CN112116108A - 用于电力设备失效分析的专家系统及方法 - Google Patents

Abstract

本申请公开一种用于电力设备失效分析的专家系统及方法，专家系统包括：用户端、AI专家及人类专家端；人类专家端包括多个各领域的人类专家；用户端用于发送电力设备的视频、图像及数据信息至AI专家；AI专家用于对用户端传输的视频、图像及数据信息进行算法识别及分析；用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检，人类专家端用于对送检的失效样品检测及分析；AI专家用于根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果；用户端用于根据分析结果对失效电力设备缺陷处理。采用的方案能够有效的解决电力设备失效分析工作中运维人员技术能力不足、失效分析多专业融合难度大及网络传输质量差等问题。

Description

用于电力设备失效分析的专家系统及方法

技术领域

本申请涉及失效诊断技术领域，尤其涉及一种用于电力设备失效分析的专家系统及方法。

背景技术

随着电力发展步伐的加快，电网系统的运行电压等级不断提高，电网系统的规模也在不断扩大，因此，电力设备的数量及品类都呈数量级增长，无论是变电站(变电设备)、主网输电线路还是配电网(配电设备)，电力设备的数量及复杂程度都给电网系统的安全稳定运行带来较大挑战。不明原因的设备故障或者设备老旧，都会导致电力设备失效。所以，及时、准确的找出电力设备失效的原因，以及为预防电力设备再次失效提出有效建议，是电力设备运维及技术服务的主要任务之一。

目前，电力设备的失效分析研究工作主要集中于电力设备损坏的原因分析，电力设备故障的预防控制措施以及设备状态在线监测及指标评价体系，但发电设备、输电线路、变电设备及配电设备都存在状态监测及检测手段不足、设备状态感知不准的问题，而输电线路设备的运维工作量大、技术人员较少，导致电力设备运维策略欠优、效率偏低，难以快速、准确的判断电力设备的故障原因，并且电力设备原理、材质及结构较为复杂，一旦发生故障需要多专业、多检测方法及多监测设备数据分析才可以确诊失效原因，因此，查明电力设备失效的原因往往需要结合材料、化学、电气、机械、电力系统等多专业的知识及检测手段进行分析，分析思路及分析流程需要大量的知识经验，但目前失效分析存在很多技术及成本的问题：

首先，电力设备失效事故发生后，由于现场工作人员不具备专业的分析知识，可能出现保护电力设备失效现场及记录电力设备失效信息不够专业及全面，容易遗漏重要部件或自行取样，影响后续调查工作。

其次，一般失效分析会以某一专业人类专家牵头，再结合其他专业专家的知识经验最初最终的诊断，各领域专业专家也无法一一到现场进行调查，增加了不确定因素，专家做出的经验判断又以一定的现象及数据为基础，人工进行数据的交叉、融合及分析，数据处理工作量大且难以保证可靠性及稳定性，多专业融合难度大，因此，影响整个调查分析过程的时效性、效率及可靠性。

最后，由于通讯技术及运维管理方面的原因，电力设备失效分析现场的技术指导及故障原因诊断一直存在滞后性及被动性，在4G网络下，较难实时完成失效现场高清影像及生产数据的系统上传及诊断，多专家实时在线技术指导效果不佳，一些输电线路及变电站由于地处偏远地区，还远不能达到4G网络的正常通讯速度和质量，网络传输质量差，进而影响电力设备失效原因的准确判断。另外，变电站、输电线路等电力系统组成部分，其现场位置、设备配置、运行数据及检测数据等要求极高的安全性，目前一般都是通过APN专网等形式进行数据交互，影响传输速度及通讯功能，所以，4G技术无法实现多用户访问、数据高速传输的同时保证数据安全。

因此，目前亟需一种能够有效的分析电力设备失效原因的专家系统，以解决现有的电力设备失效分析工作中运维人员技术能力不足、失效分析多专业融合难度大及网络传输质量差等问题。

