燃气电站现场安全预警技术研究及应用
国能国华（北京）燃气热电有限公司
一、项目案例基本信息
二、项目案例详细内容
1.项目案例简介
近年来国家强化智慧电站与本质安全政策引导。《“十四五”国家信息化规划》《“十四五”现代能源体系规划》明确推动智能能源、新型电力系统建设，强调“全面感知、智能决策”及科技支撑安全；工信部等部门文件将智能安全运维等列为重点，为本项目核心模块提供顶层支持。
2021年修订的安全生产法首提“安全生产坚持科技先行”，要求建立双重预防机制，是项目智能预警的法律依据。国家能源集团推进“数字化+安全”，部署“黑灯工厂”等工程，京燃热电作为示范单位，项目契合政策与集团方向，是数字化转型具体举措。
“燃气电站现场安全预警技术研究及应用”项目由国能国华（北京）燃气热电有限公司提出并牵头实施，立足于集团“数字化转型”与“本质安全”双轮驱动的战略需求。项目首次在燃气电站引入AI智能识别、AR远程作业指导、多模态感知融合技术以及流程机器人等多元技术体系，旨在构建一个覆盖人、机、环、管的多场景安全预警模型，有效应对传统安全管控手段在高风险场景下反应滞后、警觉不足等问题。
项目于2020年8月在公司内部完成科技创新立项申报，2021年9月正式启动。前期在智能电站建设（如CPS项目）基础上已具备部分核心能力，包括视频监控部署、部分违章行为识别能力、基础大数据平台与统一身份体系。此次项目的实施，将在前期基础上系统性整合与能力跃升。
项目核心研究内容涵盖AI算法融合、红外成像诊断、AR智能头盔远程指导、RPA流程自动化、知识图谱等关键领域，是对智慧电站建设成果的深化与拓展。
2025年9月16日，经教育部科技查新工作站（G03）查新，本项目高温气体泄漏红外热成像检测、声纹故障定位与健康评估、NLP驱动风险云预控自动出题三个创新点在检索到的国内外公开发表的文献中均未见报道。
2025年9月25日，经中国电机工程学会鉴定认为该项目成果提高了燃气电站安全管理水平，促进了燃气电站智能化发展，具有显著的安全、经济、社会效益和推广应用前景，处于燃气电站智能化建设的国际领先水平。
2.主要创新点概述
本项目由针对燃气电站现场安全预警需求，构建了融合红外热成像检测、声纹故障定位与风险云预控考核的“平台—数据—云网”三位一体智能安全预警体系。项目通过云端训练与边缘推理协同，实现了人、机、环多要素感知、识别与决策闭环，全面支撑燃气电站的智能化安全管理。主要创新点如下：
（1）研发了燃机罩壳内高温气体泄漏红外热成像检测技术，构建了自学习型红外热成像融合环境热电偶形成空间异常聚类的多模态预警系统，实现了复杂环境下小目标高温泄漏与局部异常温升的实时识别，提升了燃机本体高温空气泄漏检出率和响应速度；
（2）研发了燃机罩壳内声纹故障定位与健康评估技术，开发了适应燃机主机高噪复杂声场的声纹故障定位与健康评估系统，实现了燃机本体微小异响的早期感知、精准分类和主机区潜在风险的提前预警，提升了设备诊断的准确性和故障预警前瞻性；
（3）研发了燃气电厂语言大模型风险云预控自动出题技术，开发了针对外委承包商的风险智能考核与评价管理系统，实现了基于工单与风险票据的智能化考核闭环，提升了外委人员风险防范意识，提高了考核的覆盖性和有效性。
（4）形成了面向全厂的智能安全协同体系。项目集成AI算法调度平台、GPU资源池化调度机制、大数据融合管理、AR远程协作与RPA值长助手等关键模块，覆盖设备缺陷预警、人员行为识别、可视化远程作业、风险云预控四大场景，实现了设备隐患提前预警、违章行为智能识别、作业指导与风险管控一体化。
项目在国能国华（北京）燃气热电有限公司全面投运，系统运行稳定可靠，显著提升了燃气电站的安全管理智能化水平与运维效率。经中国电机工程学会组织鉴定，认为项目成果提高了燃气电站安全管理水平，促进了燃气电站智能化发展，具有显著的安全、经济、社会效益和推广应用前景，处于燃气电站智能化建设的国际领先水平。
