利用機器學習RFID混合模型的運維檢修移動作業應用

趙水忠 王劍 顧曄

摘? 要： 針對傳統的運維檢修方法無法準確定位出故障點的缺點，提出利用機器學習RFID混合模型的運維檢修移動作業應用研究。首先，將射頻識別技術與決策樹算法結合，建立機器學習RFID混合模型;在模型的基礎上，采用運維檢修移動作業裝置中的RFID讀寫器，通過射頻識別技術識別出與運維檢修點相對應的標簽，完成運維檢修點的數據采集;通過去重過濾算法，去除采集到的重復數據;通過監督學習，訓練數據，對故障點與非故障點進行精確分類，再對其做運維檢修處理，完成利用機器學習RFID混合模型的運維檢修移動作業方法的設計。通過與傳統的運維檢修方法作對比實驗，實驗結果表明，提出的利用機器學習RFID混合模型的運維檢修移動作業方法具有更高的定位精度。

關鍵詞： 運維檢修; 機器學習; 數據采集; RFID混合模型; 重復數據去除; 故障點定位

中圖分類號： TN99?34; TP391? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）09?0157?04

Application of operation and maintenance mobile assignment

using machine learning RFID hybrid model

ZHAO Shuizhong1， 2， WANG Jian2， GU Ye2

（1. Shanghai Jiao Tong University， Shanghai 200240， China; 2. State Grid Zhejiang Electric Power Company， Hangzhou 310000， China）

Abstract： An application research of the operation and maintenance mobile assignment using the machine learning RFID hybrid model is proposed to overcome the shortcomings of the traditional operation and maintenance method that can not accurately locate the fault point. The RFID technology and the decision tree algorithm are combined to establish a machine learning RFID hybrid model. On the basis of the model， the tag corresponding to the operation and maintenance inspection point is identified with the RFID technology and the RFID reader in the mobile operation device to complete the data acquisition of the operation and maintenance inspection point. The deduplication filtering algorithm is used to remove the collected duplicate data. The supervised learning and the training data are used to accurately classify the fault point and the non?fault point， and then the operation and maintenance processing is adopted for the classification result to achieve the design of the operation and maintenance mobile assignment method using the machine learning RFID hybrid model. A contrast experiment of the method designed in this paper and the traditional operation and maintenance method was carried out. The experimental results show that the designed operation and maintenance mobile operation method using machine learning RFID hybrid model have higher positioning accuracy.

Keywords： operation and maintenance overhauling; machine learning; data acquisition; RFID hybrid model; duplicate data removing; fault point positioning

0? 引? 言

近年來，隨著運維檢修工作量的不斷加大，傳統的運維檢修方法已無法滿足實際需求，需要開發新的技術和方法提高運維檢修技術的水平。目前，一些企業采用移動作業的方式，改進了運維檢修的模式，為運維檢修工作提供了便利[1]。然而，現有的運維檢修移動作業方法無法及時、準確地識別出需要做運維檢修處理的目標位置，導致運維檢修的效率大大下降[2?4]。隨著科技水平的不斷提高，機器學習和射頻識別技術得到了不斷的發展。機器學習是一種人工智能算法，常見的機器學習算法包括決策樹算法、貝葉斯算法、隨機森林算法、支持向量機算法以及人工神經網絡算法等[5?10]。無線射頻識別（RFID）技術是一種非接觸式的自動識別技術，具有適用性好、識別效率高、結構簡單等優點，被廣泛應用在監控、運維檢修、檢測等領域[11?15]。

基于以上內容，本文將機器學習和RFID相結合，提出一種利用機器學習RFID混合模型的運維檢修移動作業方法，對其應用情況與傳統的運維檢修移動作業方法作比較，以驗證其能夠更為有效地完成運維檢修工作。

1? 機器學習RFID混合模型的運維檢修移動作業研究

將機器學習和RFID相結合，建立混合模型，采用裝有RFID讀寫器的移動作業裝置實施運維檢修工作。在機器學習RFID混合模型建立的基礎上，通過射頻識別完成對運維檢修待測點的數據采集，通過去重過濾算法去除采集到的重復數據，通過監督學習對處理后的數據做訓練，再利用移動作業裝置對運維檢修待測點進行檢修，完成利用機器學習RFID混合模型的運維檢修移動作業方法的設計。

1.1? 建立機器學習RFID混合模型

通過RFID獲取運維檢修待測點數據。RFID采用電子標簽與運維檢修待測點一一對應，通過對電子標簽的識別，以識別出運維檢修待測點。不同的運維檢修待測點會出現不同的分類。利用決策樹算法，基于不同待測點的特征，對采集到的數據分類，其分類的具體過程如下：

