方 駿,曹 新,李曉軒,殷召生

(1.國家能源集團(tuán)西藏尼洋河流域水電開發(fā)有限公司,西藏 林芝 860006;2.南京佰思智能科技有限公司,江蘇 南京 210000)

0 引言

在水電廠生產(chǎn)運(yùn)行管理過程中,告警系統(tǒng)的用途是針對異常狀態(tài)或者設(shè)備故障對操作人員和其他工廠人員及時(shí)給出提醒[1]。智能監(jiān)控告警信息作為數(shù)據(jù)采集與水電廠計(jì)算機(jī)監(jiān)盤系統(tǒng)中產(chǎn)生的語義信息,是調(diào)控人員監(jiān)視設(shè)備運(yùn)行狀態(tài)的重要方式。只有通過設(shè)計(jì)一套完整、合理、高效的智能預(yù)警系統(tǒng),相關(guān)操作人員才能在正常狀態(tài)和異常狀態(tài)下安全地對設(shè)備進(jìn)行操作,進(jìn)一步提升水電的運(yùn)行管理水平,從而實(shí)現(xiàn)經(jīng)濟(jì)效益和社會價(jià)值。然而,報(bào)警系統(tǒng)在實(shí)際運(yùn)行過程中,人們一般會設(shè)置過多的報(bào)警源用于系統(tǒng)實(shí)時(shí)監(jiān)控。事實(shí)上,這種做法一方面會導(dǎo)致系統(tǒng)小故障觸發(fā)大量報(bào)警源產(chǎn)生告警信號,另一方面大故障往往無法為最相關(guān)的設(shè)備問題分配高優(yōu)先級,最終導(dǎo)致真正的問題無法被及時(shí)發(fā)現(xiàn)。因此,許多研究者們對智能監(jiān)控告警信息做了大量的研究工作,旨在通過利用和挖掘數(shù)據(jù)本身的特點(diǎn)來實(shí)現(xiàn)智能預(yù)警系統(tǒng)的高效且靈活可控性。傳統(tǒng)的方法一般依賴于專家經(jīng)驗(yàn)和領(lǐng)域知識,即領(lǐng)域內(nèi)專家根據(jù)告警歷史信息和相關(guān)設(shè)備的運(yùn)行狀態(tài)作出綜合判斷,結(jié)合歷史經(jīng)驗(yàn)手工設(shè)定出一套固定的告警閾值并生成規(guī)則存儲在知識庫中[2-3]。當(dāng)出現(xiàn)告警事件時(shí),工作人員會將此時(shí)的告警信息與知識庫中的固定信息作規(guī)則匹配,通過查找域知識來診斷故障發(fā)生的類別并作出相應(yīng)解決措施。隨著水電廠計(jì)算機(jī)監(jiān)盤系統(tǒng)中監(jiān)控?cái)?shù)據(jù)的豐富和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,研究者們認(rèn)為僅僅依賴于專家經(jīng)驗(yàn)的方法無法實(shí)現(xiàn)準(zhǔn)確和快速的故障檢測與排除。因此,當(dāng)前告警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)引入了大量人工智能技術(shù)[4-5]。通過對語義信息的智能化分析和處理,一系列高效的故障診斷模型被相應(yīng)提出,對水電廠報(bào)警功能的進(jìn)一步完善、深度開發(fā)和設(shè)計(jì)產(chǎn)生了重要的意義。

1 水電告警系統(tǒng)總體設(shè)計(jì)

水電廠智能告警系統(tǒng)設(shè)計(jì)的終極目標(biāo)在于對告警信息的綜合管理,其中包括報(bào)警信息的集成、報(bào)警信息的處理、機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)報(bào)警信息的分類、模型的訓(xùn)練和測試、系統(tǒng)性能分析、故障信息推送并生成相應(yīng)報(bào)表、人機(jī)交互界面等?；跈C(jī)器學(xué)習(xí)相關(guān)技術(shù)實(shí)現(xiàn)水電廠故障智能告警信息分類的研究流程,如圖1所示?？偟膩碚f,設(shè)計(jì)出一個(gè)靈活可調(diào)、安全可控、準(zhǔn)確高效的智能告警系統(tǒng)能夠防止影響水電廠正常運(yùn)行的安全事故發(fā)生,提升水電站的整體管理水平。

