數(shù)據(jù)驅(qū)動的建筑電氣系統(tǒng)診斷方法研究

鄭建波

（中鐵十六局集團(tuán)第一工程有限公司）

1 引言

近年來，智能建筑在我國取得了顯著進(jìn)展，建筑電氣系統(tǒng)是整個建筑工程體系中的重要組成部分，主要包括建筑供配電、日常辦公和機(jī)械設(shè)備用電等需求。然而，隨著用電設(shè)施類型和數(shù)量的增加，電氣系統(tǒng)規(guī)模日益增大，各結(jié)構(gòu)之間聯(lián)系更加復(fù)雜，導(dǎo)致故障率顯著提高。因此，快速準(zhǔn)確的故障診斷技術(shù)越發(fā)重要[1]。

目前，我國電氣的系統(tǒng)故障檢測仍處于初步階段，大部分依賴人工診斷故障原因，這不僅費時費力，還增加了檢修成本[2]。機(jī)器學(xué)習(xí)技術(shù)的飛速發(fā)展為電氣故障檢測帶來了重大突破，通過用電氣系統(tǒng)的數(shù)據(jù)建?？梢钥焖僭\斷電氣故障，但是此類方法嚴(yán)重依賴特征工程，即需要研究人員根據(jù)經(jīng)驗提取故障特征以進(jìn)行模型訓(xùn)練，因此無法應(yīng)對當(dāng)下復(fù)雜的電氣系統(tǒng)[3]。本課題擬建立一種基于深度學(xué)習(xí)的建筑電氣系統(tǒng)檢測方法，無須人工給出特征的前提，真正實現(xiàn)建筑電氣故障檢測的自動化、智能化。

2 信號處理在建筑電氣故障診斷中的應(yīng)用

在建筑電氣故障診斷方法中，信號處理技術(shù)將被測信號中重要部分凸顯出來，然后根據(jù)信號與故障間存在的關(guān)聯(lián)判斷和分析，相較于傳統(tǒng)的人工檢測方法，其診斷效率高效，不易受人為因素影響。本課題的研究方法是基于信號處理的，因此著重介紹信號處理方法，大致包括以下幾種方法，時域處理方法、頻域處理方法、統(tǒng)計處理方法、模式識別方法和深度學(xué)習(xí)方法等。

1）時域處理方法

信號時域處理方法是對原始被測信號的時間特性進(jìn)行分析，進(jìn)而識別故障的特征。常見的時域處理方法有卷積、相關(guān)性分析和信號積分等。信號積分是對原始信號的動態(tài)特性進(jìn)行研究的技術(shù)，對于信號的動態(tài)特征變化有較強的敏感性。相關(guān)性分析方法是通過分析信號的時間相關(guān)性進(jìn)行故障診斷。卷積方法能夠提取信號的時域特征。

2）頻域處理方法

頻域處理方法是對信號的頻譜進(jìn)行分析。常見的方法有小波變換和傅立葉變換。傅立葉變換的數(shù)學(xué)原理是將一個函數(shù)表示成多個函數(shù)的線性組合，在信號處理領(lǐng)域能夠?qū)π盘柕念l譜進(jìn)行分析，衍生出連續(xù)傅立葉變換和離散傅立葉變換等多種變體。20世紀(jì)初期，阿爾弗雷德·哈爾首次提出小波概念，該變換常用于信號處理，由離散小波變換和連續(xù)小波變換組成。實現(xiàn)原理為通過平移和縮放去匹配故障特征，從而達(dá)到去噪效果。小波變換繼承和發(fā)展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的“時間-頻率”窗口。相較于傅立葉變換，小波變換能同時獲得時域和頻域特征，是信號處理的有效工具。

3）統(tǒng)計學(xué)方法

統(tǒng)計學(xué)方法是對被測信號的均值、方差、能量、相關(guān)系數(shù)等特征進(jìn)行分析，建立此類特征與故障分類的關(guān)系。其中均值是確定信號中心位置的值，方差能夠反映信號的波動程度，衡量數(shù)據(jù)的分布情況。相關(guān)系數(shù)分析是對信號間的相關(guān)性進(jìn)行分析的值，能夠確定信號數(shù)據(jù)間的相關(guān)程度。

