黃宗碧

（深圳市瑞德森工業(yè)自動(dòng)化設(shè)備有限公司，廣東省深圳市 518000）

智慧型電廠已經(jīng)逐漸成為電力企業(yè)新時(shí)期的發(fā)展目標(biāo)，水電企業(yè)更因?yàn)槲覈?guó)優(yōu)越的自然條件及開(kāi)發(fā)政策正加速成長(zhǎng)為新興智能技術(shù)的應(yīng)用前沿。而智能技術(shù)的應(yīng)用又促使水電狀態(tài)監(jiān)測(cè)涵蓋的內(nèi)容和范圍得到了極大的擴(kuò)展，技術(shù)和應(yīng)用水平得到了顯著提升。當(dāng)前的水電狀態(tài)監(jiān)測(cè)已經(jīng)不僅僅指主機(jī)或機(jī)組狀態(tài)監(jiān)測(cè)，而是涵蓋了一次（發(fā)、變、輸、配電）設(shè)備狀態(tài)、二次控制系統(tǒng)狀態(tài)、輔機(jī)設(shè)備狀態(tài)、水工建筑健康狀態(tài)、調(diào)度狀態(tài)、安全狀態(tài)、管理狀態(tài)等電廠全景運(yùn)行狀態(tài)的高度綜合化的狀態(tài)“測(cè)—控—管”系統(tǒng)。它與監(jiān)控系統(tǒng)相輔相成：監(jiān)控系統(tǒng)直接服務(wù)于生產(chǎn)，而狀態(tài)監(jiān)測(cè)系統(tǒng)則服務(wù)于檢修及管理，成為正常生產(chǎn)的保障基礎(chǔ)。在技術(shù)構(gòu)成上，水電狀態(tài)監(jiān)測(cè)系統(tǒng)也不再僅僅只是純粹測(cè)量系統(tǒng)的簡(jiǎn)單技術(shù)集成，而是結(jié)合傳感、信號(hào)處理、數(shù)值分析、計(jì)量、最優(yōu)規(guī)化、大數(shù)據(jù)、雲(yún)、可視化、超算、AI的綜合型科學(xué)應(yīng)用，其中已經(jīng)而且正在產(chǎn)生大量有價(jià)值的科學(xué)研究?jī)?nèi)容。水電狀態(tài)監(jiān)測(cè)的涵蓋內(nèi)容及支撐技術(shù)如圖1所示。

1 智能化狀態(tài)監(jiān)測(cè)迫切技術(shù)需求

服務(wù)于智慧型水電廠建設(shè)的水電狀態(tài)監(jiān)測(cè)，不僅是對(duì)國(guó)家智能社會(huì)發(fā)展政策的積極響應(yīng)，而且符合現(xiàn)代信息化技術(shù)進(jìn)步的發(fā)展趨勢(shì)，有利于充分挖掘企業(yè)各項(xiàng)資源的潛在價(jià)值，精確評(píng)估并改善電廠業(yè)務(wù)狀態(tài)，提升企業(yè)的實(shí)際運(yùn)營(yíng)效率、經(jīng)濟(jì)效益以及社會(huì)效益。在這個(gè)大背景下，新的和人工智能技術(shù)相關(guān)的應(yīng)用需求被大量提出。這些需求隨著智慧水電廠建設(shè)工作的迅速推進(jìn)，已經(jīng)在實(shí)際項(xiàng)目及多次水電學(xué)術(shù)交流會(huì)議中被反復(fù)提及，其中與智能化狀態(tài)監(jiān)測(cè)相關(guān)的迫切技術(shù)需求可以歸納如下：

（1）狀態(tài)監(jiān)測(cè)中智能化數(shù)據(jù)處理的需求。

圖1 水電狀態(tài)監(jiān)測(cè)的涵蓋內(nèi)容及支撐技術(shù)Figure 1 Coverage of hydropower status monitoring and supporting technologies

