一种基于RPA的路灯智能运维监控方法、装置及设备与流程

本发明涉及市政设施智能运维，尤其涉及一种基于rpa的路灯智能运维监控方法、装置及设备。

背景技术：

1、随着智慧城市建设的不断推进，城市路灯系统作为市政基础设施的重要组成部分，已逐步实现从传统人工巡检向智能化管控的转变。目前，城市路灯普遍部署了集中管控平台，通过该平台可远程查看各路段路灯设备的运行状态、开关灯执行情况以及基础告警信息，在一定程度上提升了路灯管理的数字化水平。然而，当前的路灯运维体系仍然高度依赖人工操作。

2、具体而言，运维人员需要每日登录管控平台，依靠人工对设备列表中的异常条目进行逐一排查，逐台设备点开详情页面查看实时运行参数，再结合个人经验对历史数据进行综合分析以判断故障原因，整个流程操作繁琐、重复性强且耗时较长。同时，现有管控平台多为独立运行的系统，其数据封闭性较强，难以与气象数据、运营商数据等外部信息源实现有效整合，导致故障分析维度的局限性较为突出。在异常检测方面，多数平台采用固定阈值方式进行告警触发，即依据预先设定的静态参数范围判断设备是否异常，未能充分考虑设备运行参数随季节更替、昼夜时段变化以及不同天气条件而产生的正常波动，这导致在高温、雷雨、大风等极端天气条件下，要么频繁产生无效告警，要么漏报真实的设备故障，严重影响了运维效率与可靠性。此外，当前市面上虽有部分将机器人流程自动化技术应用于简单运维流程的尝试，但大多局限于基础的数据采集与页面操作层面，尚未实现与人工智能异常识别、多源数据融合推理等技术的深度耦合，故障的根本原因定位仍需要人工介入完成，全流程自动化运维水平较低。鉴于路灯系统分布范围广、设备数量庞大且直接关系到城市夜间出行安全，上述运维模式已难以满足智慧城市对基础设施运行保障能力的要求。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种基于rpa的路灯智能运维监控方法、装置及设备，旨在解决现有路灯运维方案中系统对接改造成本高、异常检测精度受环境因素干扰大以及全流程自动化程度不足等等技术问题。

2、为实现上述目的，本发明提供一种基于rpa的路灯智能运维监控方法，所述方法包括：

3、通过web管理后台初始化系统配置参数，包括对接路灯管控平台的登录信息、巡检周期；

4、按照巡检周期触发rpa机器人根据登录信息自动登录路灯管控平台，获取设备列表并筛选异常设备，获取对应异常设备包括电气参数和运行状态的设备信息；

5、调用预构建的天气-设备故障关联数据库，获取与所述设备信息对应时间区域相匹配的天气数据，对所述设备信息以及天气数据进行多维度关联分析，识别异常类型并按照预设层级结构进行归类，输出层级化异常事件；

6、根据所述层级化异常事件中的异常类型匹配对应的预设运维场景，构建包括多个疑似故障原因的识别框架，采集所述识别框架对应的多源证据，基于天气-设备故障关联数据库中的历史故障统计数据计算每一证据对各疑似故障原因的概率分配值，利用证据合成规则融合所有证据的概率分配值，得到对应疑似故障原因的置信度，选取置信度最高的疑似故障原因作为目标故障原因并生成处理建议；

7、根据所述目标故障原因确定故障等级，通过与所述故障等级对应的告警推送通道发送包括故障位置、目标故障原因、处理建议以及天气关联说明的告警信息，并生成运维报告。

8、为实现上述目的，本发明还提供一种基于rpa的路灯智能运维监控装置，，所述装置包括：

9、初始化配置单元，用于通过web管理后台初始化系统配置参数，包括对接路灯管控平台的登录信息、巡检周期；

10、设备信息获取单元，用于按照巡检周期触发rpa机器人根据登录信息自动登录路灯管控平台，获取设备列表并筛选异常设备，获取对应异常设备包括电气参数和运行状态的设备信息；

11、异常识别单元，用于调用预构建的天气-设备故障关联数据库，获取与所述设备信息对应时间区域相匹配的天气数据，对所述设备信息以及天气数据进行多维度关联分析，识别异常类型并按照预设层级结构进行归类，输出层级化异常事件；

12、推理决策单元，用于根据所述层级化异常事件中的异常类型匹配对应的预设运维场景，构建包括多个疑似故障原因的识别框架，采集所述识别框架对应的多源证据，基于天气-设备故障关联数据库中的历史故障统计数据计算每一证据对各疑似故障原因的概率分配值，利用证据合成规则融合所有证据的概率分配值，得到对应疑似故障原因的置信度，选取置信度最高的疑似故障原因作为目标故障原因并生成处理建议；

