萬 欣，艾新波

（1．國能大渡河大數(shù)據(jù)服務(wù)有限公司，四川省成都市 610041；2．北京郵電大學(xué)人工智能學(xué)院，北京市 100876）

0 引言

近年來，隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計算等新技術(shù)的日新月異，海量的工業(yè)數(shù)據(jù)正在向云端遷移，數(shù)據(jù)挖掘與大數(shù)據(jù)分析貫穿于設(shè)備生產(chǎn)運行過程中，這對于電力企業(yè)設(shè)備的智能化管控[1]提出了更高的要求。然而，傳統(tǒng)電力生產(chǎn)企業(yè)對于設(shè)備的智能化管理依然存在著某些短板。比如，各種設(shè)備運檢類業(yè)務(wù)系統(tǒng)存在信息孤島，系統(tǒng)間信息和數(shù)據(jù)融合度低、互動性差，設(shè)備狀態(tài)評估依賴人工經(jīng)驗，影響了設(shè)備管理決策的科學(xué)性。

本文以設(shè)備多源信息為基礎(chǔ)，利用大數(shù)據(jù)與機器學(xué)習(xí)技術(shù)，建立起設(shè)備間的關(guān)聯(lián)關(guān)系，不斷挖掘設(shè)備故障產(chǎn)生的規(guī)律[2]，通過對設(shè)備故障發(fā)生的時間、空間、實體對象等特征量的分析，指導(dǎo)設(shè)備的運維策略，構(gòu)建“數(shù)據(jù)驅(qū)動管理”的設(shè)備管理新模式[3]。

1 研究方法與成果

本次研究以大渡河公司流域生產(chǎn)管理系統(tǒng)（工作票、設(shè)備缺陷、設(shè)備隱患等）、各電站設(shè)備手冊（設(shè)備型號、生產(chǎn)廠家、設(shè)計使用年限、投運時間等）、設(shè)備運行分析（每周、月度設(shè)備分析等）等多維度數(shù)據(jù)為基礎(chǔ)，建立設(shè)備故障關(guān)鍵詞數(shù)據(jù)辭典，通過對設(shè)備故障關(guān)鍵詞的辨識、分析及應(yīng)用，選擇恰當(dāng)?shù)目臻g、時間維度，挖掘設(shè)備故障率、設(shè)備生命周期、設(shè)備制造廠商的關(guān)聯(lián)，探索設(shè)備故障之間的伴生關(guān)系，構(gòu)建起設(shè)備管理策略模型，進而得出設(shè)備運行維護、檢修技改、設(shè)備選型輔助策略[4]。整個建模過程，采用了CRISP-DM框架模型。

CRISP-DM框架模型（見圖1）分為六個環(huán)節(jié)，分別是：業(yè)務(wù)理解、數(shù)據(jù)理解、數(shù)據(jù)預(yù)處理、模型建立、模型評估和模型部署。其中，業(yè)務(wù)理解主要是面向電力生產(chǎn)設(shè)備管理這一復(fù)雜系統(tǒng)，從系統(tǒng)間故障誘發(fā)關(guān)系出發(fā)，定義了數(shù)據(jù)分析的目標(biāo)，找準(zhǔn)業(yè)務(wù)痛點；數(shù)據(jù)理解，主要是開展EDA探索性數(shù)據(jù)分析；數(shù)據(jù)預(yù)處理，則包括數(shù)據(jù)類型轉(zhuǎn)換、垃圾數(shù)據(jù)清理、數(shù)據(jù)標(biāo)注等。由于現(xiàn)有數(shù)據(jù)大部分是非結(jié)構(gòu)化的文本數(shù)據(jù)，因而數(shù)據(jù)預(yù)處理的重點是短文本半自動化標(biāo)注與分類；數(shù)據(jù)建模，重在挖掘隱藏在數(shù)據(jù)背后、發(fā)生于系統(tǒng)之間的故障伴生關(guān)聯(lián)關(guān)系；模型評估，主要從條件概率、因果置信度等角度，對從系統(tǒng)設(shè)備間故障依存關(guān)系的強度及其有效性進行量化。