機(jī)組越來(lái)越多、設(shè)備越來(lái)越多、傳感器越來(lái)越多、數(shù)據(jù)越來(lái)越多的實(shí)際情況迫切要求更加智能化的數(shù)據(jù)處理方法投入應(yīng)用。而智慧電廠建設(shè)的重要步驟之一就是建立一體化大數(shù)據(jù)平臺(tái)處理和分析電廠的各種數(shù)據(jù)。智能化平臺(tái)可依據(jù)電力企業(yè)特性，整理數(shù)據(jù)并進(jìn)行深入計(jì)算，做出準(zhǔn)確的決策支持信息。這個(gè)需求的實(shí)質(zhì)是“標(biāo)準(zhǔn)”問(wèn)題，如果我們可以不加區(qū)分地按統(tǒng)一標(biāo)準(zhǔn)處理狀態(tài)監(jiān)測(cè)得到的大數(shù)據(jù)內(nèi)容，并且此處理結(jié)果就可以真實(shí)反映系統(tǒng)狀態(tài)的話，智能算法就會(huì)是沒(méi)有必要的；但嚴(yán)酷的現(xiàn)實(shí)是，并沒(méi)有一個(gè)“統(tǒng)一標(biāo)準(zhǔn)”供大數(shù)據(jù)處理使用，目前唯有利用學(xué)習(xí)算法才能夠?yàn)槊恳环N有監(jiān)測(cè)價(jià)值的狀態(tài)建立其“針對(duì)性適用標(biāo)準(zhǔn)”！當(dāng)然，此“自學(xué)習(xí)標(biāo)準(zhǔn)”可以進(jìn)行嚴(yán)格的數(shù)學(xué)檢驗(yàn)，并明示其可信度。

（2）狀態(tài)監(jiān)測(cè)中智能化狀態(tài)管理的需求。

簡(jiǎn)而言之，要完成對(duì)特定狀態(tài)的管理，區(qū)分其是好的狀態(tài)還是差的狀態(tài)，評(píng)價(jià)其優(yōu)劣的絕對(duì)以及相對(duì)程度，其本質(zhì)是：對(duì)其內(nèi)在的故障必需有著足夠的認(rèn)知水平。所以，這絕對(duì)不是一個(gè)單純的數(shù)學(xué)分析需求，而是真正意義上的“人工智能需求”?？梢哉f(shuō)，“故障認(rèn)知”就是智慧化問(wèn)題的核心所在?，F(xiàn)階段的人工智能技術(shù)是通過(guò)將人類無(wú)法直接理解的高維數(shù)據(jù)降維到人類可以認(rèn)知的低維度來(lái)實(shí)現(xiàn)的，其本質(zhì)還是利用了人的智能，因而也就并沒(méi)有失控的風(fēng)險(xiǎn)。

（3）狀態(tài)監(jiān)測(cè)中智能化站端設(shè)備的需求。

由于水電狀態(tài)監(jiān)測(cè)的涵蓋內(nèi)容越來(lái)越廣泛和深入，并且還在飛速發(fā)展之中，所以如果要求各種站端設(shè)備在投入之初，就完全考慮到后期將要提升的應(yīng)用需求，顯然是不現(xiàn)實(shí)的。因此，智能化的站端設(shè)備及開(kāi)放式狀態(tài)監(jiān)測(cè)系統(tǒng)就自然成為了新形勢(shì)下的必然需求。通過(guò)對(duì)站端設(shè)備加以智能化改造，將提升其準(zhǔn)確性、互聯(lián)性、可靠性、和安全性，使其具備在運(yùn)行過(guò)程中擴(kuò)展性能、提升精度、按樣本學(xué)習(xí)進(jìn)步的能力，從而使得狀態(tài)監(jiān)測(cè)系統(tǒng)獲得開(kāi)放式監(jiān)測(cè)的能力——即監(jiān)測(cè)、分析未出現(xiàn)過(guò)的新?tīng)顟B(tài)的能力。智能化站端設(shè)備還包括智能傳感器和巡檢機(jī)器人，以便從多種途徑靈活解決“測(cè)不準(zhǔn)難題”。

（4）狀態(tài)監(jiān)測(cè)中智能化系統(tǒng)互聯(lián)的需求。

水電狀態(tài)監(jiān)測(cè)所涵蓋的各個(gè)自動(dòng)化系統(tǒng)已經(jīng)迫切地需要以數(shù)據(jù)共享的方式互聯(lián)起來(lái)，從而充分發(fā)揮智能電廠的效益優(yōu)勢(shì)。更進(jìn)一步，還需要這個(gè)互聯(lián)系統(tǒng)可以為流域綜合控制，甚至跨流域綜合控制提供必需的信息支撐。但這其中，數(shù)據(jù)的統(tǒng)一規(guī)范問(wèn)題，成為阻礙不同自動(dòng)化系統(tǒng)簡(jiǎn)單互聯(lián)的癥結(jié)所在。只有通過(guò)智能算法協(xié)調(diào)不同數(shù)據(jù)源的置信度，即通過(guò)一種更為“柔性”的智能互聯(lián)方式，才能從根本上解決數(shù)據(jù)互聯(lián)失配的難題。

