胡應春，徐正剛，王樂寧，張思洪

(國能大渡河流域水電開發(fā)有限公司，四川 成都 610000)

0 引 言

近年來，隨著我國能源需求的不斷增長，水電站作為一項重要的能源開發(fā)領域備受關注。為確保水電站設備的安全可靠運行，標準化設備檢修流程成為一項不可忽視的關鍵環(huán)節(jié)[1]。目前標準化水電站設備檢修的研究熱點主要集中在探索建立合理的檢修計劃、采用先進的設備檢查和維修手段，以提高水電設備的安全性和運行效率。由于水電站設備檢修工作涉及到各種類型設備，如水輪機、發(fā)電機、變壓器等，每個設備都有其特定的維護和檢修技術要求，包括定期巡檢、預防性維護和故障處理等[2]。同時由于設備的復雜性和特殊性，維護和檢修過程需要專業(yè)技術知識和經驗。在標準化水電站設備檢修管理中，仍然面臨許多問題和挑戰(zhàn)，包括知識分散、人員變動和流失、文檔管理困難等[3]。這些問題源于人員流動性高、經驗傳承不足等因素，導致設備檢修知識的管理和傳遞存在一定的困難。其中，知識分散是由于設備檢修知識和經驗散布在不同的人員和部門中，沒有統(tǒng)一庫存和共享平臺，使得獲取和整理有用的知識變得困難，導致重復工作和低效率。人員變動和流失則會導致知識的流失和傳承的中斷。當經驗豐富的人員離職或轉崗時，他們所擁有的寶貴知識和技巧可能無法充分傳遞給新人，造成知識斷層。此外，文檔管理困難也是一個挑戰(zhàn)。大量的設備檢修文檔分散在不同的系統(tǒng)或文件夾中，缺乏統(tǒng)一的管理和更新機制，使得查找、更新和分享文檔變得困難。

標準化水電站設備檢修知識平臺系統(tǒng)的出現為解決上述難題提供了有效的解決方案。平臺基于先進的知識管理和處理技術，旨在集中管理和傳承水電站設備檢修相關知識和經驗。通過系統(tǒng)化地組織和整合各種檢修知識，包括設備維護手冊、技術規(guī)范、案例經驗等，為水電作業(yè)提供全面、準確的檢修支撐。

本文將結合大崗山水電站設備檢修管理經驗，以標準化水電站設備檢修知識輔助平臺為基礎，進行基于人工智能的智慧水電設備檢修的關鍵技術探索工作，應用一體化框架為主要技術路徑，著重解決傳統(tǒng)水電設備檢修中知識智能檢索和智能推薦問題，為中國水利與水電產業(yè)智慧化和標準化發(fā)展提供重要技術參考。

1 設備檢修知識輔助智能平臺技術需求

標準化水電站設備檢修智能知識輔助平臺整體架構如圖1所示，標準化水電站設備檢修知識輔助平臺業(yè)務目標主要包括：

圖1 標準化水電站設備檢修智能知識輔助平臺整體架構

(1)通過知識輔助平臺的搭建實現統(tǒng)一水電站設備資料庫與缺陷庫，在水電設備檢修中應用專業(yè)、準確和便捷的智能檢索技術[4]，為業(yè)務人員提供集中管理、交流和學習的平臺，促進知識整合和傳遞，同時推動檢修工作的優(yōu)化和改進。

(2)通過建立合理的檢修計劃來提高設備安全可靠性。制定全面的檢修計劃，包括定期巡檢、預防性維護和故障處理等。及時發(fā)現和修復潛在問題，防止設備故障的發(fā)生。通過提供科學、規(guī)范的設備檢修指導，降低設備故障率，減少由于故障導致的停機時間和損失，提高水電設備的可靠性和安全性[5]。

(3)通過標準化設備檢修流程降低運維成本。實現優(yōu)化資源利用和工作安排，避免不必要的設備損壞和維修費用。通過對文檔設備資料庫和缺陷庫的智能檢索，平臺自動分析并提供“現狀描述-缺陷原因分析-處理方法-危險點分析-作業(yè)準備-檢修評價”的知識元組以及對應處理步驟，實現輔助指導決策和知識沉淀。