3.技术实现路径及方法
3.1 技术路径
（1）总体架构：项目采用“平台底座—数据底座—云网底座”三位一体架构，构建“感知-计算-决策-执行”完整链条。平台底座承载AI算法调度平台、行为识别模型库等核心服务，支持模型零代码上线与GPU资源池统一调度，具有“厚平台、轻前端”特征；数据底座基于Cloudera CDH大数据平台，融合TDengine（时序数据）、Postgre SQL（结构化数据）、HDFS（非结构化数据），实现多源数据统一治理；云边协同底座中，边缘节点（JetsonXavier）部署轻量化AI模型（如YOLOv8-Pose）实现实时推理，云端负责模型训练与知识沉淀，通过Kubernetes实现算力动态分配。
图1 左为“AI智能安全预警系统”的总体架构；右为总体技术创新架构图
（2）技术原理：AI算法为核心驱动，多模态感知为数据入口，流程自动化为效率支撑。通过红外、声纹、视频多源数据采集，经边缘计算预处理后传入平台，由AI模型完成识别诊断，最终通过AR终端、值长助手等输出预警或执行指令。
（3）研究方法：采用文献调研法梳理国内外相关技术成果，明确技术差距；在燃机罩壳区域开展实验法优化传感器参数，如红外热像仪30°-45°俯角最优、声纹传感器16kHz采样频率；以迭代开发法每2-3周完成模块迭代；通过对比验证法与GE电站智能监测系统等对比，验证创新点先进性。
（4）实验设计：采集8000张7类违章行为图像、500条设备故障声纹、2000份ERP作业票构建专属样本库；在12个关键区域部署设备开展168小时不间断测试；邀请18名一线人员参与验收，验证功能匹配性。
（5）技术关键难点：复杂环境下，厂房金属反射、光照不均致YOLO模型误报率高，需数据增强优化；多模态数据时空对齐难，需设计时间戳同步算法；高温（≤60℃）、高噪声环境下AR头盔稳定性差，需优化硬件结构与软件抗干扰逻辑。
3.2 技术研究的思路
（1）总体设计思路：以“场景驱动、数据闭环、问题导向”为核心，构建“感知层-算法层-应用层”三层协同体系。感知层部署4台红外热像仪、40组K型热电偶等设备；算法层开发7类核心AI算法；应用层落地四大场景，实现安全管理全流程智能化。
（2）关键技术方案实施：多模态融合预警中，红外热像仪、声纹传感器、K型热电偶协同工作，通过DBSCAN聚类算法定位异常；AI算法调度优化构建高并发平台，支持模型零代码上线与GPU资源动态分配；AR远程协作中，AR头盔接入平台，实现知识库调用与专家实时标注。
技术定位与创新程度：本项目技术定位为填补国内“AR+知识库+作业流程”深度融合空白，多模态融合技术对标GE电站系统，形成集团内首个“AI安全预警+流程自动化”一体化方案，其平台创新使
GPU利用率从42%提升至81%；算法创新让复杂环境行为识别准确率超95%（较YOLOv5提升10%）；交互创新中AR头盔语音指令响应准确率≥94%；机制创新使外委考核覆盖率从50%提升至98.7%。
3.3 技术方案
围绕“设备缺陷预警、人员行为预警、可视化远程作业、风险云预控”四大应用场景，每个场景均涵盖“感知设备选型-数据处理-算法部署-应用落地”全流程设计。
（1）核心场景技术方案
设备缺陷预警场景：在燃机罩壳、汽轮机等关键区域部署640×512像素红外热像仪（测温范围0-650℃）、±1.0℃精度K型热电偶及16kHz采样率麦克风阵列，构建多源感知系统。采用“红外热斑检测+声纹CNN-RNN模型+热电偶数据融合”算法，实现高温泄漏（检出率达98.3%）、轴承异响（识别准确率94.8%）等设备故障的早期预警，平均预警提前时间为33-45分钟，有效降低设备突发性故障风险。
