“机器代人”智能运检关键技术研究和展望

傅晓飞,刘 婧,杜凤青

(1.国网上海市电力公司，上海 200122；2. 国网上海市电力公司电力科学研究院，上海 200437)

随着智能传感器、机器人等技术的深入应用与发展，“机器代人”给传统电力运检带来了新的分析理念和技术途径。“机器代人”在众多领域，如信息处理(文字、图像、音频等)、数据分析、机器仿生等方面，实现了巨大的突破和发展。近些年，国家大力推动智能技术与产业融合，先后印发《中国制造2025》等二十余项智能产业政策，明确指出要“以加快新一代信息技术与制造业深度融合为主线、以推进智能制造为主攻方向”，并在2019年两会政府工作报告中首次提出拓展“智能+”。2020年，国网公司提出“建设具有中国特色国际领先的能源互联网企业”的战略目标，推动“大云物移智链”等现代信息技术在电力系统的深度应用和融合发展，推动管理数字化、自动化、智能化。

1 基本概述

1.1 “机器代人”概念

“机器代人”最初的概念是将简单、重复的工作用机器人代替人力，使企业长期、有效地增加产能。随着信息技术的发展，对“机器代人”的理解发展为利用机器手、自动化控制设备或流水线自动化对企业进行智能技术改造和管理提升，实现“减员、增效、提质、保安全”的目的。从技术角度看，“机器代人”是基于人工智能、大数据、可视化、传感器、机器人等技术整合而成的全新生产模式。

1.2 智能运检

国网公司于2016年发布了《智能运检白皮书》，首次提出智能运检的概念，即以“大云物移智”等新技术为支撑，以保障电网设备安全运行、提高运检效率效益为目标，具有本体及环境感知、主动预测预警、辅助诊断决策及集约运检管控功能，是实现运检业务和管理信息化、自动化、智能化的技术，装备及平台的有机体，具备设备状态全景化、数据分析智能化、运检管理精益化、生产指挥集约化特征[1]。

2 “机器代人”智能运检关键技术研究

2.1 智能诊断分析技术

近些年数据挖掘、模糊理论、粗糙集理论、Petri网络、仿生学等技术也逐步深入应用，相关技术与多智能体系统的融合应用成为新的趋势[2]。目前主流的故障诊断专家系统模型一般基于规则、案例、行为、故障树、模糊逻辑、神经网络和数据挖掘等。

基于规则的诊断模型是以专家诊断经验为基础，整理规划成相关规则，故障诊断基于启发式经验知识，适用已具有丰富经验的专业领域故障诊断。该诊断模型具有阐述直接、格式统一、容易理解，诊断知识可以获得和传递，但复杂系统观察出的故障与其对应的诊断结果之间有较为复杂的联系，导致准确性和适用性受到一定影响；基于案例的诊断模型适用于领域定理以案例形式存在，并且已积累丰富案例的领域，以规则形式存在的并不适用；基于行为的诊断模型在核心理论上与基于规则的诊断模型类似。其核心是通过何种办法可以自动获取故障行为征兆(语义征兆、图形征兆)，并自动识别和分类新的故障，其关键是如何诊断多故障的问题；基于故障树的诊断模型是由基于规则的专家系统演变而来的，其核心是由原因和故障的先验，再结合故障率知识自动生成故障树。该方法近似于人类的思维模式，充分吸收了决策树的优点，被广泛应用在设备诊断领域；基于模糊逻辑推理的诊断模型是建立在故障和征兆模糊规则库的基础上，开展模糊逻辑推理。由于难以确定故障与征兆的模糊关系，系统的诊断不得不依赖模糊知识库，这就造成该模型学习能力不强，容易发生遗漏、误诊；基于神经网络的诊断模型具有容错性高、响应迅速、学习能力、自适应能力和非线性逼近能力强的特点，但也存在系统性能受所选择训练样本集的有效性限制；推理过程、依据和存储知识的内涵无法解释；知识利用和表达方式单一等问题；基于数据挖掘的模型形式丰富，可以基于数学或非数学理论，也可以通过演绎或归纳。电力系统的故障信息包括故障征兆和性质，数据量大且规律稳定，适用于基于数据挖掘的诊断技术。随着“大云物移智链”技术的深入发展，智能诊断分析技术正向信息融合、智能体协同、算法结合的趋势发展，最终实现智能性、快速性、全局性和协同性。

