前言：想要寫出一篇引人入勝的文章？我們特意為您整理了建筑電氣系統故障診斷方法探究范文，希望能給你帶來靈感和參考，敬請閱讀。

［摘要］如果建筑電氣系統出現故障，不僅會影響建筑使用者的正常生活，還可能引起火災進而威脅人員生命安全。研究了如何進行電氣系統故障診斷，分析電氣系統故障的類型，研究SVM和基于壓縮感知理論的診斷方法，幫助技術人員開拓診斷技術研究思路，提升建筑電氣系統的安全性。

［關鍵詞］建筑；電氣系統；故障

建筑電氣系統的運行會受到很多因素的影響，導致電氣系統運行出現故障，進而影響建筑內人員的正常用電。為了保障電氣系統的穩定性，及時解決建筑電氣系統的問題，就需要利用相關技術快速診斷電氣系統故障，并及時進行調控。

1建筑電氣系統組成和分類

結合建筑電氣系統的電能特性，可將電氣系統大體分為強電系統和弱電系統，強電系統包括變配電系統、動力系統、照明系統以及防雷系統，弱點系統包括通信系統、廣播系統及天線系統。根據功能可分為以下幾種系統類型。（1）供配電系統。供配電系統包括建筑的發電系統、輸電系統、配電系統，能夠實現電壓變換、電能分類和電力輸送的功能。（2）建筑弱電系統。一般而言，除動力系統、照明系統外，其他系統全部歸類為弱電系統，主要完成建筑內的信號傳遞和信息交流。（3）動力系統。動力系統主要為建筑物內的動力裝置供電，包括電梯傳動、空調、供暖設備、水泵等，動力系統中的設備主要將電能轉換為機械能輸出，保證機械設備正常工作。（4）照明系統。建筑的照明系統主要完成電能到光能的轉換，利用照明系統能給居住者提供舒適的生活環境，包括供電電源、電線、照明系統控制設備組成，可以完成對照明系統的光能分配。

2建筑電氣系統平臺故障分類

導致建筑電氣系統故障的原因較多，一旦出現故障將會對人員的安全產生嚴重威脅，比如由于觸電導致人員傷亡，或出現電氣設備損毀，導致火災威脅室內安全。

2.1電氣系統線路故障

線路故障是電氣系統的主要故障，而且一旦線路出現故障，除了會導致觸電和停電等問題，還會由于絕緣燃燒引發火災。線路故障進一步分為架空線路故障和電纜線路故障。架空線路長期裸露在室外，直接受到風吹、雨淋、雷擊等環境因素影響，或者由于空氣濕度變化、溫度變化導致電路被腐蝕損壞。電纜可能出現絕緣擊穿、機械損傷、端頭污閃等故障。一些電氣電路由于局部負載過高，或者出現短路、基礎不良等問題，線路將會出現負載過高導致溫度升高、燒毀線路的絕緣、火災等問題。

2.2電氣照明故障

建筑的照明系統是建筑電氣系統中負載較高的部分，由于需經常開閉，照明設備可能損壞，所以照明系統的故障出現概率較高，其故障可分為短路、斷路、漏電3類（表1）。

2.3電氣動力系統故障

建筑電氣系統中的動力系統可為整個建筑供電，包括變壓器、斷路器、電機、互感器等，容易出現局部過熱、局部放電等故障問題，經過長期使用后，變壓器還會出現絕緣老化的情況，容易引起火災。電氣動力系統的斷路器可能會出現機械傳動機構磨損失靈，或者由于氣密性降低導致斷路器不能正常使用，如出現拒分、誤跳、分閘誤閉鎖等。

2.4防雷接地故障

防雷接地系統是建筑物電氣系統中的關鍵部分，可確保建筑物遭遇雷擊之后將雷電電流導入大地，保護建筑內部的人員、設備不受到雷擊影響。但是如果出現接地電網帶電、接地土壤電阻過高、接地電阻過大等問題，將會影響接地系統的正常工作。

2.5弱電控制系統故障

弱電控制系統主要以PLC和變頻器結合進行電氣系統的邏輯控制工作，PLC能儲存程序，也能定時完成相關計算工作，還可以進行邏輯運算、計數等控制，通過接收數據信號，可完成對電氣系統工作狀態的分析，進而輸出控制指令。

3基于向量機理論的故障診斷算法

3.1支持向量機（SVM）理論

支持向量機理論是指確定樣本之間的決策曲面，使不同類型的樣本之間獲得最大化的分類空隙，可進行回歸分析、信號處理和分類識別工作。該理論的基礎在于風險結構的最小化原則，從而在有限條件下獲得學習問題的最優解，也具有泛化推廣能力。應用該理論，可使用少量樣本完成對問題的分類，所以實用性強，并且工作效率較高。故障的診斷工作就是利用故障的表象完成對故障狀態的分類，找到系統故障所屬的類別，從而完成對故障的識別工作。使用支持向量機的工作方式，會專門找到最優超平面來完成對兩類樣本的分類工作，找到每類數據之間平均距離最大，具有最大分類間距的超平面。

