趙水忠 王劍 顧曄

摘? 要： 針對傳統(tǒng)的運維檢修方法無法準(zhǔn)確定位出故障點的缺點，提出利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)應(yīng)用研究。首先，將射頻識別技術(shù)與決策樹算法結(jié)合，建立機(jī)器學(xué)習(xí)RFID混合模型;在模型的基礎(chǔ)上，采用運維檢修移動作業(yè)裝置中的RFID讀寫器，通過射頻識別技術(shù)識別出與運維檢修點相對應(yīng)的標(biāo)簽，完成運維檢修點的數(shù)據(jù)采集;通過去重過濾算法，去除采集到的重復(fù)數(shù)據(jù);通過監(jiān)督學(xué)習(xí)，訓(xùn)練數(shù)據(jù)，對故障點與非故障點進(jìn)行精確分類，再對其做運維檢修處理，完成利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法的設(shè)計。通過與傳統(tǒng)的運維檢修方法作對比實驗，實驗結(jié)果表明，提出的利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法具有更高的定位精度。

關(guān)鍵詞： 運維檢修; 機(jī)器學(xué)習(xí); 數(shù)據(jù)采集; RFID混合模型; 重復(fù)數(shù)據(jù)去除; 故障點定位

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 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，隨著運維檢修工作量的不斷加大，傳統(tǒng)的運維檢修方法已無法滿足實際需求，需要開發(fā)新的技術(shù)和方法提高運維檢修技術(shù)的水平。目前，一些企業(yè)采用移動作業(yè)的方式，改進(jìn)了運維檢修的模式，為運維檢修工作提供了便利[1]。然而，現(xiàn)有的運維檢修移動作業(yè)方法無法及時、準(zhǔn)確地識別出需要做運維檢修處理的目標(biāo)位置，導(dǎo)致運維檢修的效率大大下降[2?4]。隨著科技水平的不斷提高，機(jī)器學(xué)習(xí)和射頻識別技術(shù)得到了不斷的發(fā)展。機(jī)器學(xué)習(xí)是一種人工智能算法，常見的機(jī)器學(xué)習(xí)算法包括決策樹算法、貝葉斯算法、隨機(jī)森林算法、支持向量機(jī)算法以及人工神經(jīng)網(wǎng)絡(luò)算法等[5?10]。無線射頻識別（RFID）技術(shù)是一種非接觸式的自動識別技術(shù)，具有適用性好、識別效率高、結(jié)構(gòu)簡單等優(yōu)點，被廣泛應(yīng)用在監(jiān)控、運維檢修、檢測等領(lǐng)域[11?15]。

基于以上內(nèi)容，本文將機(jī)器學(xué)習(xí)和RFID相結(jié)合，提出一種利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法，對其應(yīng)用情況與傳統(tǒng)的運維檢修移動作業(yè)方法作比較，以驗證其能夠更為有效地完成運維檢修工作。

1? 機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)研究

將機(jī)器學(xué)習(xí)和RFID相結(jié)合，建立混合模型，采用裝有RFID讀寫器的移動作業(yè)裝置實施運維檢修工作。在機(jī)器學(xué)習(xí)RFID混合模型建立的基礎(chǔ)上，通過射頻識別完成對運維檢修待測點的數(shù)據(jù)采集，通過去重過濾算法去除采集到的重復(fù)數(shù)據(jù)，通過監(jiān)督學(xué)習(xí)對處理后的數(shù)據(jù)做訓(xùn)練，再利用移動作業(yè)裝置對運維檢修待測點進(jìn)行檢修，完成利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法的設(shè)計。

1.1? 建立機(jī)器學(xué)習(xí)RFID混合模型

通過RFID獲取運維檢修待測點數(shù)據(jù)。RFID采用電子標(biāo)簽與運維檢修待測點一一對應(yīng)，通過對電子標(biāo)簽的識別，以識別出運維檢修待測點。不同的運維檢修待測點會出現(xiàn)不同的分類。利用決策樹算法，基于不同待測點的特征，對采集到的數(shù)據(jù)分類，其分類的具體過程如下：

