CN117874565B - 一种基于神经网络的工作票准确性检测方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的工作票准确性检测方法，属于电力工作票检测技术领域，包括：实时获取生成的工作票，对所述工作票按照预设主分类进行分类，为所述工作票打上对应的主分类标签；依据各所述工作票上的所述主分类标签对所述工作票进行二次分类，获得对应的二类标签，将所述工作票按照所述二类标签发送到对应的待检库中进行储存；识别具有的检测标准和检测项，根据所述检测标准和所述检测项设置对应的样本数据集，基于所述样本数据集建立工作票检测模型；识别所述待检库中的检测标准和检测项，匹配对应的工作票检测模型，根据所述工作票检测模型对所述待检库中的各工作票进行检测，获得对应的检测结果。

Description

一种基于神经网络的工作票准确性检测方法

技术领域

本发明属于电力工作票检测技术领域，具体是一种基于神经网络的工作票准确性检测方法。

背景技术

工作票制度是电网安全生产的基础工作，工作票管控能力的高低直接决定电网经营企业安全管理水平的高低。电力系统对不合格工作票的查处是风险防控的重要手段，能够有效的避免现场作业违章及各类事故的发生。目前虽然各单位均建立起各自单位的工作票审查机制和考核手段，但是受作业现场点多、面广，工作票的监督受制于安全监督人员数量、工作经验及车辆等诸多因素影响，安全监督很容易存在盲区，各类不合格的工作票仍然大量存在。

传统电力系统工作票的检查是利用各级安全监督力量按照职责的划分工作人员分别到各类工作现场开展安全监督和工作现场办理的工作票检查的方法。按照工作票填写规定检查抽查的工作票是否合格。通过现场检查和工作票抽查，发现不合格两票进行现场纠错、现场监督、现场整改，从而降低工作票违章的频次，大量存在的不合格工作票对电力系统安全生产造成严重威胁，如果按照常规的检查方法和检查手段将检查效率将非常低，且检查效果也不明显。

尤其是随着电网的快速发展，使得具有大量的工作票需要进行检测，因此，目前亟需一种能够快速、准确的进行工作票检测的方法。

发明内容

为了解决上述方案存在的问题，本发明提供了一种基于神经网络的工作票准确性检测方法。

本发明的目的可以通过以下技术方案实现：

一种基于神经网络的工作票准确性检测方法，包括：

步骤S1：实时获取生成的工作票，对所述工作票按照预设主分类进行分类，为所述工作票打上对应的主分类标签；

步骤S2：依据各所述工作票上的所述主分类标签对所述工作票进行二次分类，获得对应的二类标签，将所述工作票按照所述二类标签发送到对应的待检库中进行储存；

步骤S3：识别具有的检测标准和检测项，根据所述检测标准和所述检测项设置对应的样本数据集，基于所述样本数据集建立工作票检测模型；

步骤S4：识别所述待检库中的检测标准和检测项，匹配对应的工作票检测模型，根据所述工作票检测模型对所述待检库中的各工作票进行检测，获得对应的检测结果。

进一步地，二次分类的方法包括：

预设对应的各作业等级以及对应的作业值区间；

获取所述工作票的实施目标和作业位置，基于所述实施目标和所述作业位置设置对应的作业值；

将所述作业值与各所述作业值区间进行匹配，确定所述工作票对应的作业等级，基于所述作业等级对所述工作票进行二次分类。

进一步地，作业值的设置方法包括：

对所述实施目标和所述作业位置进行分析，获得对应的实施目标值和地区影响值；

将所述实施目标值和所述地区影响值分别标记为SBZ和DYZ，根据作业值评估公式计算对应的作业值ZYB。

进一步地，各所述待检库中储存有对应的检测标准和检测项。

进一步地，还包括步骤S5：确定目标工作票，实时识别所述目标工作票的溯源数据，将所述溯源数据与所述目标工作票的记录数据进行校核，根据校核结果对所述目标工作票的检测结果调整；并将调整后的所述检测结果发送给对应的实施目标。

