探索 | “中医+AI”会诊电力设备故障

在 AlphaGo 成功挑战围棋世界冠军后，人工智能（AI）“深度学习”家喻户晓。电力企业有机会着眼自身战略，利用落地的 AI 技术和应用聚焦业务流程优化、效率提升以及对全新机遇的发掘。本文针对设备故障，仿照中医师“望闻问切”的看病方法融入最新的AI深度学习原理、查找和解决故障的方法，从而使设备恢复良好的工作状态。

图一：人工智能和深度学习的关系示意图

图二：使用中医望闻问切方法诊断电力设备故障示意图

一、望（图像识别）

望，顾名思义就是观看，中医是观察病人的面色、身形、舌苔、精神状态等。在电力企业，望也是在设备点巡检中最简单、最基本、最重要的检查手段。通过观望检查之后，大部分设备问题都能暴露出来并得到解决：如设备老化变色、形状变形、位置移位、瓷瓶开裂破损、导线断线、鸟窝在杆塔上、零部件的腐蚀损坏和脱落、联接螺丝的松动、指示仪器仪表的显示异常等情况能及时发现设备缺陷问题并及时解决。

目前，图像识别应用正被部署用于质量控制（识别产品缺陷）、安全（扫描面部和车牌）和医疗（识别肿瘤）领域。下面我将借鉴2018年4月中国长城创新的修缮方案（这是一个全新的探索，先进的无人机航拍和人工智能技术参与文物建筑的修缮和保护），来指导电力架空线路的勘察、巡视、故障查找。

图三：人工智能深度学习图像识别非常适合电力架空设备故障查找

目前长城修缮存在的困难：长城是世界七大奇迹之一，也是我国首批列入《世界遗产名录》的文化遗产。像箭扣长城等多段长城都面临着自然灾害侵蚀和人为损坏的风险，修缮工作迫在眉睫。 箭扣长城跨越崇山峻岭，保护工作绝非易事。如果是按照传统的方法，无论是勘测、测量、后期的处理，只能凭借人力用尺子、全站仪完成，耗时耗力，尤其是箭扣长城大多位于险峰断崖之上，周边草木茂密，人员想要到达施工现场可谓险阻重重。另外，传统的手工测量无法反映长城的全貌和细节，不利于保护单位做更精确的维修方案（电力架空线路巡视和故障查找也存在类似问题）。为了战胜这一近乎不可能完成的挑战，英特尔与中国文物保护基金会、武汉大学测绘遥感国家重点实验室携手, 将无人机与人工智能技术相结合，推出一种创新的解决方案，来助力修缮这座伟大的建筑。英特尔 (中国) 研究院和武汉大学将开发出长城缺损/裂缝识别与定位，数字化修复的深度学习算法。

借助英特尔® 猎鹰™ 8+ 无人机，修复团队能够通过一套更安全、更快速、更高效且更准确的流程来采集所需的数据。如果采用人工方式，修复团队需要花费数月时间。 借助无人机，只需几次快速飞行就能完成。

如何用英特尔 AI 助力长城修缮，主要分三个步骤来进行：

1、采集高精度图像：利用英特尔“猎鹰8+”无人机高精度图像采集：因为长城的跨度很大，修缮之前首先需要进行环境勘测。传统的办法是通过尺子测量以及目测，很难得到精准的数据。通过英特尔猎鹰8+（Intel Falcon 8+）无人机，工作人员能够近距离检测到长城的破损情况，可以获取高分辨率图像，帮助文保人员清晰、全面了解长城现状。这项内容和目前电力无人机巡视异曲同工。电力企业除了普通的“望”还有特殊的红外探测的“望”也可归类为图像识别。

2、3D 建模和损毁部位（长城缺损/裂缝））的人工智能识别；3D建模和损毁检测：这个过程包含了多个算法和步骤。根据无人机采集的数据，采用英特尔至强处理器能够快速分析处理上万张图片，并计算出破损的长度和宽度，规划修缮所需材料，并提供裂缝和塌方等破损的测量数据用于指导物理修缮。有了这些数据，修缮团队就无需再现场测量，而是可以通过AI算法得到最终需要的时间、人力、物力和成本。这项目前电力线路无人机巡视为人工分析，而非深入学习的人工智能自动分析，工作效率低，准确率也低。我们的架空线路、杆塔、绝缘子、导线、开关、刀闸、柱上变压器的巡视和故障查找，也很大一部分故障可以通过观看故障图片来识别，均可引入人工智能深度学习来自动研判。

3、3D 模型的人工智能数字化修复；在 3D 模型损毁识别基础上，利用最新的 3D 模型，对城墙缺损部位进行数字化修复，并据此对实际的长城修缮和维护提供指导和参考数据。

图四：极简模型（图片判断故障）

基于大数据深度学习的人工智能计算机，根据线路巡视的视频和图片，可自动识别损坏的绝缘子，结合GPS系统还可知道故障设备位置。和人脸识别技术类似，可用于识别故障电力设备（外观会破损、龟裂、变色、变形）。

技术难点：电力企业面临的一个共同挑战是需要获取足够的数据来训练图像分类和识别算法，并且图像的预处理可能占用整个解决方案一半以上的时间。最新的计算机处理器能够支持数据增强应用，可帮助解决这一难题。这些应用会旋转和扩展图像，并调整颜色。这意味着只需少量图像，就能有效训练图像识别算法（取决于具体应用案例）。

