利用机器学习RFID混合模型的运维检修移动作业应用

2020-06-19赵水忠王剑顾晔

现代电子技术 2020年9期

赵水忠王剑顾晔

摘要：针对传统的运维检修方法无法准确定位出故障点的缺点，提出利用机器学习RFID混合模型的运维检修移动作业应用研究。首先，将射频识别技术与决策树算法结合，建立机器学习RFID混合模型;在模型的基础上，采用运维检修移动作业装置中的RFID读写器，通过射频识别技术识别出与运维检修点相对应的标签，完成运维检修点的数据采集;通过去重过滤算法，去除采集到的重复数据;通过监督学习，训练数据，对故障点与非故障点进行精确分类，再对其做运维检修处理，完成利用机器学习RFID混合模型的运维检修移动作业方法的设计。通过与传统的运维检修方法作对比实验，实验结果表明，提出的利用机器学习RFID混合模型的运维检修移动作业方法具有更高的定位精度。

关键词：运维检修; 机器学习; 数据采集; RFID混合模型; 重复数据去除; 故障点定位

中图分类号： TN99?34; TP391 文献标识码： A 文章编号： 1004?373X（2020）09?0157?04

Application of operation and maintenance mobile assignment

using machine learning RFID hybrid model

ZHAO Shuizhong1， 2， WANG Jian2， GU Ye2

（1. Shanghai Jiao Tong University， Shanghai 200240， China; 2. State Grid Zhejiang Electric Power Company， Hangzhou 310000， China）

Abstract： An application research of the operation and maintenance mobile assignment using the machine learning RFID hybrid model is proposed to overcome the shortcomings of the traditional operation and maintenance method that can not accurately locate the fault point. The RFID technology and the decision tree algorithm are combined to establish a machine learning RFID hybrid model. On the basis of the model， the tag corresponding to the operation and maintenance inspection point is identified with the RFID technology and the RFID reader in the mobile operation device to complete the data acquisition of the operation and maintenance inspection point. The deduplication filtering algorithm is used to remove the collected duplicate data. The supervised learning and the training data are used to accurately classify the fault point and the non?fault point， and then the operation and maintenance processing is adopted for the classification result to achieve the design of the operation and maintenance mobile assignment method using the machine learning RFID hybrid model. A contrast experiment of the method designed in this paper and the traditional operation and maintenance method was carried out. The experimental results show that the designed operation and maintenance mobile operation method using machine learning RFID hybrid model have higher positioning accuracy.

Keywords： operation and maintenance overhauling; machine learning; data acquisition; RFID hybrid model; duplicate data removing; fault point positioning

0 引言

近年來，随着运维检修工作量的不断加大，传统的运维检修方法已无法满足实际需求，需要开发新的技术和方法提高运维检修技术的水平。目前，一些企业采用移动作业的方式，改进了运维检修的模式，为运维检修工作提供了便利[1]。然而，现有的运维检修移动作业方法无法及时、准确地识别出需要做运维检修处理的目标位置，导致运维检修的效率大大下降[2?4]。随着科技水平的不断提高，机器学习和射频识别技术得到了不断的发展。机器学习是一种人工智能算法，常见的机器学习算法包括决策树算法、贝叶斯算法、随机森林算法、支持向量机算法以及人工神经网络算法等[5?10]。无线射频识别（RFID）技术是一种非接触式的自动识别技术，具有适用性好、识别效率高、结构简单等优点，被广泛应用在监控、运维检修、检测等领域[11?15]。

基于以上内容，本文将机器学习和RFID相结合，提出一种利用机器学习RFID混合模型的运维检修移动作业方法，对其应用情况与传统的运维检修移动作业方法作比较，以验证其能够更为有效地完成运维检修工作。

1 机器学习RFID混合模型的运维检修移动作业研究

将机器学习和RFID相结合，建立混合模型，采用装有RFID读写器的移动作业装置实施运维检修工作。在机器学习RFID混合模型建立的基础上，通过射频识别完成对运维检修待测点的数据采集，通过去重过滤算法去除采集到的重复数据，通过监督学习对处理后的数据做训练，再利用移动作业装置对运维检修待测点进行检修，完成利用机器学习RFID混合模型的运维检修移动作业方法的设计。