4）模式識別方法

模式識別方法是近年來逐漸興起的方法，其主要是利用電氣系統(tǒng)的歷史數(shù)據(jù)，通過建立一系列規(guī)則對電氣數(shù)據(jù)進(jìn)行分析，以找出常見的故障模式，并用這些模式來診斷當(dāng)前故障，模式識別的方法主要分為兩類：監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是指訓(xùn)練數(shù)據(jù)包含標(biāo)簽，且標(biāo)簽在模型訓(xùn)練過程中指導(dǎo)模型訓(xùn)練。非監(jiān)督學(xué)習(xí)是指訓(xùn)練數(shù)據(jù)不包含標(biāo)簽，模型在訓(xùn)練過程中不采用標(biāo)簽信息。顯然二者的區(qū)別很明顯，因此二者的算法也具有本質(zhì)的區(qū)別。下面將分別介紹監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的代表算法。

監(jiān)督學(xué)習(xí)的常見算法有：多層感知器、決策樹、隨機(jī)森林、支持向量機(jī)、樸素貝葉斯等。決策樹是一種基于樹形結(jié)構(gòu)的算法，可同時用于分類和回歸問題。具體分為決策樹建立、分裂特征選擇、生成和剪枝操作。決策樹每個分裂特征是由信息熵和信息增益等原則決定的，且在后續(xù)遞歸的生成子樹，直至滿足停止條件為止，在這個過程中，為了使決策樹具有較高的魯棒性，剪枝操作旨在移除過深或簡單的節(jié)點。隨機(jī)森林則是建立在多棵決策樹的基礎(chǔ)上的，通過隨機(jī)采樣和隨機(jī)特征選擇兩個策略，并且在輸出最終結(jié)果時采用投票機(jī)制，即構(gòu)造的多棵決策樹輸出結(jié)果的眾數(shù)作為隨機(jī)森林的輸出結(jié)果。隨機(jī)森林的優(yōu)勢在于不易發(fā)生過擬合情況，并且泛化能力強。此外，隨機(jī)森林算法能夠給出數(shù)據(jù)特征的重要性順序，是一種應(yīng)用廣泛的機(jī)器學(xué)習(xí)算法。

非監(jiān)督學(xué)習(xí)的常見算法有：K-means、DBSCAN、混合高斯模型等。K-means算法的基本原理是初始化K個質(zhì)心，K值也是類別數(shù)，計算每個數(shù)據(jù)點到這K個質(zhì)心的聚類，距離最近的點歸屬為該類別，至此每個數(shù)據(jù)點劃分為不同類別，通過計算所有數(shù)據(jù)點的均值更新每個類別數(shù)據(jù)的質(zhì)心位置，重復(fù)上述步驟直到各個數(shù)據(jù)點所屬類別不在變化停止更新。DBSCAN是基于密度的聚類方法，步驟為首先初始化圓半徑和最小數(shù)據(jù)量，這決定了數(shù)據(jù)點如何被視為密集區(qū)域，然后從每個數(shù)據(jù)點開始，循環(huán)迭代找到該數(shù)據(jù)點周圍的樣本并視為一個簇，直到周圍的數(shù)據(jù)點全部遍歷結(jié)束，從其他未遍歷的點開始重復(fù)上述任務(wù)并聚集為新簇。該方法對離群點比較敏感。

5）深度學(xué)習(xí)方法

深度學(xué)習(xí)方法是通過大量的數(shù)據(jù)中提取有價值的內(nèi)容，需要注意的是該方法需要數(shù)據(jù)量特別大。不像機(jī)器學(xué)習(xí)算法，少量數(shù)據(jù)也可以做模式識別。20世紀(jì)深度學(xué)習(xí)方法已經(jīng)出現(xiàn)，受限于當(dāng)時計算機(jī)算力以及數(shù)據(jù)量的缺乏，一度陷入低谷。隨著計算機(jī)的飛速發(fā)展以及存儲數(shù)據(jù)的增加，之前的限制因素已然消失，因此深度學(xué)習(xí)方法迎來了又一次發(fā)展高峰，針對不同形式的數(shù)據(jù)，深度學(xué)習(xí)均有模型與之對應(yīng)。本文的信號數(shù)據(jù)，經(jīng)過簡單的處理后即可輸入進(jìn)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練。具體的深度學(xué)習(xí)方法將在第三章內(nèi)容中詳細(xì)介紹。