发明内容

本申请提供了一种用于电力设备失效分析的专家系统及方法，以解决现有的电力设备失效分析工作中运维人员技术能力不足、失效分析多专业融合难度大及网络传输质量差等问题。

第一方面，本申请实施例提供一种用于电力设备失效分析的专家系统及方法，包括：用户端、AI专家及人类专家端；所述用户端、AI专家及人类专家端之间通过5G通讯进行数据交互；其中，所述用户端包括设备运维单位；所述人类专家端包括多个各领域的人类专家；

所述用户端用于发送电力设备的视频、图像及数据信息至AI专家；

所述AI专家用于对所述用户端传输的视频、图像及数据信息进行算法识别及分析；

所述用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检；

所述人类专家端用于对送检的失效样品检测及分析；

所述AI专家用于根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果；

所述用户端用于根据所述分析结果对失效电力设备缺陷处理。

结合第一方面，在一种实现方式中，所述用户端还用于向AI专家提出电力设备失效分析需求；

所述AI专家还用于根据所述电力设备失效分析需求，识别该电力设备所属领域及失效类型，并按照电力设备领域分配失效分析任务。

结合第一方面，在一种实现方式中，所述用户端还用于向AI专家反馈消缺信息；

所述人类专家端还用于对视频、图像、检测结果及分析结果进行标注；

所述AI专家还用于对分析数据进行深度学习并优化算法模型。

结合第一方面，在一种实现方式中，AI专家还用于根据相同类型、厂家、电压等级、运行数据及环境作出电力设备失效趋势分析；并根据电力设备失效趋势分析对电力设备运行状态预警；

所述用户端还用于接收预警信息，并根据预警信息对电力设备进行监测。

结合第一方面，在一种实现方式中，所述用户端及人类专家端包括智能手机及PC端。

第二方面，本申请实施例部分提供了一种用于电力设备失效分析的方法，所述方法应用于第一方面任一项所述的用于电力设备失效分析的专家系统，所述方法包括：

用户端通过5G通讯链路发送电力设备的视频、图像及数据信息；

AI专家对用户端传输的视频、图像及数据信息进行算法识别及分析；

用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检；

人类专家端对送检的失效样品检测及分析；

AI专家根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果；

用户端根据所述分析结果对失效电力设备缺陷处理。

结合第二方面，在一种实现方式中，所述用户端通过5G通讯链路发送电力设备的视频、图像及数据信息之前，还包括：

用户端向AI专家提出电力设备失效分析需求；

AI专家根据电力设备失效分析，识别该电力设备所属领域及失效类型；

AI专家按照电力设备领域分配失效分析任务。

结合第二方面，在一种实现方式中，所述方法还包括：

用户端向AI专家反馈消缺信息；

人类专家端对视频、图像、检测结果及分析结果进行标注；

AI专家对分析数据进行深度学习并优化算法模型。

结合第二方面，在一种实现方式中，所述方法还包括：

AI专家根据相同类型、厂家、电压等级、环境等作出电力设备失效趋势分析；

AI专家根据电力设备失效趋势分析对电力设备运行状态预警；

用户端接收预警信息，并根据预警信息对电力设备进行监测。

第三方面，本申请实施例部分提供了一种用于电力设备失效分析的专家系统构建方法，其特征在于，所述构建方法用于构建第一方面任一项所述的专家系统，所述构建方法包括：

设置用户端及人类专家端多用户访问及角色权限；

建立用户端及人类专家端的智能手机及PC端应用程序；

选择用户端及人类专家端的5G通讯模式；

建立用户端的需求及功能应用程序；

在AI专家中构建数据库，并设置电力设备失效分析智能诊断的流程。

本申请公开一种用于电力设备失效分析的专家系统及方法，专家系统包括：用户端、AI专家及人类专家端；人类专家端包括多个各领域的人类专家；用户端用于发送电力设备的视频、图像及数据信息至AI专家；AI专家用于对用户端传输的视频、图像及数据信息进行算法识别及分析；用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检，人类专家端用于对送检的失效样品检测及分析；AI专家用于根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果；用户端用于根据分析结果对失效电力设备缺陷处理。因此，采用的方案能够有效的解决电力设备失效分析工作中运维人员技术能力不足、失效分析多专业融合难度大及网络传输质量差等问题。