圖1 CRISP-DM框架模型Figure 1 CRISP-DM framework model

1.1 短文本半自動標(biāo)注與分類

設(shè)備多源數(shù)據(jù)雖有一定的積累（設(shè)備缺陷記錄約1.5萬條、設(shè)備樹10萬余條、設(shè)備手冊數(shù)據(jù)萬余條），但以短文本、自然語言描述等非結(jié)構(gòu)化數(shù)據(jù)為主，存在描述不規(guī)范、分類不清晰的問題。本文采用業(yè)內(nèi)領(lǐng)先的ICTCLAS、THULAC分詞算法、Jaccard距離及余弦相似性原理，對設(shè)備故障描述內(nèi)容進行了結(jié)構(gòu)化解析，對其中發(fā)生的系統(tǒng)設(shè)備部位及具體描述進行了半自動化析取和規(guī)范化處理。

其中，A、B分別為不同設(shè)備缺陷描述文本在進行分詞之后的關(guān)鍵詞集合；x、y分別為不同缺陷描述文本中的詞頻向量。

通過集成分詞算法的專業(yè)文本的結(jié)構(gòu)化解析技術(shù)，并基于歷史語料庫、電力百科全書專業(yè)詞典（其中，故障載體類詞匯56361條，故障描述類詞匯13686條），形成了電力設(shè)備故障類專用詞庫（見圖2），從而實現(xiàn)對短文本的精確分詞、詞性標(biāo)注、關(guān)鍵字提取。

圖2 電力設(shè)備故障類專用詞庫（部分）Figure 2 Special thesaurus for power equipment fault（part）

1.2 EDA探索性分析

在盡量少的先驗假設(shè)下，采用雷達圖、對比詞云現(xiàn)代統(tǒng)計圖形分析對系統(tǒng)設(shè)備缺陷發(fā)生的特征量進行刻畫，對不同設(shè)備之間的缺陷發(fā)生頻率、分位數(shù)、趨勢進行分析。

通過計算相對隸屬度，對不同階段的缺陷狀況進行分析，繪制其對比詞云（見圖3）。

圖3 基于相對隸屬度的對比詞云Figure 3 Comparative word cloud based on relative membership

其中，freqi，j為第i個詞出現(xiàn)在第j個階段缺陷描述中的頻次。

基于對比詞云，對各階段故障頻繁的設(shè)備進行刻畫，識別各系統(tǒng)故障發(fā)生的周期性特征，并通過相對熱度的定量計算。

從缺陷大數(shù)據(jù)可以看出，在檢修期（11月～次年4月），檢修排水系統(tǒng)、調(diào)速系統(tǒng)、圓筒閥系統(tǒng)等出現(xiàn)故障較多；在汛期（6～9月），泄洪閘、風(fēng)機、技術(shù)供水等系統(tǒng)出現(xiàn)故障較多。

1.3 關(guān)聯(lián)性分析

電力生產(chǎn)紛繁復(fù)雜的各類設(shè)備以系統(tǒng)的方式存在，設(shè)備之間千絲萬縷的聯(lián)系決定了各類故障的發(fā)生也并非孤立與偶然。不同的設(shè)備故障之間，可能存在的促進、誘導(dǎo)，或是伴隨、先后關(guān)系，揭示這些潛在的關(guān)系，有利于從系統(tǒng)層面重新認識設(shè)備系統(tǒng)的健康狀況。本文將挖掘設(shè)備故障關(guān)聯(lián)關(guān)系，在此基礎(chǔ)上建立易發(fā)故障的關(guān)聯(lián)網(wǎng)絡(luò)，并對關(guān)鍵節(jié)點進行分析。這些關(guān)鍵節(jié)點，可能是在故障傳導(dǎo)過程中，誘發(fā)能力較強的；也可能是故障傳導(dǎo)過程中，控制能力較強的。關(guān)鍵節(jié)點的防控，有望顯著提升設(shè)備缺陷管理水平。

（1）通過建立設(shè)備故障率與設(shè)備投運時間以及設(shè)計使用年限的關(guān)聯(lián)關(guān)系（見圖4），為設(shè)備管理（檢修技改、設(shè)備選型、備品備件儲備）提供科學(xué)決策依據(jù)[5]。

圖4 設(shè)備故障率與設(shè)備投運時間關(guān)聯(lián)關(guān)系圖Figure 4 Relationship between equipment failure rate and equipment operation time

根據(jù)設(shè)備可靠性理論，結(jié)合設(shè)備故障數(shù)據(jù)，建立設(shè)備故障發(fā)生隨運行時間t變化的函數(shù)，在設(shè)備從投運到報廢的整個壽命周期內(nèi)，引入設(shè)備設(shè)計使用年限T這個影響因子，構(gòu)建了Bathtub曲線模型。