2 設備檢修知識輔助平臺解決方案

2.1 平臺系統(tǒng)架構

針對水電站設備檢修知識平臺技術需求，為了實現各功能之間信息、業(yè)務等功能的高效使用，輔助平臺引入面向服務框架，并根據應用基礎層原理進行設計(見圖1)。對接企業(yè)ERP系統(tǒng)，使用數據層、應用支持層、業(yè)務應用層、客戶層均采取了松散耦合的業(yè)務協議，不同層間使用單一、準確定制的業(yè)務端口實現通信[6]。

通過此框架，輔助平臺可以實現系統(tǒng)管理、數據管理、缺陷知識共享和檢修流程服務等功能，并具備了良好的開放性和擴展性。各功能模塊在平臺上以獨特的分布式服務組件形式呈現，通過客戶層不同端口定位獲得所需服務。

(1)ERP系統(tǒng)。綜合性企業(yè)管理系統(tǒng)，集成和管理水電站各個部門的核心業(yè)務流程和數據。通過提供統(tǒng)一的數據庫和應用平臺，使企業(yè)能夠高效、準確地管理和協調各項業(yè)務活動，包含有崗位角色管理，設備管理，物資管理，缺陷管理，工單管理等。

(2)數據層。提供平臺提供各類數據功能，包含組織數據，人員數據，設備數據，缺陷數據，物資數據和角色數據。

(3)應用支撐層。包含開發(fā)平臺，云平臺，消息服務平臺，為業(yè)務應用提供支撐，使企業(yè)能夠更靈活、高效地運行和管理業(yè)務。

(4)業(yè)務應用層。主要提供缺陷知識共享服務與檢修流程服務。缺陷知識共享服務包含設備資料庫、設備缺陷庫、智能檢索和智能推薦。設備資料庫包含上傳資料、版本管理、預覽、編輯、查詢等功能，實現為水電站各類設備資料統(tǒng)一管理。設備缺陷庫為各類設備缺陷文檔和工單，包含查看全部、編輯、設為典型、查詢等功能，設備缺陷庫根據設計的“現狀描述-缺陷原因分析-處理方法-危險點分析-作業(yè)準備-檢修評價”知識元組對各類設備實現全部查看等功能，為業(yè)務人員快速標準檢修設備提供指導。檢修流程服務主要包含通知點庫及生成管理，檢修流程圖管理，檢修過程管理，檢修報告管理，檢修計劃管理，檢修內容校驗，檢修評價管理等功能，通過對數據庫的增刪改查實現檢修業(yè)務流轉及數據管理。

(5)客戶層。主要提供PC端、平板端、手機端的各項人機交互服務。

2.2 標準化水電站設備檢修知識輔助平臺高級應用軟件

平臺提供的通用服務、通信接口、數據庫工具、人機界面工具、計算分析工具等共性基礎功能，可快速搭建各類高級智能應用并實現交互，原則上各應用只需開發(fā)業(yè)務邏輯部分。面向多目標檢索和推薦需求，主要開發(fā)以下業(yè)務服務和智能應用：

(1)設備資料庫與缺陷庫管理應用。開發(fā)資料上傳、版本管理、預覽設備資料或缺陷庫、編輯設備庫、查詢資料等功能，實現對水電站設備和缺陷庫動態(tài)管理。

(2)智能檢索應用。采用深度語義表示模型(DSRM)[7]檢索架構實現智能檢索，DSRM包含離線模型和在線模式，結合傳統(tǒng)關鍵字匹配檢索，采用基于預訓練的BERT模型[8]實現語義排序和匹配，預訓練的BERT模型是一種基于Transformer模型[9]的預訓練語言模型。模型不僅考慮了關鍵字的匹配，還能理解文本的語義信息，捕捉文本相似性，提高設備檢修缺陷檢索能力。