（5）狀態(tài)監(jiān)測(cè)中智能化系統(tǒng)安全的需求。

信息安全目前已經(jīng)成為了一項(xiàng)基本制度。水電狀態(tài)監(jiān)測(cè)系統(tǒng)在進(jìn)步到復(fù)雜的多系統(tǒng)、多區(qū)域互聯(lián)后，也必然面對(duì)這一需求。一個(gè)智能化狀態(tài)監(jiān)測(cè)系統(tǒng)的信息安全，如果繼續(xù)依賴人工考評(píng)的方式加以保障，顯然是不合適的。因此，將物理安全、網(wǎng)絡(luò)安全、主機(jī)安全、應(yīng)用安全、數(shù)據(jù)安全以及制度安全的運(yùn)行數(shù)據(jù)加以智能統(tǒng)計(jì)、分析與管理的需求也已經(jīng)提到了日程之上。

2 智能化水電狀態(tài)監(jiān)測(cè)需求及核心問(wèn)題

智能化水電狀態(tài)監(jiān)測(cè)相關(guān)的需求及核心問(wèn)題匯總?cè)鐖D2所示。

這些需求一方面為智能化狀態(tài)監(jiān)測(cè)系統(tǒng)的發(fā)展設(shè)置了較高的技術(shù)門(mén)檻（客觀）和認(rèn)識(shí)門(mén)檻（主觀），另一方面也總結(jié)了有關(guān)“智能化狀態(tài)監(jiān)測(cè)”的可行性（技術(shù)準(zhǔn)備）、實(shí)施性（實(shí)例）、計(jì)劃性（目標(biāo)）、發(fā)展性（遠(yuǎn)景）及安全性（穩(wěn)定）等全部現(xiàn)實(shí)性問(wèn)題?？上驳氖牵谌斯ぶ悄芗夹g(shù)飛速進(jìn)步的現(xiàn)狀下，這些需求可以得到良好滿足，并產(chǎn)生出足夠好的應(yīng)用效果。這其中的關(guān)鍵就是自2016年以來(lái)智能學(xué)習(xí)算法的進(jìn)步?！禨cientific American》雜志稱：“這種基于試錯(cuò)學(xué)習(xí)的強(qiáng)化算法可以應(yīng)用于極大量的有足夠標(biāo)記數(shù)據(jù)的問(wèn)題，無(wú)論是金融市場(chǎng)、醫(yī)療診斷、機(jī)器人技術(shù)還是戰(zhàn)爭(zhēng)。一個(gè)新時(shí)代已經(jīng)開(kāi)始，在就業(yè)模式、全民監(jiān)督以及日益嚴(yán)重的政治和經(jīng)濟(jì)不平等發(fā)展等領(lǐng)域?qū)a(chǎn)生未知但可能具有重大意義的中長(zhǎng)期后果。”[1]同樣，試錯(cuò)學(xué)習(xí)的思想在水電狀態(tài)監(jiān)測(cè)中也很有實(shí)用價(jià)值和應(yīng)用先例。

圖2 智能化狀態(tài)監(jiān)測(cè)需求及核心問(wèn)題Figure 2 Intelligent status monitoring requirements and core question

例如：采用學(xué)習(xí)算法可以將四川某水電機(jī)組的振動(dòng)狀態(tài)數(shù)據(jù)加以統(tǒng)計(jì)分類，并以直觀的色彩展現(xiàn)出來(lái)（見(jiàn)圖3），紅色代表振動(dòng)最嚴(yán)重的狀態(tài)，黃色次之，淺綠色代表振動(dòng)最輕微的狀態(tài)。這種可視化的分析成果一目了然，對(duì)于機(jī)組優(yōu)化運(yùn)行、合理調(diào)度及檢修安排都有顯而易見(jiàn)的重要意義。

圖3 機(jī)組振動(dòng)狀態(tài)學(xué)習(xí)分類圖Figure 3 Vibration state learning classification diagram of the unit