1.1 建立机器学习RFID混合模型

通过RFID获取运维检修待测点数据。RFID采用电子标签与运维检修待测点一一对应，通过对电子标签的识别，以识别出运维检修待测点。不同的运维检修待测点会出现不同的分类。利用决策树算法，基于不同待测点的特征，对采集到的数据分类，其分类的具体过程如下：

设机器学习RFID混合模型的训练数据集为[A=x1，y1，x2，y2，…，xN，yN]，其中，[xi=x1i，x2i，…，][xni]为机器学习RFID混合模型的输入数据样本，[n]代表运维检修待测点的特征个数;[yi∈1，2，…，J]代表类标记，[i=1，2，…，N]，[N]代表训练样本容量。为了使决策树具备更好的泛化能力，通过剪枝去掉决策树细分的叶节点。假设训练数据集有[J]个分类标签，样本点属于第[j]类的概率为[pj=PY=cj]。将其概率分布的Gini指数定义为：

[Ginip=j=1Jpj1-pj=1-j=1Jp2j] （1）

对于输入的训练数据集合[A]，设属于[cj]类的样本数据为[Cj]，则该条样本数据的Gini指数为：

[Ginip=1-j=1JcjA2] （2）

根据给定特征[Z]是否取某一个可能值[α]，将样本数据集划分为两个独立的数据集[A1]和[A2]：

[A1=x，y∈AxA=αA2=x，y∈AxA≠α=A-A1] （3）

将式（3）作为数据集的划分规则，划分数据集，直至[α]小于设定好的阈值，或者直至不可划分为止。利用RFID获取运维检修待测点数据，通过决策树对数据集分类，将二者结合，建立机器学习RFID混合模型。在模型的基础上，采用运维检修移动作业装置实施运维检修工作，其总体架构如图1所示。

如图1所示，首先，通过RFID利用射频识别技术识别出运维检修待测点;其次，对得到的数据做数据去重等处理;之后，通过无线传输，将处理后的数据上传;最后，利用机器学习算法中的决策树算法对数据进行训练，发现故障点，再对其做检修等处理。下面对运维检修过程进行具体分析。

1.2 射频识别

在运维检修移动作业装置中，设有RFID读写器，将电子标签和运维检修点一一对应，将电子标签附在待检测点的位置，作为检修点标识。将RFID读写器安装在距检修点一定的距离上。当标签出现在RFID识别区域，RFID自动识别标签，读取电子标签的数据，和其他与运维检修相关的数据组成特定的数据格式，传输给中继节点。在射频识别的过程中，其所设置的数据采集节点如图2所示。

在适当的位置设置采集（射频识别）节点，通过RFID识别出运维检修待测点。

1.3 重复数据处理

在实际的运维检修移动作业中，标签如果长时间停留在识别区域，RFID读写区会重复读取标签并上传，导致RFID读写器除了接收到有用数据，还会接收到大量的重复数据，需要对数据做处理。首先，采用去重过滤算法过滤接收到的重复数据，具体的算法过程如下：

将RFID读写器得到的数据表示成三个部分，分别为读到的标签信息、标记号和读到数据的时间。在得到运维检修待测点的数据，根据标记号检查去重的数据是否含有相同的数据，对其做相应处理：如果不含有相同数据，则将接收到的数据视为新数据，插入登记表，输出相应的标签信息;如果含有相同數据，则更新读到数据的时间，输出相应的标签信息。采用的过滤算法流程图如图3所示。

通过图3的过滤算法完成对重复数据的过滤，以便得到准确的各个运维检测待测点的数据，通过无线传输输出到移动作业端。

1.4 监督学习

采用监督学习的方式对机器学习RFID混合模型中的数据进行训练，再通过移动作业装置对带有标记的数据实施运维检修。具体的监督学习过程如下：

1）对模型中的数据做线性判别分析。针对模型中的数据集[A]，求对其分类后的协方差。将数据投影到一条直线上，为保证类内方差最小，类间方差最大，优化目标，完成对机器学习RFID混合模型中数据的线性判别分析。

2）通过分类决策树算法，根据数据特征划分数据，完成数据分类，即将数据分为故障点数据和非故障点数据，对于有故障的运维检修待测点，采用相应的技术对故障做检修等处理。

通过上述步骤，完成利用机器学习RFID混合模型的运维检修移动作业。在此基础上，对其应用做出研究。

2 仿真实验

为验证提出的利用机器学习RFID混合模型的运维检修移动作业方法对运维检修待测点的定位识别的准确性，以某一运维检修项目为例，采用装有RFID读写器的移动作业装置，利用机器学习RFID混合模型，将机器学习RFID混合模型的运维检修移动作业方法应用其中，并与其他运维检修移动作业方法作对比，比较其在运维检修移动作业过程中对待测点的定位精度。