进一步地，结合多专业的人类专家及知识型数据库、智能诊断系统等技术手段的AI专家，将显著提高失效设备现场调查及资料收集的效率及可靠性，减少专业技术人员跑到偏远故障现场的时间成本及人工成本，专家系统的资料积累及数据分析也将大大提高电力设备失效分析结果的准确率及可靠性，并且可以将各类电力设备失效分析的过程、思路及检测数据存储及传播，有助于提高电力设备全生命周期管理策略的实施，快速高效的排查设备失效原因，提高电力设备失效风险评估及健康状况预测水平。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种用于电力设备失效分析的专家系统的结构示意图；

图2是本申请实施例提供的一种用于电力设备失效分析的方法的流程示意图；

图3是本申请实施例提供的一种用于电力设备失效分析的专家系统构建方法的流程示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

输电线路及变电站、配电网等场所的电力设备，在电力负荷、力载荷及复杂环境的共同作用下，会逐渐产生老化、腐蚀、疲劳、断裂、磨损等各种模式或多模式共存的失效事故，造成电力设备停运、停电甚至导致灾难事故及重大经济损失。查明电力设备失效的原因往往需要结合材料、化学、电气、机械、电力系统等多专业的知识及检测手段进行分析，但目前失效分析的模式基本是事故发生后，各专业专家人员到达现场或者设备运维单位将失效样品取样送至相关研究机构进行失效原因分析，由于现场工作人员不具备专业的分析知识，保护失效现场及记录失效信息不够专业及全面，甚至遗漏重要附件或自行取样，影响后续调查工作，而后续某一专业的技术专家介入调查，遇到问题再求助于其他专业的专家，各专业专家也无法一一到现场进行调查，增加了不确定因素，影响整个调查分析过程的时效性、效率及可靠性，失效分析的全过程管控及多专业技术人员协同的要求与现场实际情况及各领域专家时间精力有限的矛盾日益凸显。

专家系统是人工智能技术领域的一个方向，从出现到现在经过几十年的发展，技术越来越成熟，在各领域出现了各式各样的专家系统，随着专家系统的商业化，专家系统带来的巨大经济和社会效益，在社会的各行各业专家系统的应用将会改变人们的工作方式并且提高人们的工作能力。失效分析专家系统不仅是智能诊断领域的一个分支，也是专家系统领域的一个分支，通过输入出现的故障图像、技术参数、监测数据等得出引起设备失效的原因，并且给出对应于故障结论的维修建议信息。专家系统是在某个应用领域中，以相当于人类专家的水平来解决该领域问题的计算机程序。专家系统由于存储了某个领域中解决问题的专门知识和经验，因此能够代替人类专家来解决该领域中的问题，专家系统中存储着在某个应用领域中通过人类的认识和分析总结的通过某种形式来表达的专家知识(存储在系统规则库中)，并且能够模拟人类专家面对领域问题时的解决思路或推理机制(系统推理机)。专家系统能够根据输入的领域现象信息，在系统知识库中运用推理控制策略得出推理结论，系统解决问题的能力与人类专家水平相当，因此专家系统能够起到专家或助手的作用。

随着5G网络技术的发展，远程协助或远程诊断的专家系统的应用逐渐开展起来，特别是在医疗领域，远程专家诊断、远程医疗协助、远程手术都借助于5G网络技术超低延时、超高可靠性、超大带宽数据传输的特点得到飞速发展。相对4G网络，5G传输速率提升10～100倍，峰值传输速率达到10Gbit/s，端到端时延达到毫秒级，连接设备密度增加100倍，频谱效率提升5～10倍，能够在500km/h的速度下保证用户体验，应用5G切片、MEC、TSN等技术，还能保障电力系统数据高速传输的安全性及稳定性，实现多种组网方式，满足电力不同业务场景需求。采用5G通讯的超带宽、超低延时及高可靠性技术，可实现电力设备VR视觉的远程现场调查、电力设备失效时运行状况及环境信息的数据采集、设备失效图像及运行数据的系统上传及分析、人工专家的远程指导及系统专家的智能诊断。