二、闻（气味识别、声音识别）

闻”就是听声音和嗅气味。中医会听病人说话声音、咳嗽声、闻口气、体味、伤口气味等判断病情。也适合电力企业对设备的内部故障和易燃易爆气体的泄漏进行检查和诊断。听设备异常放电声，电力企业常用局方测试仪，这是比较成熟的技术这里就不过多介绍。我们主要针对比较少接触的“闻”。每样事物都有其独特的味道，电力设备由各种零部件构成，这些零部件有金属的、塑料的，还有橡胶的，在不正常的磨损和消耗时，会发出不同的气味，比如焦煳味、臭味、塑料味等等，根据这些发出来的气味，我们很多老师傅用鼻子就可判断出特定的故障。各种电机及电气元件线圈烧毁；煤气、天然气等可燃气管路泄漏等等都是外观看不出来的但是能够产生或大或小的异常声音或气味。通过这些声音和气味，我们就能顺藤摸瓜找到出问题的地方。如过热、短路、击穿故障，则有可能闻到烧焦味，火烟味和塑料、橡胶、油漆、润滑油等受热挥发的气味。

1. 橡胶塑煳味：这种气味最容易分辨，出现这种气味首先要检查橡胶制品（绝缘皮等）是否松弛打滑或者过热。这种情况大多是电器的线路过热所致，由于电线的塑料外包皮较薄，所以气味不是很大。但当电线短路时，多伴有局部冒烟或发热的现象，时间长了，容易引起燃烧，引发火灾。

2. 烧机油味：变压器漏油时能闻到。

3. 蓄电池臭味：出现这种情况大多是电力设备电解液泄漏或亏损，这种现象多发生在湿式电瓶上，因为该种电瓶需要由电解液来完成电能的储存和转化，但当电解液泄漏时就会产生一种刺鼻的味道

图五：极简模型（气味判断故障）

封闭的电力设备柜体内，有A和B两个设备。A故障烧毁发出的气味是香的。B故障烧毁发出的气味是臭的。那么通过气味识别即可判断烧毁的故障设备是哪个。和警犬缉毒、酒精测试判断酒驾的原理是一致的。期待电力企业引入新型高精度气味探测器和人工智能深度学习来研判封闭式设备的故障，这将是一个革命性的突破。

技术难点：电力企业面临的一个共同挑战是需要获取足够的数据来训练气味分类和识别算法，并且气味识别的预处理可能占用整个解决方案一半以上的时间。

三、“问”（生产厂家、投运日期、运行环境等）

“问”，在中医诊断中就是问病人哪里不舒服、年龄、病情病史、家族遗传、生活环境、饮食习惯、作息规律、人际关系等。在电力设备故障诊断中就是了解设备的生产厂家（家族遗传）、生产批次、投运时间（对应中医的年龄，有一些厂家同一批次设备可能存在同一设备质量问题，是否老化损坏）。运维水平（对应中医问生活习惯、电力企业中对应运维周期和是否及时更换易耗部件）、运行环境【大风、雷电、湿度、泡水、污秽、树障碍、现场处于施工地段施工车辆进出频繁（施工外破问题）、地理位置是否在局部最高点（发现雷击问题）、施工人员（发现施工质量问题）】。

图六：诊断方法借鉴对比

在国网PMS系统中加入天气、地理、设备投运时间、厂家、施工人员等信息。透过大数据深度学习可以发现很多故障的本质问题。

图七：污闪发生的浓雾小雨天气和故障绝缘子

案例：中国沿海某城市10条10kV线路同时跳闸，查无异常试送成功。在传统的故障处理中我们巡视找不到故障点，试送成功后就完成故障处理。通过大数据的分析发现这10条线路在同一个高盐污辖区内，同时天气是小雨天。之前该地区连续长时间无雨，连续绝缘子表面的盐污囤积到一定程度被小雨淋后形成放电回路（大雨会冲刷掉污盐）污闪放电。

四、“切”（温度、电流值、电压值、电阻值等）

“切”中医就是把脉、感知温度（发烧没有）、用手按压病灶等。在电力故障诊断中就是用仪器感知设备温度、电压、电流、电阻、局放测试、耐压测试等等。

图八：万用表测量电压、电流、电阻值

举例：设备在正常工作时发热量是很低的，但是当设备在超负荷工作或润滑条件不好的情况下，有可能会造成内部零部件变形、磨损甚至破裂的严重后果。这些零件损坏后，运转过程中产生的摩擦阻力会大大增加，摩擦产生的热量能够使机体的外壳温度明显上升，高于正常温度。目前电力企业主要使用的温度探测器是红外探测仪（也可转换为图像识别技术）。

电压、电流的测量目前是电力企业故障诊断的主流判断方法，具体不过多介绍，希望能融入人工智能深入学习进行更深的挖掘数据潜藏的高价值信息。

总而言之，针对电力设备故障，仿照中医师“望闻问切”的看病方法融入最新的AI深度学习原理、研究查找和解决故障的新方法。提供一个从前端数据采集，到后端深度网络训练与方案生成，整合了测量工具，人工智能算法，高性能计算平台，形成了一个完整的人工智能电力架空设备巡视及故障解决方案。都可以在熟悉的 CPU 平台上，简单高效的按需开发，让 AI 的开发和应用更简单，更实用。也恰恰是这种高性能的通用 AI 计算平台，以及它实际应用于工程和产品的能力，将会帮助电力企业 在AI 应用的领域大胆突破，实现世界一流电网建设的目标。

这就像腾讯开发的微信革了银行的“命”（支付方式变革），还革新了工作方式（微信工作群的普及）。垄断企业若不从内部革新突破，也会被外部技术革命被动推动变革。AI深度学习已经在深入各行各业，目前仅仅靠电力企业内部的AI技术研发力量是远远不足的，我们积极拥抱新技术的同时，更应加快和国内顶尖的AI技术力量BTA（百度、阿里巴巴、腾讯）的技术合作。甚至是和国际顶尖AI技术力量（英特尔、脸谱网、谷歌）进行协作。才能凤凰磐涅，浴火重生。