进一步地，识别各合格工作票，从各所述合格工作票中确定对应的复检工作票，将各所述复检工作票发送给复检人员进行复检。

进一步地，复检工作票的选择方法包括：

识别所述合格工作票的作业内容，根据所述作业内容设置对应的安全值；

识别所述合格工作票上的主分类标签，根据所述主分类标签统计该主分类工作票的出错率；

获取所述合格工作票的作业值；

将所述作业值、安全值和出错率输入到优先级公式中计算对应的优先值，将各合格工作票按照优先值从高到低的顺序进行排序，获得选择列表；

获取复检工作票的数量N，N为正整数，选取选择列表排序前N的合格工作票为复检工作票。

进一步地，优先级公式；

式中：DUG为优先值；AG为安全值；LG为出错率；ZYB为作业值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1。

进一步地，安全值的取值范围为[60，100]。

与现有技术相比，本发明的有益效果是：

通过各步骤之间的相互配合，实现对工作票的快速、自动化检测，通过进行主分类和二次分类的两次分类，将产生的工作票进行更加精准的归类，避免对于具有差异的工作票采用相同的检测方式进行检测，实现不同工作票的精准检测，并在分析过程中充分考虑实施目标和作业位置对检测的影响，充分保证工作票的检测正确性，提高电力作业安全性；并基于工作票的差异性进行选择不同的模型进行检测。

通过实时利用溯源数据对目标工作票进行校核，保证检测合格的工作票的一致性，提高检测准确性和及时性，并将调整后的检测结果及时的发送给对应的实施目标，确保实施目标能够及时的了解工作票变动情况，降低沟通量，提高沟通效率。

通过对合格工作票进行智能分析，实现对合格工作票的智能抽检。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明原理框图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于神经网络的工作票准确性检测方法，包括：

步骤S1：对接工作票系统，实时获取生成的工作票，对获得的工作票按照预设主分类进行分类，为工作票打上对应的主分类标签；

根据工作票对应的各个领域，设置对应的主分类，如具体的设备维护、设备操作、设备检修、设备安装、线路巡检、设备故障排查、变电站运行检修等；根据主分类对应的范围对工作票打上对应的主分类标签。

步骤S2：依据各工作票上的主分类标签对工作票进行二次分类，获得对应的二类标签，将对应工作票按照二类标签发送到对应的待检库中进行储存；

二次分类即为将工作票按照面向的实施目标、作业位置进行评估对应的作业等级，根据作业等级进行再次分类，如分为A、B、C、D四个作业等级，每个作业等级对应一个作业值区间，根据各工作票计算的作业值进行匹配，确定对应的作业等级，按照作业等级进行分类，储存到该主分类对应作业等级的待检库中进行储存；具体二次分类过程如下：

识别该工作票对应的实施目标和作业位置，若无法识别，表明缺项，可以直接判定不合格；实时目标指的是依据工作票进行工作的技术人员、施工班组等目标，统一使用实施目标进行表示；对实施目标和作业位置进行分析，获得对应的实施目标值和地区影响值；实施目标值是根据该实施目标的工作能力进行评估，基于其历史工作记录等相关数据进行分析，评估其工作能力情况，设置对应的实施目标值，能力越强，实施目标值越大；地区影响值是根据该工作位置所处区域对应时间的地理环境等相关环境影响因素进行评估的，作业影响越大，对设备等影响越大，其地区影响值就越大，如天气条件、负荷状态等；

实施目标的能力评估可以参照企业内具有的评估体系评估的等级，为每个等级设置对应的实施目标值，再结合对应施工记录中的完成情况进行修正，获得对应的实施目标值；各地区的环境差异范围有限，可以预设各不同环境范围内的地区影响值，进行匹配即可；在具体实施过程中，可以按照上述方式通过人工的方式建立对应的训练集，训练集包括实时目标工作数据、作业位置对应的环境数据以及对应设置的实施目标值和地区影响值；基于CNN网络或DNN网络等建立对应的评估模型，通过建立的训练集进行训练，通过训练成功后的评估模型进行分析，获得对应的实施目标值和地区影响值；因为神经网络为本领域的现有技术，因此，具体的建立和训练过程在本发明中不进行详细叙述。

将获得的实施目标值和地区影响值分别标记为SBZ和DYZ，根据作业值评估公式计算对应的作业值ZYB。

待检库用于进行储存对应的工作票以及该二次分类标签对应的检测标准和检测项；检测标准是针对该二次分类标签对应的作业等级进行设置的，作业等级越低，表明作业能力越低，作业环境越差，需要更高的工作票检测标准，如工作票介绍内容更全面等，最低标准的检测标准也是符合工作票检测规范的；检测项是根据主分类进行设置的，用于表示该主分类下的同格式工作票应该检测哪些项目。