2.2 辅助决策技术

通过数字孪生等应用，从基于状态检修的辅助决策向智能检修的辅助决策转变。辅助决策相关技术包括：人机智能交互和远程互动技术，无人系统自主检测、作业和远程控制技术，图像声音识别/机器学习等人工智能感知技术，基于深度学习的设备运行状态智能分析技术，多传感器集成融合及智能决策技术。

2.2.1 人机智能交互和远程互动技术

人机智能交互和远程互动技术主要表现形式的核心是语音的人机交互，其过程主要包括信息的输入和输出、语音的处理、语义的分析、智能逻辑的处理以及知识和内容的整合。以变电站“机器代人”应用为例，将变电站的三维信息与机器人的实时状态相结合，增强变电站的可视化，提高机器人的交互性，将虚拟现实技术融合人机交互系统进行深入应用。

2.2.2 无人系统自主检测、作业和远程自动诊断技术

无人系统自主检测、作业和远程控制技术包括感知、规划、学习和多智能体协调等。其中，感知技术包括导航、任务、系统健康与移动操作这4类感知，主要差距是复杂现场感知与态势理解，包括突发障碍的实时检测与识别、多传感器集成与融合，以及可靠感知和平台健康监控的证据推理能力等；规划技术的难点是在物理、计算约束和对现有计划做最小改变的条件下，决定何时自主重规划和求助于操作员；学习技术难点在于非结构化动态环境中的非监督学习；多智能体协调需要重点关注针对特定任务，合适协调方案与系统属性的映射，正确的紧急行为及干扰下任务重分配以及鲁棒网络通信问题。

2.2.3 图像声音识别和机器学习等人工智能感知技术

图像声音识别和机器学习等人工智能感知技术的核心是数据的获取和分析，针对设备故障的主要数据包括设备数据(基本信息)、缺陷或故障产生的异常数据、设备试验数据等，收集后梳理形成结构化的案例库，成为模型学习的正样本，主要应用场景包括设备缺陷识别、故障预警、运行状态评估、寿命预测等。主要研究方向包括能提高实时分析和异常识别能力、减少无用数据传输和后台处理量的智能装置边缘计算技术，增加识别的缺陷和异常类型，提高识别的准确率。

2.2.4 基于深度学习的设备运行状态智能分析技术

基于深度学习的设备运行状态智能分析技术的核心是借助机器学习、深度学习等人工算法，利用电网大数据作为训练样本进行学习，对设备运行趋势进行精准预测。设备运行趋势评估主要是应用机器学习算法配合数学分析方法构建模型，针对多源设备状态数据开展评价，此类模型可以较为全面准确地反映电力设备的真实状态；缺陷识别与故障诊断主要是基于当前设备案例数据，结合设备家族性缺陷、运行数据、气象数据等多源信息，运用运检知识库的相关经验规则开展学习引导，给出缺陷的分级识别与诊断，在此基础上对设备缺陷的类别和部位进行判断，并根据疑似缺陷的概率排序发出故障预警。

2.2.5 多传感器集成融合及智能决策技术

多传感器集成融合智能决策技术是通过对分布在不同位置的多类型传感器提供的局部数据加以整合，应用计算机技术进行分析，消除多传感器之间可能存在的信息冗余和矛盾，并加以互补，降低不确实性，获得被测对象的一致性解释与描述，系统在获得充分数据信息后，其反应、决策、规划会更加快速和精确。融合多源信息的自主定位技术主要是利用加权平均法、Kalman滤波、扩展Kalman滤波、Bayes估计、模糊逻辑、神经网络以及基于行为方法和规则方法等算法，融合多源传感器数据，使最终的定位精度和速度满足工程的需求。

3 “机器代人”智能运检关键技术的展望

未来，“机器代人”智能运检技术将向智能感知、智能巡检、智能作业、智能决策和智能设备五个维度发展应用。智能感知主要方向为构建覆盖运检全过程的输、变、配各环节业务场景和设备状态信息的全景全息“数字地图”，达到设备和环境的宏观信息“一目了然”，微观信息“一键穿透”；智能巡检主要方向为线路电缆“空天地”立体巡检和变电站运行联动巡检；智能作业主要方向为依靠机器人和移动作业设备实现带电作业；智能决策主要方向为基于数字孪生技术，推进设备全景监视、立体巡检等，实现智慧配网和能源大脑、业务的融合建设；智能设备主要方向为依据小型化、免维护、智能化、环境友好等条件，进行与“机器代人”体系相适应的智能设备研究。