2023新能源风电机组AI大模型预警技术方案

目录TOC\o"1-3"\h\u一．项目背景 4二．监测预警平台 51.平台特点 51.1.一体化管控 51.2.云边端多级协同 61.3.AI与知识双轮驱动 61.4.智能设备标准化接入 62.智能化底座 62.1.AI中台 62.2.知识中台 162.3.行业大语言模型 173.平台功能 173.1.安全生产监测预警 173.2.巡检管理 413.3.专家知识库与大模型应用 443.4.风机设备智能诊断 483.5.大屏展示 493.6.硬件要求 524.项目预算 53一．项目背景双碳背景下，新能源装机容量正在迅速增加，对于新能源场站的管理能力也提出了更高要求。目前，风电行业在数字化、标准化化风场建设方面取得不少的成就。基于数字化转型的智慧风电研究已引起国内外广泛关注，如美国国家可再生能源实验室的SMART战略，GE公司的数字化风电场。他们都在探索大数据、互联网和人工智能技术如何为风电场赋能，挖掘风电场的运行规律和最佳运营模式，实现降本增效。当前风场的主流风机发电控制和升压站电气设备的智能化水平已很高，安全生产法规和制度也十分完善，但由于设备分散、作业区域广、人员配置少、危险点多等因素，安全生产过程中人的行为、设备的状态缺乏有效安全管控手段，事故隐患和生产效率成为制约其保持可持续发展和经济效益的不稳定因素。本方案从设备管理与安全管理的角度出发，应用物联网、互联网+、大数据、视频智能分析等技术，建设智慧型无人值守监测预警管控平台，提升企业的生产管控能力，使生产和管理更高效、更安全、更环保、更智能。二．监测预警平台平台架构平台特点一体化管控统一应用管理中心：支持应用统一用户登录、管理、运行监测；支持第三方应用纳管；无缝支持智能智能巡检应用平台下发算法/应用运行。全要素数据汇聚：统一接入SCADA、视频监控、智能检测等风机生产数据、发电时序数据以及行为类数据；支持结构化数据、对象存储、时序数据库等多样化的数据存储能力，并整合为业务层的告警数据管理、文件管理、业务数据管理三大功能；可支持业务系统快速追溯历史数据、搜索查询、数据聚合统计分析、时序数据分析等功能。统一设备管控：具备设备管理、设备监控、设备智能化调度三大功能模块，支持多种设备界面化一站式对端设备、边缘设备、智能设备进行管理；支持对接入的摄像头、传感器、巡检无人机、单兵设备等进行统一监测、调度等管理；支持对灵活的智能化关联配置；支持云边端协调能力。云边端多级协同基于云边端一体化模式，采用多级联网架构，实现区域公司与场站直接的数据贯通、AI能力复用、应用复用与数据回流，打通数据孤岛，降低复用成本，避免重复建设。AI与知识双轮驱动基于AI中台与知识中台，打造区域公司统一AI开发与应用能力，通过复用机制降低未来AI模型的开发成本；实现知识管理与应用能力，结合行业大语言模型，实现行业知识的问答、检索、推荐，辅助完成数据分析、故障诊断、运维操作指导。智能设备标准化接入智能设备标准化接入主要是实现对智能装备的标准化和规范化，按照软硬分离的原则，将不同类型，不同方式的智能设备进行标准化接入，解决设备孤岛现象，其核心需求是能够对场站的所有智能设备进行统一化管理。智能化底座AI中台当前，AI已成为智慧风电建设的最重要基础能力之一，基于AI图像识别的安全管理、基于AI的设备故障分析、机组运行优化以及功率预测等场景正成为无人值守场站的基础。AI中台面向管理层、应用层及研发人员，分别提供了相应的AI能力管理平台、应用平台、研发平台，一站式服务于企业AI建设全过程，统筹规划企业AI布局，自顶向下构建AI能力体系，自下而上进行AI需求场景探索。深入业务场景的同时避免重复建设，提升AI能力建设效率，降低AI建设成本，迅速扩大AI应用场景，运用AI能力解决业务场景中的痛点问题。基础管控模块A.底层架构基于主流、成熟、开放的技术实现，具备开放性、标准性、灵活性、稳定性及易扩展性；B.用户管理功能(a)支持通过组织-项目两级，达到项目间权限隔离、同组织或跨组织人员项目协作的目的。(b)支持多租户分级设置：系统管理员，组织管理员，普通用户。(c)支持对单位内部的不同职能角色的管理，用于平台的身份管理和访问控制，通过对不同工作人员授予不同权限，解决用户的集中授权与管理、资源分享与多用户协同工作等问题。C.资源管理功能(a)支持资源硬隔离，确保训练和预测服务调度在不同的GPU资源上。(b)支持通过资源池，达到项目之间计算资源的软隔离，避免单个项目占用过多资源导致整个平台不可用。(c)资源池支持共享或独占使用。对于主流的加速卡如A10//A100/A800/V100/P40/P4/T4，支持GPU虚拟化（显存切分、算力分时共享）功能，提升GPU的利用率。(d)存储源支持多种类型的存储接入及使用，包括如GFS、HDFS等;(e)支持通过设置存储卷的“共享/私有”属性决定存储内部数据对不同项目的可见性，维护数据安全。(f)支持存储卷属性修改及共享存储卷设置为默认存储卷。D.GPU调度与共享(a)深度学习任务支持单机多卡的训练方式；(b)支持异构计算资源训练能力；(c)支持申请虚拟GPU卡资源，同块卡上的多任务之间显存隔离，单卡至少支持切分10份，算力分时复用；(d)支持部署时选择是否开启GPU共享功能；E.运维管理功能(a)支持以可视化方式提供系统概览、系统资源监控、机器池资源监控、系统服务监控、自定义监控。(b)支持系统概览，包括平台计算资源（CPU、AI加速卡、内存）、存储卷的使用及剩余情况。(c)支持系统资源监控，包括系统资源的CPU/AI加速卡/内存的平均使用率、网络平均IO等情况。(d)支持机器池资源监控，可查看机器池及节点级别的CPU、AI加速卡、内存的使用及剩余情况，CPU/AI加速卡/内存平均使用率，AI加速卡显存/算力使用率，网络平均IO，磁盘IOPS，磁盘使用，节点目录使用率等指标。(e)支持系统服务监控，提供JupyterHub、GlusterFS、Docker、K8S等组件的服务运行情况。