設機器學習RFID混合模型的訓練數據集為[A=x1，y1，x2，y2，…，xN，yN]，其中，[xi=x1i，x2i，…，][xni]為機器學習RFID混合模型的輸入數據樣本，[n]代表運維檢修待測點的特征個數;[yi∈1，2，…，J]代表類標記，[i=1，2，…，N]，[N]代表訓練樣本容量。為了使決策樹具備更好的泛化能力，通過剪枝去掉決策樹細分的葉節點。假設訓練數據集有[J]個分類標簽，樣本點屬于第[j]類的概率為[pj=PY=cj]。將其概率分布的Gini指數定義為：

[Ginip=j=1Jpj1-pj=1-j=1Jp2j] （1）

對于輸入的訓練數據集合[A]，設屬于[cj]類的樣本數據為[Cj]，則該條樣本數據的Gini指數為：

[Ginip=1-j=1JcjA2] （2）

根據給定特征[Z]是否取某一個可能值[α]，將樣本數據集劃分為兩個獨立的數據集[A1]和[A2]：

[A1=x，y∈AxA=αA2=x，y∈AxA≠α=A-A1] （3）

將式（3）作為數據集的劃分規則，劃分數據集，直至[α]小于設定好的閾值，或者直至不可劃分為止。利用RFID獲取運維檢修待測點數據，通過決策樹對數據集分類，將二者結合，建立機器學習RFID混合模型。在模型的基礎上，采用運維檢修移動作業裝置實施運維檢修工作，其總體架構如圖1所示。

如圖1所示，首先，通過RFID利用射頻識別技術識別出運維檢修待測點;其次，對得到的數據做數據去重等處理;之后，通過無線傳輸，將處理后的數據上傳;最后，利用機器學習算法中的決策樹算法對數據進行訓練，發現故障點，再對其做檢修等處理。下面對運維檢修過程進行具體分析。

1.2? 射頻識別

在運維檢修移動作業裝置中，設有RFID讀寫器，將電子標簽和運維檢修點一一對應，將電子標簽附在待檢測點的位置，作為檢修點標識。將RFID讀寫器安裝在距檢修點一定的距離上。當標簽出現在RFID識別區域，RFID自動識別標簽，讀取電子標簽的數據，和其他與運維檢修相關的數據組成特定的數據格式，傳輸給中繼節點。在射頻識別的過程中，其所設置的數據采集節點如圖2所示。

在適當的位置設置采集（射頻識別）節點，通過RFID識別出運維檢修待測點。

1.3? 重復數據處理

在實際的運維檢修移動作業中，標簽如果長時間停留在識別區域，RFID讀寫區會重復讀取標簽并上傳，導致RFID讀寫器除了接收到有用數據，還會接收到大量的重復數據，需要對數據做處理。首先，采用去重過濾算法過濾接收到的重復數據，具體的算法過程如下：

將RFID讀寫器得到的數據表示成三個部分，分別為讀到的標簽信息、標記號和讀到數據的時間。在得到運維檢修待測點的數據，根據標記號檢查去重的數據是否含有相同的數據，對其做相應處理：如果不含有相同數據，則將接收到的數據視為新數據，插入登記表，輸出相應的標簽信息;如果含有相同數據，則更新讀到數據的時間，輸出相應的標簽信息。采用的過濾算法流程圖如圖3所示。

通過圖3的過濾算法完成對重復數據的過濾，以便得到準確的各個運維檢測待測點的數據，通過無線傳輸輸出到移動作業端。

1.4? 監督學習

采用監督學習的方式對機器學習RFID混合模型中的數據進行訓練，再通過移動作業裝置對帶有標記的數據實施運維檢修。具體的監督學習過程如下：

1） 對模型中的數據做線性判別分析。針對模型中的數據集[A]，求對其分類后的協方差。將數據投影到一條直線上，為保證類內方差最小，類間方差最大，優化目標，完成對機器學習RFID混合模型中數據的線性判別分析。

2） 通過分類決策樹算法，根據數據特征劃分數據，完成數據分類，即將數據分為故障點數據和非故障點數據，對于有故障的運維檢修待測點，采用相應的技術對故障做檢修等處理。

通過上述步驟，完成利用機器學習RFID混合模型的運維檢修移動作業。在此基礎上，對其應用做出研究。

2? 仿真實驗

為驗證提出的利用機器學習RFID混合模型的運維檢修移動作業方法對運維檢修待測點的定位識別的準確性，以某一運維檢修項目為例，采用裝有RFID讀寫器的移動作業裝置，利用機器學習RFID混合模型，將機器學習RFID混合模型的運維檢修移動作業方法應用其中，并與其他運維檢修移動作業方法作對比，比較其在運維檢修移動作業過程中對待測點的定位精度。

2.1? 實驗過程

設置100個運維檢修待測點，取其中的50個點作為訓練樣本，采用機器學習的方法對實驗樣本做訓練。首先，對標簽RFID讀測試，確定標簽的位置。將標簽置于距離運維檢修待測點1 m，1.5 m，2 m，2.5 m，3 m處，得到的有效距離如表1所示。

