邵 健
(陕西铁路工程职业技术学院,陕西 渭南 714000)
城市化进程的不断推进,促使各类建筑物的数量日益上升,根据相关调查结果显示,我国城乡既有建筑面积到2020年已增加至690亿m2。随着人们对生活品质的要求逐渐升高,建筑安全和舒适度越来越受到人们的关注,电气设备作为建筑的关键组成部分,其运行状态直接关系着建筑的预期功能是否能够充分发挥[1-2]。当前建筑电气设备呈现出多样化、先进化的特点,并且各区域之间具有密切的关联,若发生建筑电气设备故障,不仅会影响建筑中其他设备的正常运转,还会引发火灾等事故,给经济和人身安全造成极大的威胁[3-4]。因此,设计自动化的建筑电气设备监测系统尤为重要。通过该系统可以及时了解电气设备运行状态,以便发生故障时能够第一时间采取相应的应急措施,从而避免建筑电气设备故障进一步扩大[5-6]。
此类系统引起很多专家和学者的重视,例如陈琼[7]使用DWH-FNN技术设计建筑电气设备自动监测系统,该系统将数据仓库和模糊神经网络相结合,可以实现多种环境下的电气设备状态稳定监测,但受设备特征维度影响较大;吴宏杰等[8]使用边缘计算技术设计建筑电气设备自动监测系统,该系统具有较强的自动感知能力,但提取电气设备故障特征时的冗余较高。
无线传感网络是由大量布设于监测区域的无线传感器节点组成的智能化测控网络系统,具有成本低、功耗小和网络结构灵活等优势。因此,本文设计包含数据层、通信层、应用层以及用户层4个层级的基于无线传感网络的建筑电气设备自动监测系统,以期为建筑电气设备监测向自动化、智能化方向发展提供有效参考。
基于无线传感网络的建筑电气设备自动监测系统总体结构,如图1所示。
(1)数据层。该层的核心为无线传感网络,其内包含无线传感器节点和中心节点,将无线传感器节点布设于建筑电气设备周围合适的位置上,用于采集各类电气设备信号数据,并利用中心节点汇聚与整合采集的数据。
(2)通信层。中心节点和内部网关之间的通信形式采用ZigBee无线网络,使用该网络将中心节点整合的建筑电气设备信号数据汇聚到内部网关,其通过无线GPRS与有线以太网上传数据至应用层的应用基础平台。
(3)应用层。该层的建筑电气设备故障自动诊断模块根据应用基础平台接收的建筑电气设备信号数据,运用基于压缩感知理论的建筑电气设备故障自动诊断方法,保证建筑电气设备运行安全,此外还能够实现建筑电气设备状态与能耗自动监测等功能。
(4)用户层。用户通过含有Internet的手机、笔记本电脑等设备可以及时掌握建筑电气设备运行状况,从而采取针对性的策略对其进行管理和检修。
图1 建筑电气设备自动监测系统总体结构Fig.1 Overall structure of automatic monitoring system for building electrical equipment
由无线传感器构建无线传感网络,由此实现建筑电气设备自动监测。其中关键是无线传感器的连接并由此构建的无线传感网。无线传感器连接网络结构如图2所示。
图2 无线传感器连接网络Fig.2 Wireless sensor connection network
图2中物理层主要负责选择与辨别信道,同时还具备监测、调制/解调无线信号的作用[9-10];数据链路层的介质访问控制子层能够实现移动节点访问共享无线信道的控制功能,逻辑链路控制子层在将统一的服务提供给网络的同时,还可以屏蔽数据帧检测、优先级排队等介质访问控制方法[11-13];网络层的职责为路由的选择与生成,以及网络拓扑信息的收集;传输层可以将端到端服务提供给应用层,并在网络特征的基础上达到网络资源高效利用的目的;用户所需的各种应用服务均由应用层来完成。
无线传感网络各层均与能量、任务以及移动管理相关联,不仅能确保传感器节点的高效运作,还支持数据转发和多任务[14-15]。
