数据驱动的建筑电气系统诊断方法研究

郑建波

（中铁十六局集团第一工程有限公司）

1 引言

近年来，智能建筑在我国取得了显著进展，建筑电气系统是整个建筑工程体系中的重要组成部分，主要包括建筑供配电、日常办公和机械设备用电等需求。然而，随着用电设施类型和数量的增加，电气系统规模日益增大，各结构之间联系更加复杂，导致故障率显著提高。因此，快速准确的故障诊断技术越发重要[1]。

目前，我国电气的系统故障检测仍处于初步阶段，大部分依赖人工诊断故障原因，这不仅费时费力，还增加了检修成本[2]。机器学习技术的飞速发展为电气故障检测带来了重大突破，通过用电气系统的数据建模可以快速诊断电气故障，但是此类方法严重依赖特征工程，即需要研究人员根据经验提取故障特征以进行模型训练，因此无法应对当下复杂的电气系统[3]。本课题拟建立一种基于深度学习的建筑电气系统检测方法，无须人工给出特征的前提，真正实现建筑电气故障检测的自动化、智能化。

2 信号处理在建筑电气故障诊断中的应用

在建筑电气故障诊断方法中，信号处理技术将被测信号中重要部分凸显出来，然后根据信号与故障间存在的关联判断和分析，相较于传统的人工检测方法，其诊断效率高效，不易受人为因素影响。本课题的研究方法是基于信号处理的，因此着重介绍信号处理方法，大致包括以下几种方法，时域处理方法、频域处理方法、统计处理方法、模式识别方法和深度学习方法等。

1）时域处理方法

信号时域处理方法是对原始被测信号的时间特性进行分析，进而识别故障的特征。常见的时域处理方法有卷积、相关性分析和信号积分等。信号积分是对原始信号的动态特性进行研究的技术，对于信号的动态特征变化有较强的敏感性。相关性分析方法是通过分析信号的时间相关性进行故障诊断。卷积方法能够提取信号的时域特征。

2）频域处理方法

频域处理方法是对信号的频谱进行分析。常见的方法有小波变换和傅立叶变换。傅立叶变换的数学原理是将一个函数表示成多个函数的线性组合，在信号处理领域能够对信号的频谱进行分析，衍生出连续傅立叶变换和离散傅立叶变换等多种变体。20世纪初期，阿尔弗雷德·哈尔首次提出小波概念，该变换常用于信号处理，由离散小波变换和连续小波变换组成。实现原理为通过平移和缩放去匹配故障特征，从而达到去噪效果。小波变换继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口。相较于傅立叶变换，小波变换能同时获得时域和频域特征，是信号处理的有效工具。

3）统计学方法

统计学方法是对被测信号的均值、方差、能量、相关系数等特征进行分析，建立此类特征与故障分类的关系。其中均值是确定信号中心位置的值，方差能够反映信号的波动程度，衡量数据的分布情况。相关系数分析是对信号间的相关性进行分析的值，能够确定信号数据间的相关程度。

4）模式识别方法

模式识别方法是近年来逐渐兴起的方法，其主要是利用电气系统的历史数据，通过建立一系列规则对电气数据进行分析，以找出常见的故障模式，并用这些模式来诊断当前故障，模式识别的方法主要分为两类：监督学习和非监督学习。监督学习是指训练数据包含标签，且标签在模型训练过程中指导模型训练。非监督学习是指训练数据不包含标签，模型在训练过程中不采用标签信息。显然二者的区别很明显，因此二者的算法也具有本质的区别。下面将分别介绍监督学习和非监督学习的代表算法。

监督学习的常见算法有：多层感知器、决策树、随机森林、支持向量机、朴素贝叶斯等。决策树是一种基于树形结构的算法，可同时用于分类和回归问题。具体分为决策树建立、分裂特征选择、生成和剪枝操作。决策树每个分裂特征是由信息熵和信息增益等原则决定的，且在后续递归的生成子树，直至满足停止条件为止，在这个过程中，为了使决策树具有较高的鲁棒性，剪枝操作旨在移除过深或简单的节点。随机森林则是建立在多棵决策树的基础上的，通过随机采样和随机特征选择两个策略，并且在输出最终结果时采用投票机制，即构造的多棵决策树输出结果的众数作为随机森林的输出结果。随机森林的优势在于不易发生过拟合情况，并且泛化能力强。此外，随机森林算法能够给出数据特征的重要性顺序，是一种应用广泛的机器学习算法。

非监督学习的常见算法有：K-means、DBSCAN、混合高斯模型等。K-means算法的基本原理是初始化K个质心，K值也是类别数，计算每个数据点到这K个质心的聚类，距离最近的点归属为该类别，至此每个数据点划分为不同类别，通过计算所有数据点的均值更新每个类别数据的质心位置，重复上述步骤直到各个数据点所属类别不在变化停止更新。DBSCAN是基于密度的聚类方法，步骤为首先初始化圆半径和最小数据量，这决定了数据点如何被视为密集区域，然后从每个数据点开始，循环迭代找到该数据点周围的样本并视为一个簇，直到周围的数据点全部遍历结束，从其他未遍历的点开始重复上述任务并聚集为新簇。该方法对离群点比较敏感。

