核電廠維修工作申請智能分發研究與應用

江蘇核電有限公司 羅文兵

1 背景

1.1 電力體制改革下核電企業轉型升級的需要

當前，國內經濟增長對電力需求增速放緩、新能源技術的發展和成熟、能源結構調整優化、電力市場改革積極推進、政府對行業結構的調整和控制等電力市場新形勢，給核電產業發展帶來新的機遇和挑戰。通過核能發電和大數據應用的融合，打造新時代的“智能核電廠”，實現企業的創新發展、智能發展和綠色發展。

1.2 電廠打造全球標桿運行機組需要

針對群堆管理模式的核電廠，機組日常生產過程中因存在大量的設備缺陷而產生大量的維修工作申請，需要計劃、維修等部門的計劃工程師每日在生產維修管理系統中持續認領分發，對于無部門認領且有爭議的工作申請還需組織召開分票會討論分發，占用了生產人員大量時間，累計投入了大量的人力，且夜間產生的工作申請存在不能及時分發的現象，影響了現場維修響應速度。

為保障提高維修工作申請分發的及時性與效率，加快維修響應速度，減少對人員經驗與資質的依賴，降低人力資源的投入，保障機組安全穩定運行，打造全球標桿運行機組，需要通過建立維修工作申請智能分發系統，實現工作申請智能分發功能并以人工智能技術為支撐，通過智能學習，持續改進與提高維修工作申請智能分發的準確率。

2 智能分發規則研究

2.1 應用人工智能NLP技術研究分發規則

深度學習的概念源于人工神經網絡的研究，深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的特征表示。深度學習是機器學習研究中的一個新領域，動機在于建立、模擬人腦進行分析學習的神經網絡，其模仿人腦機制來解釋數據。當前，深度學習在計算機視覺、語音識別、自然語言處理等領域均有了成功的應用。

核電廠維修工作申請的分發過程，實質上就是計劃工程師基于對維修工作申請對象與申請描述的理解后，根據經驗做出的判定，在過程上與自然語言處理高度相似。為此，在研究初期，選擇使用人工智能NLP技術嘗試對維修工作申請進行智能分發。經過對歷史維修工作申請進行梳理，共梳理維修工作申請數據78326條，再經過NLP自然語言分析后得到9000+條的關鍵專業詞匯。采用樸素貝葉斯和隨機森林算法，對歷史維修工作申請數據進行分發，并與實際人工分發結果進行對比，智能分發準確率為60%，且在經過人工對專業詞匯的初步干預后，分發準確率仍然無法得到有效提高。

經對未成功分發的維修工作申請數據進一步分析，發現導致智能分發結果無法達到預期效果的主要原因如下。

一是維修工作申請數據量不滿足深度學習對數據量的要求，大數據技術的前提是數據量巨大，雖然當前歷史維修工作申請數據量已有近20萬條，但仍與深度學習所需的數據存在數量級上的差距；二是歷史維修工作申請數據質量對分析結果有較大影響，從深度學習角度來說，一定比例的臟數據有助于提高機器學習結果的準確性，但這里的臟數據，主要指工作申請描述的不規范數據，并不包括由于責任部門變更等因素，導致的分發結果歧義，而排除這部分數據將導致分析數據集的進一步縮小。

根據基于計算機深度學習對維修工作申請的分發準確率分析，在短期內無法達到預期目標，則需要業務部門投入大量資源對歷史數據進行清洗。

2.2 在一次分發規則的基礎上研發二次分發規則

在人工智能NLP技術智能分發規則基礎上，考慮疊加采用固有規則。通過梳理電廠功能設備與責任班組間的對應關系，電廠兩臺機組共計梳理出約19萬條功能設備數據與責任班組相關對應，最終并將梳理結果導入電廠功能設備主數據管理系統。

通過利用PYTHON與EXCEL工具對2018年兩臺機組維修工作申請進行模擬分發，根據維修工作申請KKS編碼，在上述規則中查找對應的責任班組，并與實際人工分發結果進行對比。經對2018年兩臺機組維修工作申請共12396條，按已梳理的分發規則能夠找到責任班組并進行準確分發的共10358條，占比83.6%，模擬分發結果與實際執行的維修工作申請中的責任班組相同的共7174條，分發正確率為69.3%，綜合分發準確性為57.9%。再對2018年兩臺機組維修工作申請進行清理后，排除未執行的申請，2018年申請狀態為處理中與結束的工作申請共10902條，按已梳理的分發規則能夠準確分發的共9242，占比84.8%，分發結果與實際執行相同的共7168條，分發正確率為77.6%，綜合分發準確性為65.8%。與預期目標仍存在一定差距。