(3)智能推薦應用。采用注意力因子分解機(AFM)[10]實現智能推薦，AFM通過神經注意網絡(Neural attention network)[11]從數據中自動地學習每個特征交互的重要性，從而實現特征交互對預測分數貢獻不同，經過倒排索引得到最大分數的相似文檔，為業(yè)務人員推薦更準確更相似檢修文檔指導檢修過程。

(4)檢修流程模塊應用。主要開發(fā)檢修過程管理、檢修計劃管理、檢修報告評價3大功能，檢修過程管理包含對作業(yè)指導書管理，可添加、編輯、刪除、修改各類設備作業(yè)指導書，檢修計劃管理包含三年滾動計劃編制、年度檢修計劃編制、檢修流程圖庫等功能，對檢修各設備的過程進行動態(tài)管理。檢修報告評價包含對技改項目評價和檢修項目評價，包含工程概況、工程項目組成、檢修通知單、三級驗收卡、檢修項目及工作內容、未完成項目及原因、檢修評價及其他附件資料等，增強設備可靠性和安全性，延長設備壽命，優(yōu)化生產計劃和運營管理。

3 設備檢修知識輔助平臺關鍵技術

3.1 設備檢修知識智能檢索技術

3.1.1 深度語義檢索框架

針對水電設備中大量檢修歷史文檔，為實現智能檢索技術，標準化設備檢修智能平臺采用深度語義表示模型(DSRM)架構。如圖2所示，模型架構包含離線模型和在線模式，當在線模式運行時，將計算檢索查詢的語義嵌入為查詢嵌入向量和傳統(tǒng)詞庫查詢解析器的查詢理解，分別將這兩個結果發(fā)送給語義索引服務和倒排索引服務進行對應設備檢修文檔檢索，最后合并從兩個索引服務中檢索到的文檔，并將其發(fā)送給排序服務進行文檔評分，最后給業(yè)務人員提供對應準確的檢索結果。當離線模式運行時，模型進行后臺訓練以及對文檔進行批量嵌入和構建語義索引器。

圖2 標準化設備檢修智能平臺深度語義表示模型(DSRM)架構

3.1.2 深度語義表示模型(DSRM)

深度語義表示模型(Deep semantic representation model)采用基于預訓練的BERT模型實現語義排序和匹配[12]，預訓練BERT模型是一種基于Transformer的語言模型，通過在大規(guī)模文本語料上進行自監(jiān)督學習來學習文本的語義表示，包括兩個階段：掩碼語言建模(Masked language model，MLM)和下一句預測(Next sentence prediction，NSP)。在掩碼語言建模階段，BERT隨機選擇一些輸入文本的詞匯(如“2F調速器雙精濾油器壓力表漏油”)，并將其中的一部分詞匯進行掩碼處理(如“2FXXX雙精濾油器XXX漏油”，XXX為掩碼處理)。然后通過上下文中的其他詞匯來預測被掩碼的詞匯，使得BERT能夠理解上下文和語義之間的關系，并學習到詞匯之間的語義表示。

標準化設備檢修智能平臺采用BERT(rep)和BERT(rel)來具體實現。BERT(rep)模型使用預訓練的BERT模型分別獲得查詢和文檔的嵌入，BERT(rel)模型首先將查詢和文檔連接起來，獲得查詢文檔配對(如查詢“2F”與文檔“2F調速器雙精濾油器壓力表漏油”進行配對)的向量表示，查詢文檔配對的最終分數計算為

(1)

(2)

BERT(rep)模型和BERT(rel)模型都是通過監(jiān)督學習的方式進行訓練的，使用兩兩最大邊界損失(Margin hinge loss)來區(qū)分正樣本和負樣本，損失函數的計算公式為

(3)

式中，pi和pj分別為每對(〈查詢，文檔〉)計算的模型分數；yi和yj分別為每個文檔的標簽；τ為邊界(margin)的超參數，用于確定模型需要將兩兩配對的向量距離設置多大，這里的τ參數是為獲得最佳性能而調優(yōu)的。

