能源與公用事業預測性維護：建構AI就緒的資料管道

計畫外變壓器故障在考慮緊急維修、監管罰款和收入損失後，每次事故給公用事業公司造成100萬至1000萬美元的損失。預測性維護AI可以在故障發生前數週發現退化模式——但前提是為這些模型提供資料的管道必須正確建構。

挑戰不在於AI模型本身。而在於上游資料準備：清洗數十年不一致的SCADA讀數，標準化由不同團隊以不同格式撰寫的維護日誌，以及將設備感測器資料與影響故障率的天氣模式進行關聯。

本手冊涵蓋能源和公用事業預測性維護AI的端到端資料管道，從原始資料來源到AI就緒輸出。

能源領域的資料來源

能源和公用事業中的預測性維護依賴五大資料類別，每類都有不同的格式和品質挑戰。

任何管道的第一步是將這些資料來源對映到統一的擷取策略。

管道架構：六個階段

資料管道遵循六個階段，每個階段產生可觀察的中間輸出，能源工程師可以在資料進入下游之前進行驗證。

階段1：擷取

原始資料以混合格式到達。SCADA匯出以CSV時間序列形式出現，維護日誌為PDF和Word文件，設備登記為資料庫匯出，檢查報告為帶有嵌入圖片的掃描PDF。

在Ertas中，擷取階段使用特定格式的解析節點：PDF Parser用於檢查報告和工單，Excel/CSV Parser用於SCADA匯出和設備登記，Word Parser用於敘述性維護日誌，Image Parser用於掃描文件。每個解析器在保留來源檔案中繼資料、時間戳和來源系統資訊的同時擷取結構化內容。

關鍵考量：SCADA資料通常以OPC-UA歷史資料庫匯出形式到達。在擷取前將其轉換為扁平CSV，保留原始時間戳精度（通常為毫秒或亞毫秒級）。

階段2：清洗

能源領域資料有通用工具無法涵蓋的特定清洗需求。

跨系統去重。 維護事件經常同時出現在CMMS（電腦化維護管理系統）和SCADA告警日誌中。變壓器油溫告警和由此產生的工單描述的是同一事件，但格式完全不同。Deduplicator節點使用可設定的配對規則識別這些跨系統重複——時間戳接近度加資產ID重疊。

感測器漂移校正。 SCADA讀數隨感測器老化而漂移。Anomaly Detector節點根據歷史基線標記偏離預期範圍的讀數，允許工程師將其標記為排除或手動更正，以防它們污染訓練資料。

術語標準化。 維護團隊使用不一致的語言："xfmr"、"transformer"、"TX"和"power transformer"都指同一類設備。Format Normalizer節點套用領域特定的對映，在所有文字欄位中標準化術語。

階段3：轉換

此階段將清洗後的資料轉換為適合預測性維護模型的結構。

時間序列對齊。 SCADA資料、天氣資料和維護事件在不同的時間尺度上運作。感測器讀數每5秒到達，天氣資料每小時，維護事件則是不規則的。管道必須將這些對齊到一個共同的時間視窗——通常是每小時或每日聚合——並附上適當的統計摘要（連續讀數的均值、最大值、最小值、標準差；事件資料的計數和時近性）。

故障預測的特徵工程。 最有效的預測性維護特徵組合了多個資料流：

在Ertas中，RAG Chunker和Train/Val/Test Splitter節點處理從對齊時間序列到訓練就緒資料集的轉換，具有可設定的拆分比例，尊重時間順序（不將未來資料洩漏到訓練集中）。

階段4：品質評分

在資料到達模型之前，每筆記錄都要通過品質驗證。

Quality Scorer節點根據完整性（是否存在所有預期特徵）、一致性（相關特徵在邏輯上是否對齊）和新鮮度（底層資料的時效性）為每個訓練範例分配信心度評分。低於可設定閾值的記錄被標記為人工審查，而不是被靜默丟棄——這在安全相關應用中至關重要，因為在未經審查的情況下丟棄資料可能會掩蓋真實的故障模式。