(f)支持创建告警规则，允许指定监控维度、节点、监控项。允许设定监控的阈值和持续时间，以及告警对象。(g)支持查看指定时间范围内的告警事件。(h)支持对平台的所有操作行为进行审计记录，可查询或导出用户的操作日志，包括用户名、操作时间、IP地址和操作状态等。F.镜像(a)通过系统内置镜像，使用者可使用不同的开发语言版本及深度学习框架进行模型的开发工作。(b)平台支持通过Dockerfile,tar包和Notebook建模方式构建镜像。智能数据模块A.数据总览(a)支持创建图片、文本类数据集，支持将已标注/未标注的数据导入至选定的数据集，导入方式支持本地导入、存储导入、平台已有数据集导入等多种导入方式。(b)支持对已有数据集新增版本。(c)支持数据导出，导出可选择导出源文件和全部数据。支持导出数据至本地或者存储，方便跨平台使用。标注格式选择可支持JSON、XML等。(d)支持图像数据的质检报告包括色彩空间分布、图像大小分布、高宽比分布、分辨率分布、色偏分布等图表数据。B.数据标注能力(a)数据标注新建标注任务，标注任务查看,标注数据保存至数据集,标注任务列表管理，数据审核（支持开关）,标注数据保存至数据集，提供图片、文本数据类型的在线标注功能。(b)图片数据支持的标注模板包括：(1)图像分类(2)物体检测(3)图像分割(c)文本数据支持的标注模板包括：(1)文本分类：短文本单标签模板，短文本多标签模版(2)短文本匹配（短文本相似度）(3)文本实体抽取(4)文本实体关系抽取C.多人标注(a)支持多人标注，支持创建、查看、删除多人标注任务。管理员可以创建多人任务、标注员可以对接收的任务进行归类查询，查看任务详情、标注进度，支持标注任务的审核，用户可以根据实际需求在创建任务时设立开关模式。(b)提供标注团队管理功能，支持多人标注团队、审核团队的新建、管理、删除。支持对团队名称、团队成员数、团队成员进行编辑和查看，支持在团队中添加、备注成员，支持按团队名称对团队进行查询。全功能开发中心A.兼容主流的通用计算框架：包括但不限于TensorFlow、PyTorch、scikit-learn、XGBoost、PaddlePaddle等；B.提供训练优化技术、分布式计算优化技术，保证训练效率和显存使用率；C.预置TensorFlow、PaddlePaddle等框架的卷积神经网络、循环神经网络等深度学习算法；D.预置图像分类、目标检测、语义分割、NLP类算法，预置强化学习算法案例；E.Notebook与命令行交互式建模(a)支持notebook训练任务的新建、释放、删除，支持自定义任务信息，包含任务名称、任务描述、选择需要的框架版本，配置任务最大运行时间，支持配置任务资源，包含CPU、内存、GPU；(b)支持python3、R语言等编码；(c)支持notebook、textfile、terminal、markdownfile多种编码方式；(d)支持WebIDE交互，支持代码的基本调试、运行功能；(e)用户可以通过WebIDE对训练过程对CPU、GPU、内存等使用情况进行实时监控；F.支持终端、命令行式操作。G.自动化建模(a)提供多种自动化建模场景：包括但不限于聚类，回归，二分类，多分类等自动建模场景；(b)支持自定义训练时长上限、自定义最大迭代次数；(c)支持设置数据拆分比例、选择模型评价指标；(d)支持分箱、归一化、特征交叉、特征自动选择、Onehot、PCA、异常值处理；(f)支持图表化地展示效果详情，评估指标以及PR线、ROC线、KS线、混淆矩阵等图表；支持多模型效果评估展示与对比；H.作业建模(a)支持通过用户定义的深度学习训练作业进行建模，支持TensorFlow、PyTorch、Keras等框架的多机多卡分布式训练。(b)支持同一作业不同参数组合的多版本的批量提交、追踪和参数指标对比，帮助用户能更便捷地实现版本管理、参数调优、优选模型的决策。I.可视化建模(a)支持展示任务的状态、详情字段等，模型训练定时调度、模型训练的历史版本记录和查看，支持AutoML。(b)支持拖拉拽式的可视化建模任务的创建、删除、执行、复制；(c)支持可视化建模任务列表展示；(d)支持自定义算法组件，包含组件输入输出参数定义等，如Python自定义组件等；(e)提供特征提取、自动特征选择、多特征组合、特征分析、数据降维能力，能够从数据集中提取特征，并指出特征的组合，用户可以通过系统直接查看特征输出结果；(f)提供的算法组件包括但不限于：数据处理：支持多种数据处理组件，包括split、join、列选择、Union、Sample、SMOTE过采样、欠采样、SQL；支持多种机器学习算子，包括但不限于自动特征选择、分箱、归一化、特征交叉、Onehot、PCA、异常值处理，包括缺失值填充、数值替换；支持常见算法组件，如分类、回归、聚类、稀疏、异常检测等，逻辑回归二分类、逻辑回归多分类、线性回归、XGBoost二分类、XGBoost多分类、XGBoost回归、孤立森林、Kmeans、GMM、PageRank、决策树二分类、决策树多分类、决策树回归、随机森林二分类、随机森林多分类、随机森林回归、NaiveBayes二分类、NaiveBayes多分类、DNN二分类、DNN多分类、SVM二分类、SVM多分类、稀疏LR二分类、稀疏LR多分类；支持协方差、卡方拟合性检验、卡方独立性检验、正态检验、洛伦兹曲线、皮尔森系数、直方图、相关系数矩阵；(g)支持多种评估模式：回归评估，包括但不限于MAE评估、MSE评估、RMSE评估、R-Square评估、MAPE评估等评估方法；二分类评估，包括但不限于准确率、召回率、F1分数、ROC曲线、AUC等评估方法；多分类评估，包括但不限于准确率，精确率，召回率，f1；聚类评估，包括但不限于SC、CHI等评估方法。J.产线建模-计算机视觉计算机视觉预置了若干视觉类预训练模型，仅需配置训练数据和少量参数即可完成模型训练。支持图像分类-单图单标签、物体检测-矩形框标注、图像分割-实例分割、图像分割-语义分割四类任务。