步骤S3：识别具有的检测标准和检测项，根据获得的检测标准、检测项设置对应的样本数据集，根据样本数据集建立工作票检测模型；

样本数据集包括素材样本和通过人工根据检测标准、检测项标注的样本集；工作票检测模型是基于神经网络建立的智能模型，用于对工作票进行检测；

示例性的，在Pytorch深度学习框架下基于Linknet网络结构搭建Linknet网络模型，设置Linknet网络模型的参数，将样本数据集输入Linknet网络模型，并基于Pytorch深度学习框架对Linknet网络模型进行训练，训练过程中保存多个模型，利用验证集数据选择误差最小的模型作为工作票检测模型。

步骤S4：识别待检库中的工作票、检测标准和检测项，匹配对应的工作票检测模型，根据获得的工作票检测模型对待检库中的工作票进行检测，获得对应的检测结果。

通过各步骤之间的相互配合，实现对工作票的快速、自动化检测，通过进行主分类和二次分类的两次分类，将产生的工作票进行更加精准的归类，避免对于具有差异的工作票采用相同的检测方式进行检测，实现不同工作票的精准检测，并在分析过程中充分考虑实施目标和作业位置对检测的影响，充分保证工作票的检测正确性，提高电力作业安全性；并基于工作票的差异性进行选择不同的模型进行检测。

在一个实施例中，工作票填写时的工作环境和设备状态可能会在填写之后发生变化，填写电力工作票时，需要对工作所涉及的设备进行状态检查和评估，以确保安全执行工作。然而，由于设备的运行和维护过程中可能存在故障、损耗或其他变化，设备状态可能会在填写电力工作票之后发生改变。

例如，设备可能在填写电力工作票后发生故障，导致需要采取其他措施或更改工作顺序。这样的变化可能使原先填写的工作票变得不准确或不适用。其次，工作环境的动态性也是一个重要考虑因素。填写电力工作票时，需要对工作环境进行评估，以确定安全措施和工作步骤。然而，工作环境可能会在填写之后发生变化，例如，发生天气变化、人员流动或其他临时工作要求。因此，需要对检测合格的工作票进行监测，避免当前检测合格，在施工前因为情况变动而导致不合格，但是未及时发现的问题。

还包括步骤S5：实时获取目标工作票，实时识别目标工作票的溯源数据，将识别的溯源数据与目标工作票中记录的数据进行实时校核，根据校核结果进行对应目标工作票的检测结果调整，并将调整后的检测结果发送给对应的实施目标。

目标工作票指的是检测合格但是还未施工或者施工完毕的工作票，根据工作票的实际分类确定范围是否包括正在实施的工作票。

目标工作票的溯源数据即为目标工作票内容的来源数据。

利用当前的数据校核技术，实现溯源数据与目标工作票中记录数据的校核，判断目标工作票中的记录数据是否出现变动，若出现变动，将对应的目标工作票的检测结果标记为不合格，反之，仍为检测合格。

通过实时利用溯源数据对目标工作票进行校核，保证检测合格的工作票的一致性，提高检测准确性和及时性，并将调整后的检测结果及时的发送给对应的实施目标，确保实施目标能够及时的了解工作票变动情况，降低沟通量，提高沟通效率。

在一个实施例中，在进行工作票检测后，一般会有人工抽检，但是当前的人工抽检一般是依据自身经验和习惯进行抽检的，在工作票选择上不够合理，没有针对性，因此，在本实施中，对检测合格的工作票进行智能选择需要进行复检的工作票，发送给复检人员进行复检，将检测合格的工作票标记为合格工作票，针对未实施的检测合格的工作票；将选择的需要复检的合格工作票标记为复检工作票；具体方法包括：