因此，本申请提出一种基于5G通讯及AI数据分析的电力设备失效分析专家系统及方法，以智能手机端或PC端提供现场及远程专家的沟通载体，以5G低延时、高带宽、大规模机器通信典型应用场景提供远程实时通讯技术支持，以基于AI图像识别、数据分析技术的多专业知识型专家库提供电力设备失效分析及智能诊断的专业技术支持。

参照图1，本申请提出的用于电力设备失效分析的专家系统，包括：用户端、AI专家及人类专家端；所述用户端、AI专家及人类专家端之间通过5G通讯进行数据交互；其中，所述用户端包括设备运维单位；所述人类专家端包括多个各领域的人类专家。所述用户端及人类专家端包括智能手机及PC端。

所述用户端用于发送电力设备的视频、图像及数据信息至AI专家。

所述AI专家用于对所述用户端传输的视频、图像及数据信息进行算法识别及分析。

所述用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检。

所述人类专家端用于对送检的失效样品检测及分析。

所述AI专家用于根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果。

所述用户端用于根据所述分析结果对失效电力设备缺陷处理。

本申请实施例中，所述AI专家以及人类专家端解决了工作中运维人员技术能力不足、失效分析多专业融合难度大等问题，所述用户端、AI专家及人类专家端之间通过5G通讯进行数据交互，提高了网络传输质量以及数据安全性。

进一步地，所述用户端还用于向AI专家提出电力设备失效分析需求。

所述AI专家还用于根据所述电力设备失效分析需求，识别该电力设备所属领域及失效类型，并按照电力设备领域分配失效分析任务。

进一步地，所述用户端还用于向AI专家反馈消缺信息。

所述人类专家端还用于对视频、图像、检测结果及分析结果进行标注。

所述AI专家还用于对分析数据进行深度学习并优化算法模型。

进一步地，AI专家还用于根据相同类型、厂家、电压等级、运行数据及环境等作出设备失效趋势分析；并根据失效趋势分析对电力设备运行状态预警。

所述用户端还用于接收预警信息，并根据预警信息对电力设备进行监测。

上述AI专家应用新兴的卷积神经网络、循环神经网络及深度学习网络等AI智能识别技术，对失效分析过程中涉及的视频、图像、语言及数据进行识别、分析及综合诊断，提高数据分析效率及可靠性。

AI专家还将同类型、同厂家或同运行环境的电力设备失效模式、分析思路、样品检测流程、仿真建模、失效原理及预防措施体系化、流程化，形成科学、清晰、可模仿、可固化的标准化知识经验体系及深度学习模式，解决失效分析过渡依赖于人类专家知识经验水平的问题，提高失效分析结果的规范性及可靠性。

本申请应用物联网、电力云等技术，专家系统可将失效分析过程中上传、调用及计算得到的数据进行整合，形成多领域、多专业的综合知识型数据库，代替人类专家进行重复性的、多专业数据交互处理、计算过程冗杂的数据处理及分析工作；另外，随着设备类型、分析方法、检测及诊断结果等数据规模的不断扩大，深度学习算法模型的更新迭代，不断提高电力设备失效分析专家系统的准确率。

进一步地，应用一定的数据处理算法，实现同类设备，相同厂家，相同运行工况等条件下设备运行状态的趋势分析及寿命评估，并作出失效预警，避免设备突然失效所产生的声明及财产损失。