設(shè)機(jī)器學(xué)習(xí)RFID混合模型的訓(xùn)練數(shù)據(jù)集為[A=x1，y1，x2，y2，…，xN，yN]，其中，[xi=x1i，x2i，…，][xni]為機(jī)器學(xué)習(xí)RFID混合模型的輸入數(shù)據(jù)樣本，[n]代表運維檢修待測點的特征個數(shù);[yi∈1，2，…，J]代表類標(biāo)記，[i=1，2，…，N]，[N]代表訓(xùn)練樣本容量。為了使決策樹具備更好的泛化能力，通過剪枝去掉決策樹細(xì)分的葉節(jié)點。假設(shè)訓(xùn)練數(shù)據(jù)集有[J]個分類標(biāo)簽，樣本點屬于第[j]類的概率為[pj=PY=cj]。將其概率分布的Gini指數(shù)定義為：

[Ginip=j=1Jpj1-pj=1-j=1Jp2j] （1）

對于輸入的訓(xùn)練數(shù)據(jù)集合[A]，設(shè)屬于[cj]類的樣本數(shù)據(jù)為[Cj]，則該條樣本數(shù)據(jù)的Gini指數(shù)為：

[Ginip=1-j=1JcjA2] （2）

根據(jù)給定特征[Z]是否取某一個可能值[α]，將樣本數(shù)據(jù)集劃分為兩個獨立的數(shù)據(jù)集[A1]和[A2]：

[A1=x，y∈AxA=αA2=x，y∈AxA≠α=A-A1] （3）

將式（3）作為數(shù)據(jù)集的劃分規(guī)則，劃分?jǐn)?shù)據(jù)集，直至[α]小于設(shè)定好的閾值，或者直至不可劃分為止。利用RFID獲取運維檢修待測點數(shù)據(jù)，通過決策樹對數(shù)據(jù)集分類，將二者結(jié)合，建立機(jī)器學(xué)習(xí)RFID混合模型。在模型的基礎(chǔ)上，采用運維檢修移動作業(yè)裝置實施運維檢修工作，其總體架構(gòu)如圖1所示。

如圖1所示，首先，通過RFID利用射頻識別技術(shù)識別出運維檢修待測點;其次，對得到的數(shù)據(jù)做數(shù)據(jù)去重等處理;之后，通過無線傳輸，將處理后的數(shù)據(jù)上傳;最后，利用機(jī)器學(xué)習(xí)算法中的決策樹算法對數(shù)據(jù)進(jìn)行訓(xùn)練，發(fā)現(xiàn)故障點，再對其做檢修等處理。下面對運維檢修過程進(jìn)行具體分析。

1.2? 射頻識別

在運維檢修移動作業(yè)裝置中，設(shè)有RFID讀寫器，將電子標(biāo)簽和運維檢修點一一對應(yīng)，將電子標(biāo)簽附在待檢測點的位置，作為檢修點標(biāo)識。將RFID讀寫器安裝在距檢修點一定的距離上。當(dāng)標(biāo)簽出現(xiàn)在RFID識別區(qū)域，RFID自動識別標(biāo)簽，讀取電子標(biāo)簽的數(shù)據(jù)，和其他與運維檢修相關(guān)的數(shù)據(jù)組成特定的數(shù)據(jù)格式，傳輸給中繼節(jié)點。在射頻識別的過程中，其所設(shè)置的數(shù)據(jù)采集節(jié)點如圖2所示。

在適當(dāng)?shù)奈恢迷O(shè)置采集（射頻識別）節(jié)點，通過RFID識別出運維檢修待測點。

1.3? 重復(fù)數(shù)據(jù)處理

在實際的運維檢修移動作業(yè)中，標(biāo)簽如果長時間停留在識別區(qū)域，RFID讀寫區(qū)會重復(fù)讀取標(biāo)簽并上傳，導(dǎo)致RFID讀寫器除了接收到有用數(shù)據(jù)，還會接收到大量的重復(fù)數(shù)據(jù)，需要對數(shù)據(jù)做處理。首先，采用去重過濾算法過濾接收到的重復(fù)數(shù)據(jù)，具體的算法過程如下：

將RFID讀寫器得到的數(shù)據(jù)表示成三個部分，分別為讀到的標(biāo)簽信息、標(biāo)記號和讀到數(shù)據(jù)的時間。在得到運維檢修待測點的數(shù)據(jù)，根據(jù)標(biāo)記號檢查去重的數(shù)據(jù)是否含有相同的數(shù)據(jù)，對其做相應(yīng)處理：如果不含有相同數(shù)據(jù)，則將接收到的數(shù)據(jù)視為新數(shù)據(jù)，插入登記表，輸出相應(yīng)的標(biāo)簽信息;如果含有相同數(shù)據(jù)，則更新讀到數(shù)據(jù)的時間，輸出相應(yīng)的標(biāo)簽信息。采用的過濾算法流程圖如圖3所示。