學(xué)習(xí)算法還廣泛適用于缺乏具體知識(shí)以及對(duì)數(shù)據(jù)規(guī)律認(rèn)識(shí)不明確的情況。例如：對(duì)于上述機(jī)組，如果我們已經(jīng)掌握了它在何種振動(dòng)水平下處于危險(xiǎn)狀態(tài)的相關(guān)“知識(shí)”，自然很容易直接由人對(duì)其做出“絕對(duì)評(píng)價(jià)”。但這種“知識(shí)”實(shí)際上很難把握。那么，退而求其次，如果已知振動(dòng)發(fā)生變化的相關(guān)“規(guī)律”，還可以由軟件自動(dòng)跟蹤振動(dòng)的相對(duì)變化，從而做出“相對(duì)評(píng)價(jià)”。但這個(gè)“規(guī)律”并不簡(jiǎn)單，不能明確用數(shù)學(xué)形式表達(dá)出來(lái)，因而軟件的算法無(wú)從編制。對(duì)于這種既缺乏知識(shí)又欠缺規(guī)律的應(yīng)用難題，學(xué)習(xí)算法提供了一種高效的通用求解方法——將數(shù)據(jù)分類，然后進(jìn)行類比評(píng)價(jià)。這樣，即使我們并不掌握絕對(duì)報(bào)警值該定在哪里，也不清楚振動(dòng)增加百分之多少就有危險(xiǎn)，還是可以有把握地評(píng)價(jià)出機(jī)組的振動(dòng)狀態(tài)的優(yōu)劣、安全與否以及發(fā)展趨勢(shì)。

圖4 學(xué)習(xí)算法的適用范圍Figure 4 Scope of application of learning algorithm

另外，還有一項(xiàng)重要的人工智能核心技術(shù)在協(xié)助學(xué)習(xí)算法的快速發(fā)展，這就是概率評(píng)價(jià)技術(shù)。其核心在于普遍使用概率的思想來(lái)解決此前無(wú)論被認(rèn)為是“確定性”“偶然性”“隨機(jī)性”還是“模糊性”的所有問(wèn)題，從而第一次對(duì)不同類問(wèn)題給出了通用型的數(shù)學(xué)解。

最著名的例子是：2018年12月，AlphaZero首次采用同一套基于獲勝概率的學(xué)習(xí)算法程序（見(jiàn)圖5），同時(shí)實(shí)現(xiàn)了圍棋、國(guó)際象棋、日本將棋的求解，都達(dá)到了戰(zhàn)勝人類最高水平棋手的極佳效果。[2]其思想的美妙之處在于，當(dāng)問(wèn)題的難度大于計(jì)算機(jī)的求解能力時(shí)（圍棋的情況就是如此），概率評(píng)價(jià)依然可以可靠地選擇出可解集合中的最優(yōu)解，而不會(huì)陷入“死機(jī)”或出錯(cuò)。

圖5 AlphaZero著點(diǎn)獲勝概率圖Figure 5 AlphaZero step winning probability diagram

因此，概率評(píng)價(jià)技術(shù)特別適用于水電狀態(tài)監(jiān)測(cè)這類對(duì)象范圍寬泛、規(guī)律復(fù)雜、運(yùn)行條件多變的情況。概率的大小既可以看作為確定或不確定、相信或懷疑的感覺(jué)的量度，這些感覺(jué)可由某些斷言或推測(cè)在人類心理中引起；也可以客觀解釋為把每一個(gè)數(shù)值概率陳述看作為一種相對(duì)頻率的陳述——某一種類事件在一偶發(fā)事件序列內(nèi)以這種頻率發(fā)生。同理，在狀態(tài)監(jiān)測(cè)中，概率實(shí)際上并不僅僅只是一個(gè)關(guān)于下一個(gè)狀態(tài)的預(yù)言，而是對(duì)設(shè)備“偶發(fā)”狀態(tài)這種“客觀自然規(guī)律”的本質(zhì)描述。

類似“放電故障”等“隨機(jī)出現(xiàn)”的狀態(tài)，或偶發(fā)狀態(tài)。它們的數(shù)學(xué)特征是一種特殊的不可計(jì)算性，一切已知的理性預(yù)測(cè)方法用于這些事件必定失敗?？梢哉f(shuō)，并沒(méi)有一種科學(xué)方法能夠預(yù)測(cè)這類隨機(jī)狀態(tài)。然而，絕妙的正是這種不可計(jì)算性反而正是一種強(qiáng)大可靠的自然規(guī)律：“隨機(jī)狀態(tài)”的估計(jì)和評(píng)價(jià)可以通過(guò)概率的計(jì)算來(lái)實(shí)現(xiàn)，即，因?yàn)閭€(gè)體的“不可計(jì)算性”從而達(dá)到群體的“可計(jì)算性”?；蛘弑硎鰹椋褐灰半S機(jī)狀態(tài)”出現(xiàn)得足夠多，就可以達(dá)到概率計(jì)算的可應(yīng)用性，這在數(shù)學(xué)領(lǐng)域早已經(jīng)成為共識(shí)?，F(xiàn)在，這種基于隨機(jī)統(tǒng)計(jì)和大數(shù)據(jù)量計(jì)算的特性使得“概率評(píng)估”與學(xué)習(xí)算法結(jié)合后十分切合狀態(tài)監(jiān)測(cè)應(yīng)用。