3 深度學(xué)習(xí)方法介紹

隨著科學(xué)技術(shù)的發(fā)展，人工智能逐漸進(jìn)入我們的視野。其中機(jī)器學(xué)習(xí)是人工智能的核心，通過設(shè)計算法讓計算機(jī)實現(xiàn)自動學(xué)習(xí)的功能，機(jī)器學(xué)習(xí)算法的缺點是需要人工手動提取分類特征，為了克服這一缺點，深度學(xué)習(xí)逐漸成為研究熱點，受啟發(fā)于人類大腦的工作方式，模擬人腦進(jìn)行分析，無須復(fù)雜的特征工程，網(wǎng)絡(luò)模型在訓(xùn)練的過程實現(xiàn)特征自提取功能，已廣泛應(yīng)用于計算機(jī)視覺、語音識別、機(jī)器翻譯等領(lǐng)域，且衍生出許多經(jīng)典模型，例如深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)和生成對抗網(wǎng)絡(luò)等。深度神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的雛形，也是神經(jīng)網(wǎng)絡(luò)的簡單形式。卷積神經(jīng)網(wǎng)絡(luò)是根據(jù)人眼觀察事物的主要特征發(fā)展而來的，通過卷積計算，能夠捕獲圖像數(shù)據(jù)中的重要成分，權(quán)值共享機(jī)制能夠大大降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練的參數(shù)量。長短時記憶網(wǎng)絡(luò)用于處理數(shù)據(jù)具有前后時序關(guān)系的情況，例如機(jī)器翻譯、文本對話，其特有的門控機(jī)制可以保留有用信息，同時丟棄無用內(nèi)容，從而將有用信息傳輸?shù)胶竺嬖偬幚怼?/p>

本文擬采用深度神經(jīng)網(wǎng)絡(luò)模型，故重點介紹該網(wǎng)絡(luò)結(jié)構(gòu)及其訓(xùn)練方法。該網(wǎng)絡(luò)模型由輸入層、中間層和輸出層組成。數(shù)據(jù)通過輸入層輸入進(jìn)網(wǎng)絡(luò)，通過多個中間層節(jié)點，最后由輸出層輸出結(jié)果。為了解決非線性問題，在網(wǎng)絡(luò)層中引入激活函數(shù)，常見的激活函數(shù)有Sigmoid函數(shù)、Softmax函數(shù)和Relu函數(shù)等。Sigmoid函數(shù)常用于二分類問題，例如建筑電氣系統(tǒng)是否故障；Softmax函數(shù)常用于多分類問題，例如建筑電氣故障的類型，此時模型輸出結(jié)果為多類別的概率，所有類別的概率之和為1，其中概率值最高的類為預(yù)測類別。

4 基于深度學(xué)習(xí)的建筑電氣系統(tǒng)故障診斷方法

4.1 輸入數(shù)據(jù)預(yù)處理

本課題擬建立建筑電氣系統(tǒng)故障檢測模型，因此收集到的數(shù)據(jù)經(jīng)過簡單的預(yù)處理即可輸入進(jìn)模型。預(yù)處理共分為兩步：數(shù)據(jù)歸一化和數(shù)據(jù)切片。由于被測信號波動范圍不同，采用歸一化將其統(tǒng)一在[0，1]的范圍內(nèi)，即信號的最小值變?yōu)?，最大值變?yōu)?。數(shù)據(jù)切片是將整個時間序列信號分解為更小的部分，以便神經(jīng)網(wǎng)絡(luò)能夠有效地提取其固有特征。在輸入數(shù)據(jù)中，每個切片信號的個數(shù)與網(wǎng)絡(luò)模型輸入層匹配。至此，數(shù)據(jù)預(yù)處理工作完成。相比于其他基于特征工程的診斷方法，大大縮減了數(shù)據(jù)預(yù)處理的時間。