构建无线传感器结构如图3所示。微处理器单元的主芯片选择MSP430F149,具有功耗低、模拟技术性能优良、运行稳定等优势,并且对恶劣环境的适应性极强;无线通信单元选用nRF905芯片[16],并将IEEE 802.15.4作为射频标准,发射速率最大可达到50 kb/s;串行通信单元含有RS-485总线接口,可以支持中心节点和系统应用层之间的通信[17];存储单元能有效避免中心节点出现掉电现象时造成的数据丢失问题,该单元保存的信息包括建筑电气设备信号数据、节点配置数据等;报警/LCD显示单元负责显示建筑电气设备实时信号[18-19],并在设备出现故障时发出声光报警,同时利用建筑电气设备故障自动诊断方法确定故障类型;电源单元由LM2575与LM1117-3.3两个电源芯片组成,可以同时分别提供不同的电压。
图3 无线传感器结构Fig.3 Wireless sensor structure
假设原始电气设备信号用X描述,其长度和稀疏度分别用N、K描述,规模为M×N的感知矩阵用φ描述。对感知矩阵和原始电气设备信号做乘法操作,可以获得X内的信息,即映射X使其呈现在φ内的感知波形上,能够得到公式(1)描述的测量数,用Y描述,且其长度远小于N。
Y=φX
(1)
通过极低规模的测量数对原始电气设备信号所有信息进行精确重构,即压缩感知理论的基本思想。可以将上式转化为公式(2)描述的最优问题的求解,是因为待求信号为搜索符合上式条件下稀疏性最显著的某个电气设备信号[20]:
min‖X‖0s.tY=φX
(2)
式中,‖X‖0为零范数;M为测量次数,只有在其符合Y=O(K×logM),且φ符合约束等距性条件的情况下,才能实现K稀疏电气设备信号X的精确重构。
式(1)的解存在无穷多个,是因为Y的长度远小于N,因此需要将式(2)转化成式(3)描述的最优问题的求解:
min‖X‖1s.tY=φX
(3)
选用稀疏逼近的方法求解上述最优问题,式(3)有解的条件为X可以被压缩。当X不具有稀疏性,而任意变换基中的变换系数具有稀疏性时,能够得到X=ψs,其中变换系数与变换矩阵分别用s、ψ描述,将该式带进式(3)能够获得感知矩阵和变换矩阵的联系,用Y=φψs描述。假设测度矩阵用B=φψ描述,则可以得出Y=Bs,因其与式(3)的形式一致,可通过相同的寻优方式获取稀疏性最显著的s矩阵,并运用X=ψs实施反变换以得到原始信号。在其满足可压缩性的条件下,将ψ看作单位矩阵,测度矩阵即为电气设备信号的自动监测结果。电气设备信号自动监测流程如图4所示。
假设待诊断建筑电气设备故障类型数量为k,根据建筑电气设备发生故障时的异常信号,将采集的故障特征组建成训练样本,各样本维数用p描述,所构成的列向量用v描述,其维数为pxl,对于第i类建筑电气设备故障,其训练样本数用ni描述,且i满足i=1,2,…,k,则可以得到式(4)描述的训练样本矩阵:
Ai=[υi,1,υi,2,…,υi,ni]
(4)
式中,υi,j为次序为i的故障中第j个训练样本。
假设需要诊断的建筑电气设备故障的测试样本用y∈Rp描述,其为第i类故障,则能够使用次序为i的建筑电气设备故障训练样本集合的线性形式描述y,表示为y=ai,1yi,1+…+ai,niyi,ni,其内权重系数用ai,j描述。
图4 电气设备信号自动监测流程Fig.4 Flow chart of automatic monitoring of electrical equipment signals
指定建筑电气设备故障测试数据y,可以采用式(5)所示完备矩阵A的线性形式对y进行描述:
(5)
求解出的电气设备测试数据矩阵X用式(6)描述:
X=[a1,a2,…ak]
(6)
式中,ai=[ai,1,…ai,n]T。若y的故障类型次序为i,则只需要第i类样本数据的描述y即可,此时得到X=[0,…,0,ai,1,…,ai,n,0,…0],X的系数中不等于0的仅有,其余数量为k-1的系数均等于0,因此表明X为稀疏向量,将其认为是y的稀疏分解。