在早期故障階段，呈現(xiàn)為以自然常數(shù)e為底的指數(shù)遞減的函數(shù)，即：y=ae-bt+c+ε1，其中a、b、c由具體設(shè)備確定，ε1為隨機項，k為不穩(wěn)定周期；在損耗故障階段，表現(xiàn)為自然常數(shù)e為底的指數(shù)遞增函數(shù)，與早期故障呈現(xiàn)近似對稱的趨勢：；在偶然故障階段，缺陷發(fā)生數(shù)趨近于常數(shù)。整體呈現(xiàn)出U形曲線——以運行時間為橫坐標(biāo)，以故障率為縱坐標(biāo)，形狀呈兩頭高，中間低。

以電站C調(diào)速器系統(tǒng)為例，其Bathtub曲線模型具體擬合過程如圖5所示（擬合度近95%）。

通過建立設(shè)備故障率與設(shè)備投運時間以及設(shè)計使用年限的函數(shù)關(guān)系，構(gòu)建設(shè)備缺陷發(fā)生過程與時間關(guān)系的特性曲線，通過對其整體趨勢分析，找出對于設(shè)備全生命周期不同階段下設(shè)備故障率的關(guān)聯(lián)規(guī)則，為設(shè)備改造以及備品備件更換、儲備提供科學(xué)依據(jù)[6]。

（2）基于列聯(lián)表方法，對設(shè)備故障和設(shè)備制造廠商之間的關(guān)聯(lián)關(guān)系（見圖6）進行分析。列聯(lián)表制作過程如下：

圖6 設(shè)備故障率與設(shè)備制造廠商關(guān)聯(lián)關(guān)系圖Figure 6 Relationship between equipment failure rate and equipment manufacture

設(shè)備故障總體中的個體可按所屬設(shè)備和所屬制造商這兩個屬性進行分類，分別為屬性A和屬性B。其中，A有r個取值水平A1、A2、…、Ar，B有c個取值水平B1、B2、…、Bc，從現(xiàn)有缺陷記錄進行頻次匯總，ni,j個個體的屬性屬于水平Ai和Bj，將r×c個ni,j排列為一個r行c列的二維列聯(lián)表。

通過設(shè)備故障率與設(shè)備制造廠商數(shù)據(jù)的有效融合，得出相同或不同設(shè)備制造商生產(chǎn)的設(shè)備在不同電站發(fā)生的故障率，為設(shè)備管理（設(shè)備選型、設(shè)備采購、備品備件儲備）提供科學(xué)決策依據(jù)，也可指導(dǎo)設(shè)備制造廠商優(yōu)化設(shè)計。

設(shè)備故障間關(guān)聯(lián)矩陣圖如圖7所示。

圖7 設(shè)備故障間關(guān)聯(lián)矩陣圖Figure 7 Correlation matrix between equipment faults

（3）通過計算Pearson相關(guān)系數(shù)和灰色關(guān)聯(lián)度，對設(shè)備故障之間可能存在的關(guān)聯(lián)關(guān)系進行分析。

通過對不同設(shè)備故障發(fā)生時序曲線的幾何相似性進行量化，刻畫不同設(shè)備間故障發(fā)生的內(nèi)在關(guān)聯(lián)性，識別出獨立性故障和從屬性故障。

1.4 預(yù)測性分析

由于電力生產(chǎn)是典型的復(fù)雜巨系統(tǒng)（設(shè)備樹內(nèi)部節(jié)點及葉子結(jié)點多達10多萬個），對于何時何地何種情形之下容易出現(xiàn)何種故障，目前并無有效的模型對內(nèi)在的規(guī)律進行定量刻畫，難以做到各類設(shè)備事故的事前預(yù)防，設(shè)備健康管理離“治未病”的目標(biāo)相去甚遠，影響了設(shè)備管理決策的科學(xué)性。

在融合多源數(shù)據(jù)的基礎(chǔ)上，對設(shè)備故障發(fā)生的時間、空間、實體對象等特征量進行分析，挖掘設(shè)備故障之間的正向依存關(guān)系[7]，通過建立貝葉斯網(wǎng)絡(luò)模型，將業(yè)務(wù)判斷與數(shù)據(jù)積累相融合，更加準(zhǔn)確地提供了故障發(fā)生的可能性。