圖1 基于機(jī)器學(xué)習(xí)的水電廠故障智能告警信息分類流程

智能告警系統(tǒng)報(bào)警信息的集成是指將計(jì)算機(jī)監(jiān)盤系統(tǒng)中不同設(shè)備的幾個(gè)運(yùn)行狀態(tài)(包括穩(wěn)態(tài)、動(dòng)態(tài)以及暫態(tài)等)信息集中到一個(gè)統(tǒng)一的數(shù)據(jù)庫中,這種做法有利于工作人員對數(shù)據(jù)進(jìn)行整體分析和建模。一般情況下,告警信息根據(jù)其對水電廠設(shè)備的影響程度大致可以分為:異常、事故、越限、變位和告知。異常、事故以及越限信號的優(yōu)先級較高,需要在實(shí)際生產(chǎn)過程中做到實(shí)時(shí)監(jiān)控、及時(shí)處理;其中,異常信號反映了設(shè)備處于運(yùn)行異常狀態(tài),直接威脅水電廠設(shè)備的安全;事故信號一般是由于設(shè)備故障而引發(fā)的開關(guān)跳閘,通過觸發(fā)保護(hù)裝置來提示維修人員及時(shí)作出處理;越限信號主要反映了相關(guān)設(shè)備觀測量超出上下限區(qū)間而觸發(fā)的報(bào)警提示。變位信號主要指的是一些開關(guān)類設(shè)備狀態(tài)變化的信息,即分閘、合閘,這類信號主要反映了水電機(jī)組運(yùn)行工況的改變,同樣需要實(shí)時(shí)監(jiān)控。對于告知信號而言,它充當(dāng)安全保護(hù)的最后一道防線,設(shè)備運(yùn)行過程中告知信號能夠?qū)崟r(shí)反映其運(yùn)行情況、狀態(tài)監(jiān)測。因此,對于不同的告警信息而言,應(yīng)該根據(jù)其優(yōu)先級大小和數(shù)據(jù)差異程度實(shí)施合理的數(shù)據(jù)集成方法。具體到水電設(shè)備告警信息,數(shù)據(jù)集成的方法采用聯(lián)邦數(shù)據(jù)庫進(jìn)行,以便將來自不同設(shè)備、不同差異程度的告警信息做分布式集成和存儲。同時(shí),為了提高后續(xù)告警信息的分類精度,還需要對集成好的數(shù)據(jù)進(jìn)行處理,其中包括數(shù)據(jù)噪聲的抑制、數(shù)據(jù)缺失值的填補(bǔ)以及數(shù)據(jù)歸一化等操作?？紤]到水電智能告警信息具有多差異、高分布的特點(diǎn),此處選擇小波閾值法用于報(bào)警信息的去噪。其中包括數(shù)據(jù)矩陣轉(zhuǎn)化、二維信號小波分解、系數(shù)閾值處理、信號重構(gòu)等。去噪后的數(shù)據(jù)進(jìn)一步通過K近鄰缺失值填補(bǔ)方法以及數(shù)據(jù)歸一化操作后得到可以直接用于模型訓(xùn)練和測試的數(shù)據(jù)。

對于利用機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)告警信息分類而言,本文闡述了幾個(gè)有代表性的常見算法,其中包括SVM,DNN,CNN,RNN。為了保證所提研究的有效性,本研究列舉了這些算法的分類測試效果,給出其性能比較與分析。此外,針對機(jī)器學(xué)習(xí)相關(guān)技術(shù)在水電廠智能告警中的應(yīng)用,本文提出的設(shè)計(jì)思路符合國際自動(dòng)化協(xié)會制定的ANSI-ISA-18.2-2016《過程工業(yè)中的報(bào)警系統(tǒng)管理》和國際電工委員會的報(bào)警規(guī)范的技術(shù)要求[6]。具體地,報(bào)警系統(tǒng)采用了Python和Java語言開發(fā)。其中,系統(tǒng)建模主要基于Python語言,人機(jī)交互界面以Java為主,主要功能模塊可靠穩(wěn)定,并經(jīng)過充足的運(yùn)行考驗(yàn)。采用工業(yè)4.0標(biāo)準(zhǔn)使用的OPC UA(IEC 62541 OPC Unified Architecture)作為實(shí)時(shí)數(shù)據(jù)源,可以為本系統(tǒng)業(yè)務(wù)提供實(shí)時(shí)的業(yè)務(wù)數(shù)據(jù);智能報(bào)警主服務(wù)器操作系統(tǒng)支持跨平臺運(yùn)行,包括Windows、Linux以及Mac OS。所有的數(shù)據(jù)采集、畫面運(yùn)行、數(shù)據(jù)存儲、報(bào)警組態(tài)等功能皆運(yùn)行在服務(wù)器上,同時(shí)支持多人并行開發(fā)功能,客戶端訪問服務(wù)器可以完成數(shù)據(jù)庫組態(tài)、報(bào)警組態(tài)、告警監(jiān)視等。完整項(xiàng)目配置文件、數(shù)據(jù)庫點(diǎn)表、告警畫面、告警配置信息皆可支持一鍵導(dǎo)入和導(dǎo)出功能。系統(tǒng)結(jié)構(gòu)和軟件配置需滿足國家相關(guān)部門二次安防的相關(guān)技術(shù)要求;監(jiān)控系統(tǒng)的實(shí)時(shí)數(shù)據(jù)采用各種自定義規(guī)約,能透過正向物理隔離裝置傳輸?shù)焦芾硇畔⒋髤^(qū)的智能告警數(shù)據(jù)服務(wù)器等。