還需要特別強(qiáng)調(diào)，在狀態(tài)監(jiān)測(cè)學(xué)習(xí)算法中使用的概率與日常中使用的概率是不同的，它并不寬泛地包含那種任意的不確切性；相反，它表明隨機(jī)狀態(tài)的這種數(shù)學(xué)特征是“確切的”?；诟怕试u(píng)估的學(xué)習(xí)算法在狀態(tài)監(jiān)測(cè)樣本的自動(dòng)學(xué)習(xí)與評(píng)估、大數(shù)據(jù)降維輔助故障認(rèn)知、開(kāi)放式狀態(tài)監(jiān)測(cè)以及復(fù)雜監(jiān)測(cè)系統(tǒng)互聯(lián)等方面均具有跨越式的應(yīng)用效果。限于篇幅，下面將重點(diǎn)就前兩點(diǎn)簡(jiǎn)要進(jìn)行介紹。

3 狀態(tài)監(jiān)測(cè)樣本的自動(dòng)學(xué)習(xí)與評(píng)估

一臺(tái)具體設(shè)備的故障概率可以用公式描述為：

其中：Nφe（t）為故障狀態(tài)的計(jì)數(shù)，Nφ（t）為全狀態(tài)的計(jì)數(shù)；它們均為相關(guān)于統(tǒng)計(jì)時(shí)間的函數(shù)。

數(shù)值化之后，故障率則可以描述為：

其中：NDe為故障數(shù)據(jù)的個(gè)數(shù)，ND為全部數(shù)據(jù)的個(gè)數(shù)。

容易看出：Re≠re，它們并不嚴(yán)格相等。所以，如果期望狀態(tài)監(jiān)測(cè)系統(tǒng)能夠真實(shí)反映設(shè)備的真實(shí)狀態(tài)，就必須強(qiáng)調(diào)：

（1）數(shù)據(jù)的獲取方式在時(shí)間上是均勻的，不能帶偏好性選擇，即，并沒(méi)有特別重視某一類數(shù)據(jù)的高密度采集。這就是故障記錄系統(tǒng)和狀態(tài)監(jiān)測(cè)系統(tǒng)的本質(zhì)區(qū)別，故障記錄系統(tǒng)被設(shè)計(jì)為具備最極端的偏好性以便減少篩選數(shù)據(jù)的工作量。

（2）數(shù)據(jù)的總量必須達(dá)到統(tǒng)計(jì)意義上的“足夠多”。即，滿足“大數(shù)定律”。

在這兩個(gè)充分必要條件下，有：

從式（3）可以看出，期望的故障率越低，所需要用于分析的數(shù)據(jù)總量就越高；同時(shí)，“故障數(shù)據(jù)”卻會(huì)比較少——遠(yuǎn)遠(yuǎn)少于數(shù)據(jù)總量！這就是基于故障診斷路線建立狀態(tài)監(jiān)測(cè)系統(tǒng)的數(shù)學(xué)障礙：無(wú)論學(xué)習(xí)算法還是概率描述方法，都需要大量的有效數(shù)據(jù)——顯然，不可能通過(guò)1000個(gè)數(shù)據(jù)分析出萬(wàn)分之一的故障率。

因此，智能學(xué)習(xí)狀態(tài)監(jiān)測(cè)樣本的基本方法，有別于歷史上重點(diǎn)基于故障數(shù)據(jù)的思路，而必須轉(zhuǎn)變?yōu)橹攸c(diǎn)基于健康數(shù)據(jù)的學(xué)習(xí)方法——通過(guò)自動(dòng)學(xué)習(xí)建立設(shè)備健康樣本，并據(jù)此建立設(shè)備健康評(píng)估標(biāo)準(zhǔn)，從而徹底解決評(píng)估標(biāo)準(zhǔn)欠缺和設(shè)計(jì)標(biāo)準(zhǔn)落后于應(yīng)用的實(shí)際問(wèn)題。