前導(dǎo)項和后繼項之間的依存關(guān)系通過以下條件概率求得：

在式（5）中，后繼項對于前導(dǎo)項的依存關(guān)系主要體現(xiàn)在：一旦觀察到前導(dǎo)項E故障的發(fā)生，對于后繼項H發(fā)生概率P(H)將進行調(diào)整。換言之，將E作為新觀測到的證據(jù)時，P(E|H)/P(E)可視為該證據(jù)下對于先驗概率P(H)的調(diào)整因子。

本文中選取設(shè)備缺陷數(shù)據(jù)截止日期至2019年7月31日，設(shè)備缺陷貝葉斯網(wǎng)絡(luò)如圖8～圖9所示。

圖8 設(shè)備缺陷貝葉斯網(wǎng)絡(luò)總圖Figure 8 Bayesian network general drawing of equipment defects

圖9 與冷卻水相關(guān)的設(shè)備缺陷貝葉斯網(wǎng)絡(luò)圖Figure 9 Bayesian network diagram of equipment defects related to cooling water

以2019年7月31日前所有缺陷數(shù)據(jù)為基礎(chǔ)，選取30天為周期，得出部分依存規(guī)則如表1所示。

表1 貝葉斯依存規(guī)則Table 1 Bayesian dependency rule

續(xù)表

續(xù)表

2019年8～10月設(shè)備缺陷實際發(fā)生結(jié)果于依存規(guī)則對比 如表2所示。

表2 設(shè)備缺陷發(fā)生可能性與實際發(fā)生對比結(jié)果Table 2 Comparison between the possibility of equipment defects and the actual results

通過分析不同設(shè)備在特定時間段內(nèi)發(fā)生缺陷的關(guān)系，進一步挖掘設(shè)備之間的聯(lián)系，構(gòu)建設(shè)備故障依存規(guī)則，得出下一時間段內(nèi)發(fā)生設(shè)備故障的可能性，為設(shè)備運行維護提供針對性指導(dǎo)。

2 結(jié)束語

本文引入文本挖掘技術(shù)，實現(xiàn)以設(shè)備多源結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的融合；通過計算相對隸屬度，對設(shè)備故障描述進行對比分析并采用對比詞云進行可視化建模；基于Bathtub曲線和灰色關(guān)聯(lián)分析，識別設(shè)備缺陷與時間、廠商以及故障之前的關(guān)系；通過建立設(shè)備缺陷事件貝葉斯網(wǎng)絡(luò)，對事故缺陷的演化發(fā)生進行預(yù)測和推斷。通過深入的數(shù)據(jù)挖掘分析，構(gòu)建設(shè)備管理策略模型，為設(shè)備管理從業(yè)務(wù)驅(qū)動向數(shù)據(jù)驅(qū)動轉(zhuǎn)變提供了基礎(chǔ)，由依賴人工經(jīng)驗向讓數(shù)據(jù)說話轉(zhuǎn)變提供了可能，進而為設(shè)備運行維護、檢修技改、設(shè)備選型提供決策支持[8]。

同時，受限于現(xiàn)有研究條件及基礎(chǔ)，也存在以下幾方面問題需要進一步提升：

（1）數(shù)據(jù)標(biāo)準(zhǔn)化方面：目前生產(chǎn)數(shù)據(jù)存在維度不統(tǒng)一、人為記錄不規(guī)范、記錄不全等弊端，為數(shù)據(jù)建模及數(shù)據(jù)分析工作帶來了不小難度，需要進一步利用標(biāo)準(zhǔn)化手段不斷提升數(shù)據(jù)質(zhì)量。

（2）數(shù)據(jù)量及數(shù)據(jù)維度方面：目前已初步建立了設(shè)備故障間關(guān)聯(lián)網(wǎng)絡(luò)，但局限于大的系統(tǒng)這一層級，對于細化到具體設(shè)備的哪一類故障還缺乏有效的數(shù)據(jù)支撐，關(guān)聯(lián)結(jié)果的準(zhǔn)確性有待提高，需要通過不斷的數(shù)據(jù)積累以及豐富數(shù)據(jù)維度來持續(xù)訓(xùn)練模型，實現(xiàn)設(shè)備狀態(tài)評估等功能。

（3）模型進階方面：在現(xiàn)有Bathtub曲線模型的基礎(chǔ)上，探索建立包括投資成本、運行維護成本、損耗成本等邊界條件在內(nèi)的設(shè)備全壽命周期成本模型。