2.1 实验过程

设置100个运维检修待测点，取其中的50个点作为训练样本，采用机器学习的方法对实验样本做训练。首先，对标签RFID读测试，确定标签的位置。将标签置于距离运维检修待测点1 m，1.5 m，2 m，2.5 m，3 m处，得到的有效距离如表1所示。

从表1中可以看出，当标签与运维检修点的距离小于等于2.5 m时，RFID可以完全识别出运维检修待测点。因此，将标签与运维检修点的距离设置在2.5 m以内即可。

确定有效距离后，通过机器学习RFID混合模型对样本数据做训练，以便后续可以准确定位运维检修待测点。在训练样本数据后，在其余的50个待测点选出25个待测点作为故障点，对有故障的运维检修待测点做定位识别。通过利用机器学习RFID混合模型的运维检修移动作业方法，得到有故障的运维检修待测点，验证其与实际设定有故障的运维检修待测点是否一致，并与其他运维检修移动作业方法得到的结果作对比。

2.2 实验结果分析

分别采用提出的机器学习RFID混合模型的运维检修移动作业方法和传统的运维检修方法定位故障点，得到的定位结果对比图如图4所示。

从图4中可以看出，在25个运维检修故障点中，采用传统的运维检修方法，定位识别出21个运维检修故障点，能够准确定位到的运维检修故障点的个数为16个，有4个运维检修故障点未被识别出，有5个运维检修故障点的定位出现误差。采用本文提出的基于机器学习RFID混合模型的运维检修移动作业方法，由于采用RFID能够实现运维检修点的自动识别，加上机器学习算法能够更加有效地对故障点与非故障点分类，能够准确定位，识别出提前设定的全部运维检修故障点，所得到的定位结果符合运维检修故障点的实际位置，表明其具有更高的定位精度。

3 结语

在传统的运维检修移动作业方法中，由于对运维检修故障点的定位精度低，导致运维检修效率低。针对定位精度低的问题，本文提出了利用机器学习RFID混合模型的运维检修移动作业方法，该方法将机器学习和RFID相结合，建立混合模型，很好地改善了传统方法存在的定位精度低的不足。通过实验对其应用情况与传统的运维检修移动作业方法作对比，实验结果表明，提出的运维检修移动作业方法能够更为精准地定位运维检修待测点。希望其可以为运维检修移动作业研究提供一定的参考价值。

参考文献

[1] 黄薇，陈华霖，俞玲，等.移动作业在线缆故障抢修中的应用[J].电力与能源，2018，39（1）：136?138.

[2] 马永涛，高鑫.基于Adaboost的无源RFID射频层析成像伪目标识别[J].天津大学学报（自然科学与工程技术版），2018，51（2）：135?142.

[3] 张素芳，翟俊海，王聪，等.大数据与大数据机器学习[J].河北大学学报（自然科学版），2018，38（3）：299?308.

[4] 焦嘉烽，李云.大数据下的典型机器学习平台综述[J].计算机应用，2017，37（11）：3039?3047.

[5] 李力，林懿伦，曹东璞，等.平行学习：机器学习的一个新型理论框架[J].自动化学报，2017，43（1）：1?8.

[6] 祝歆，刘潇蔓，陈树广，等.基于机器学习融合算法的网络购买行为预测研究[J].统计与信息论坛，2017，32（12）：94?100.

[7] 余明华，冯翔，祝智庭，等.人工智能视域下机器学习的教育应用与创新探索[J].远程教育杂志，2017，35（3）：11?21.

[8] 司禹，冯鹏，于双铭，等.基于无源超高频RFID温度标签的温度监测系统[J].传感器与微系统，2017，36（1）：78?80.

[9] 郭振军，孙应飞.基于标签分组的RFID系统防碰撞算法[J].电子与信息学报，2017，39（1）：250?254.

[10] 曹伟，江平宇，江开勇，等.基于RFID技术的离散制造车间实时数据采集与可视化监控方法[J].计算机集成制造系统，2017，23（2）：273?284.

[11] 黄伟庆，丁昶，崔越，等.基于恶意读写器发现的RFID空口入侵检测技术[J].软件学报，2018，29（7）：1922?1936.