业技术学院学报，2011，11（3）：65-67.