階段5：匯出

管道以下游ML框架消耗的格式產生AI就緒輸出。

對於預測性維護，主要輸出通常是包含帶標籤結果（預測視窗內故障/非故障）的特徵向量的JSONL。次要輸出是維護記錄的RAG就緒知識庫，現場工程師可以用自然語言查詢。

階段6：服務（面向現場工程師的RAG）

除了訓練資料準備之外，Ertas還支援完整的RAG管道用於維護知識檢索。

索引管道處理歷史維護記錄：File Import、PDF Parser、PII Redactor（從工單中移除人員姓名）、RAG Chunker、Embedding和Vector Store Writer。檢索管道——API Endpoint、Query Embedder、Vector Search、Context Assembler、API Response——部署為一個可被工具呼叫的端點，現場AI助理可以查詢諸如「2024年變壓器T-4420漏油的解決方案是什麼？」之類的問題。

這使機構維護知識保持可存取和可搜尋，無需將原始工單暴露給雲端服務。

天氣關聯：倍增效應

天氣是影響設備故障率的最大外部因素。熱浪給變壓器帶來壓力，冰暴損壞線路，濕度加速腐蝕。但將天氣資料與設備資料關聯需要仔細的空間和時間對齊。

空間配對。 氣象站很少與變電站在同一位置。管道必須將每個資產對映到最近的氣象站（通常2-3個），並根據距離加權插值讀數。此對映在設備登記中定義一次，在轉換過程中自動套用。

時間對齊。 天氣對設備的影響不是即時的。週一開始的熱浪可能到週三才會在變壓器上造成可測量的壓力。管道應產生滯後特徵（1天、3天、7天的尾隨天氣統計量）以及時間點讀數。

關鍵基礎設施的本地架構

能源公用事業將其營運技術（OT）網路歸類為關鍵基礎設施。來自SCADA系統和電網營運的資料不能通過公共網際網路傳輸。這使得本地資料準備成為硬性要求，而非偏好。

Ertas作為原生桌面應用運行——無Docker容器、無雲端依賴、無網路暴露。它直接部署在OT網路邊界內的公用事業工程工作站上。管道執行完全在本地，每個處理步驟都產生可觀察的日誌條目，合規團隊可以進行稽核。

對於在NERC CIP（關鍵基礎設施保護）標準下營運的公用事業，此架構滿足：

• CIP-004： 透過工作站上的作業系統級認證進行存取管理
• CIP-007： 無監聽埠或網路服務的系統安全管理
• CIP-011： 透過僅限本地處理且無資料外洩實現資訊保護

實施清單

在開始您的第一個預測性維護資料管道之前：

1. 盤點所有資料來源——SCADA歷史資料庫、CMMS匯出、天氣資料來源、檢查報告檔案
2. 跨系統對映資產識別碼（許多公用事業公司對同一設備有3-5種不同的ID方案）
3. 定義預測目標（30天內故障、90天內故障或退化分類）
4. 建立時間邊界——可靠資料追溯到多遠，以及每個資產所需的最低歷史記錄
5. 確定能夠根據已知故障事件驗證管道輸出的領域專家
6. 選擇試點範圍——一個變電站或一類設備——然後再擴展到整個設備群

入門指南

原始公用事業資料與AI就緒訓練集之間的差距是大多數預測性維護專案停滯的地方。不是因為AI難，而是因為資料準備是手動的、脆弱的且不可見的。

Ertas Data Suite用一個視覺化管道取代了這個碎片化流程，其中每個轉換都是可觀察的，每個步驟都被記錄，整個工作流在您的OT網路內本地運行。為您的試點變電站建構一次管道，然後在整個設備群中複製，確信相同的清洗、標準化和品質規則得到一致套用。

您的變壓器已經在產生資料。問題是您能否足夠快地準備好這些資料，以便在下一次故障發生之前採取行動。