3.1.3 負采樣

目前負采樣已經成功地應用于許多任務中，如神經語言建模[13]、電子商務列表嵌入[14]、圖嵌入[15]等，標準化設備檢修智能平臺采用負采用技術來進一步提高模型性能，即訓練模型的數據由兩部分組成，人工標注數據和負采樣數據。由于與傳統(tǒng)的基于詞匯的檢索方法不同，在向量空間搜索更有可能檢索到不相關的文檔，因此當負樣本被添加到訓練數據中時，模型學會了將相關和不相關的文檔相互推開，這樣模型對噪聲文檔更具魯棒性。

在標準化設備檢修智能平臺的檢索樣本中，首先使用人工標注數據來訓練基線模型，然后利用模型對查詢q和文檔d進行編碼，然后采用無監(jiān)督的聚類算法[16]來分配每個查詢q和文檔d的聚類id，最后從分布查詢的聚類中均勻隨機選擇負樣本文檔來實現負采樣。

3.2 設備檢修知識智能推薦技術

針對標準化設備檢修中的文檔推薦和相似缺陷推薦問題，智能平臺采用注意力因子分解機(AFM)實現智能推薦。AFM是受啟發(fā)于因子分解機(FM)[17]的一種監(jiān)督學習方法，是利用注意力網絡[18]來學習特征權重交互。FM通過結合二階特征交互來增強線性回歸模型，通過學習每個特征的嵌入向量，來估計任何交叉特征的權重。由于FM缺乏區(qū)分特征交互重要性的能力，即并非所有特征都包含用于估計對目標的有用性。注意力因子分解機AFM是對FM的改進，解決了FM對于所有的特征權重都是一樣的，不能區(qū)分特征交互重要性的問題。注意因子分解機通過神經注意網絡(Neural attention network)[18]從數據中自動地學習每個特征交互的重要性，從而實現特征交互對預測的貢獻不同[19]。由于注意力機制已被引入神經網絡建模，它已被廣泛應用于許多任務，如推薦系統(tǒng)[20]、信息檢索[21]和計算機視覺[22]。圖3為AFM的框架(省略了線性回歸部分)，主要由輸入層、嵌入層、成對交互層(Pair-wise interaction layer)與基于注意力的池化層。其中輸入層與嵌入層與FM是一致的，都是將輸入特征的稀疏表示的非零特征嵌入到密集矢量中。在標準化設備檢修智能平臺中，輸入包含各類文檔名(如：發(fā)電機運行維護說明書)和缺陷問題文檔(如：瀑布溝500 kV 5012DL開關分閘之后A相計數器次數不變)等。

圖3 標準化設備檢修智能平臺注意力因子分解機模型(AFM)架構

AFM利用注意力(Attention)機制，給予不同的交叉特征不同的權重。FM模型通過對二階交叉特征建模來增強線性模型的能力。但是FM對于每個交叉特征的權重相同，公式為

(4)

式中，x為特征輸入；θ為對應特征的權重；m為特征個數，為了計算方便，為每個特征賦予k維的向量vi∈k，公式包含兩部分，前一部分為線性回歸，后一部分為二階特征交互，公式(4)在對交叉項求和的時候，每一項結果的權重是相同的。即造成了對于無用的交叉特征可能會引入噪聲，影響模型的預測效果。AFM引入attention機制，對于不同的交叉特征賦予不同的權重，來解決上述問題。

標準化設備檢修智能平臺注意力因子分解機模型架構整體如圖3，最左邊是one-hot輸入層(如：發(fā)電機運行維護說明書)，之后通過one-hot到嵌入層。然后是成對交互層，在這一層對任意一對嵌入層進行對應向量元素相乘，公式為

fPI(ε)={(vi⊙vj)xixj}(i，j)∈Rx

(5)

式中，vi和vj分別為第i個特征和第j個特征嵌入向量；⊙表示向量對應元素相乘。這一層的輸出是m(m-1)個向量，m為field的個數。接下來一層是注意力層，對于每一對交叉特征的向量賦予一個權重，然后相加，得到最終的輸出向量。公式為