13、告警推送单元，用于根据所述目标故障原因确定故障等级，通过与所述故障等级对应的告警推送通道发送包括故障位置、目标故障原因、处理建议以及天气关联说明的告警信息，并生成运维报告。

14、为了实现上述目的，本发明还提出一种基于rpa的路灯智能运维监控设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序被所述处理器执行以实现如上述实施例所述的一种基于rpa的路灯智能运维监控方法的步骤。

15、为了实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如上述实施例所述的一种基于rpa的路灯智能运维监控方法的步骤。

16、有益效果：

17、以上方案，通过构建多维度关联分析—场景化识别框架—d-s证据合成等多环节协同，实现了路灯运维从设备信息采集到故障原因输出的全流程自动化，从而摆脱了对人工经验的依赖，提升了运维响应速度与故障研判的准确率。其中，采用rpa机器人模拟人工操作自动登录并读取管控平台数据，无需对现有路灯管控平台进行任何接口改造，即可实现跨平台数据采集，具有部署成本低、兼容性强、可快速落地的优势；通过调用预构建的天气-设备故障关联数据库获取天气数据并与设备信息进行关联分析，使得异常类型的识别充分融合了环境因素；通过基于证据合成规则的多源证 据融合机制，实现了对各疑似故障原因置信度的量化计算与自动化推理，输出明确的目标故障原因及处理建议，有效降低了运维人员的技术门槛与工作负担，缩短了故障响应与处理周期；在此基础上，通过按故障等级分通道推送告警信息并自动生成运维报告，使运维管理流程更加规范化、标准化，保障了城市道路照明系统的可靠运行。

18、将历史天气数据与历史故障记录进行时空关联匹配，构建了包含天气事件表、故障记录表及天气-故障关联表的数据库结构，实现了不同天气类型与不同故障类型之间关联概率的量化存储；该数据库为后续的异常识别、证据推理及故障预判提供了可追溯、可量化的数据基础，使得系统在进行多维度关联分析时能够快速获取天气与故障的历史共现关系，提升了天气因素在故障推理中的客观性与准确性。

19、通过运行合规性规则检测、动态阈值结合天气修正因子的电气异常判定、密度聚类算法的时空聚合分析以及孤立森林无监督学习的多层级检测方案，构建了覆盖状态异常、电气异常、批量异常及未知异常的全面异常识别体系；其中，动态阈值机制针对不同电气参数分别计算其动态正常范围，并结合天气修正因子进行适应性调整，有效克服了固定阈值方案在不同天气条件下误报率高的缺陷；密度聚类算法通过对异常事件的位置与时间进行联合空间聚类，能够准确识别同一区域内多台设备同时离线的批量异常模式，避免了逐条告警的信息过载问题；孤立森林算法的引入使系统具备发现未知异常模式的能力，提高了系统的泛化性与鲁棒性；最终将各类异常按照预设层级结构进行归类输出，为后续面向不同运维场景的差异化推理提供了结构化的输入。

20、通过建立了异常类型—运维场景—识别框架的动态映射机制，针对状态异常、电气异常及批量异常的运维场景分别预配置了对应的识别框架，每个识别框架包含对应该场景下最相关的故障原因假设，有效缩小了故障推理的假设空间，避免了证据采集与概率分配过程中引入无关因素的干扰，使得后续的d-s证据推理能够针对不同场景的特征进行精准匹配，提高了推理效率与结论的针对性；同时，每一识别框架中的故障原因均紧密贴合路灯运维的实际需求，覆盖了光敏传感器误判、调光操作影响、雷击跳闸等场景典型故障类型，使推理结论更贴近工程实际。

21、通过将证据对各故障原因的支持程度量化为基于历史故障统计数据的条件概率，为每一证据构建了标准化的基本概率分配函数，使多源证据的融合具备了统一的量化基础；在此基础上，针对证据仅支持单个故障原因、同时支持多个故障原因或明确否定某个故障原因等不同情形，分别设置了差异化的概率分配规则，能够灵活应对实际故障推理中证据与故障原因之间复杂多变的支持关系，为后续证据合成与置信度计算提供了准确可靠的输入。

22、通过按采集顺序逐次进行d-s证据合成并引入冲突系数计算机制，能够定量评估各证据之间的一致性与冲突程度；当冲突系数处于合理范围内时，直接输出融合后的概率分配值作为各故障原因的置信度；当冲突系数超出阈值时，引入折扣系数对冲突证据进行修正，有效抑制了因传感器噪声、数据传输异常等因素导致的证据失真对合成结果的负面影响，增强了推理系统的容错能力；最终通过置信度阈值判断机制，对高置信度结论直接输出对应故障原因及处理建议，对低置信度结论标记为待人工确认，兼顾了推理的自动化水平与决策的安全性。