结合上述专家系统以及专家系统中各结构的功能，本申请实施例公开了利用上述专家系统对电力设备失效分析的方法的流程图，如图2所示，所述方包括以下步骤：

步骤10，设备运维单位向AI专家提出电力设备失效分析需求。

本步骤中，在电力设备出现失效故障时，负责设备运维的单位向AI专家提出电力设备失效分析需求。

步骤20，AI专家接到需求之后，识别该电力设备所属领域及失效类型。

本步骤中，电力设备所属领域，一般分为发电、输电、变电及配电领域，失效类型主要有老化、腐蚀、疲劳、变形、断裂、磨损、异物等。

其中步骤10-20为计划定制阶段。

步骤30，设备运维单位通过5G通讯链路发送电力设备的视频、图像及数据信息。

本步骤中，设备运维单位将电力设备的视频、图像及相关数据信息通过5G网络发送至AI专家。也就是通过电力5G专网或5G电力切片技术进行视频、图像及数据的实时传输。其中，1是采集电力设备失效的视频信息，例如电力设备监控视频、运行环境、监测设备(超声、超高频局放、振动声学等)异常显示、设备失效部位、残骸分布、发热、燃烧、异常噪声等现象；2是图像数据，即显示电力设备失效的整体及局部图像，现场监测及检测的图像(如红外成像、超声、局放、射线、渗透等无损检测图像等)；3是电力设备的操作数据、尺寸、运行数据、运行环境监测数据、设备内外部介质、现场检测数据等。

步骤40，AI专家按照电力设备领域分配失效分析任务。

本步骤中，AI专家按照步骤30中识别的领域分配任务，例如，在发电领域的电力设备出现失效导致故障，则分配至发电领域。

步骤50，AI专家对设备运维单位传输的视频、图像及数据信息(统称数据)进行算法识别及分析。

本步骤中，AI专家建立在电力设备失效分析数据库及深度学习算法的基础上，对输入的视频、图像、数据信息进行质量评价、预处理、特征提取、神经网络深度学习及计算，视频及图像的识别主要是涉及卷积神经网络(CNN)、深度循环神经网络(Deep RNN)及深度学习(RL)等智能识别算法模型。

步骤60，设备运维单位补充、修正数据资料，必要时根据专家系统要求取样。

步骤70，设备运维单位将样品标识及送检。

步骤60至70中，当AI专家的知识型数据库可识别出待分析失效设备的类型、失效形式及数据，可自动进行数据的处理及识别，并给出分析结论；当专家系统未接触过该类设备、失效形式、失效条件及数据信息，系统将向人类专家发起分析任务，人类专家根据设备类型及现场实际情况提出数据采集及分析样品取样要求，设备运维单位补充数据并取样标识及送检。

步骤80，人类专家对送检的失效样品检测及分析。

本步骤中，人类专家对失效样品进行质量检测、断口分析、缺陷分析(裂纹、气孔、磨损、腐蚀等)、痕迹分析、镀层分析、仿真建模及模拟试验等，并在系统填报检测数据。

步骤90，AI专家根据AI算法或人类专家检测分析数据给出分析结果。

本步骤中，AI专家根据步骤50中算法识别及分析或者人类专家检测分析的数据，给出最终的分析结果，并发送至人类专家和设备运维单位。

其中步骤30-90为作业阶段。

步骤100，设备运维单位接收并下载电力设备失效分析结果。

步骤110，设备运维单位根据分析结果对失效电力设备缺陷处理。

步骤120，设备运维单位向AI专家反馈消缺信息。

步骤100至120中，是设备运维单位接收并下载步骤90中的分析结果，然后根据分析结果对失效电力设备的缺陷进行处理，例如，某部件出现老化情况，则需替换该部件；最后，设备运维单位还需要向AI专家反馈消除缺陷的消息，包括反馈如何消除缺陷等消息。