2 機(jī)器學(xué)習(xí)方法應(yīng)用

傳統(tǒng)上的水電廠告警系統(tǒng)中一般使用閾值法作為故障診斷的依據(jù),即通過計(jì)算機(jī)系統(tǒng)監(jiān)控信號設(shè)備的電氣特征數(shù)據(jù),并與實(shí)現(xiàn)專家設(shè)定的閾值進(jìn)行比較,若實(shí)時(shí)采集到的數(shù)據(jù)值超過了設(shè)定的閾值范圍則發(fā)出警報(bào)。由于水電廠設(shè)備的工作環(huán)境復(fù)雜,閾值法容易因受到周圍環(huán)境因素的影響而誤報(bào)警或不報(bào)警。因此,開發(fā)出能夠?qū)λ姀S信號設(shè)備故障進(jìn)行及時(shí)報(bào)警且魯棒性更強(qiáng)的技術(shù),對保障水電廠安全、高效的運(yùn)行具有重要意義。機(jī)器學(xué)習(xí)是近些年興起的新學(xué)科,是人工智能研究的熱點(diǎn)。隨著計(jì)算機(jī)算力的提升以及大數(shù)據(jù)時(shí)代的顯著進(jìn)步,其理論和方法逐步廣泛應(yīng)用于解決水電廠智能業(yè)務(wù)應(yīng)用中的復(fù)雜問題[7-9]。本文介紹了幾種常見的機(jī)器學(xué)習(xí)算法(SVM,DNN,CNN,RNN),并將其應(yīng)用在水電廠智能告警系統(tǒng)中,實(shí)現(xiàn)了安全、準(zhǔn)確、高效的報(bào)警管理。

3 算法介紹

3.1 支持向量機(jī)

對于一個(gè)二分類問題而言,支持向量機(jī)(Support Vector Machine,SVM)方法旨在尋找到一個(gè)最優(yōu)邊界(超平面),使得距離這兩個(gè)類別里面的最近的樣本距離最遠(yuǎn)。如果將多個(gè)SVM二分類器進(jìn)行組合就可以實(shí)現(xiàn)多分類任務(wù)?？紤]到SVM算法不依賴于大量數(shù)據(jù),對于數(shù)據(jù)樣本少的情況也能很好地?cái)M合其特征分布,因此對于某些監(jiān)控信息不足的特殊場景也能實(shí)現(xiàn)滿意的精度和泛化能力。多分類SVM檢測流程如圖2所示。

圖2 多分類SVM檢測流程

3.2 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks,DNN)是深度學(xué)習(xí)技術(shù)的基礎(chǔ),它是感知機(jī)模型的擴(kuò)展。DNN一般可以分為輸入層、隱藏層和輸出層。深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。輸入層是經(jīng)過預(yù)處理后的數(shù)據(jù)樣本。隱藏層由多個(gè)神經(jīng)元連接所有輸入并通過非線性函數(shù)激活。其中,隱藏層的數(shù)量可以自己設(shè)定。層數(shù)的增加會提高模型的表達(dá)能力,同時(shí)計(jì)算效率也受到了影響。輸出層用于實(shí)現(xiàn)對模型的分類。在告警信息分類任務(wù)中,模型輸出的是告警信號的類別數(shù)(例如:油溫過高、水冷卻故障、電機(jī)異常振動(dòng)等)。

圖3 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3 卷積神經(jīng)網(wǎng)絡(luò)

為了進(jìn)一步提高模型的表達(dá)能力,同時(shí)降低網(wǎng)絡(luò)參數(shù)和計(jì)算量,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)被提出來并廣泛應(yīng)用在各個(gè)領(lǐng)域。與DNN不同的是,CNN通常包含以下幾種層:卷積層、池化層和全連接層。卷積層由若干卷積單元組成,每個(gè)卷積單元實(shí)現(xiàn)權(quán)重共享。低層次的卷積層負(fù)責(zé)提取一些低級的特征(比如:輸入圖片的邊緣、線條等),高層次的卷積層能夠提取到更為復(fù)雜的輸入表征(例如:圖片整體輪廓等),通過將兩種不同層級的信息組合在一起就可以實(shí)現(xiàn)豐富的特征表達(dá)。池化層用于降低數(shù)據(jù)的維度,從而避免過高的計(jì)算量。之后依然會使用非線性函數(shù)進(jìn)行層激活操作,最后通過全連接層匯聚所有信息用于計(jì)算每個(gè)類別的得分。上述各個(gè)部分相互堆疊就組成普通的卷積神經(jīng)網(wǎng)絡(luò),如圖4所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)