5）深度学习方法

深度学习方法是通过大量的数据中提取有价值的内容，需要注意的是该方法需要数据量特别大。不像机器学习算法，少量数据也可以做模式识别。20世纪深度学习方法已经出现，受限于当时计算机算力以及数据量的缺乏，一度陷入低谷。随着计算机的飞速发展以及存储数据的增加，之前的限制因素已然消失，因此深度学习方法迎来了又一次发展高峰，针对不同形式的数据，深度学习均有模型与之对应。本文的信号数据，经过简单的处理后即可输入进深度学习模型进行训练。具体的深度学习方法将在第三章内容中详细介绍。

3 深度学习方法介绍

随着科学技术的发展，人工智能逐渐进入我们的视野。其中机器学习是人工智能的核心，通过设计算法让计算机实现自动学习的功能，机器学习算法的缺点是需要人工手动提取分类特征，为了克服这一缺点，深度学习逐渐成为研究热点，受启发于人类大脑的工作方式，模拟人脑进行分析，无须复杂的特征工程，网络模型在训练的过程实现特征自提取功能，已广泛应用于计算机视觉、语音识别、机器翻译等领域，且衍生出许多经典模型，例如深度神经网络、卷积神经网络、长短时记忆网络和生成对抗网络等。深度神经网络是深度学习的雏形，也是神经网络的简单形式。卷积神经网络是根据人眼观察事物的主要特征发展而来的，通过卷积计算，能够捕获图像数据中的重要成分，权值共享机制能够大大降低神经网络训练的参数量。长短时记忆网络用于处理数据具有前后时序关系的情况，例如机器翻译、文本对话，其特有的门控机制可以保留有用信息，同时丢弃无用内容，从而将有用信息传输到后面再处理。

本文拟采用深度神经网络模型，故重点介绍该网络结构及其训练方法。该网络模型由输入层、中间层和输出层组成。数据通过输入层输入进网络，通过多个中间层节点，最后由输出层输出结果。为了解决非线性问题，在网络层中引入激活函数，常见的激活函数有Sigmoid函数、Softmax函数和Relu函数等。Sigmoid函数常用于二分类问题，例如建筑电气系统是否故障；Softmax函数常用于多分类问题，例如建筑电气故障的类型，此时模型输出结果为多类别的概率，所有类别的概率之和为1，其中概率值最高的类为预测类别。

4 基于深度学习的建筑电气系统故障诊断方法

4.1 输入数据预处理

本课题拟建立建筑电气系统故障检测模型，因此收集到的数据经过简单的预处理即可输入进模型。预处理共分为两步：数据归一化和数据切片。由于被测信号波动范围不同，采用归一化将其统一在[0，1]的范围内，即信号的最小值变为0，最大值变为1。数据切片是将整个时间序列信号分解为更小的部分，以便神经网络能够有效地提取其固有特征。在输入数据中，每个切片信号的个数与网络模型输入层匹配。至此，数据预处理工作完成。相比于其他基于特征工程的诊断方法，大大缩减了数据预处理的时间。

4.2 模型构建

本项目的主要目标是构建一个神经网络模型，用于检测建筑电气系统是否存在故障。模型的输入是来自系统的信号数据。该神经网络由四层构成，节点数分别为256、512、256和128。目标是解决二分类问题，即判断电气系统是否存在故障，因此在模型的输出层只需1个节点。该节点结合使用了sig‐moid激活函数来输出表示故障概率的值，范围为0到1。为了增强模型的非线性表达能力，并保持一定的鲁棒性，我们在各层之间使用了LeakyRelu作为激活函数。考虑到避免过拟合的问题，每一个激活函数后添加Dropout层。Dropout层可以随机地在训练过程中忽略一部分神经元，帮助防止模型过度依赖训练数据的特定特征，增强了模型的泛化能力。

4.3 评价指标及案例分析

4.3.1 评价指标

模型训练结束后，需要对模型的效果进行评估，业界常用的评价指标为准确率。即模型预测正确的个数占数据总数的比例。通常会预设准确率阈值，如果准确率较低，则通过调整网络模型层数和节点数以达到较高准确率。

4.3.1 案例分析

为了检验本次设计的基于深度学习的建筑电气系统诊断方法的效果，选取M公司的冷水机系统近5年运行数据作为研究对象。根据前4年的数据作为训练集，最后1年的数据作为测试集，其中共有7种故障类别和1种正常模式，但本试验只区分正常模式和故障模式。

实验使用前4年的数据训练深度学习模型，并使用最后一年的数据进行测试。结果显示，该模型能够以98%的准确率区分冷水机系统的正常运行和故障状态。表明基于深度学习的故障诊断系统具有出色的故障检测能力，可以大幅度提高冷水系统的故障诊断速度。这进一步强调了深度学习在设备故障预警和诊断中的应用潜力。

5 结语

本文主要介绍了几种建筑电气系统故障诊断方法，并讨论了拟构建的诊断模型和评估指标。利用神经网络特征自学习能力建立分类器，经过简单预处理后的数据输入进模型进行预测，省去了复杂烦琐的特征工程过程，并预期达到较高的诊断准确率，实现建筑电气故障诊断智能化和自动化。但课题并未考虑数据类别的平衡性，正常数据比故障数据多，这将影响模型的诊断准确性，下一步将考虑引入生成对抗网络模型，对缺少的故障数据进行数据增强，以达到两类数据平衡的目的。