步骤130，人类专家对视频、图像、检测结果及分析结果进行标注。

步骤140，AI专家对分析数据进行深度学习并优化算法模型。

本步骤中，AI专家根据消缺反馈信息以及步骤130中人类专家的分析结果，结合分析数据进行深度学习并优化算法模型，以便使模型适应性更强，结果更准确。

步骤150，AI专家根据相同类型、厂家、电压等级、运行数据及环境等作出电力设备失效趋势分析。

本步骤中，AI专家通过大数据以及电力设备相关参数及其使用环境等，对电力设备失效趋势做出分析，以使设备在濒临失效节点时及时处理。

步骤160，AI专家根据电力设备失效趋势分析对电力设备运行状态预警。

本步骤中，在步骤150做出电力设备失效趋势分析之后，根据电力设备失效趋势，设置预警阈值，当超过预警阈值之后，则发出预警消息至设备运维单位，以便及时处理。

步骤170，设备运维单位接收预警信息，并根据预警信息对电力设备进行监测。

本步骤是设备运维单位在接收步骤160发出的预警消息之后，根据预警信息对电力设备进行实时监测，防止故障扩大，引起事故。

其中步骤100-170为缺陷、隐患信息处理应用阶段。

步骤180，人类专家对预警的准确率进行评价。

本步骤是根据预警的处理之后，对其准确性进行评价，如果准确性较低，则反馈至AI专家，AI专家重新作出电力设备失效趋势分析。

其中步骤180为考核阶段。

采用前述的方案，可以解决电力设备失效分析工作中运维人员技术能力不足、失效分析多专业融合难度大及人类技术专家资源不足等问题，应用5G通讯手段，解决了远距离的实时通讯、多用户的系统访问及稳定、低延时的远程数据传输及电力数据安全性等技术问题。

进一步地，专家系统最核心的部分是AI专家，其中的知识的表示和推理，其具有分离的知识库和推理程序、系统计与扩充、较好的人机界面等优点，其应用于系统中问题较为复杂的环节，可以辅助人类专家更好地完成工作。AI专家可以存储人类专家的海量知识和经验，并且能够不遗忘，而且不会因为环境原因出现不稳定的问题；通过存储多名人类专家的经验和知识，能够使系统的知识结构更为合理，还能够解放人类专家工程问题解决中的重复性劳动，将人类专家的经验和知识保存和传播，可以使人类专家的知识打破时间和空间限制，有助于传播和传承人类技术文明。

因此，本申请研究基于5G通讯技术的电力设备失效分析专家诊断系统，结合多专业的人类专家及知识型数据库、智能诊断系统等技术手段的AI专家，将显著提高失效设备现场调查及资料收集的效率及可靠性，减少专业技术人员跑到偏远故障现场的时间成本及人工成本，专家系统的资料积累及数据分析也将大大提高电力设备失效分析结果的准确率及可靠性，并且可以将各类电力设备失效分析的过程、思路及检测数据存储及传播，有助于提高电力设备全生命周期管理策略的实施，快速高效的排查设备失效原因，提高电力设备失效风险评估及健康状况预测水平。

本申请实施例还公开了一种用于电力设备失效分析的专家系统构建方法，所述构建方法用于构建上述的专家系统，参照图3，所述构建方法包括：

S11，设置用户端及人类专家端多用户访问及角色权限。

本步骤中，根据电力设备失效分析的需要，进行用户端(设备运维单位)及人类专家端的多用户访问及角色权限设计。针对电力设备运行管理单位较多且需要多专业专家进行技术指导及诊断的实际需求，用户端及专家系统端都采用多用户访问，设置不同级别的角色权限的方式。

S12，建立用户端及人类专家端的智能手机及PC端应用程序。

本步骤中，根据本申请的电力设备失效分析专家系统，首先应选择用户端(设备运维单位)及人类专家端的操作系统，用户端在手机客户端和PC端均设置应用程序。

手机用户端主要是方便用户在偏远地区或户外场所的设备失效分析时使用，应用5G移动网络即可进行失效分析的专家系统协助，由于电力设备的管理单位及运维单位众多，用户遍及整个电力系统，手机用户端选用开源的、兼容性较好的Android系统；PC端主要是用于位置集中、交通方便、附近有控制室或基站、结构复杂或需要采集运行数据及监测数据的电力设备，PC端应用程序可以使用户端及专家系统之间的文件传送、数据互通、影像传输、生产系统数据调用更为直观、便捷，可进行多任务处理及观察，PC端的用户应用程序基于Windows系统设计。