图2 罩壳温度场监测与预警分析算法逻辑框架图
人员行为预警场景：基于YOLOv8-Pose算法结合17关键点姿态估计技术，对厂区内60%以上视频通道进行实时分析。系统可精准识别未戴安全帽（准确率97.6%）、玩手机（准确率92.8%）、摔倒（响应时间≤1秒）等违章行为，将误报率控制在1.9%以内。一旦识别异常行为，系统自动触发声光告警，并通过移动端推送警示信息，实现人员安全行为的动态监管。
可视化远程作业场景：部署具备IPv6防护等级及骨传导麦克风的工业级AR智能头盔，集成远程专家协作平台。该平台支持语音调用作业指导书（SOP）、三维设备拆解图及实时视频标注功能，专家可通过PC或移动端远程接入指导。应用该系统后，作业指导响应时间缩短至12分钟，成功替代传统“双人作业”模式，使单兵作业效率提升30%，显著优化作业流程与资源配置。
图3 上为项目违章行为识别目标；下为AR智能穿戴应用场景
风险云预控场景：利用RPA机器人实现集团ERP系统工作票风险点的自动化提取（成功率97.1%），结合NLP大模型（通义千问）构建电力安全知识图谱。通过知识图谱实现工作票风险点的自动提取，并动态生成标准化题库（题型涵盖单选、多选及判断）。外委人员实现个人手机扫码答题，系统将考核结果与作业许可强制绑定，未达标者禁止进场作业，有效将风险点掌握率提升，从源头降低作业安全风险。
图4 风险云预控企微终端界面及风险预控票应用统计
（2）核心关键技术总结
本项目围绕“提升现场作业本质安全，构建智能预警闭环体系”的核心目标，部署了七项关键技术，覆盖感知识别、分析决策、智能交互、流程优化四个技术方向。整体架构遵循“平台统一调度、边缘快速识别、端侧高效执行”的思路，形成了以AI算法为核心驱动、数据平台为中枢支撑、软硬件联动协同的技术创新体系。
高温气体泄漏红外热成像检测：针对燃机罩壳高温高压工况，传统巡检存在盲区、红外图像模糊等问题，提出“红外+热电偶+空间异常聚类”方案。采用640×512像素红外热像仪、±1.0℃精度热电偶，结合DBSCAN聚类算法，实现2–5Hz帧率实时处理。异常热斑检出率98.3%，10–15℃间断泄漏识别率92.6%，3秒内响应，误报率＜1.7%，曾提前48小时识别泄漏点，三个月发出8次有效预警，含2次严重故障处置。
图5 左为燃机罩壳与汽机主汽门多模态智能监测系统架构；右为燃机温度场多角度监测与异常分析界面
声纹故障定位与健康评估：面对燃机强噪声干扰、声源难定位等问题，构建“多通道采集+时频联合识别+模态融合”系统。部署8通道麦克风阵列（16kHz采样率），通过MFCC特征提取与CNN-RNN混合模型，实现故障定位与健康评分。平均识别准确率94.8%，轻微故障识别率超91%，响应＜1秒，连续运行90天稳定率100%，曾成功预警抽气阀法兰松动故障。
图6左为声纹故障定位与健康评估技术路线图;右a为声学智能监测与异常分析界面; b为燃机机械特性智能诊断与控制联动原理;c为异常识别聚类分布图;d为声纹识别滤波前后对比;e为健康评分趋势曲线
YOLOv8+ONNX行为识别模型升级：解决电厂多目标遮挡、行为语义模糊等问题，采用“YOLOv8+ONNX+17关键点识别”方案。模型经量化剪枝适配边缘设备，通过Pose-17提取骨架特征辅助判断。mAP@0.5达94.2%，行为分类准确率93.4%，推理速度15-18fps，3秒内告警，误报率＜1.9%。首月识别违规180余次，有效提升现场安全管控水平。
图7 a为YOLOv8 + ONNX 行为识别模型升级模块技术路线图；b人体检测与关键点识别模型结构图；c YOLO路径聚合特征网络（YOLO-PAFPN）结构图；d骨架识别模块Pose-17；e、f、g分别为作业人员玩手机行为识别、摔倒行为识别及未佩戴安全带行为识别结果截图