K.产线建模-自然语言理解自然语言处理预置了文心ERNIE系列预训练模型，支持文本分类、文本匹配、实体抽取、序列标注、实体关系抽取等任务。模型中心A.模型纳管(a)支持管理全功能开发平台训练得到的模型，并导入第三方模型进行统一管理。(b)第三方导入模型支持从本地上传或从存储选择模型文件，模型类型支持主流框架，包括TensorFlow、PaddlePaddle、PyTorch、Caffe、ONNX、Sklearn、R、MOJO、POJO、PMML；(c)支持纳管模型文件或模型部署包（镜像形态）；(d)导入模型时，支持填写模型的基本信息，包括：模型名称、模型类型、模型框架、模型网络结构/算法类型、模型标签、模型描述；(e)导入模型时，支持填写模型的输入输出参数、最小运行资源；(f)展示模型信息，名称、模型个数、算法类型等，可进一步查看详情或进行删除；(g)支持对模型进行多版本管理；(h)支持对模型文件进行下载；(i)支持将部分模型转换为PMML或ONNX框架并导出；(j)支持生成模型的离线部署包，并进行下载。B.模型部署(a)支持对模型做云部署（发布为预测服务API）、离线部署（生成离线部署包）。(b)可将模型发布为在线预测服务，并支持查看发布记录。C.模型共享可将模型共享给平台的其他用户使用，共享范围支持当前组织或全平台。预测服务模块A.框架支持支持Tensorflow、PaddlePaddle、PyTorch、ONNX、Sklearn、XGBoost、PMML等多类型框架的在线推理。B.服务管理(a)支持多协议，包括HTTP、Websocket、gRPC等；(b)支持自定义镜像启动服务；(c)创建预测服务，支持配置是否需要访问认证、收集预测数据集，配置预测服务资源包含但不限于CPU、内存、AI加速卡、单副本TPS、TPS上限等；(d)TPS超分：支持超额分配每个服务的TPS能力，以提高服务的利用率。(e)预测数据收集：支持将每次请求以及服务的返回以日志的形式保存到存储中，可用于后续的badcase分析，从而形成模型迭代闭环。(f)GPU共享：包括允许申请部分GPU卡资源，同块卡上的多任务之间显存隔离，算力分时复用；C.弹性伸缩支持预测服务自动扩容的能力。系统支持根据当前Pod资源的使用率（如CPU、加速卡、TPS等），进行Pod副本的动态的扩容，以便减轻各个Pod副本的压力；当Pod副本负载达到一定的阈值后，会根据扩缩容的策略生成更多新的副本来分担压力，当副本的使用比较空闲时，在稳定空闲一段时间后，还会自动减少副本数量。D.AB实验(a)支持创建AB实验并管理实验，每个实验内可配置一个对照组服务和多个实验组服务。(b)配置规则支持按流量划分和在请求头内自定义规则。(c)按比例分发：支持对一个实验内的服务分配流量比例，平台会按比例将流量路由到服务上；(d)自定义规则：支持灵活的自定规则，一旦平台在请求header中检测到符合规则的内容，则会将该请求分配到对应的服务上；E.应用接入支持将多个服务打包成一个AI应用分发给不同的应用开发者。每个分配独立的AccessKey和SecretKey以及AccessCode，以限制不同开发者的调用和方便后续的统计分析。F.预测服务监控(a)支持预测服务效果监控，包括但不限于调用量、总处理时间、平均处理时间、总流量、平均流量、最大TPS等指标；(b)支持高可靠HA下的动态不停服更新，保证服务的稳定高可用；(c)支持Pod监控，监控传输/接收数据量、传输/接收速率、传输/接收失败速率等；资源监控，监控预测服务CPU、GPU显存、GPU算力、内存的平均使用率；G.服务审批支持对服务的所有操作例如上线、下线、更新、删除发起审批，系统管理员收到审批单后可对服务操作进行审批。所有的申请和审批都有完整的记录备份。知识中台新能源企业在建设与运营阶段积累了大量的文档、知识等，关键业务的经验分散在多个资深员工的脑海中或文档中，无法做到经验传承，日常工作效率低，效果差。知识中台是企业将数据生产为知识并应用知识的中枢，可以帮助企业快速构建知识、应用知识。数据接入数据接入模块包括对文档及结构化数据的手动上传、数据库直连、API接入、预览、下载、删除、搜索等操作，同时对接入数据进行报表等展示。全文搜索全文搜索包含语义搜索和结构化搜索。语义搜索，基于语义理解的搜索结果，快速召回搜索结果，实现数据的高效获取；结构化检索，确保数据全覆盖、数据快速搜索，定制化审批卡片，快捷渲染结构化数据召回卡片。智能推荐实现业务场景知识图谱从零到一的构建，基于知识图谱的实现推理计算问答，项目信息可视化展示、项目相关推荐答案直接返回，实现项目信息问答。FAQ问答FAQ问答：基于问答对问答能力，可以基于系统里已有的问答对进行泛化召回（把一个问题泛化成一类问题），准确返回相应结果。行业大语言模型随着大语言模型技术的发展，与行业属性相结合的大语言模型私有化成为可能，并将深刻改变现有的管理模型。在知识中台的基础上，通过大语言模型实现针对新能源设备检修知识获取、场景问答、故障识别、故障处理、两票审批、检修计划、报告填写等痛点及需求，进行建设内容规划。平台功能安全生产监测预警安全生产监测预警基于云边端一体化模式，采用多级联网架构，用户均采用B/S架构通过统一的浏览器方式进行平台访问。平台部署在通用型服务器上，通过接入硬盘录像机、摄像头、执法记录仪、无人机等各类视频数据，使用人工智能视频分析算法模型，对区域所属电站的人员生产作业、设备运行状态和环境不安全因素进行工业视觉感知，实现多场景的风险预知、实时告警、违章抓拍和语音提醒，提升安全管理和事故预防的智能化水平。场站端智能识别结果上传分公司管理平台，并进行相关的数据统计和对标分析，以深入发现安全生产管理中的潜在问题，进而从数据分析结果中获得提升安全生产水平、生产效率水平的相关措施。平台架构为三层架构，硬件设备层、AI分析层、安全生产管理应用层。1、硬件设备层硬件设备层建设整个平台的快速感知与实时监测能力。