智能变电缺陷运检助理应用系统设计

2022-12-12 11:45黄智华李雄梁侯斌马孟勋
计算机应用文摘·触控 2022年21期

黄智华 李雄梁 侯斌 马孟勋

关键词:变电缺陷;全景数据;智能辅助;缺陷分析

1引言

目前,变电缺陷管理的自动化和智能化水平不高,在数据的收集和处理、缺陷的分析和总结上主要依赖人工进行,对已有的缺陷数据、缺陷特征数据以及大量的缺陷分析报告等,缺乏信息化、数字化的手段将其有效转为可用易用的知识,以致设备出现缺陷时还是依赖运检人员现场勘察、技术人员现场分析的方式,无法为缺陷发现、缺陷定级、处理建议、施工方法、工器具准备提供流程化、标准化处置技术支持[1]。

通过设计智能变电缺陷运检助理应用系统,构建变电缺陷知识库,将人工经验知识进行固化、共享及传承,为缺陷发现、缺陷定级、处理建议、施工方法、工器具准备等变电缺陷全链条业务提供智能辅助支撑,可以实现规范化、标准化的业务处置策略,提升缺陷全过程处置的工作效率:实现缺陷全景数据的智能分析、自动生成缺陷统计报告与缺陷分析报告;实现智能化设备状态及风险分析,提升数据整理及分析的工作效率:实现缺陷数据的深度挖掘及应用:构建变电缺陷智能运检助理,打造高效信息交互通道,简化现场作业流程,促进各专业高效协同工作,提升变电缺陷运检智能化、精益化水平[2]。

2变电缺陷知识库构建

整理变电设备的档案信息及设备出现缺陷时的相关状态、现象及其他异常数据,通过采集上述信息,可以构建变电缺陷结构化的信息库和变电缺陷知识抽取模型,从而完善无监督学习的有效数据集。

采用自然语言处理和变电缺陷知识抽取技术,从非结构化的变电缺陷标准规范、电网缺陷管理规章制度、缺陷分析报告、消缺总结报告等文本文件中抽取变电设备的运检知识信息,将抽取到的知识信息实体进行结构化,设计出对应的变电缺陷知识图谱概念模型,通过采用知识图谱相关技术,将结构化后的缺陷知识实体及相关信息,按变电缺陷知识图谱概念模型传输到知识库图谱中;融合变电领域技术专家的丰富经验及机器无监督学习算法模型的自流程技术,将变电站历史运检产生的结构化信息和文本等非结构化数据转化为知识实体,通过图谱的生成算法对变电缺陷知识信息不断地进行自动筛查及验证,并融合、优化抽取到的相关缺陷知识,从而实现知识库中变电设备相关缺陷知识的自主更新。

3缺陷全景数据分析

基于电网资产管理系统的基础数据,按照年、季、月的周期,对周期内缺陷数据用多种维度进行统计分析,从资产管理系统中获取设备缺陷的缺陷表象、缺陷设备的类型、缺陷功能位置及部位、缺陷所属等级、缺陷发生原因、缺陷来源、设备生产厂家、设备投运使用年限、缺陷产生日期、消缺日期、电压等级等特征项,用于关联规则挖掘。其中,部分缺陷与设备属性相关,如缺陷设备的类型、缺陷功能位置及部位、设备生产厂家等;部分缺陷与缺陷属性相关,如缺陷表象、缺陷发生原因、缺陷产生日期等;部分缺陷与消缺处理过程相关,如消缺时间、消缺方法等[3]。通过从特征项中挖掘设备的频发缺陷及频发缺陷的主要诱因,可以寻找它们之间的关联关系。

针对家族性变电设备缺陷分析统计,可以应用高频子图挖掘技术,来分析设备生产厂家、设备所属部件生产厂家同家族的设备或部件及设备出现的缺陷现象、现象产生原因等之间的相互关系。对于已经明确的故障或缺陷原因,只进行该类原因的概率计算,就可实现家族性变电设备缺陷概率的分布统计,方便运检人员判断相关生产厂家的相关同族设备是否存在潜在缺陷,从而为变电设备状态评价提供重要的参考依据。

通过构建变电设备状态评价及风险数据处理引擎,可以实现变电设备状态信息的智能评价。变电设备状态评价及风险数据处理引擎将依据设备状态、评价规范要求,从缺陷全景数据中抽取评价相关数据,使用数据库表配置项的方式,动态、灵活地开展设备状态评价,实现设备状态参量和评价计算路径的动态定义。此外,数据处理引擎还能够解析设备状态评价模型,并根据模型控制设备状态评价的计算过程,设备状态评价模型则支持对各类设备状态的评价进行灵活配置,如可按本体、部件、子设备、基础单元等进行评价。