AR智能头盔一体化应用：针对AR设备通信不稳、语音识别差等问题，定制IP66防爆AR头盔，搭建远程专家平台。头盔支持骨传导语音、500万像素摄像，续航超6.5小时；平台实现双向视频标注与工单绑定。视频传输延迟＜180ms，语音抗噪准确率＞94%，AR协作指导时长减少30%，已成功指导70余次复杂作业，单次平均节约沟通时间25分钟。
图8 a为AR眼镜语音控制与快捷操作界面图；b为项目知识库界面展示；c为开关柜检查任务界面图；d为AR眼镜语音控制与快捷操作界面图；e为检修人员佩戴AR眼镜检查控制柜接
AI算法调度与多服务器权重分发：应对多模型GPU资源抢占、响应失控等问题，构建智能调度系统。通过任务优先级队列、GPU资源池动态分配，适配多推理引擎，实现“前端自治+中台调度”。常规算法处理时延＜0.3秒，YOLO-Pose支持25fps，任务调度成功率＞99.7%，GPU利用率从42%提升至81%，调度错误率＜0.5%，支持多用户隔离管理。
图9 a算法标注训练与AI调度融合平台技术架构图；b为员工自制异常识别模型对异常准确报出；c为AI算法调度系统绑定与订阅配置界面图
NLP驱动风险云预控自动出题：针对多模型算力拥塞、调度难等问题，打造“RPA+NLP+AIGC”系统。RPA抽取ERP工单，NLP解析关键要素，大模型自动生成题库。采用GPU资源池化与容器化封装，高优先级模型响应＜350ms，整体平均＜680ms，GPU利用率从42.1%提升至71.4%，任务调度成功率99.2%，形成电力外委语义化安全考核闭环。
图10 上为NLP驱动的风险云预控自动出题模块技术路线图；下为RPA值长助手自动报表技术路线图及值长助手数据处理流程
RPA值长助手自动报表：解决值长报表多系统跳转、容错差等问题，构建模块化RPA系统。自动从多系统提取数据生成报表，内置异常重试机制，记录操作日志。单次日报生成时间从18分钟缩至2、3分钟，压缩比超87%，任务成功率99.4%，异常恢复成功率92.7%。值长日均节省1.5小时，自动生成报表超660份，替代85%人工流程。
（3）技术总结
本项目通过实施四个AI辅助现场安全生产的关键场景，涵盖了从管理人员、作业人员到外委人员以及设备健康监控等多个层面的安全管理需求。AI技术在不同领域的应用，不仅提升了电厂的安全管理水平和生产效率，还推动了行业内智能化、安全化的转型。通过本项目的实施，AI技术在电力安全生产中的应用展现了巨大的潜力，为行业提供了可行的数字化转型示范。
4.应用情况及可推广前景简述
4.1应用部署情况
项目于2024年1月在国能国华（北京）燃气热电全场景部署，具体覆盖：设备监测（燃机罩壳等6个关键区域，部署红外热像仪4台、声纹传感器8台、K型温度传感器40余个及温湿度传感器2套）、人员监控（高空作业平台等12个区域，接入16路视频流）、AR协作（5台AR智能头盔，覆盖3个专业）、风险预控（对接ERP系统，每日自动提取高风险工单生成考核题库）。
项目围绕“构建AI现场安全预警模型”核心目标，完成六大研究任务与模块化建设，成果全面落地，稳定性与适配性良好。六大任务包括：AI算法调度平台（实现多模型注册、GPU资源调度，支持高并发）；RPA风险云预控系统（自动提取作业票据、生成题库，覆盖外委流程）；值长助手语音系统（自动播报风险与任务，提升值班效率）；AR远程协同平台（实现远程指导、视频标注，优化检修质量）；AI行为识别系统（24小时识别违章并即时告警）；多模态预警机制（集成红外、声纹、可见光，协同分析异常）。
目前平台已全模块上线，通过功能、性能及168小时无人值守测试，覆盖运行、安全管理、承包商等多角色，用户参与率高、反馈良好，具备推广条件。
4.2应用推广情况