目前水電機(jī)組往往采用現(xiàn)場(chǎng)試驗(yàn)和簡(jiǎn)單限值比較的方式進(jìn)行狀態(tài)評(píng)估和監(jiān)測(cè)預(yù)警。這種方法受到工況（水情）變化、機(jī)組結(jié)構(gòu)、測(cè)量設(shè)備甚至人員等諸多因素的影響，缺少對(duì)機(jī)組早期潛在故障以及從未發(fā)生過(guò)的新故障的預(yù)警能力，也無(wú)法充分表征機(jī)組當(dāng)前的實(shí)際健康狀態(tài)和運(yùn)行服役能力。因此，可以采用的技術(shù)就是將這種定量評(píng)估轉(zhuǎn)變?yōu)閿?shù)值概率評(píng)估[見(jiàn)式（1）]，或者與某種數(shù)值概率描述相等價(jià)[見(jiàn)式（2）、式（3）]，從而不歪曲數(shù)據(jù)內(nèi)涵的實(shí)際狀態(tài)意義。通過(guò)把“隨機(jī)問(wèn)題”的不可計(jì)算性轉(zhuǎn)變?yōu)楦鶕?jù)歷史數(shù)據(jù)計(jì)算“經(jīng)驗(yàn)頻率”的確定算法，然后通過(guò)運(yùn)行實(shí)踐來(lái)驗(yàn)證和“試錯(cuò)學(xué)習(xí)”——這就是基于概率評(píng)估的健康樣本學(xué)習(xí)算法，如圖6所示。

圖6 基于概率評(píng)估的健康樣本學(xué)習(xí)算法Figure 6 Alearning algorithm for health samples based probability evaluation

例如：我們可以通過(guò)監(jiān)測(cè)某個(gè)設(shè)備的振動(dòng)頻譜來(lái)建立其健康樣本。由于缺乏關(guān)于它的定性和定量的評(píng)價(jià)標(biāo)準(zhǔn)（現(xiàn)狀就是如此），那么就必須從反映振動(dòng)水平的數(shù)據(jù)出發(fā)，將振動(dòng)狀態(tài)用數(shù)據(jù)的數(shù)學(xué)指標(biāo)（在此處是傅里葉變換計(jì)算）加以表述。在這一點(diǎn)做到之后，還必須加上邊界條件，比如設(shè)備的工況，它是滿負(fù)荷還是空載。由此，就可以在原則上統(tǒng)計(jì)出振動(dòng)的所有頻譜系。誠(chéng)然，由于問(wèn)題的復(fù)雜程度，一開(kāi)始確實(shí)不能?chē)?yán)格確定出“健康的”振動(dòng)頻率，但是總能夠輕易統(tǒng)計(jì)出那些具有最小的振幅和振動(dòng)能量的振動(dòng)頻率。如此，就已經(jīng)實(shí)現(xiàn)了“健康樣本”的定量估計(jì)。在此基礎(chǔ)上，再加入人對(duì)于不同振動(dòng)狀態(tài)的主觀理解（數(shù)學(xué)表述叫分類），就可以實(shí)現(xiàn)健康評(píng)估和趨勢(shì)預(yù)測(cè)。四川某水電機(jī)組“頻譜系”分析實(shí)測(cè)如圖7所示。

基于健康樣本的學(xué)習(xí)算法中有兩個(gè)要點(diǎn)是必不可少的：

（1）關(guān)于設(shè)備物理狀態(tài)的嚴(yán)格數(shù)學(xué)指標(biāo)。

（2）邊界條件。

其中“邊界條件”就是所謂“偶然性”條件，也就是說(shuō)是由設(shè)備所處的環(huán)境來(lái)確定的，因而導(dǎo)致了“隨機(jī)規(guī)律”的出現(xiàn)。

再舉一個(gè)復(fù)雜些的多模態(tài)數(shù)據(jù)的實(shí)例：機(jī)組甩負(fù)荷時(shí)的穩(wěn)定性狀態(tài)是由多個(gè)軸位置傳感器共同監(jiān)測(cè)的，并沒(méi)有哪一只傳感器的數(shù)據(jù)可以單獨(dú)判定穩(wěn)定還是不穩(wěn)定。此時(shí)，使用人可以理解的幾何圖像或參數(shù)，即可以建立健康樣本，據(jù)此樣本即可評(píng)價(jià)今后每次檢修后的穩(wěn)定性狀態(tài)。圖8即是湖南某機(jī)組的甩負(fù)荷穩(wěn)態(tài)樣本。這個(gè)例子深刻揭示了各個(gè)物理狀態(tài)空間的大小并不是確定性的（不一定是單值描述的），而是由實(shí)際各種物理量關(guān)聯(lián)關(guān)系的相互作用范圍決定的。而且，這一范圍有可能發(fā)生變化。所以，要真實(shí)監(jiān)測(cè)復(fù)雜系統(tǒng)的狀態(tài)就必須認(rèn)識(shí)到：不但數(shù)學(xué)指標(biāo)的統(tǒng)計(jì)需要采用學(xué)習(xí)算法，“類別”評(píng)價(jià)標(biāo)準(zhǔn)的建立也必須采用學(xué)習(xí)算法，從數(shù)學(xué)上描述就是所謂合理的限值總是隨狀態(tài)而改變的。

