DeepSeek的现象级出圈,为业界开辟了一条通向AI的新路径,也为大模型的落地应用打开了更大的空间。
在大模型走深向实的氛围下,越来越多的企业改变了观望态度,开始深入挖掘大模型带来的新质生产力。一些走在行业前沿的创新探索,开始频繁置身于聚光灯下,成为业界讨论、学习的对象。
譬如在昇腾AI创新大赛2024总决赛上斩获应用创新组金奖的“许继智算”团队,用大模型巧妙破解了缺陷检测、风险识别等人工巡检难以解决的“历史性难题”,给出了大模型落地电力装备运维的技术路线。
01 跨越智能化运维的“最后一公里”
提起电力装备运维,可能不少人都比较陌生。
简单来说,电力装备运维就是对变电站、高压变压器、特高压换流阀等电力设备进行巡视、检修维护、故障处理、性能测试等工作,通过定期的检查和维护,保障电力系统运行的安全可靠。
但在相当长的时间里,电力装备运维都依赖人工检查,不仅对运维人员的经验、能力有着极高的要求。
由于传感终端的寿命短、稳定性差,导致误报率高,再加上电力装备的环境比较复杂,人工巡检可能无法及时发现潜伏性缺陷。即使是一个微小的疏忽,也可能会引发难以想象的危险。
例如某±800kV换流站的爆炸事故,直接原因是巡检人员对隔离开关传动部件中轴销、销钉等附件维护检查不严不细,造成隔离开关无法承受电动机起动时产生的电流。所折射出的深层次原因,则是在设备缺陷监测难、传感终端误报率高的情况下,人工巡检对一些隐蔽缺陷“力不从心”。
正是在这样的背景下,电力装备运维一直对新技术持开放态度,无人机、机器人等纷纷走向巡检岗位,同时也包括人工智能技术。
倘若能够将人工智能融入电力装备运维,或许可以利用算法对一些特定故障进行分析,智能检测异常状态并实时告警,进而解决人工巡检数据分析能力不足的短板,及时发现变压器等设备潜伏性缺陷。
理想很丰满,现实中却遇到了“最后一公里”的挑战。
比如现有技术能力的局限性。当前市场上已有的智能运维方案,往往是针对某个设备、某些故障、某些场景,采用单一模态数据来驱动算法模,产生了模型分散、可复用度低、更新慢、通用性差、对任务场景依赖性强等问题。
再比如真实运维场景的复杂性。电力设备在运行时会产生各种干扰,使得异响信号的信噪比低,采集到的数量质量差、故障状态数据少。而传统模型的深度认知能力和分析决策能力相对不足,并未能解决误检、漏检等核心痛点。
时间来到2022年末,大模型的浪潮席卷全球,对新技术敏感的电力运维,迅速达成了一种行业共识——或许可以利用大模型的能力,融合文本、声纹、图像等多参量和多模态信息,打破现有技术的局限性,提升电力装备运维的智能识别和故障推送能力,跨越智能化运维的“最后一公里”。
02 一群年轻人给出了“技术路线图”
“许继智算”团队,就是最早拥抱大模型的团队之一。
隶属于中国电气装备集团-许继电气科学技术研究院的“许继智算”团队,平均年龄只有28.7岁,却集结了应用数学、模式识别、控制工程、CV、计算机工程等专业人才,研发方向聚焦于人工智能技术在智慧线路、智慧变电、轨道交通、智慧配电、电网调控等业务领域的落地应用。
为了打通大模型落地的最后一公里,“许继智算”团队基于昇腾软硬件体系提出了电力装备运维垂直大模型的技术路线:
以基础大模型基座为起点,结合沉淀多年的电力知识,通过增量训练、微调训练、提示词工程等,研发出了许继智言电力大模型,并结合向量化知识库部署,构建了名为“智电灵眸”的智能运维平台。
参加昇腾AI创新大赛2024的数百支团队中,不乏相似的落地理念,为何“许继智算”团队能够脱颖而出呢?