获取各合格工作票对应的作业值；

识别合格工作票的作业内容，根据作业内容的安全情况设置对应的安全值，即根据其实施过程中的危险情况、危险系数进行分析，具体的汇总作业范围内的各种作业内容可能具有安全风险，进行汇总分类，为每个分类设置一个安全值，风险越大，按安全值越低，当前电力企业在对很多的电力工作都有相应的安全风险评级，根据其风险评级进行分类和安全值的设置同样可以；安全值的范围为[60，100]，一般低于60是不允许进行作业的，因此最低为60；可以采用匹配的方式匹配对应的安全值，但是匹配的方式获得的安全值不够精准，可以基于CNN网络或DNN网络等建立对应的安全分析模型，通过人工的方式建立对应的训练集进行训练，训练集包括各种模拟设置的作业内容以及对应设置的安全值，通过训练成功后的安全分析模型进行分析，获得合格工作票对应的安全值。

识别合格工作票所属的主分类，统计该主分类工作票的出错率；

将获得的安全值和出错率分别标记为AG和LG，根据优先级公式计算对应的优先值DUG，其中b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1，将各合格工作票按照优先值从高到低的顺序进行排序，获得选择列表；

获取需要进行复检的数量N，选取选择列表排序前N的合格工作票为复检工作票。

通过对合格工作票进行智能分析，实现对合格工作票的智能抽检。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种基于神经网络的工作票准确性检测方法，其特征在于，包括：

步骤S1：实时获取生成的工作票，对所述工作票按照预设主分类进行分类，为所述工作票打上对应的主分类标签；

步骤S2：依据各所述工作票上的所述主分类标签对所述工作票进行二次分类，获得对应的二类标签，将所述工作票按照所述二类标签发送到对应的待检库中进行储存；

步骤S3：识别具有的检测标准和检测项，根据所述检测标准和所述检测项设置对应的样本数据集，基于所述样本数据集建立工作票检测模型；

步骤S4：识别所述待检库中的检测标准和检测项，匹配对应的工作票检测模型，根据所述工作票检测模型对所述待检库中的各工作票进行检测，获得对应的检测结果；

二次分类的方法包括：

预设对应的各作业等级以及对应的作业值区间；

获取所述工作票的实施目标和作业位置，基于所述实施目标和所述作业位置设置对应的作业值；

将所述作业值与各所述作业值区间进行匹配，确定所述工作票对应的作业等级，基于所述作业等级对所述工作票进行二次分类；

作业值的设置方法包括：

对所述实施目标和所述作业位置进行分析，获得对应的实施目标值和地区影响值；

将所述实施目标值和所述地区影响值分别标记为SBZ和DYZ，根据作业值评估公式计算对应的作业值ZYB。

2.根据权利要求1所述的一种基于神经网络的工作票准确性检测方法，其特征在于，各所述待检库中储存有对应的检测标准和检测项。

3.根据权利要求1所述的一种基于神经网络的工作票准确性检测方法，其特征在于，当获得检测结果后，确定目标工作票，实时识别所述目标工作票的溯源数据；

将所述溯源数据与所述目标工作票的记录数据进行校核，根据校核结果对所述目标工作票的检测结果调整；并将调整后的所述检测结果发送给对应的实施目标。

4.根据权利要求1所述的一种基于神经网络的工作票准确性检测方法，其特征在于，对于检测合格的工作票进行复检。

5.根据权利要求4所述的一种基于神经网络的工作票准确性检测方法，其特征在于，复检方法包括：

识别各合格工作票，从各所述合格工作票中确定对应的复检工作票，将各所述复检工作票发送给复检人员进行复检。

6.根据权利要求5所述的一种基于神经网络的工作票准确性检测方法，其特征在于，复检工作票的选择方法包括：

识别所述合格工作票的作业内容，根据所述作业内容设置对应的安全值；

识别所述合格工作票上的主分类标签，根据所述主分类标签统计该主分类工作票的出错率；

获取所述合格工作票的作业值；

将所述作业值、安全值和出错率输入到优先级公式中计算对应的优先值，将各合格工作票按照优先值从高到低的顺序进行排序，获得选择列表；

获取复检工作票的数量N，N为正整数，选取选择列表排序前N的合格工作票为复检工作票。

7.根据权利要求6所述的一种基于神经网络的工作票准确性检测方法，其特征在于，优先级公式；

式中：DUG为优先值；AG为安全值；LG为出错率；ZYB为作业值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1。

8.根据权利要求6所述的一种基于神经网络的工作票准确性检测方法，其特征在于，安全值的取值范围为[60，100]。