3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)

一般的神經(jīng)網(wǎng)絡(luò)只能依次處理來自輸入的單個(gè)數(shù)據(jù)樣本,然而缺少對輸入數(shù)據(jù)之間關(guān)系的特征捕獲。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)的提出旨在處理輸入信號的上下文關(guān)系。換而言之,網(wǎng)絡(luò)的輸出不僅和當(dāng)前的輸入有關(guān),還和上一時(shí)刻的輸出存在關(guān)聯(lián)。相比于DNN,其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。RNN的隱藏層的值不僅取決于當(dāng)前輸入,還取決于上一次隱藏層的值。對于水電廠智能告警信息而言,有一部分?jǐn)?shù)據(jù)源存在明顯的時(shí)間上的先后順序(例如:轉(zhuǎn)速上升階段的電機(jī)運(yùn)轉(zhuǎn)速度),綜合考慮其時(shí)間先后次序可以進(jìn)一步提高模型分類精度。

圖5 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.5 性能測試與分析

為了驗(yàn)證所提研究的有效性,針對上述4個(gè)機(jī)器學(xué)習(xí)相關(guān)算法訓(xùn)練了某地區(qū)水電廠故障智能告警系統(tǒng)數(shù)據(jù)庫中的3組非平衡數(shù)據(jù)集樣本。所有數(shù)據(jù)集均使用上述相同的預(yù)處理方法實(shí)施,并且將隨機(jī)打亂后的數(shù)據(jù)按照7∶3的比例劃分為訓(xùn)練集和測試集。實(shí)驗(yàn)數(shù)據(jù)集描述如表1所示。網(wǎng)絡(luò)模型的搭建均使用Python編程語言,基于Pytorch深度學(xué)習(xí)庫,其網(wǎng)絡(luò)參數(shù)如表2所示。物理主機(jī)使用Intel i7-6850K中央處理器以及NVIDIA RTX 3090圖形處理器,開發(fā)環(huán)境基于64位Windows 10操作系統(tǒng)。考慮到數(shù)據(jù)樣本類別的不平衡問題,實(shí)驗(yàn)中使用F1分?jǐn)?shù)[10]來客觀反映不同類別的綜合預(yù)測能力,測試結(jié)果如表3所示。

表1 數(shù)據(jù)集介紹

表2 網(wǎng)絡(luò)訓(xùn)練參數(shù)介紹

由表3可知,利用多種機(jī)器學(xué)習(xí)方法對3組非平衡水電廠故障智能告警系統(tǒng)數(shù)據(jù)集進(jìn)行分類,不同算法所得到的F1分?jǐn)?shù)有一定的差距。具體說來,使用CNN和RNN的方法擁有更強(qiáng)大的特征表達(dá)能力,特別是在數(shù)據(jù)類別分布不平衡的情況下能夠?qū)崿F(xiàn)更好的泛化性能,進(jìn)一步驗(yàn)證了高效的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在水電廠設(shè)備故障運(yùn)行評估領(lǐng)域的適用性。

表3 不同模型的測試結(jié)果

4 結(jié)語

考慮到水電設(shè)備故障告警信息的多樣性與復(fù)雜性,本文從水電廠生產(chǎn)運(yùn)行管理入手,對水電廠智能告警系統(tǒng)的設(shè)計(jì)與開發(fā)提出了基于機(jī)器學(xué)習(xí)方法的思路和解決方案。針對水電廠多元設(shè)備的告警信息這一復(fù)雜研究對象,按照工業(yè)報(bào)警相關(guān)國際標(biāo)準(zhǔn),引入了機(jī)器學(xué)習(xí)相關(guān)技術(shù)用于建模水電智能告警信息多分類問題。一方面,機(jī)器學(xué)習(xí)模型的引入增加了水電監(jiān)控的自動(dòng)化程度,極大減少了人工參與預(yù)警的工作量,從而提高故障判斷的效率。另一方面,考慮到不同種類的故障信號對水電廠設(shè)備的影響程度和大小有所差異,通過機(jī)器學(xué)習(xí)算法訓(xùn)練大量差異化的數(shù)據(jù)樣本為調(diào)度人員故障診斷提供了可靠的依據(jù)。實(shí)驗(yàn)結(jié)果表明,對于實(shí)際運(yùn)行環(huán)境下非平衡數(shù)據(jù)樣本而言,神經(jīng)網(wǎng)絡(luò)模型的引入能夠大幅提高模型分類的準(zhǔn)確性,為后續(xù)監(jiān)管人員作理論分析和實(shí)際應(yīng)用帶來了極大價(jià)值,進(jìn)而對水電廠的安全穩(wěn)定運(yùn)行具有十分重要的意義。