手机用户端是基于Android系统进行设计，根据Android的系统构架、基本组件、配置文件及开发工具进行用户端APP的开发。系统构架主要分为4个层次，从高到低分别是应用程序层、应用框架层、系统运行层及Linux内核层，应用程序层直接面向客户，框架层是为软件开发服务设计发布的内置组件，系统运行层包含了开发所用的函数库，需要应用核心函数库的界面管理器、媒体库、关系型数据库、图像处理引擎、浏览器引擎及运行环境，Linux内核层包括了开发所需的所有驱动程序。系统的开发工具选用Android Studio和JAVA编程。

PC端的用户应用程序采用web应用程序软件设计，系统采用B/S(浏览器端/服务端)架构，B/S能够应用于广域网，采用Internet上标准的通信协议，在服务器上进行数据处理，可生成网页供用户端下载，另外，B/S架构将浏览器作为客户端，不再需要对每一个用户端单独编写和安装应用程序。在4G网络环境下，B/S架构部分业务逻辑在前端，主要业务在服务器端实现，会增加服务器负担，降低系统稳定性，5G通讯及网络切片技术，可以满足超大带宽的数据传输以及面向客户的定制性服务，提高安全性及稳定性。

S13，选择用户端及人类专家端的5G通讯模式。

由于电力系统对数据的安全性要求较高，设备运维单位与AI专家的5G通讯需采用电力5G专网加核心网或5G电力切片的形式，以保证带宽、传输速度及安全性，考虑线路分布较广，通信信号条件不一，5G基站难以全覆盖的形式，可采用4G+核心网的模式；电厂及变电站等固定场所，可以布置5G基站，通过核心网及切片技术实现设备端到专家系统端的通讯，也可采用5G加云平台或者建立5G加TSN等技术实现。

S14，建立用户端的需求及功能应用程序。

手机及PC端的用户端(设备运维单位)需求及功能设计，根据现场实际条件，分别设计手机及PC端用户端APP，用户端主要功能有设备失效分析申请，实时的通讯及视频、图像及数据上传功能，发起现场检测、取样、数据采集等技术指导需求，分析结果及报告下载，设备健康状况预警接收等功能；还可根据需求，设计必要的检测数据同步采集、其他检测系统的数据调用功能等。

S15，在AI专家中构建数据库，并设置电力设备失效分析智能诊断的流程。

首先根据视频、图像及数据建立三维、平面、动态、静态等影像数据库以及以状态数据、检测数据为主的数值型数据库等，并通过采集数据及分析、诊断数据的积累，不断更新比对样本、缺陷样本、算法模型等知识型数据库。

然后设计电力设备失效分析智能诊断的流程，根据发、输、变、配电不同领域的不同设备，设计不同的失效分析流程。以输电线路架空导、地线的失效分析为例：

1)判断失效类型：断股、散股、腐蚀、断裂等。

2)调用生产系统该线路杆塔段导、地线型号、档距、环境参数、力负荷、额定载流量等线路数据。

3)设备运维单位上传失效过程或现场勘踏视频、图像、失效位置、气候环境及失效前后运行数据等。

4)AI专家调用输电线路分支的架空导、地线设备视频、图像及数据深度学习模型进行分析。

5)AI专家给出数据分析结果或分配任务至人类专家端。

6)人类专家开展失效分析检测及分析，并上传检测分析数据及诊断结论。

7)综合AI专家及人类专家分析结论给出诊断结果，并启动数据更新程序。

S16，设计专家系统的功能。

本步骤主要是为了满足电力设备运维单位及技术专家的业务需求，设计角色权限、数据上传及下载、设备失效分析模块、设备历史分析数据查询、设备健康状况趋势分析模块等功能。

本说明书中各个实施例之间相同相似的部分互相参见即可。相关之处可互相参照各实施例中的说明即可。

以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (10)