3.2應用SVM理論進行電氣故障分析的優勢和可行性

現代智能技術大量使用機器學習技術，通過對數據和目標之間的輸出差值進行評估完成自我校正，經過反復校正之后，最終建立起與人類思維相似的認知系統。使用神經網絡技術時，需要有大量的訓練數據作為基礎才能完成故障分析系統建設，而且需要一定的訓練時間，而使用SVM算法能在小樣本情況下就完成對經驗風險、置信范圍的綜合分析，從而控制期望風險。由于建筑物實際運行的過程中系統會受到很多因素的影響，導致電氣系統的故障具有明顯的突發性，因此，很難通過持續監控獲得故障信號和數據，若進行深度學習，每一種故障問題均都需要上百種數據，但是系統中典型的故障數據比較少，并不能支持機器學習。因此，應使用SVM進行樣本數據分析，確保在小樣本的情況下也能完成分類工作，滿足故障診斷要求。

3.3SVM分類的算法和電氣故障診斷試驗

SVM采用小樣本學習法，試驗中收集了60組樣本數據，對線路阻抗故障E1、連續性故障E2、接地故障E3、絕緣故障E4、正常E5進行分析，每個樣本中都含有10個位置不同的故障信息特征箱梁，從中選擇45組樣本作為訓練樣本，其他15組樣本為測試樣本。試驗中，發現樣本數據的單位量有比較大的差別，為了減少復雜計算對學習速度的影響，避免特征向量對數據的影響，對所有的數據進行數據歸一化處理，所有原始數據被規整到0~1。之后使用K-CV法尋找最佳參數，設置選擇懲罰參數c的范圍為0.25~4，徑向基寬度參數σ的變化范圍為0.0625~4，之后對訓練集進行交叉驗證，獲得c為0.70699，σ為0.17668。之后將上述數值輸入SVM網絡中，并使用樣本數據測試。經過測試，使用SVM算法對故障的識別率為100%，所以可確定SVM算法能夠正確做出診斷，以及完成對故障的模擬工作。并且SVM的輸出較穩定，具有較快的分類速度，所以可在故障發生時迅速做出判斷，幫助系統執行故障處理流程，可有效控制電氣系統的損失。相對而言，使用神經網絡技術容易出現過學習的問題，而且需有大量的故障樣本支持模型訓練；使用SVM可實現結構風險最小化，并且能實現非線性映射和泛化分類。

4基于壓縮感知理論的故障診斷算法

壓縮感知理論是目前一種全新的理論算法，大量應用在人臉識別、圖像處理等工作中，該理論的基礎是信號所具有的稀疏性，能夠使信號被壓縮，也可以進行信號的重構，所以可將原始信號進行高緯度和低緯度的切換。在分類工作中，會議訓練樣本基本元素表達測試樣本，輸入待識別樣本和同類訓練樣本線性組合。

4.1壓縮感知故障診斷方法

故障診斷是一個分類過程。診斷過程中，會利用故障異常信號獲得故障的特征，再利用算法確定故障類型。在設計訓練樣本時，需要對故障進行分配，確定每個故障樣本為p維，之后建立p×1維列向量，建立樣本的訓練矩陣。如果給定樣本冊數數據為y，則該樣本的所屬類別未知，為了確定故障類型，就需要建立完備矩陣進行故障y的分類。

4.2稀疏表達分類故障診斷試驗

建立了基于稀疏表達分類算法的l1和l2分類器，重建信號時，要求稀疏矩陣構建正交基底，并建立了支持SVM分類法的向量機。經過分析，l2分類器在準確率上較高，并且對故障的分析速度和精度均與SVM算法接近，有利于及時發現和排除故障。

5結束語

使用SVM故障診斷模型對建筑物故障的診斷分析更加有效，可利用少量樣本數據完成診斷、分類和故障識別，相對神經網絡技術具有一定的優勢，在建筑電氣系統的故障判斷中有較好的診斷效果，適合建筑電氣工程故障診斷使用。使用壓縮感知理論進行分析，可形成對現有故障診斷的補充，有利于更早發現和排除故障。

參考文獻

[1]張栓柱.建筑電氣系統故障診斷方法研究[J].造紙裝備及材料，2021，50（2）：128–130.

[2]吉香輝.建筑電氣系統故障診斷方法研究[J].建材與裝飾，2020（18）：231，234.

[3]史良磊，關錦濤.建筑電氣系統故障診斷方法研究[J].住宅與房地產，2020（5）：263.

[4]李麟.建筑電氣系統故障診斷方法分析[J].中阿科技論壇（中英阿文），2020（1）：61–64.

[5]吳堅.建筑電氣系統故障診斷方法研究[J].中國新技術新產品，2019（22）：53–54.

[6]張龍.建筑電氣系統故障診斷方法研究[D].北京：北京林業大學，2014.

作者:董建杰 王曉鵬 宋凱 蔡利宏 楊云鵬 單位:中建二局第二建筑工程有限公司