從表1中可以看出，當標簽與運維檢修點的距離小于等于2.5 m時，RFID可以完全識別出運維檢修待測點。因此，將標簽與運維檢修點的距離設置在2.5 m以內即可。

確定有效距離后，通過機器學習RFID混合模型對樣本數據做訓練，以便后續可以準確定位運維檢修待測點。在訓練樣本數據后，在其余的50個待測點選出25個待測點作為故障點，對有故障的運維檢修待測點做定位識別。通過利用機器學習RFID混合模型的運維檢修移動作業方法，得到有故障的運維檢修待測點，驗證其與實際設定有故障的運維檢修待測點是否一致，并與其他運維檢修移動作業方法得到的結果作對比。

2.2? 實驗結果分析

分別采用提出的機器學習RFID混合模型的運維檢修移動作業方法和傳統的運維檢修方法定位故障點，得到的定位結果對比圖如圖4所示。

從圖4中可以看出，在25個運維檢修故障點中，采用傳統的運維檢修方法，定位識別出21個運維檢修故障點，能夠準確定位到的運維檢修故障點的個數為16個，有4個運維檢修故障點未被識別出，有5個運維檢修故障點的定位出現誤差。采用本文提出的基于機器學習RFID混合模型的運維檢修移動作業方法，由于采用RFID能夠實現運維檢修點的自動識別，加上機器學習算法能夠更加有效地對故障點與非故障點分類，能夠準確定位，識別出提前設定的全部運維檢修故障點，所得到的定位結果符合運維檢修故障點的實際位置，表明其具有更高的定位精度。

3? 結? 語

在傳統的運維檢修移動作業方法中，由于對運維檢修故障點的定位精度低，導致運維檢修效率低。針對定位精度低的問題，本文提出了利用機器學習RFID混合模型的運維檢修移動作業方法，該方法將機器學習和RFID相結合，建立混合模型，很好地改善了傳統方法存在的定位精度低的不足。通過實驗對其應用情況與傳統的運維檢修移動作業方法作對比，實驗結果表明，提出的運維檢修移動作業方法能夠更為精準地定位運維檢修待測點。希望其可以為運維檢修移動作業研究提供一定的參考價值。

參考文獻

[1] 黃薇，陳華霖，俞玲，等.移動作業在線纜故障搶修中的應用[J].電力與能源，2018，39（1）：136?138.

[2] 馬永濤，高鑫.基于Adaboost的無源RFID射頻層析成像偽目標識別[J].天津大學學報（自然科學與工程技術版），2018，51（2）：135?142.

[3] 張素芳，翟俊海，王聰，等.大數據與大數據機器學習[J].河北大學學報（自然科學版），2018，38（3）：299?308.

[4] 焦嘉烽，李云.大數據下的典型機器學習平臺綜述[J].計算機應用，2017，37（11）：3039?3047.

[5] 李力，林懿倫，曹東璞，等.平行學習：機器學習的一個新型理論框架[J].自動化學報，2017，43（1）：1?8.

[6] 祝歆，劉瀟蔓，陳樹廣，等.基于機器學習融合算法的網絡購買行為預測研究[J].統計與信息論壇，2017，32（12）：94?100.

[7] 余明華，馮翔，祝智庭，等.人工智能視域下機器學習的教育應用與創新探索[J].遠程教育雜志，2017，35（3）：11?21.

[8] 司禹，馮鵬，于雙銘，等.基于無源超高頻RFID溫度標簽的溫度監測系統[J].傳感器與微系統，2017，36（1）：78?80.

[9] 郭振軍，孫應飛.基于標簽分組的RFID系統防碰撞算法[J].電子與信息學報，2017，39（1）：250?254.

[10] 曹偉，江平宇，江開勇，等.基于RFID技術的離散制造車間實時數據采集與可視化監控方法[J].計算機集成制造系統，2017，23（2）：273?284.

[11] 黃偉慶，丁昶，崔越，等.基于惡意讀寫器發現的RFID空口入侵檢測技術[J].軟件學報，2018，29（7）：1922?1936.

[12] 馬叢淦，李上國，王闖，等.班組移動作業終端系統的設計和應用[J].電力信息與通信技術，2018，16（2）：41?45.

[13] 陳康.基于RFID技術的動車組輪對檢修管控系統[J].鐵路計算機應用，2019，28（1）：63?67.

[14] 李秉展，羅紫萍，龍丹冰.基于機器學習的智慧BIM運維管理系統及BIM+MR的檢修應用程序：以醫院建筑為例[J].土木建筑工程信息技術，2017，9（6）：22?27.

[15] 楊德勝.融合KKS與RFID機房整體運維關鍵技術研究[J].微型電腦應用，2017，33（5）：63?64.