基于大語言模型的智能體在天然氣閥室泄漏檢測中的應用探索
中文題目：基于大語言模型的智能體在天然氣閥室泄漏檢測中的應用探索
論文題目：Exploring the Application of Large Language Models Based AI Agents in Leakage Detection of Natural Gas Valve Chambers
錄用期刊：Energies (中科院大類 4區)
原文DOI：https://doi.org/10.3390/en17225633
原文鏈接：https://www.mdpi.com/1996-1073/17/22/5633
錄用/見刊時間：2024.11.7/2024.11.11
作者列表：
1） 衛 乾 中國石油大學（北京）人工智能學院/能源動力專業 博 22
2） 孫紅軍 中國石油大學（北京）人工智能學院/智能科學與技術系 教師
3） 徐 寅 昆侖數智科技有限責任公司 北京
4） 龐資勝 昆侖數智科技有限責任公司 北京
5） 高飛翔 昆侖數智科技有限責任公司 北京
摘要:
本文探討了一種基于大語言模型的人工智能體在油氣行業的應用場景，創新性的運用AI聽診和紅外測溫綜合診斷技術，構建油氣泄漏檢測算法模型；利用檢索增強生成（RAG）技術實現基于泄漏檢測行業模型的識別預測和檢索推理流程的自動處理以及相應的泄漏處置方案生成。
背景與動機:
由于油氣生產和運輸過程中設備數量多、工藝復雜，泄漏問題時有發生，傳統的檢測方法高度依賴人力，工作量大，容易漏報和誤報，嚴重影響油氣生產運輸效率和安全。
設計與實現:
1、總體架構設計
系統接收閥室環境采集的音頻和紅外熱成像圖片數據，利用通用大模型調度天然氣閥室泄漏行業模型和基于增強檢索生成（RAG）技術的知識問答工具，自動完成泄漏檢測流程，根據識別結果智能生成相應的泄漏處置方案。如圖1所示：
圖1 天然氣閥室泄漏智能體總體架構設計
2、基于AI聽診的泄漏檢測模型設計
采用Panns_cnn14作為backbone，用于提取聲音的深層特征，SoundClassifer創建下游的分類網絡，實現對輸入音頻的泄漏診斷建模。如圖2所示：
圖2 基于深度學習算法的音頻分類處理流程
3、基于紅外測溫的泄漏檢測模型設計
應用DWT(Dynamic Time Warping)算法，對待測溫度段泄漏檢測時，將這段溫度變化時間序列與樣本庫相同工況環境下溫度變化樣本計算相似度均值，并與閾值進行對比，判斷是否發生泄漏。如圖3所示：
圖3 DWT算法原理(計算R序列與T序列相似度)示意圖
4、天然氣閥室泄漏檢測硬件系統架構
在閥室容易泄漏區域安裝5臺拾音器和2臺紅外熱成像攝像機，拾音器對現場環境聲音實時采集，紅外熱成像對特定區域溫度進行實時追蹤。如圖4所示：
圖4 天然氣閥室音頻和紅外測溫采集系統圖
5、基于RAG的天然氣閥室泄漏知識問答系統設計
大模型歸納生成器是系統的最后一個環節，負責結合綜合查詢問題，借助RAG技術生成答案。
實驗結果及分析:
圍繞天然氣閥室泄漏檢測智能體應用場景，通過智能體調用小模型來開展多種泄漏檢測測試，對不同程度泄漏診斷準確率達到90%以上，詳見表1：
表1 智能體調用小模型不同程度泄漏診斷結果
其中，輸入一個包含音頻和圖像的壓縮文件，智能體調用音頻和紅外測溫綜合模型診斷是否發生泄漏、泄漏等級，同時給出相應的解決方案和任務派送。如圖5所示：
圖5 閥室泄漏檢測智能體診斷結果
結論:
本文提出一種基于大語言模型的智能體在天然氣閥室泄漏檢測中的應用探索，并以天然氣閥室工業放空數據集開展了應用驗證。主要結論包括：
(1)大模型具有良好的通用智能能力，可以將不同場景基于業務規則靈活適配和調整，賦予使用者更大的權限，以應對不同的場景需要；
(2)針對油氣生產領域細分場景，構建了基于AI聽診和紅外測溫結合的泄漏檢測行業小模型和基于RAG的天然氣閥室泄漏知識問答工具；
(3)初步實現了大模型對音頻、紅外成像及文本數據的感知，對泄漏檢測行業模型和知識問答工具的智能調度，基于流程自動處理和泄漏處置方案的智能生成，取得了較好的效果，驗證了該方法的有效性。
作者簡介:
孫紅軍,1994年和1997年在中國石油大學（北京）陸續獲得石油地質與勘探專業的碩士和博士學位。目前作為中國石油大學（北京）人工智能學院的研究員和博士生導師。他在石油信息技術領域擁有超過30年的工作經驗，主要研究領域包括：企業架構、能源工業互聯網、智能油氣田。