基于小波分析和支持向量机的建筑电气系统故障诊断研究.pdfVIP

光源与照明总第201期2025年2月标准与检测

文章编号：2096-9317（2025）02-0109-03

基于小波分析和支持向量机的

建筑电气系统故障诊断研究

ResearchonFaultDiagnosisofBuildingElectricalSystemBasedonWavelet

AnalysisandSupportVectorMachine

吕丽君

LVLijun

中水华东规划设计有限公司，山东济南250100

ZhongshuiEastChinaPlanningandDesignCo.,Ltd.,Jinan250100,Shandong,China

摘要：文章探讨支持向量机和小波分析结合的建筑电难度较大，因此需要采取智能的方式完成诊断工作。

气故障诊断系统，利用小波降噪完成对电气系统故障文章提出支持向量机配合小波分析的建筑电气系统故

特征的提取，由支持向量机完成故障诊断。通过试验，障诊断模式，可以有效提高电气故障诊断的准确性。

证明该算法表现出稳定的性能，相对反向传播神经网

络和单纯使用支持向量机都具有更高的准确性，可以1建筑电气系统故障诊断过程

满足建筑工程电气系统故障诊断的需求。

关键词：建筑电气系统；支持向量机；小波降噪；电气故障1.1采集故障数据

Abstract:Thispaperdiscussesthebuildingelectricalfault建筑的电气系统中会安装传感器等监测设备，以

diagnosissystembasedonsupportvectormachineand获得设备运行期间的温度、电流、电压、功率、振动、

waveletanalysis,whichuseswaveletdenoisingtoextract声波等信息[1]。部分建筑的电气系统中还安装了多元

thefaultcharacteristicsoftheelectricalsystem,andcom-传感器，通过采集不同类型信息获得多种数据，通过

pletesthefaultdiagnosisthroughsupportvectormachine.多元化的信息，提高系统诊断的精确性。

Throughtests,itisprovedthatthealgorithmshowsstable1.2提取故障特征

performanceandhashigheraccuracythanbackpropaga-传统模式下，需要手动提取故障特征，容易出现

tionneuralnetworkandsimplesupportvectormachine,信息丢失、信息解析错误等问题，还会消耗大量时间。

whichcanmeettheneedsoffaultdiagnosisofelectrical目前，开始使用深度学习等方法学习电气系统的故障

systeminbuildingengineering.

特征，整个过程不需要人工干预，可以快速完成学习，

Keywords:buildingelectricalsystem;supportvectorma-

为诊断提供基础。

chine;waveletdenoising;electricalfault

分类号：TU976+.11.3识别和分类故障

利用原始信号和特征信号可以训练模型