1.一种用于电力设备失效分析的专家系统，其特征在于，包括：用户端、AI专家及人类专家端；所述用户端、AI专家及人类专家端之间通过5G通讯进行数据交互，其中，所述用户端包括设备运维单位；所述人类专家端包括多个各领域的人类专家；

所述用户端用于发送电力设备的视频、图像及数据信息至AI专家；

所述AI专家用于对所述用户端传输的视频、图像及数据信息进行算法识别及分析；

所述用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检；

所述人类专家端用于对送检的失效样品检测及分析；

所述AI专家用于根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果；

所述用户端用于根据所述分析结果对失效电力设备缺陷处理。

2.根据权利要求1所述的专家系统，其特征在于，

所述用户端还用于向AI专家提出电力设备失效分析需求；

所述AI专家还用于根据所述电力设备失效分析需求，识别该电力设备所属领域及失效类型，并按照电力设备领域分配失效分析任务。

3.根据权利要求1所述的专家系统，其特征在于，

所述用户端还用于向AI专家反馈消缺信息；

所述人类专家端还用于对视频、图像、检测结果及分析结果进行标注；

所述AI专家还用于对分析数据进行深度学习并优化算法模型。

4.根据权利要求1所述的专家系统，其特征在于，

AI专家还用于根据相同类型、厂家、电压等级、环境等作出设备失效趋势分析；并根据失效趋势分析对电力设备运行状态预警；

所述用户端还用于接收预警信息，并根据预警信息对电力设备进行监测。

5.根据权利要求1所述的专家系统，其特征在于，所述用户端及人类专家端包括智能手机及PC端。

6.一种用于电力设备失效分析的方法，其特征在于，所述方法应用于权利要求1-5任一项所述的用于电力设备失效分析的专家系统，所述方法包括：

用户端通过5G通讯链路发送电力设备的视频、图像及数据信息；

AI专家对用户端传输的视频、图像及数据信息进行算法识别及分析；

用户端补充并修正数据资料，同时根据AI专家的需求取样，将失效样品标识及送检；

人类专家端对送检的失效样品检测及分析；

AI专家根据算法识别及分析的数据或人类专家检测分析的数据给出分析结果；

用户端根据所述分析结果对失效电力设备缺陷处理。

7.根据权利要求6所述的方法，其特征在于，所述用户端通过5G通讯链路发送电力设备的视频、图像及数据信息之前，还包括：

用户端向AI专家提出电力设备失效分析需求；

AI专家根据电力设备失效分析，识别该电力设备所属领域及失效类型；

AI专家按照电力设备领域分配失效分析任务。

8.根据权利要求6所述的方法，其特征在于，所述方法还包括：

用户端向AI专家反馈消缺信息；

人类专家端对视频、图像、检测结果及分析结果进行标注；

AI专家对分析数据进行深度学习并优化算法模型。

9.根据权利要求6所述的方法，其特征在于，所述方法还包括：

AI专家根据相同类型、厂家、电压等级、运行数据及环境作出电力设备失效趋势分析；

AI专家根据电力设备失效趋势分析对电力设备运行状态预警；

用户端接收预警信息，并根据预警信息对电力设备进行监测。

10.一种用于电力设备失效分析的专家系统构建方法，其特征在于，所述构建方法用于构建权利要求1-5任一项所述的专家系统，所述构建方法包括：

设置用户端及人类专家端多用户访问及角色权限；

建立用户端及人类专家端的智能手机及PC端应用程序；

选择用户端及人类专家端的5G通讯模式；

建立用户端的需求及功能应用程序；

在AI专家中构建数据库，并设置电力设备失效分析智能诊断的流程。

Images