答案离不开团队提出的三个创新思路。
一是大小模型多融合。
大模型拥有强大的泛化能力,而小模型在特定任务上表现出色。“许继智算”选择了大小模型多融合的落地方案,在大模型全局预测的基础上,采用小模型进行精准筛选,并利用小模型生成预测提示知识辅助大模型进行精准判断。通过大小模型的分工协作,既提升了故障诊断的精度和效率,同时降低了计算成本,更适用于处理电力行业复杂多变的运维需求。
二是“三库一体”强推理。
针对大模型普遍存在的幻觉、专业知识答不准、行业信息更新难等问题,“许继智算”采用了“三库一体”的架构,即将RAG向量数据库、图数据库、SQL数据库融合在一起,构建了电力设备运维领域的专业知识模型,并结合检索增强生成技术、图谱更新等工具,基于知识库高质量高精准数据和大模型语义理解能力,进一步提高了大模型应答的准确性。
三是正负样本精检测。
正如前面所提到的,电力设备采集到的只有某些运行方式下的特定状态,不可见的状态无法获取真实数据。“许继智算”团队的解法是对电力图像、设备声纹和设备运行数据等进行清洗、对齐和特征提取;在融合阶段通过注意力机制或图网络实现模态间的交互和信息共享,然后将各模态的决策结果进行加权融合,极大地提升了垂直大模型的性能。
借用一位评审专家的说法:“许继智算”团队的技术创新能力、行业应用经验和工程化落地能力,有效解决了当前电力装备运维智能化方案方案中定制化程度高、深度认知能力不足等问题,提升了电力行业的智能化水平。
03 电力装备运维进入“智能体”时代
检验一套方案的最佳方式,无疑是真实的生产环境。
依托中国电气装备集团的大型电力装备制造和系统软件开发优势,“许继智算”团队的打造“智电灵眸”智能运维平台,已经以通用服务组件、系统软件集成等方式,先后在“一带一路”铁路牵引变、变电站智能巡视工程、±800kV换流站柔直换流阀健康状态诊断等项目中试点,应用场景涵盖电力行业的发、输、变、配、用全环节。
以±800kV换流站运维为例,能够设备概况、巡检要求、操作手册、故障诊断与故障处置等进行智能分析,给出相关措施,让每个巡检人员都能拥有“老师傅的经验”。
譬如“变流站绕组温度高”的问题,只需要在对话框中输入相关问题,“智电灵眸”会快速给出相应的处理方案,包括现象检查温度计是否到达预警值、冷却器是否投入运行,以及不同结果对应的处理方案。
同样的还有500kV变电站智能巡视的案例,能够识别刀闸、旋钮开关、压板、表计、空开、指示灯、山火、异物、山体滑坡、工程车辆、未穿绝缘靴、高空抛物、线盘倒放、无人扶梯等不同场景下上百种设备缺陷及安全风险。
也就意味着,变电站的巡视不再依赖人工经验,甚至不需要人工到场,可以根据采集的图像和视频数据,智能分析潜在的风险和缺陷,及时作出预警,有效提高了电力设备缺陷检测成功率和运维人员的工作效率。
比这些案例更有说服力的,是一组落地前后的数据对比:在变电站、换流站等实际运维场景中,“智电灵眸”智能运维平台相较于传统方法,识别准确率提升了30%以上,能够更精准地识别设备故障和异常状态;故障预警速度提升了50%,能够更快地发现潜在故障,减少停机时间。
打一个比方的话,在多模态大模型“视、听、想、做”能力的赋能下,电力装备运维有了“看得见、听得着、会思考、能行动”的“智能体”,将彻底改写电力装备运维的巡检范式,全面进入到“智能体”时代。
对于“许继智算”团队来说,他们的使命远没有结束,将专注于更多电力专用智能体的开发,通过加强算力平台构建、数据资产管理、算法模型智能体构建等方式,实现电气装备的全面智能化运维。
04 写在最后
一块石头投入湖中,最迷人不是入水时的“咕咚”声,而是激起的层层涟漪。
如果说DeepSeek的崛起是投向AI行业的石头,吸引了全社会的讨论和关注;多模态大模型在电力装备运维等场景中的逻辑,就是一层一层的涟漪,让外界看到了大模型更深层次的价值。
大模型的“诗和远方”不是写诗、作画,而是需要更多像“许继智算”这样的创新团队,将大模型的能力应用到千行万业。