通過圖3的過濾算法完成對重復(fù)數(shù)據(jù)的過濾，以便得到準(zhǔn)確的各個運維檢測待測點的數(shù)據(jù)，通過無線傳輸輸出到移動作業(yè)端。

1.4? 監(jiān)督學(xué)習(xí)

采用監(jiān)督學(xué)習(xí)的方式對機(jī)器學(xué)習(xí)RFID混合模型中的數(shù)據(jù)進(jìn)行訓(xùn)練，再通過移動作業(yè)裝置對帶有標(biāo)記的數(shù)據(jù)實施運維檢修。具體的監(jiān)督學(xué)習(xí)過程如下：

1） 對模型中的數(shù)據(jù)做線性判別分析。針對模型中的數(shù)據(jù)集[A]，求對其分類后的協(xié)方差。將數(shù)據(jù)投影到一條直線上，為保證類內(nèi)方差最小，類間方差最大，優(yōu)化目標(biāo)，完成對機(jī)器學(xué)習(xí)RFID混合模型中數(shù)據(jù)的線性判別分析。

2） 通過分類決策樹算法，根據(jù)數(shù)據(jù)特征劃分?jǐn)?shù)據(jù)，完成數(shù)據(jù)分類，即將數(shù)據(jù)分為故障點數(shù)據(jù)和非故障點數(shù)據(jù)，對于有故障的運維檢修待測點，采用相應(yīng)的技術(shù)對故障做檢修等處理。

通過上述步驟，完成利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)。在此基礎(chǔ)上，對其應(yīng)用做出研究。

2? 仿真實驗

為驗證提出的利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法對運維檢修待測點的定位識別的準(zhǔn)確性，以某一運維檢修項目為例，采用裝有RFID讀寫器的移動作業(yè)裝置，利用機(jī)器學(xué)習(xí)RFID混合模型，將機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法應(yīng)用其中，并與其他運維檢修移動作業(yè)方法作對比，比較其在運維檢修移動作業(yè)過程中對待測點的定位精度。

2.1? 實驗過程

設(shè)置100個運維檢修待測點，取其中的50個點作為訓(xùn)練樣本，采用機(jī)器學(xué)習(xí)的方法對實驗樣本做訓(xùn)練。首先，對標(biāo)簽RFID讀測試，確定標(biāo)簽的位置。將標(biāo)簽置于距離運維檢修待測點1 m，1.5 m，2 m，2.5 m，3 m處，得到的有效距離如表1所示。

從表1中可以看出，當(dāng)標(biāo)簽與運維檢修點的距離小于等于2.5 m時，RFID可以完全識別出運維檢修待測點。因此，將標(biāo)簽與運維檢修點的距離設(shè)置在2.5 m以內(nèi)即可。

確定有效距離后，通過機(jī)器學(xué)習(xí)RFID混合模型對樣本數(shù)據(jù)做訓(xùn)練，以便后續(xù)可以準(zhǔn)確定位運維檢修待測點。在訓(xùn)練樣本數(shù)據(jù)后，在其余的50個待測點選出25個待測點作為故障點，對有故障的運維檢修待測點做定位識別。通過利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法，得到有故障的運維檢修待測點，驗證其與實際設(shè)定有故障的運維檢修待測點是否一致，并與其他運維檢修移動作業(yè)方法得到的結(jié)果作對比。

2.2? 實驗結(jié)果分析

分別采用提出的機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法和傳統(tǒng)的運維檢修方法定位故障點，得到的定位結(jié)果對比圖如圖4所示。

從圖4中可以看出，在25個運維檢修故障點中，采用傳統(tǒng)的運維檢修方法，定位識別出21個運維檢修故障點，能夠準(zhǔn)確定位到的運維檢修故障點的個數(shù)為16個，有4個運維檢修故障點未被識別出，有5個運維檢修故障點的定位出現(xiàn)誤差。采用本文提出的基于機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法，由于采用RFID能夠?qū)崿F(xiàn)運維檢修點的自動識別，加上機(jī)器學(xué)習(xí)算法能夠更加有效地對故障點與非故障點分類，能夠準(zhǔn)確定位，識別出提前設(shè)定的全部運維檢修故障點，所得到的定位結(jié)果符合運維檢修故障點的實際位置，表明其具有更高的定位精度。