圖8 甩負(fù)荷穩(wěn)態(tài)樣本Figure 8 Steady-state sample of load rejection

4 高維狀態(tài)數(shù)據(jù)的智能降維

通過(guò)前面的例子可知：通過(guò)多支或多種傳感器同時(shí)監(jiān)測(cè)設(shè)備可能出現(xiàn)的復(fù)雜狀態(tài)，然后對(duì)多模態(tài)數(shù)據(jù)進(jìn)行融合感知計(jì)算，將有助于對(duì)復(fù)雜狀態(tài)進(jìn)行更準(zhǔn)確地監(jiān)測(cè)和評(píng)價(jià)。這已經(jīng)成為從根本上解決“傳感器測(cè)不準(zhǔn)問(wèn)題”的最現(xiàn)實(shí)和合理的解決手段。由此，也就自然產(chǎn)生了故障診斷中，高維度數(shù)據(jù)需要智能降維，并輔助人類完成故障認(rèn)知的問(wèn)題。

如果我們利用數(shù)學(xué)向量工具分析某個(gè)具體的高維狀態(tài)數(shù)據(jù)空間，那么，具體設(shè)備所處的實(shí)際狀態(tài)可以表征為式（4），其中包括了正常狀態(tài)和故障狀態(tài)，即全部“物理狀態(tài)空間”：

其維度N通常是不能明確限定的，一般情況下N遠(yuǎn)大于3，即，一種物理狀態(tài)通常需要3個(gè)以上的參數(shù)來(lái)刻畫(huà)和表達(dá)：

而用數(shù)據(jù)形式化描述的“數(shù)據(jù)狀態(tài)空間”可以表征為式（6）：

其維度N則是能夠明確限定的，即，由一組確定的測(cè)量來(lái)刻畫(huà)和表達(dá)一種物理狀態(tài)。在傳統(tǒng)自動(dòng)控制系統(tǒng)中N通常簡(jiǎn)單取1；而在大數(shù)據(jù)應(yīng)用系統(tǒng)中一般N也遠(yuǎn)大于3，由此可知兩類系統(tǒng)對(duì)特定設(shè)備狀態(tài)的分辨能力是完全不同的：

同時(shí)，人類自身可以明確識(shí)別的“認(rèn)知狀態(tài)空間”可以表征為式（8）：

其維度N恒小于3，即，人總是用3維的體驗(yàn)來(lái)認(rèn)知某種物理狀態(tài)的，即便對(duì)于1維和2維的簡(jiǎn)化情形，人依然是通過(guò)3維知識(shí)來(lái)把握的——只是令其中的某一個(gè)或兩個(gè)維度恒等于0而已（類似“思考”理想平面的方法）：

如果我們細(xì)致分析上述三種狀態(tài)空間，就會(huì)發(fā)現(xiàn)：“物理狀態(tài)空間”無(wú)論如何，實(shí)質(zhì)上是比“數(shù)據(jù)狀態(tài)空間”廣闊很多的；而“數(shù)據(jù)狀態(tài)空間”又比“認(rèn)知狀態(tài)空間”廣闊很多。而且，它們彼此都是不重合的。

圖9 物理狀態(tài)空間、向量空間、認(rèn)知相空間Figure 9 Physical state space，vector space，cognitive phase space

因而，需要利用特定的數(shù)學(xué)技巧來(lái)應(yīng)用于這3個(gè)不同維度的空間，令其中共同表征的部分正好是物理狀態(tài)空間中令人感興趣的“特殊狀態(tài)集”?！紫?，這個(gè)集合（這些物理量）能夠以合理的置信度（置信度是與每一個(gè)監(jiān)測(cè)數(shù)據(jù)相對(duì)應(yīng)的被信奈的程度指標(biāo)，是一個(gè)極為重要的“潛在”監(jiān)測(cè)指標(biāo)）進(jìn)行測(cè)量從而得到數(shù)據(jù)；并進(jìn)一步，此集合還可以被人或?qū)W習(xí)算法所認(rèn)知理解，即：

這個(gè)空間（集合），就是狀態(tài)監(jiān)測(cè)算法的解空間（解集合）。當(dāng)然，如果狀態(tài)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)完全不符合自然規(guī)律的話，此集合也可能為“空”，即得不到任何有狀態(tài)評(píng)價(jià)意義的監(jiān)測(cè)結(jié)果；如果部分違背自然規(guī)律的話，就會(huì)“漏檢”一部分實(shí)際上有價(jià)值的結(jié)果。