經過對未準確分發的維修工作申請深入分析，發現工作申請的質量仍然是影響結果的主要因素，主要體現在維修工作申請在提出階段無法準確識別，如設備缺陷的工作申請描述為儀表管線堵塞，而工作申請報告人所填寫的工作申請的功能設備為壓力表。系統根據功能設備主數據KKS編碼，識別維修工作申請的責任班組儀控處，但實際發生缺陷的位置為壓力表所在管線，則維修工作申請的責任班組應為維修處，因此需要對工作申請描述的關鍵內容進行提煉，以進一步提高智能分發的準確率。

經過對歷史維修工作申請分析，提煉出對工作申請進行分發的二次規則，在根據功能設備主數據KKS編碼對工作申請進行一次分發后，輔助工作申請描述關鍵內容對其進行二次分發。二次分發規則示例如表2，當設備類型為AA，則一次分發結果為OPMMS01時，如設備在UBN廠房，且工作申請描述中包含力矩，該工作申請分發到OPMMS02。

表2 二次分發規則示例

再次通過使用PYTHON與EXCEL工具對2018年兩臺機組維修工作申請進行模擬分發驗證，分發結果準確率得到顯著提升，對已識別二次分發規則的設備，通過工具模擬得到的分發準確率最高達到85%。

3 智能分發應用成果

3.1 智能分發準確率達到預期效果

維修工作申請智能分發系統于2019年10月17日正式上線試運行，在2020年2月基于大數據平臺開發了智能分發結果查詢與分析報表，以便實時了解分發準確率，并對分發錯誤的工作申請進行分析以進一步完善分發規則。從2019年10月15日到10月30日時間范圍內，工作申請分發結果如圖1所示。

圖1 工作申請分發結果分布圖

期間，兩臺機組共創建1076條維修工作申請，其中自動分發到責任班組的工作申請共906條，占比84%，如圖2所示。

圖2 工作申請自動分發占比

自動分發到責任班組的工作申請共906條，其中成功分發的工作申請共680條，占已自動分發申請的75%，如圖3所示。

圖3 成功分發申請占比

如果所有回退的原因均為系統分發錯誤，可視為智能分發準確率為75%，其中有二次分發規則的閥門類設備，分發準確率達到了80%。經對回退原因深入分析，在總計226條回退的工作申請中，明確注明了回退原因的工作申請共55條。示例數據見表3。

表3 被回退工作申請

經對回退的工作申請統計分析，常見的回退原因主要有：設備缺陷不存在、重復提票、非本專業缺陷、系統分發錯誤及其他原因。經粗略統計在回退原因中明確標明了系統分發錯誤及非本專業缺陷的工作申請共27條，以此數據對已分發工作申請準確率進行計算，系統分發準確率為（1-27/906）×100%=97.16%，綜合準確率81.85%，基本達到預期效果。

3.2 智能分發應用取得預期效益

從維修工作申請響應處理效率角度，經統計2018年的維修工作申請從工作申請批準到計劃工程師首次分發，平均耗時11.3h。智能分發系統上線后，僅有未分發成功的需進行人工分發，分發成功的工作申請批準后即刻轉入工作申請響應處理階段，耗時為0。以2018年的維修工作申請進行模擬分發驗證測算，系統上線后，申請從批準到計劃工程師首次分發平均耗時約為2h，極大地減少了維修工作申請分發階段耗時。

實踐證明，利用累積的大數據資源以及快速發展的大數據技術，深度挖掘關鍵數據，可以為核能發電企業生產運營提供強有力的數據支撐，為核能發電企業注入新動能、新契機。通過構建智能分發大數據應用系統，提高了機組設備缺陷處理響應速度，節省了人力資源投入，同時保障了機組安全穩定運行，凸顯了公司高度負責的發展理念及穩定可靠的供電能力，為社會發展做出了積極貢獻，得到社會各界的高度認可，提高了企業在競爭激烈市場中的知名度，為企業的可持續發展創造了良好的條件。