建筑电气系统故障诊断方法研究..docVIP

建筑电气系统故障诊断方法研究 　　摘 要：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 关键词：建筑电气系统；故障诊断 现如今，越来越多的电气系统被应用到建筑物中，带给人们方便的同时其发生故障的频率也越来越高。但是，当前对于电气系统的有效诊断方法还存在很大程度上的欠缺。考虑到电气系统在实际建筑物的运行环境中获取的故障样本数据非常有限，可以通过建立电气仿真平台对电气系统中出现的几种故障状态进行诊断和分类。与一般诊断方式进行对照，可以发现该方法的泛化分类更好，非线性映射能力更强，非常适用于实际的工程应用中 一、电气仿真平台的故障诊断主要原理 建立电气系统的故障诊断，本质上是根据征兆集的映射模式，包括发生故障前的征兆提取和对故障出现状态的识别。因为建筑电气系统出现故障具有随机性且种类繁多，所以建筑了电气故障仿真平台当做实验基地，对经常出现的故障进行诊断研究，其主要包括绝缘故障、接地系统故障等 按照不同故障的诊断对象和目的，选取最适合的状态信号，在配电线回路上安装传感器，再由数据采集技术，收集异常信号，得出故障特征[1]。把处理过后的数据，输入诊断算法，经过计算输出故障位置和故障类型，进行警报提示，及时查找问题源头，作出控制和维修措施 二、小样本SVM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 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 三、建筑电气系统故障的仿真平台 建筑电气系统故障的仿真平台作为本文研究的重要实验主题，它的原产地在德国，综合了住宅建筑中低压配电系统中经常出现的低压电器装备，例如：RCD、熔断器、断路器、三相插座、单相插座等 这种仿真平台电源供电是220V，50Hz的交流市电，通过变压器直接转变为15V输出，属于弱电保护板，弱电保护板可以对强电系统中的三项和单相系统实行保护[3]。强电系统是实验的根本，系统经由故障设置板的22个开关闭合断开，控制系统四大阻值故障，22个点进行故障模拟，闭合代表相应的部分发生故障，反之，断开则代表是通路 四、SVM在故障诊断中的具体应用 （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 （2）SVM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[4]。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 （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