电网设备AI识别的三个层次

6月份写了这篇文章，总结了30年来俺对人工智能稀里糊涂的认识和想法，最近一段时间，参与了电网公司某大数据研究机构与中科院某研究所的几次交流。学习了很多知识，也有一点点不知道是对还是错的初步感悟，在这里抛一块砖，引一块玉。

AI识别需要学习和训练，就像小孩子一样，学习训练需要对大量的存量图片和图像，进行人工标注或者标记，例如这是厕所、这是变压器，就像我们告诉小孩子，这是你舅、那个是你二大爷的道理是一样的。

电力或者电网设备（其实，其他行业的设备也一样）故障的AI识别，有三个层次，一是环境识别，二是设备识别、三是故障点识别，越往后难度越大。这事儿还真没那么容易。

按照我们过去做EAM（企业资产管理）的经验来看，不管是定点的AI监测还是移动的AI监测（例如配电室里的轨道小车或者无人机巡线），发现故障点，仅仅是完成了设备消缺、检修的第一步，接下来还有三个层次的问题需要搞清楚：一是故障现象；二是故障原因；三是检修策略（解决方案）。

就像自行车掉了链子，掉链子是现象，掉链子的原因是什么呢？例如是外力作用？还是链子多了几节？还是前后轮的轮距变了？只有找到了原因，才能因症施策的解决问题。所以，故障现象-故障原因-解决方案，这种最简单的生活常识却是EAM最基本、最重要的方法论之一。

接下来，事情还没有结束，或者说正经事儿才刚刚开始，该下工单了吧，工单这东西，又有三个层次：人员组织、物料和备品备件、消缺和检修规程。

问题又来了，工单这东西就是孤零零的人员、物料和规程这三件事儿吗？还跟什么有关呢，别急，还多着呢，例如四级资产设备树、设备和元器件物料编码体系、检修的计划成本和实际成本（LCC）、物料管理与采购、零备件和线材类的替代品管理、设备故障模型和故障树等等。

OK，快枪手，40分钟完稿，点到为止，出发，该去白广路参加下午的大数据和人工智能座谈会了。