在分类指定的未知建筑电气设备故障测试样本过程中,通过式(6)获得各y的稀疏向量X,运用完备矩阵A,且X中关于该样本的ni个系数均不等于0,则能够获得待测样本的故障类型。在实际使用中通过式(3)求解最优问题,得到X的精确或近似逼近解,若实际结果中X的非0元素分布于多个类间,则采用式(7)描述的分类函数实现X值的建筑电气设备故障识别和预警工作:
minri(y)=‖y-Aδi(x)‖2
(7)
式中,i的取值为[1,k],向量用x描述,δi(x)代表其内与第i类故障有关联的行的元素为1,其他行的系数都为0。如果第m个值最小,且m∈[1,k],则建筑电气设备故障类型为第m类故障。由此完成对建筑电气设备故障的识别和预警,其流程如图5所示。
图5 建筑电气设备故障识别和预警流程Fig.5 Flow chart of fault identification and early warning of building electrical equipment
以某矿区建筑中变压器、配电柜、转换开关和继电器等10种电气设备作为实验对象,将650个无线传感器节点布设于各电气设备附近合适的位置上,用于采集矿区建筑电气设备信号数据,并利用本文系统对其进行监测。
将本文系统的无线传感网络簇首数量分别设置为15、30、45,测试无线传感器节点死亡数量和网络运行时间之间的关系,以验证所设计系统的网络节点生命期,结果如图6所示。
图6 无线传感器节点死亡数量结果Fig.6 Results of the number of deaths of wireless sensor nodes
从图6可以看出,随着无线传感网络运行时间持续增加,不同网络簇首数量的无线传感器节点死亡数量均呈上升趋势。当网络簇首数量为15时,节点死亡数量始终保持最低,且上升速率缓慢;当网络簇首数量为45时,节点死亡数量始终处于最高值,并在网络运行时间增加至800 s时,节点死亡数量高达390个。以上结果表明,无线传感器节点死亡数量与无线传感网络运行时间以及网络簇首数量呈正比,将网络簇首数量设置为15可以获得较理想的网络节点生命期,从而提升建筑电气设备自动监测系统的运行质量。
统计分析某日8:00—10:00建筑中各电气设备故障诊断情况,结果见表1。从表1可以看出,本文系统的建筑电气设备故障诊断结果与实际故障结果完全相同,且在精准诊断故障类型的基础上,还可以辨别相应的故障位置,表明本文系统具有良好的建筑电气设备自动诊断能力。
表1 建筑电气设备故障诊断结果Tab.1 Fault diagnosis results of building electrical equipment
选择建筑中配电屏电气设备进行能耗测试,不同电源电压下,休眠与非休眠状态的配电屏工作电流状况如图7所示。
图7 休眠与非休眠状态的配电屏工作电流Fig.7 Working current of distribution panel in sleep and non sleep states
分析图7可以发现,休眠与非休眠状态的配电屏工作电流均随电源电压增大而上升。当配电屏处于非休眠状态时,工作电流在10.5~14.5 mA变化,整体能耗水平较低;当配电屏处于休眠状态时,工作电流始终保持在2.5 mA以下。因此,本文系统的建筑电气设备自动监测效果较优良,能够使电气设备在不同状态下有效地实现节能。
为满足人们日益增长的建筑安全性和舒适度要求,对建筑电气设备进行自动化监测变得愈加重要。本文设计的基于无线传感网络的建筑电气设备自动监测系统,以无线传感网络为核心,网络的无线传感器节点生命期极具优势,该系统不仅能精准诊断不同电气设备故障,还能获取故障位置,并且可以有效节省电气设备处于休眠与非休眠状态下的能耗。日后可进一步研究该系统的可扩展性,实现其在更多场景中的电气设备自动监测。