通过接入摄像机、传感器、在线智能监拍装置、特种防爆机器人、工业自主巡飞无人机等装置，与安全生产监测预警平台深度融合，建设软硬一体智能化感知层。软硬一体智能化硬件设备本质是一个边缘设备，在尺寸、功耗、工作环境受限的情况下，本方案通过多种创新技术实现了边缘设备计算、通信性能的较大突破。方案在多种智能边缘设备上搭载定向优化的NX/百度昆仑轻量级科学计算卡，基于paddlepaddle-lite端侧推理引擎实现超低功耗运行；在通信方面，软硬一体智能设备采用MQTT等IoT专用通信协议，解决弱网环境的通信可靠性、数据一致性问题，将关键信息通过5G等模块快速上传到业务中台，做到对异常事件的秒级响应。同时，对于特种机器人、巡检无人机等主动化智能设备，能够根据业务场景的实际需求，将AI分析的输出结果做为机器人运动控制的输入信号，根据AI的结果，引导机器人运动，使得AI模型的能力与业务场景的需求无缝对接。软硬一体智能设备与业务中台打通，将现场收集的数据回传进行实时分析与预警，同时，在有新的业务场景模型更新时，业务中台可以将模型无缝下发至软硬一体智能设备上，实现模型的快速迭代与实时更新。AI分析层AI分析层-安全生产监测预警平台建设以基础组件为底座、打造AI算法应用与迭代闭环核心，并抽象建设多个AI与安全生产业务管理紧耦合的业务支撑模块。（1）基础组件建设基础组件建设包括：工业视频/图像分析组件、结构化数据分析组件、行业知识图谱、端侧推理引擎、流媒体服务、IOT组件等。（2）AI算法应用中心业务中台的核心能力是AI算法应用编排和模型库管理。AI算法应用中心平台包含丰富的人的不安全行为、物的不安全状态、环境的不安全因素的AI模型库及安全应急业务模型库。对人的不安全行为的AI分析包括面罩、安全眼镜/护目镜、安全帽、安全带、安全手套、安全鞋等个人防护设备的佩戴检测，吸烟、摔倒、离岗、倾倒、打手机等违规行为检测、设备操作距离、吊物下禁止站人、工器具遗留等作业规范动作监测。对物的不安全状态的AI分析包括仪表读数、状态灯监测、、盘点计数、异音检测、工艺异常等。对环境的不安全因素的AI分析包括明火、烟雾、跑冒滴漏、锈蚀、地面油污、渣土监测等。该模块创新设计了AI多模态安全生产监测预警分析能力，打通了全生产管理中人、机、环、管各管理系统的孤岛，整合视频监控、气体组分监测，智能音频监测，红外测温监测等行业领先传感手段，对视频、图像、声音信号等数据进行多模态学习与多源融合分析。（3）数据回流与模型自迭代方案创新性设计“业务原生模型迭代能力”，基于细分场景数据生产逻辑，实现模型快速迭代与优化，大大提升开放场景下模型的泛化能力，解决了视觉AI模型准确率受光照、天气等环境影响的一大难题。实现了算法的自迭代，平台的持续自主演进。方案创新设计数据快速回流及样本库智能生成方案，通过多阈值、判别模型、分类策略、聚类策略、人工预标注信息过滤等多种组合策略，将生产环境中的产生的数据主动迁移到模型训练端，为深度学习模型性能的提升提供数据支撑。该智能数据回流策略使得深度学习模型的泛化能力得到快速提升，模型迭代效率提升50%以上。基于智能生成的样本库，模型根据预置编排逻辑进行快速训练迭代，优化后模型可一键完成在自动筛选的历史数据集上的验证。同时支持通过混淆矩阵、分类别准确率/召回率、标注数据与模型预测结果对比、动态调整置信度和尺寸、效果验证等配套工具，快速筛选出与业务场景最适配的模型版本和模型超参组合。（4）安全生产业务支撑模块平台抽象出监控中心、预警管理、设备管理等安全生产业务支撑模块，可提供标准化的接口和视频流与业务系统进行融合。使得对业务系统与AI分析的调整更为灵活，实现数据、能力模块化集中化管理。3、安全生产应用层安全生产管理应用层构建于安全生产监测预警业务中台之上，结合业务场景，定制化开发相关应用，支持生产监控系统，系统平台进行对接和深度融合。功能架构安全管控系统，提供包含摄像头、NVR等设备接入管理、AI算法应用编排及管理、告警管理、数据管理及统计分析等能力。安全管控系统将摄像头等设备接入，对接入的视频数据进行实时分析，告警数据上报至作业安全管控系统进行汇聚管理，同时通过用户权限告警进行汇聚管理及处理。系统将智能筛选回流样本推送至训练中心进行模型训练迭代。训练好的模型将发布至作业安全管控系统，并进行模型下发，实现算法的灵活动态检测逻辑。系统思路系统部署平台通过私有化方式部署在分公司，符合大唐集团网络安全要求，支持数据高速访问。平台采用微服务模块化设计，将通用业务服务、模型训练和测试服务、通信组件等通过微服务的方式分别设计，通过服务治理技术，进行服务注册与发现、服务管理，因此不同软硬件平台上适配的模块可以通过标准模块间通信协议进行关联和组合。同时，系统采用golang、java、python等主流开发语言开发，能够在主流的x86、arm架构的CPU上运行，支持linux操作系统的大部分发行版，因此在软件和硬件上能够适配所有的通用服务。当需要利用异构服务器集群进行部署时（例如arm架构+x86架构组合），不同的微服务组件适配完成后，通过通用通信组件组成一个完整的平台服务即可。网络协议方面，平台支持IPV4和IPV6两种网络协议。系统的设计对服务器的品牌和架构无强绑定要求，且对不同操作系统都可适配。系统架构平台采用云-边-端一体化设计，基于场站服务器进行边缘推理，告警数据上报至平台。误告警数据智能收集、优化训练，实现分析迭代闭环。平台通过MQTT协议进行云端通信，通过baetyl框架进行远程边缘端设备上的进程进行管理。中心系统的平台部署训练平台，模型可在中心平台进行训练，训练完毕后，可将模型下发到配置好的边缘端设备上，并通过任务管理框架对服务进行管理，支持对边缘测已有设备上的服务实例进行热更新。中心训练平台、端设备系统、边缘系统的管理控制台均为B/S架构，通过云端一体协议，均可通过WEB方式访问和使用，并对模型、配置、设备等进行管理与控制。