集团推广按“试点—标准化—规模化”推进：先在同类型燃气电厂部署核心模块形成配置包，再适配火电、化工板块并制定规范，最终建共享平台供API调用。当前已在国电电力上海庙、布连、锦界等公司推广，燃机罩壳项目拟推广至广东惠州燃气电厂，提供可复制经验。
行业交流采用“技术输出+联合验证+标准共建”框架：联合设备厂打造“硬件+软件+服务”方案，与高校研发行业痛点技术，依托协会制定行业标准，提升技术话语权。
5.经济效益及社会效益情况
5.1 直接经济效益
本项目通过人工智能技术在现场作业管理、安全预警、巡检优化、故障识别等方面的应用，实现了流程自动化、风险前置化、运行智能化，在多维度取得了可量化的经济效益。经测算，项目落地后年均直接经济效益约为150万元，构成如下：
（1）辅助岗位优化与流程减人增效：节省约60万元/年
平台建成后，巡检、信息播报、票据生成与交底等任务由AI识别、RPA流程和语音助手完成，显著减轻运行及安全管理人员的重复性事务负担。如：1）智能视频识别系统代替夜间巡视，减少巡检人工频次；2）值长助手每日自动播报风险点与作业任务，减少人工调阅与通知工作；3）外委考试系统替代人工培训讲解与线下抽考。经测算，累计节省辅助岗位工作量约为2人工作量，按人/年综合用工成本30万元计，年节省人工成本60万元。
（2）管理效能提升与人工提效：节省约40万元/年
依托AI与AR技术，运行和管理人员在报表编制、安全检查与交底陪同等环节的投入大幅减少。例如：1）报表自动生成，减少日常整理与审核时间；2）AR远程协作避免重复到场和多轮沟通；3）安全检查流程数字化，减少人工复核环节。经运行测算，年均节约人时成本约40万元。
（3）设备运行可靠性提升与维修优化：节省约50万元/年
系统具备高频风险行为识别和多模态预警能力，提升了隐患发现的时效性和准确性。例如：1）运行期间成功发现燃机罩壳内抽气管道泄漏，避免了高温空气冲击热工组件和信号传输组件，防止机组非停；2）AR操作提示避免了现场误操作风险；3）声纹诊断与红外成像结合提高了异常识别率，提高安全运行质量。经评估，年均节省事故规避与运维成本约50万元。
5.2间接经济效益
（1）安全闭环管理价值：以“智能识别+自动评估+现场反馈+持续优化”建闭环，实现“经验转数据”驱动；上线后外委扫码答题覆盖率50%升至98.7%，人工巡视违章降70%+，AI识别准率超95%，2024年外委违章较2023年降30.4%。
（2）作业流程标准化推进：通过流程重塑与系统联动，实现作业结构化、标准化、数字化；RPA推任务单，AR供指引，数据回传，作业流程统一率60%升至90%+。
（3）辅助决策效率提升：智能工具减信息负担，值长助手日推风险票、待办，语音+弹窗提醒，日均省超1小时；异常信息分类推，告警关联责任，提升决策效率。
5.3社会效益
（1）智能示范电站推广价值：作为国家能源集团“黑灯工厂”示范，形成“智能化+安全生产”方案，模块部署灵活，适配火电、燃气电厂、石化冶金等领域，获专家认可，集团计划模块化推广，助力能源企业数字化转型。
（2）促进人员素质提升与数字转型：推动人员从“经验主导”向“数字赋能”转变：外委人员答题强风险意识，值长用数字工具，班组借AR学新作业模式；系统提升作业标准化，优化人员能力，强化班组培训。
（3）安全生产社会责任履行：引入AI强化现场本质安全，降低人身与设备风险，助力央企履责；系统提升运行透明度与预警时效，推动企业“被动转主动”，支撑集团智能安全形象。
6.项目案例获专利及奖励情况：
6.1 专利情况表
6.2技术标准情况表
6.3计算机软件著作权情况表
6.4曾获科技奖励情况表
6.5科技查新情况表
6.6科学技术成果鉴定情况表
7.申报单位内部评审结论意见：
同意申报
京公网安备 11011502004515号 