4.2 模型構(gòu)建

本項目的主要目標(biāo)是構(gòu)建一個神經(jīng)網(wǎng)絡(luò)模型，用于檢測建筑電氣系統(tǒng)是否存在故障。模型的輸入是來自系統(tǒng)的信號數(shù)據(jù)。該神經(jīng)網(wǎng)絡(luò)由四層構(gòu)成，節(jié)點數(shù)分別為256、512、256和128。目標(biāo)是解決二分類問題，即判斷電氣系統(tǒng)是否存在故障，因此在模型的輸出層只需1個節(jié)點。該節(jié)點結(jié)合使用了sig‐moid激活函數(shù)來輸出表示故障概率的值，范圍為0到1。為了增強模型的非線性表達(dá)能力，并保持一定的魯棒性，我們在各層之間使用了LeakyRelu作為激活函數(shù)。考慮到避免過擬合的問題，每一個激活函數(shù)后添加Dropout層。Dropout層可以隨機(jī)地在訓(xùn)練過程中忽略一部分神經(jīng)元，幫助防止模型過度依賴訓(xùn)練數(shù)據(jù)的特定特征，增強了模型的泛化能力。

4.3 評價指標(biāo)及案例分析

4.3.1 評價指標(biāo)

模型訓(xùn)練結(jié)束后，需要對模型的效果進(jìn)行評估，業(yè)界常用的評價指標(biāo)為準(zhǔn)確率。即模型預(yù)測正確的個數(shù)占數(shù)據(jù)總數(shù)的比例。通常會預(yù)設(shè)準(zhǔn)確率閾值，如果準(zhǔn)確率較低，則通過調(diào)整網(wǎng)絡(luò)模型層數(shù)和節(jié)點數(shù)以達(dá)到較高準(zhǔn)確率。

4.3.1 案例分析

為了檢驗本次設(shè)計的基于深度學(xué)習(xí)的建筑電氣系統(tǒng)診斷方法的效果，選取M公司的冷水機(jī)系統(tǒng)近5年運行數(shù)據(jù)作為研究對象。根據(jù)前4年的數(shù)據(jù)作為訓(xùn)練集，最后1年的數(shù)據(jù)作為測試集，其中共有7種故障類別和1種正常模式，但本試驗只區(qū)分正常模式和故障模式。

實驗使用前4年的數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)模型，并使用最后一年的數(shù)據(jù)進(jìn)行測試。結(jié)果顯示，該模型能夠以98%的準(zhǔn)確率區(qū)分冷水機(jī)系統(tǒng)的正常運行和故障狀態(tài)。表明基于深度學(xué)習(xí)的故障診斷系統(tǒng)具有出色的故障檢測能力，可以大幅度提高冷水系統(tǒng)的故障診斷速度。這進(jìn)一步強調(diào)了深度學(xué)習(xí)在設(shè)備故障預(yù)警和診斷中的應(yīng)用潛力。

5 結(jié)語

本文主要介紹了幾種建筑電氣系統(tǒng)故障診斷方法，并討論了擬構(gòu)建的診斷模型和評估指標(biāo)。利用神經(jīng)網(wǎng)絡(luò)特征自學(xué)習(xí)能力建立分類器，經(jīng)過簡單預(yù)處理后的數(shù)據(jù)輸入進(jìn)模型進(jìn)行預(yù)測，省去了復(fù)雜煩瑣的特征工程過程，并預(yù)期達(dá)到較高的診斷準(zhǔn)確率，實現(xiàn)建筑電氣故障診斷智能化和自動化。但課題并未考慮數(shù)據(jù)類別的平衡性，正常數(shù)據(jù)比故障數(shù)據(jù)多，這將影響模型的診斷準(zhǔn)確性，下一步將考慮引入生成對抗網(wǎng)絡(luò)模型，對缺少的故障數(shù)據(jù)進(jìn)行數(shù)據(jù)增強，以達(dá)到兩類數(shù)據(jù)平衡的目的。