云-边-端架构算法适配性方案在硬件运行环境上，可以适配主流的算力硬件，支持兼容X86架构的服务器搭配英伟达计算卡的硬件设备、X86架构处理器搭配百度昆仑、华为、寒武纪等国产自研计算卡的硬件设备，方案技术团队支持对甲方指定品牌的计算卡进行适配。方案在软件运行环境上，算法框架可在linux系列的主要发行版上运行，包括centos、redhat、ubuntu，也可以在windows操作系统上运行。方案在机器学习框架适配上，支持适配主流的机器学习框架。方案中涉及传统视觉和机器学习的代码部分，均通过抽象对象、定义接口的方式对外提供集成入口，可支持opencv、Scikit-Learn、MLlib、Numpy、Pandas、Scipy等，涵盖主要的机器学习框架。方案在深度学习框架适配上，默认以paddlepaddle框架做为深度学习框架，由paddlepaddle对上述软硬件环境兼容进行支持。同时，方案通过两种方式，可兼容其他深度学习框架，包括pytorch、tensorflow、caffe等主流深度学习框架。方式1为，方案对于深度学习模型提供标准API接入的方式，通过标准定义的restful或RPC调用接入方式，通过API-Gateway，将模型服务化，并通过注册中心进行注册与挂载，然后就可以在方案中进行使用了；方式2为，使用paddlepaddle提供的通用组件：X2Paddle，可将基于其他框架设计和训练得到的模型转换成paddlepaddle框架模型，过程简易，通过一条命令行或者一个API即可完成模型转换，支持Caffe、TensorFlow、ONNX、PyTorch四大主流框架的预测模型的转换。因此，方案对于主流的深度学习框架具有完全的适配性。配置要求通过软件镜像化、模型算法sdk化，将所需要的软件包、驱动包等进行标准化管理，并通过边缘任务管理组件对这些软件包、组件包、设备驱动包、语言包、皮肤包的管理，支持上传并更新；而包括上传、搜索查询、移除、查看等功能则为基础数据库操作。产品通过云端一体的设计，可以在平台上对部署在推理设备上的服务通过浏览器查看、设置、修改、查询，通过restful风格的接口协议，可以直接调用远程服务的管理接口，实现服务的远程下发和服务启停等操作。告警策略为可编辑的模板配置文件，因此可以对告警策略的暴露参数进行查看和设置，并通过服务的更新生效启用；同时，对于常用参数，在产品页面上也有修改和生效的功能页面，可直接使用。在联网情况下，产品可自动与北京时间校准对齐；在无网情况下，可手动设置时间。支持校时的启用、停止功能。平台为分布式产品，通过kubernetes分布式对服务pod在多机集群上进行部署、调度和管理操作，并且可以对集群中的机器进行添加和下线操作，通过集群监控工具prometheus可以对集群信息进行查看、添加、编辑、监控、删除。支持新增授权、授权查看管理，支持导入、移除授权文件；具备授权管理及授权激活功能。支持在线、离线授权激活，和在线、离线授权反激活；可伸缩性根据项目规模和应用场景，系统设计时应考虑各服务的水平扩展能力，尤其是设备接入、视频数据分发、视频数据存储、事件、数据库等关键服务。支持对于设备接入、视频数据分发的水平扩展。弹性实现视频数据存储、数据库等关键服务。根据项目规模与应用场景，支持对于设备接入、视频数据分发的水平扩展。弹性实现视频数据存储、数据库等关键服务。通过镜像化技术，将产品的如软件依赖和运行时环境整体打包，任何一个服务实例都可以在标准约定的软硬件平台上无缝运行；通过软硬件环境的虚拟化，在物理硬件上实现水平无差别扩展，硬件容量可随着实际需求进行自动水平扩容。当业务需要在应用层面上进行扩容时，先在物理硬件基础上进行操作系统的自动初始化，随后通过虚拟化技术，汇入到服务集群中；当新的虚拟化集群生成后，再将镜像化的服务调度到新的软硬件实例上，将软件启动托管后，通过服务注册与发现，将服务注册挂载到整体服务集群中，从而实现从硬件、操作系统、依赖环境，到应用软件的动态扩容。而当需要缩容时，则从软件开始，停止服务实例，释放环境资源，再进行环境清空，并将硬件资源归还给硬件资源池，从而实现容量的缩容。可拓展性平台采用高内聚、低耦合的模块化设计思路，并使用微服务的服务注册与发现等组件对服务进行维护和管理，按照功能模块进行组织划分。各组件间使用restful风格的接口进行关联和调用。对于不同类型的功能，抽象到一个微服务中，并对输入输出进行定义和规范化。虽然各个微服务组件负责的功能不同，但其迭代的基础服务框架是相同的，因此系统整体的复杂度并不高，运维也可做到统一、规范化、低成本。使得组件之间边界清晰。平台为组件式封装的软件架构，组件之间相互独立，支持分散部署，可灵活扩展。在系统需要扩展时，使用统一的微服务基础框架，可快速迭代所需的业务逻辑功能，同时可通过服务注册与发现快速通告所有组件汇入系统，快速扩展。当不同的用户有不同的需求时，可根据系统的个性化需要配置必要的组件，将已有组件进行挂载和下线而不影响正常的产品业务功能，且对网络环境、部署环境无感，能够灵活的根据业务的需求和部署的实际条件进行需求适配。支持按功能模块进行组织划分，各组件之间边界清晰，固化组件接口和流程设计，降低系统复杂度。支持组件式封装的软件架构，实现组件与组件之间的独立性，为组件的独立运行提供了基础保证，为组件的分散部署奠定基础，增加系统的可扩展性。用户可根据系统的个性化需要配置必要的组件，将不同基础服务组件和业务逻辑应用灵活地部署在同一网络环境中。易维护性提供完整安装部署手册，提供快捷方便的端到端安装部署、配置项导入导出及维护方式。平台通过内置日志模块配合ELK组件，提供日志的查看和分析功能，并通过prometheus组件对服务器运行状态监控，当运行状态出现问题时，可及时报警并提示原因，供运维快速介入。安全要求平台的安全性符合国家要求标准规范。数据传输的安全性和可溯源性通过加密传输和区块链技术保障，数据的完整性通过存储组件的分布式部署保障。产品和服务器使用强制密码强度限制，防止误操作；关键服务组件采用主备部署的方式，提高系统容错和容灾能力，对于关键数据，通过设计定时任务进行定期备份，并提供快速备份机制，在出现问题时支持快速恢复。