论建筑电气系统故障诊断

祝培文

摘 要：随着国民经济的发展和城市化进程的加速，人们对建筑物的安全和舒适提出了更高的要求。建筑电气结构的复杂性和大规模性导致各个子系统间的关联错综复杂，这使得建筑电气故障发生几率增加，一旦建筑发生故障将会直接对人构成威胁，因此，不得不引起重视。

关键词：建筑；电气系统；故障；诊断；方法

1 前言

目前，我国对建筑电气系统的故障诊断方面基本上还是靠人工检测来查找故障原因，这不仅浪费了人力、物力，而且对检测人员的责任感意识和专业化水平也提出了高标准要求，使得建筑电气系统故障检测面临着潜在的风险。因此，传统的故障检修与排除办法已经无法满足功能日益多样化的建筑电气系统，如何在建筑电气领域利用科学技术提升系统的可靠性和稳定性成为智能建筑发展的迫切需要。

2 建筑电气系统概念解析

建筑电气是指在限定的环境和空间中实现建筑物功能的一种核心技术，那么，建筑电气系统指的就是实现建筑物功能的技术之合力，其一般包括用电设备、供配电線路及控制和保护设备三大部分。随着电能、电气技术以及电气设备的广泛使用，建筑电气的主要内容已经从传统简单的供配电、防雷接地、消防、照明衍生为一门以机械工程学、理学、物理光学、无线电波学、电力电子学、现场总线等理论为基础的综合学科，并逐渐结合物联网和计算机技术向智能化方向发展，使得建筑物在现代建筑电气技术的应用下更加安全，更能满足人们对舒适工作和居住环境的需求。一般来说，建筑电气系统主要有以下几大类：①按照电能的性质可分为“强电系统”和“弱电系统”两大类。强电系统是指把电能引入建筑物，经过用电设备转换成光能、热能和机械能等的系统，包括变配电系统、动力系统、照明系统和防雷接地系统。弱点系统是实现建筑物内部以及内部与外部之间的信息交流与传递的系统，包括通信系统、共用天线电视系统、广播系统、火灾自动报警系统、安全防范系统等；②按电能的供给、分配、传输和使用可分为供配电系统和用电系统两大类，其中用电系统还可细分为建筑弱电系统、建筑动力系统和建筑电气照明系统三种。

3 建筑电气系统常见故障类型

由于建筑电气系统的智能化发展，建筑电气系统的复杂性不言而喻，一旦这类系统发生故障，影响范围将会非常广泛，严重影响了人们的生活、工作，甚至会危及人们的生命财产安全。建筑电气系统的复杂性导致建筑电气故障发生的类型的多样性，目前建筑电气故障大致可以分为电气线路故障、防雷接地系统故障、电气动力系统故障、电气照明系统故障等。一般的故障原因有：短路、断路、接地、谐波、电气设备与电气元件损坏等。

4 建筑电气系统故障诊断方法

4.1 建筑电气系统常见的故障诊断方法

按照国际普遍认同的观点，故障诊断方法一般被分为三大类：基于解析模型的方法、基于信号处理的方法和基于知识的诊断方法，具体如下：

（1）基于解析模型的方法。所谓解析模型，就是要求相关的技术人员在进行故障诊断前，要事先根据建筑电气系统的运行情况构建相应的解析模型，这就需要一定的数学理论基础，然后分析解析模型，总结故障结果。实践证明，这种方法能够检测出一些未知故障，但是其容易会受到被诊断系统数学模型的限制，这在一定程度上限制了其推广应用。

（2）基于信号处理的方法。这种方法适用于对故障的粗略判断中，其是利用检测到的信号，并通过不同的渠道获得系统时域或频域中的特征（例如幅值、频率、方差等特征值），然后利用其与故障之间的关系进行故障分析。这种方法要求建筑行业在进行故障诊断工作的过程中应对其诊断需求进行了解，从而选择适宜的诊断方式，满足故障诊断需求。实践证明，这种方法方便简捷，适宜做前期初步粗略判断，但是其精确度不高，这就要求相关技术人员在对其进行应用的过程中一定要充分考虑到外界因素对故障诊断的影响，以便提高诊断结果的准确性。

（3）基于知识的诊断方法。与前两者相比，这种方法呈现出明显的智能性特点，它要求相关的技术人员具有很高的专业化水平，并且在对被诊断设备进行故障诊断前，应根据设备的具体情况选择适宜的判断方式以合理推断出电气系统的故障及故障原因，然后利用系统的自学习，实现智能化的故障诊断和检测。实践证明，该种方法不仅可以对故障进行离线诊断，还能够适用于故障的在线检测与处理，目前比较流行的是人工神经网络诊断法，这种方法不需要构造具体的数学模型，但它最大的约束条件是需要大量的训练样本数据才能保证故障诊断精确度，这限制了其在实际工程中的应用。

4.2 基于支持向量机理论的故障诊断算法

支持向量机（简称SVM），与人工神经网络方法不同，它可以很好地解决小样本情况下的分类问题，具有很强的实用性。它是以统计学习理论为基础，建立在VC维理论和结构风险最小原则基础上的机器学习方法。SVM的本质是针对两个分类问题而构建的，在解决多种类型故障分类的问题时，目前最主要的方法有“一对一”、“一对多”、K类SVM法、决策导向无环图等。与其他学习算法一样，支持向量机也需要把预处理后的样本数据分为训练集和测试集两部分，然后优化模型关键参数，采用训练集训练SVM，再用得到的模型来对测试集进行分类判断，最后得出诊断结果。实践表明，SVM算法的识别率为100%，它能够有效地诊断出建筑电气系统故障及故障原因所在，这对于建筑电气系统只能获取小样本的情况有很强的适应性和针对性。

4.3 基于压缩感知理论的故障诊断算法

压缩感知（简称CS）该理论基于线性模型，其核心假设是信号的稀疏性，如果信号稀疏或能被压缩，高维原始信号就能很好的从低维观测信号中恢复出来。故障诊断的过程实质上就是一个分类的过程，CS利用故障时的异常信号，提取故障特征，通过算法判别各种故障类型。

5 结束语

建筑电气系统故障诊断方面尤其是对故障诊断技术逐渐引起了人们的关注，目前，虽然我国部分地区已经实现了对MAT-LAB软件的应用，但是在现今无比复杂的建筑电气系统情况下，相关技术人员还是要根据故障诊断现状构建相应的模拟平台，从而不断完善建筑行业电气系统故障诊断方法，提高故障诊断结果的精准度。

参考文献：

[1] 段惠霞.建筑电气系统的故障诊断方法分析[J].电气工程，2015（21）：217.

[2] 贾雪，李昭爽，李建秀，刘志敏.电气设备故障诊断与模式识别浅析[J].农业与技术，2016（36）：163～164.