(6)

式中，aij為特征i和特征j交叉的注意力權重，AFM模型使用一個MLP來求出attention權重，公式為

a′ij=hTReLU(W(vi⊙vj)xixj+b)

(7)

(8)

式中，W為一個t×k的矩陣；k為嵌入向量的大??；t為隱層大小，即注意力因子大小；b為一個t維的向量，作為偏置項；h為一個t維向量。首先輸出每一個交叉特征的注意力分數，然后使用softmax函數進行歸一化，得到最終的預測分數，公式為

(9)

4 設備檢修智能知識平臺應用案例分析

2020年，首個標準化水電站設備檢修智能知識輔助平臺系統(tǒng)投運，該平臺首先應用于大崗山水電站標準化設備檢修中，形成發(fā)電設備消缺管理、設備缺陷庫管理、文檔檢索、消缺指導、檢修計劃管理、作業(yè)管理、檢修報告管理、檢修評價等業(yè)務融合，對設備統(tǒng)一運維管理，3年以來平臺運行效益顯著。

圖4為標準化水電站設備消缺為分析案例，巡檢人員發(fā)現系統(tǒng)告警或現場故障，即大崗山發(fā)電機轉子磁軛加強鍵焊縫出現裂紋，巡檢人員記錄對應缺陷問題并指定消缺人員，消缺人員以標準化設備檢修智能平臺為基礎，查閱歷史缺陷獲取消缺指導，即消缺人對“焊縫 裂紋”進行全文本檢索，如圖5所示，檢索結果顯示“大崗山發(fā)電機轉子磁軛加強鍵‘焊縫’出現‘裂紋’”“大崗山4號水輪發(fā)電機4F發(fā)電機轉子磁軛加強鍵‘焊縫’出現‘裂紋’”等，消缺人員點擊對應缺陷詳情，如圖6所示，可直觀對應歷史消缺指導，包含缺陷原因分析、處理方法、危險點分析，作業(yè)準備等各項情況，同時，系統(tǒng)應用AFM智能推薦模型，對給出的問題提供相似缺陷推薦，即“機組在啟停機過程中的交變離心、剪切應力造成焊縫開裂”等推薦結果，消缺人根據平臺指導辦理工作票并準備現場作業(yè)，最后現場缺陷處理完成后將工作票與缺陷單進行關聯并補全缺陷單中的內容，該缺陷單辦結后進入系統(tǒng)形成新的歷史缺陷數據。

圖4 標準化設備消缺流程

圖5 標準化設備檢修智能平臺“焊縫 裂紋”檢索結果

圖6 標準化設備檢修智能平臺“焊縫 裂紋”檢索結果詳情

標準化設備檢修智能知識平臺應用后有以下實際效果：

(1)降低了運維成本。通過對設備缺陷的知識管理、智能檢索和智能推薦的應用，水電站(或改造電站)設備檢修平均時間縮短50%以上，同時杜絕了人工可能產生的檢修錯誤，實現了智能檢修運維，減少了運維檢修人員配置，較傳統(tǒng)設備檢修降低運維成本近百萬元。

(2)提高了經濟效益。通過應用輔助知識平臺中檢修計劃管理、通知單管理、作業(yè)管理、檢修報告管理、檢修評價管理等一體式業(yè)務檢修流程，科學分配水電站檢修周期，減少了因檢修而耽誤的發(fā)電時間，提高了水電運行效率，合理重復利用標準化檢修方法，保障了發(fā)電設備安全可靠運行，增加了發(fā)電量。

5 結 論

本文提出標準化水電站設備檢修知識輔助平臺建設方案，對設備缺陷庫數據進行模型構建并組織系統(tǒng)功能。解決了傳統(tǒng)水電設備檢修中缺陷資料庫知識沉淀問題，通過平臺技術需求分析，設計了平臺架構，提出了高級軟件開發(fā)應用指導，應用DSRM模型、AFM模型實現在標準化水電設備檢修中智能檢索和智能推薦等技術，顯著提升設備檢修運營經濟效益。