确保稳定运行和数据传输安全，系统软件的组织和设计方案须考虑数据安全性和完整性，以及系统运行和管理方面应采取必要措施，防止和恢复由内在因素和危机环境造成的错误和灾难性故障，保证系统安全可靠性。功能设计电厂内作业安全管控系统包含摄像头等设备接入管理、边缘计算设备管理及模型下发、AI技能编排及下发、模型管理及迭代优化、预警管理及工单派发、实时监控与应急联动等全流程能力，同时提供安全生产业务管理、专家知识库等模块支撑预警处理及辅助决策，提升企业生产本质安全水平和安全监管效率。主要包含设备管理、监控中心、告警管理、AI技能管理、模型管理、训练中心、统计分析等7大模块，及相关系统对接、业务应用等能力。设备管理添加设备：设备管理支持摄像头设备的接入，在连网状态下，通过添加设备名称和视频流地址进行连接校验，校验成功后完成摄像头的接入，支持添加设备分类标签、设备IP以方便管理使用。添加技能：设备接入后可以配置该设备的AI技能，设备AI技能的配置使得设备具有一种AI能力。配置AI能力时，支持配置AI能力的工作时间，分析频率，可视化绘制AI分析区域。设备管理：设备添加后可以查看设备的名称、状态、分类、IP、以及配置的AI技能，以列表的形式展示，查看设备设备可根据分类标签、名称、AI技能进行分类查找和筛选。支持单个设备删除和批量删除等功能。图:摄像头管理设备管理可以对注册的AI盒子进行管理，AI盒子联网后自动注册到安全生产监测预警平台，实现对AI盒子的管理、编辑、删除等功能。图:AI盒子管理技能管理一个AI技能对应一个业务场景，技能管理模块可基于已有原子模型库快速编排出一个业务上所需的AI技能，如“未带安全帽检测”、“未穿工服检测”等。接入的设备仅需通过关联AI技能即可将完成智能化升级，具备多种场景的AI能力。在技能管理中用户可根据自身业务逻辑设置自定义的预警逻辑及回调地址。并根据需要将技能下发至多种智能设备。支持根据业务场景需要添加新技能，添加技能时可添加技能分类标签和备注信息以方便技能的管理。支持对技能的管理，展示技能名称、状态、技能分类、版本、使用模型、关联设备等信息，并以列表的形式展示。支持技能的编辑、搜索、删除等功能。支持查看AI盒子端侧的技能下发历史，并以列表的形式展示。支持零代码的技能编排，支持模型阈值配置、告警参数配置。提供常用场景的技能模板供技能编排使用。支持将技能下发至边缘智能设备上，支持批量下发。具有模型库、模型运算和逻辑运算三种节点，拉出连接线后对应的模型节点输入节点高亮显示。模型库具有人体检测模型节点，人体属性分类模型节点，除人体检测、车辆检测、属性分类模型外其他模型节点、距离模型运算节点等。开始节点后可连接多个模型，不可直接连接“模型运算”，不可直接连接追踪模型，不可直接连接“预警”节点。图:技能编排监控中心具备统一监控中心，支持查看所有设备的列表信息，并支持通过四分屏、九分屏、全屏展示的方式查看设备实时监控画面。当有告警时间发生时，以列表的形式展示实时报警信息，报警信息包含报警原因、报警时间和报警事件发生时的图片。通过点击报警信息，可跳转至预警管理，进而对告警详情查看和告警处置跟踪。图：监控中心告警管理告警管理，支持对各类AI分析业务进行告警配置和管理，并向管理人员发送告警信息。整体功能包括告警配置、告警通知、告警处理、告警查看、告警筛选与搜索。关联相应AI算法应用的设备会根据配置的AI算法应用运行时间进行实时监测，当发生违规行为，设备异常、环境异常等事件时，会产生相应的风险告警。告警会生成告警事件图片及事件视频用于回看。告警管理中可查看整体告警事件的数量，告警详情。对每一个告警事件进行全流程的处理跟踪，以及告警的全生命周期管理。当算法模型检测到违章行为或设备异常时，平台可以实时抓图或录像，对现场作业人员或监管值守人员进行语音提醒，并生成报警信息，弹窗推送到责任用户和管控系统中的业务发起用户，提醒后续复核和处理。告警配置完成接入摄像头等设备后，平台支持对设备配置不同的AI算法应用，并配置AI分析的区域、AI分析频率、AI算法应用运行时间等。当摄像头监测画面出现异常或违规行为时，平台将基于该异常情况生成一个告警事件。支持对AI算法应用的告警逻辑和阈值进行灵活配置。产品通过鉴权授权中间件，可支持不同模块的灵活权限控制。任何请求到达后端服务时，都需要通过鉴权中间件判定用户身份及对需要访问的模块是否有指定的权限，因此在权限控制粒度上，可以对不同的模块进行设置。在告警技能中，支持阈值的场景化配置，并且可以支持多组阈值，包括用于数据收集的数据回流阈值、用于确定是否推送告警信息的告警触发阈值，也可以自定义告警级别及对应的数据处理策略，控制不同的阈值对于同一个告警信息的不同处理策略。告警配置具备多种告警聚类聚档方案，支持通过人、设备等多个维度进行告警的聚档。告警通知当告警事件生成后，平台会在告警管理页面生成一个告警卡片，同时在平台提供页面告警弹窗，以及告警声音提示，不同状态的用户可通过不同方式接收告警通知。告警信息推送时候，通过配置不同的算法组件的授权中间件，可以将告警信息进行筛选和定向推送，发送至有权限的用户账号下。告警处理支持对每一个告警事件进行全流程的处理跟踪；支持受理告警事件，并可添加受理意见，可添加多个处理动作及意见，直至告警事件完结。平台支持告警从生成到处理、完结的全流程全生命周期管理。并提供相关接口供第三方系统进行调用，修改对应告警状态。支持处理告警事件、填写处理意见、告警责任人流转、多次处理，直至告警完结。每一个告警事件的所有流程都会进行结构化存储，通过告警事件逐渐可全部获取。对于告警事件，会结构化的存储其来源、产生时间、告警详细内容、出发该告警的源技能和模型算法、产生告警的计算设备、告警对应的责任人、告警处理后续结果等所有信息，支持对告警的全生命周期全流程追踪。告警查看支持通过多种维度进行告警查看不同场站告警情况，可通过告警类型、告警状态、告警时间、告警位置等多个维度筛选查看告警事件。