由上述各式可得：

即，狀態(tài)監(jiān)測(cè)算法的解空間維度必定小于3維，所以必需對(duì)高維數(shù)據(jù)進(jìn)行降維處理。這里所需要的數(shù)學(xué)工具此前已經(jīng)具備了，是數(shù)學(xué)中的向量空間與物理學(xué)中的相空間（phase space）[6]分析。而所需要的認(rèn)知工具，就是現(xiàn)在正在發(fā)展中的“AI認(rèn)知/識(shí)別/匹配/分類”技術(shù)。

例如：對(duì)于水電機(jī)組的主軸穩(wěn)定狀態(tài)監(jiān)測(cè)，首先，由于其動(dòng)力學(xué)涉及機(jī)械運(yùn)動(dòng)、電磁作用和水力作用，是一個(gè)經(jīng)典的高維問(wèn)題（精確數(shù)理方程并不能容易獲得和求解）。所以，必須通過(guò)融合感知計(jì)算，將6支或更多傳感器提供的多模態(tài)數(shù)據(jù)降維到3維空間。如此得到的空間軸姿態(tài)才具有人類認(rèn)知意義上的“真實(shí)性”，否則將顯示出不可思議的扭轉(zhuǎn)與變形，導(dǎo)致失去“認(rèn)知價(jià)值”（人無(wú)法看懂，故而無(wú)法評(píng)價(jià)）。其次，必須明確做出所認(rèn)知狀態(tài)的運(yùn)行條件的標(biāo)識(shí)，因?yàn)槿绻@些狀態(tài)的邊界條件不清楚就完全不能確定“狀態(tài)譜系”。這樣處理之后就可以像圖10那樣通過(guò)3D軸姿態(tài)輔助認(rèn)知水力不平衡狀態(tài)了。

圖10 3D軸姿態(tài)輔助認(rèn)知水力不平衡Figure 10 3D axis attitude assisted cognition hydraulic imbalance

總而言之，必需用3維之內(nèi)的數(shù)學(xué)參量描述具體設(shè)備的內(nèi)在（動(dòng)力學(xué)）特征，并明確其狀態(tài)邊界條件，然后才能得到有價(jià)值的“狀態(tài)譜系”。在水電狀態(tài)監(jiān)測(cè)工作中必須注意：在十分小和十分大的尺度內(nèi)的實(shí)驗(yàn)經(jīng)驗(yàn)不可能再提供我們直觀的圖象，“認(rèn)知”一個(gè)實(shí)際特定“狀態(tài)”對(duì)人而言已經(jīng)變得十分困難。此時(shí)，純數(shù)學(xué)的表述更適合于界定各種邏輯互相關(guān)系，如可推演性、不相容性或相互依賴性，這就是人工智能取得認(rèn)知方面進(jìn)步的深層數(shù)學(xué)原因。

5 結(jié)束語(yǔ)

綜上所述，新興的人工智能技術(shù)在樣本學(xué)習(xí)、數(shù)據(jù)降維、開(kāi)放性擴(kuò)展、多系統(tǒng)互聯(lián)及系統(tǒng)安全性諸方面正好滿足了水電狀態(tài)監(jiān)測(cè)的當(dāng)前實(shí)際需求，并可以帶來(lái)傳統(tǒng)技術(shù)難以達(dá)到的跨越式效果。量子力學(xué)創(chuàng)始人之一，諾貝爾物理學(xué)獎(jiǎng)獲得者尼爾斯·玻爾曾說(shuō)：“知識(shí)和潛力的每一次增加，往往意味著更大的責(zé)任”[7]，現(xiàn)在，則是“發(fā)電廠應(yīng)面向未來(lái)，使現(xiàn)有的各種發(fā)電方式能夠更好地適應(yīng)未來(lái)的智能社會(huì)以及能源革命和創(chuàng)新?！盵5]對(duì)于水電狀態(tài)檢測(cè)工作而言，“由人工智能、深度學(xué)習(xí)等多種方式對(duì)大數(shù)據(jù)進(jìn)行挖掘，也是新時(shí)代生態(tài)環(huán)境建設(shè)和經(jīng)濟(jì)社會(huì)發(fā)展對(duì)電力企業(yè)的要求?！盵5]這個(gè)充滿責(zé)任感、科技感、進(jìn)步感的領(lǐng)域正以獨(dú)特的魅力以及機(jī)遇吸引著更多有識(shí)之士來(lái)共創(chuàng)新的應(yīng)用、開(kāi)拓更美好的前景！