3? 結(jié)? 語

在傳統(tǒng)的運維檢修移動作業(yè)方法中，由于對運維檢修故障點的定位精度低，導(dǎo)致運維檢修效率低。針對定位精度低的問題，本文提出了利用機(jī)器學(xué)習(xí)RFID混合模型的運維檢修移動作業(yè)方法，該方法將機(jī)器學(xué)習(xí)和RFID相結(jié)合，建立混合模型，很好地改善了傳統(tǒng)方法存在的定位精度低的不足。通過實驗對其應(yīng)用情況與傳統(tǒng)的運維檢修移動作業(yè)方法作對比，實驗結(jié)果表明，提出的運維檢修移動作業(yè)方法能夠更為精準(zhǔn)地定位運維檢修待測點。希望其可以為運維檢修移動作業(yè)研究提供一定的參考價值。

參考文獻(xiàn)

[1] 黃薇，陳華霖，俞玲，等.移動作業(yè)在線纜故障搶修中的應(yīng)用[J].電力與能源，2018，39（1）：136?138.

[2] 馬永濤，高鑫.基于Adaboost的無源RFID射頻層析成像偽目標(biāo)識別[J].天津大學(xué)學(xué)報（自然科學(xué)與工程技術(shù)版），2018，51（2）：135?142.

[3] 張素芳，翟俊海，王聰，等.大數(shù)據(jù)與大數(shù)據(jù)機(jī)器學(xué)習(xí)[J].河北大學(xué)學(xué)報（自然科學(xué)版），2018，38（3）：299?308.

[4] 焦嘉烽，李云.大數(shù)據(jù)下的典型機(jī)器學(xué)習(xí)平臺綜述[J].計算機(jī)應(yīng)用，2017，37（11）：3039?3047.

[5] 李力，林懿倫，曹東璞，等.平行學(xué)習(xí)：機(jī)器學(xué)習(xí)的一個新型理論框架[J].自動化學(xué)報，2017，43（1）：1?8.

[6] 祝歆，劉瀟蔓，陳樹廣，等.基于機(jī)器學(xué)習(xí)融合算法的網(wǎng)絡(luò)購買行為預(yù)測研究[J].統(tǒng)計與信息論壇，2017，32（12）：94?100.

[7] 余明華，馮翔，祝智庭，等.人工智能視域下機(jī)器學(xué)習(xí)的教育應(yīng)用與創(chuàng)新探索[J].遠(yuǎn)程教育雜志，2017，35（3）：11?21.

[8] 司禹，馮鵬，于雙銘，等.基于無源超高頻RFID溫度標(biāo)簽的溫度監(jiān)測系統(tǒng)[J].傳感器與微系統(tǒng)，2017，36（1）：78?80.

[9] 郭振軍，孫應(yīng)飛.基于標(biāo)簽分組的RFID系統(tǒng)防碰撞算法[J].電子與信息學(xué)報，2017，39（1）：250?254.

[10] 曹偉，江平宇，江開勇，等.基于RFID技術(shù)的離散制造車間實時數(shù)據(jù)采集與可視化監(jiān)控方法[J].計算機(jī)集成制造系統(tǒng)，2017，23（2）：273?284.

[11] 黃偉慶，丁昶，崔越，等.基于惡意讀寫器發(fā)現(xiàn)的RFID空口入侵檢測技術(shù)[J].軟件學(xué)報，2018，29（7）：1922?1936.

[12] 馬叢淦，李上國，王闖，等.班組移動作業(yè)終端系統(tǒng)的設(shè)計和應(yīng)用[J].電力信息與通信技術(shù)，2018，16（2）：41?45.

[13] 陳康.基于RFID技術(shù)的動車組輪對檢修管控系統(tǒng)[J].鐵路計算機(jī)應(yīng)用，2019，28（1）：63?67.

[14] 李秉展，羅紫萍，龍丹冰.基于機(jī)器學(xué)習(xí)的智慧BIM運維管理系統(tǒng)及BIM+MR的檢修應(yīng)用程序：以醫(yī)院建筑為例[J].土木建筑工程信息技術(shù)，2017，9（6）：22?27.

[15] 楊德勝.融合KKS與RFID機(jī)房整體運維關(guān)鍵技術(shù)研究[J].微型電腦應(yīng)用，2017，33（5）：63?64.