平台可根据业务情况对告警事件进行分级，支持多色彩（红、橙、黄）展示运行告警状态。告警筛选、搜索、导出由于系统中存储了告警的详细信息及关联数据，因此可以按照时间类型规则、系统类型、时间类型、处理状态、时间等搜索查询筛选条件获取所需要的告警清单列表。支持对告警进行筛选与搜索，可通过处理状态、时间类型、子系统类型、设备等多维度信息快速找到告警事件，支持查看报警联动。支持导出历史告警事件。支持按照事件类型或规则名称过滤事件，支持按子系统类型、时间类型、处理状态、时间搜索已处理的历史报警信息并查看报警联动。平台使用的模型算法通过算法压缩蒸馏、高性能编排策略，配套高性能推理组件，可以实现单张1080P级别的图片推理时间在0.2s以内，加上额外的业务逻辑处理，以及通信的开销，时间开销将有一定程度的增大，但在MQTT等可靠的消息组件的支持下，视频传入平台产生告警后，可在2秒内完成上报。支持导出历史报警数据为电子表格文件：告警数据可按条件筛选后，通过离线异步任务将数据整合并写入电子表格，并存到平台的公共文件存储中，以供下载和后续使用。模型管理模型管理模块根据业务诉求会内置相应原子模型。模块支持上传图片进行模型评测。目前已面向多个行业积累了丰富的安全生产AI模型。 支持部署在本地的原子模型的导入功能，导入完成后匹配模型ID、状态和版本等相关信息。 支持以列表的形式查看导入的所有原子模型，查看模型名称、模型ID、使用状态、版本号以及相关技能等信息。支持编辑模型名称信息，支持删除模型，支持按照模型名称或模型ID进行搜索。 支持按照单张图片上传和压缩包批量上传功能，将上传的错误照片进行删除，支持按照图片名称进行搜索查询。图片上传完成后，将选定的图片进行图片评测，并将结果进行反馈展示。支持按照待校验、校验中、校验完成、校验失败等状态进行搜索。训练中心开放的生产环境对于模型识别的内容及准确率也有较大要求。AI模型通常需要一段时间的试运行来变得更加精准和智能。训练中心模块可根据用户对于错误预警的标记、模型优化规则设置来进行数据收集，基于回流的数据无需复杂的模型参数调整即可快速实现模型的自迭代。平台支持两种数据收集方式：方式一，平台支持在“预警管理”中对错误预警进行错误标记，错误标记的数据会进行自动分类，用于对应原子模型的迭代优化。错误标记为该预警的错误类型，如：“误检”为检测错误，将人识别成车、车识别成人、物体识别成人等等。“误报”为属性错误，如，人戴了安全帽，但是模型预测为“未戴安全帽”，或者人员穿了反光衣，但是模型预测为“未穿反光衣”。方式二，定向配置后台数据收集策略。平台支持通过后台数据收集策略不影响线上应用的技能配置，平台通过为模型配置较低阈值区间可后台收集更多“错误预测数据”，这些“错误预测数据”能够在相对更短一些的时间里满足模型优化迭代的要求。后台收集策略可根据具体需求配置阈值区间、收集的设备、生效的时间、生效的时段等等。大部分情况下建议收集全量设备。基于收集的数据可实现模型的自迭代：将原子模型复制一个新的版本，选择训练集，平台支持自动将适合该原子模型迭代的数据匹配，一键添加至训练集。在预警管理里修正过的错误标签将转换为模型的训练标签，显示为已标注状态。其余收集的数据可再次通过修正方式进行标注。图：模型详情 原子模型训练完成后自动执行测试，可直接查看模型预测结果与测试结果。图：模型详情统计分析平台设计灵活多维度的统计结果分析模块。平台支持对各电厂多时间维度的进行分析，支持不同主题的报告查看与导出。支持告警概览、统计、处理，告警记录的查看、单条处理及批量处理。支持对电厂每周、周月的报警数据进行统计，可从时间、报警类型、作业类型、用户等维度进行统计及列表展示，并可查看具体隐患行为。支持告警统计、概览、处理，支持告警记录查看、查询，支持告警单条、批量处理。支持系统最近7天每日告警数统计，支持评分量化系统监控指数，显示系统运行状态。API开放与系统对接平台提供灵活丰富的第三方接口，支持与系统平台、生产监控系统等各类业务系统进行深度对接。可接收系统平台发出的工单流信息，可根据工单流实现摄像头的指挥调度、视频监控数据的定向获取和AI分析技能的定向开启触发，经过特定场景下的视频分析检测，向系统平台返回检测结果信息，推动工单流继续执行。支持通过远程巡查的方式发现作业过程中的违章行为，并以抓图或录像的方式将违章事件推送至平台，进而推送至系统平台。支持通过远程巡查的方式发现设备的异常问题，并以抓图或录像的方式将设备报警推送至平台，进而推送至生产监控系统。支持对智能分析识别出来的异常情况进行人工确认，对分析结果进行复核。支持为作业任务关联视频监控点，视频监控设备可以为固定式摄像头、便携式移动设备、执法记录仪等。支持对进行中的作业进行视频轮巡，轮巡时间可设置，支持人工上报违章。平台按照微服务架构设计思路进行设计，各功能模块通过标准的restful风格结构对外提供服务，并可接入同一鉴权中心。因此其他的业务组件可通过统一鉴权中心获取到授权后，调用平台各个业务模块的服务进行对接。平台的告警模块出了支持标准的restful接口对接外，还支持回调、消息队列（支持rabbitMQ、rocketMQ、kafka、redis等实现）等方式，支持业务服务组件被动的从平台的告警源中接收告警数据，从而实现既有客户业务系统与本平台的打通，告警信息可以在业务系统中继续流转。平台的流媒体组件的API可以对任何一路接入平台的视频流（包括源流以及经过模型处理、渲染后的结果视频流）进行拉流、播放、存储、NVR记录等操作，且视频流即可以在平台操作界面中播放，也可以通过vlc等组件进行播放，用于大屏投送等使用场景。系统中也集成了对设备的告警信息的全生命周期管理，可以对结果进行人工确认与复核。复核的结论会返回至系统模型部分，做为标注标签信息返回到模型迭代流程中。平台的流媒体服务器组件可兼容主流流媒体协议，包括rtsp、rtmp、flv、以及国标，因此对于使用主流流媒体协议的固定式摄像头、便携式移动设备、执法记录仪、无人机摄像头等设备，都可在平台中进行使用。