4变电缺陷全链条智能辅助

将专家共识的缺陷研判技术、知识搜索技术、数据回填技术和多维度数据统计分析技术等进行融合,可以实现变电缺陷发现及上报、消缺前准备、消缺中辅助、消缺后结果录入的全链式反馈机制,并持续对缺陷进行跟踪和总结分析。

变电运行侧缺陷上报时,根据所填写的设备基本信息、缺陷表象、缺陷描述和消缺前圖片,自动采用专家共识与图像识别相结合的方式,辅助变电运行人员进行缺陷分类和缺陷定级,并给出缺陷确认建议和处理措施,以进一步提升缺陷上报的准确性。

针对变电检修侧,在进行消缺动身前,利用数据协同和知识搜索技术,可以生成更科学的消缺工作排程,并根据当前缺陷信息,最优匹配消缺所适合的专业班组、生成缺陷处理措施以及列出所需工器具、需关注的安全风险点、关联的设备图纸等。

在消缺的过程中,与AI移动助手进行交流,可随时、随地、随意进行运检辅助数据查询,数据所问即所得:在消缺后,可通过数据自动化输入的方式实现消缺结果数据的录入和回填,并根据当前新增的处理措施,自动更新专家共识,实现知识的更新、融合。

利用数据分析技术、数据聚类技术,对缺陷持续进行跟踪和总结分析,对变电设备缺陷的电压等级、缺陷等级、站点、功能位置、设备名称、部件名称、设备类别、缺陷类型、专业类别、厂家、型号、投运日期等进行多维度统计分析,可以综合展现缺陷的分布情况;通过对同一设备缺陷历史数据的分析,可以实现该设备历史缺陷基于时间维度的变化跟踪:充分从厂家、型号、投运日期等维度,挖掘分析设备存在的批次缺陷,并对相应厂家及设备形成评价比对机制,可以为后续设备采购及更换提供参考,从源头上杜绝缺陷的重复出现[5]。

5系统设计及实现

经过利用上述技术,最终开发并形成变电缺陷运检助理应用系统,其技术架构如图1所示。

本系统总体技术架构分为四个部分,即数据存储、数据处理、分析引擎、应用分析。

数据存储基于资产管理系统、变电运行平台等变电设备缺陷数据,对这些系统数据自动进行采集和预处理,形成变电缺陷专业数据池。

数据处理包含自然语言处理和缺陷知识图谱两大部分,自然语言处理主要对缺陷的文本进行分词、标注,并训练可用于缺陷文本场景下的模型,以实现缺陷文本数据的实体提取、关系抽取和属性抽取。缺陷知识图谱主要对设备关系、缺陷关联关系、图谱关联关系等进行存储、更新、检索。每次获得的自然语言处理结果将用于知识库(图谱)的自主更新。

分析引擎主要包含智能辅助引擎、智能问答引擎、报告生成引擎。通过分析引擎,将数据处理细节抽象为应用,提供统一的基础支撑。

应用分析包含缺陷智能辅助、缺陷智能问答、缺陷报告、数据可视化等。通过调用分析引擎,实现缺陷辅助、问答、报告等功能,并提供一个可视化的数据视角。

系统功能架构如图2所示。

系统功能架构由支撑服务、核心功能、权限功能、系统应用功能四个功能模块组成。它们之间采用分布式的软总线进行相关信息数据的交互,通过采用基于Kafka技术的数据消息订阅和发布方式进行功能模块及相关进程间的信息交互,各功能模块及进程订阅自己所需信息和向外发布信息,各功能模块完成特定的功能后把结果发布到总线上。

6结束语

为了设计本文所述系统,前后开展了NLP相关技术、变电缺陷图谱及知识库构建技术、智能数据分析技术的研究,将公司资产管理系统中缺陷相关的各类多模态数据资源进行融合,有效衔接了资产管理系统中缺陷管理业务流程,将线上、线下的缺陷管理进行数字化、智能化改造升级,进一步提升了变电设备缺陷管理工作与现代信息技术的深度融合,切实解决了变电设备缺陷巡检一线人员工作中面临的难点、痛点,并为公司降本增效、保障安全生产提供支持,从而提升了变电缺陷运检数字化水平,助力公司数智化转型。