平台提供标准API接口和文档，可标准化地开放AI能力，支持和第三方系统集成对接，可根据实际需求，基于API进行二次开发。本系统与招标方安全生产管理平台进行接口，接口内容包括人员、报警信息、图片等。业务应用模块平台支持进行定制化业务应用模块开发，结合百度领先的人工智能技术，将图像、视频的AI分析结果与电厂自身业务进行深度融合，实现更好更智能的应用体验。支持业务应用模块的定制化开发，通过人工智能技术识别结果与电厂业务场景开展耦合应用。AI算法模型种类人员不安全行为识别一级功能二级功能功能描述智能分析作业识别人员机舱内抽烟出舱未带安全带未佩戴安全帽未正确着装集控室睡岗设备状态识别一级功能二级功能功能描述智能分析断路器分合状态识别对AIS和GIS断路器分合指示状态识别断路器储能状态识别对AIS和GIS断路器储能指示状态识别GIS隔离开关状态识别对GIS球型隔离开关分合指示及指针型分合指示状态识别AIS隔离开关状态识别对AIS隔离开关（包括双柱水平旋转式、双柱垂直伸缩式、双柱水平折叠式、三柱水平旋转式）分合状态进行识别指针式仪表识别对SF6压力计、避雷器泄漏电流、主变油温油位计等指针式仪表进行识别数字式仪表识别对避雷器动作次数、开关动作次数、LED数显等数字式仪表进行识别液位计识别对CT油位、PT油位、主变套管油位等液位计进行识别空气开关识别对空开状态进行识别旋钮开关识别对旋钮把手状态进行识别硬压板识别对一字型、双柱型硬压板状态进行识别指示灯识别对指示灯状态进行识别油液液位识别对液位进行识别叶片外表缺陷识别对叶片腐蚀、脏污、掉漆等识别集电线路识别线路挂异物、鸟巢、绝缘子破损等识别光伏面板识别破损、脏污、色斑等识别环境状态识别一级功能二级功能功能描述智能分析人员闯入周界防护、电子围栏等烟火识别森林着火识别机舱着火机舱着火识别机舱抛锚滴漏设备跑冒滴漏识别巡检管理面向日常的人员巡检工作，平台提供基于视觉AI分析的巡检能力，支持摄像头、巡检机器人等中端采集的图像或视频进行分析。巡检任务编排实现无人值守化场站各类巡检任务的智能化编排，满足无人值守条件下尽可能多的通过巡检任务自定义编排来解决特殊场景，其核心需求是巡检任务编排的多样性和灵活性。包括：标准任务编排支持智能巡检、智能安防、监视监测等自动化任务的标准化定义及编排，实现一项任务中对各类传感器在统一界面下的统一编排。1）支持通过巡检任务编排将多种设备巡检计划统一制定；2）支持巡检点添加、管理、变更；3）支持巡检记录管理：定时、定点采集风电场及升压站的数据；场景设计器支持特定巡检业务场景的自定义设计，完成场景生成、智能方案配置、场景浏览的功能。支持通过设计器，针对场景化的应用进行设定，根据场景中的智能传感器的选择，进行控制命令的下发与执行。同时智能管控管理可以根据场景与巡检的需要进行人工设定的补充。决策规则引擎实现对巡检过程中异常事件触发规则的可视化配置和统一管理。将结构化数据算法分析结果，或者视频图像算法分析结果与巡检业务流程进行匹配，尝试建立策略引擎，配合算法分析结果，构建多样化和自主化的规则模板特征值融合将多种智能传感器的数据进行融合打通，构建巡检过程异常事件的体系化特征。包括数值类、机理类算法模型的分析结果，也包括视频图像音频等非结构化数据的算法分析结果，将算法分析结果进行规则引擎基于融合特征实现高层级的决策，使用规则引擎对每个特征实现阈值设定、与或逻辑判断等规则的设定，实现高层级的智能决策。通过低代码和拖拉拽等模式，将复杂的规则开发抽象为简易的业务流程，提升场站无人值守的智能化水平和持续性。专家知识库与大模型应用专家知识库专家知识库是集控系统整体核心，整个系统的建立都是基于专家系统所包含的内容，专家系统包括故障体系定义、故障知识、预警知识、检修排查方案、安全措施、风机预控、标准作业等，机器学习提取知识包含运行状态特征参数。专家知识库是当前所有智能模块的核心，所有智能化推荐内容都需要通过提取专家知识库内容来展示，专家知识库是经过实际生成环境验证过的经验总结，内容准确可形成知识结论。专家知识库系统作为整个系统的智慧中心，需具备知识的获取、分类、储存、检索、应用等功能。知识的种类包括但不限于设备部件结构树、部件与故障关联关系、部件与测点关联关系，设备故障排查树、故障与测点关联关系，故障预警自学习知识等。通过前期两个阶段的建设已经采用决策树算法进行故障预警知识挖掘工作并具备基本的专家知识库存储功能。专家知识库存放知识，知识包括设备的工作环境、设备工作机理及系统结构、设备故障特征值、故障诊断算法、推理规则等，反映系统的因果关系，用来进行故障预警、故障检测、故障评估及诊断推理和性能评价、健康评价等健康推理。知识库是专家领域知识与机器学习成果的集合，由规则组成。故障知识故障知识包括故障处理手册等显性知识和专家经验等隐性知识。对于风电机组厂商提供的故障处理手册，系统应提供各类手册内容的电子化及易于校订等功能，同时须能够采用合理的知识表示方法存入知识库。对于隐性知识，知识的获取过程是从设备故障的现象入手，寻找导致故障现象发生的全部因素，再找到造成下一级事件发生的全部因素，一直定位到产生故障的部件，再编制出反映推理过程的故障知识。检修排查方案检修排查方案知识是针对故障以及缺陷等内容，根据故障处理手册以及厂商提供的维修指导手册和专家经验，整理的提供检修排查的方案，内容包含故障描述、级别、类别、部位、风机型号、是否可复位、消耗时长、故障原因、检修工艺、用到的工器具等信息。该部分是支撑故障诊断、健康诊断、推荐检修及消缺的重要依据。安全措施库系统实现对生产管理系统工作票安全措施的知识展示，该部分知识通过生产管理系统传输到知识库系统，利用大数据、算法统计方法，通过数据积累形成自动不断的完善安全措施内容。为检修推荐，安全辨识提供知识支撑。风险辨识库风险辨识库是建立在生产管理系统中，工作票作业风险辨识体系的内容，知识通过集成传输到知识库系统中，形成完整的知识体系，提供安全风险辨识数据中心，为检修推荐、安全措施、风险辨识、工作票票面质量、人