教育新闻网如今，公用事业工程师花费了大量时间来完成重复的管理任务。一些组织估计，经过训练有素的工程师有40%以上的时间用于这些平凡的任务。
诸如机器学习和自然语言处理(NLP)之类的人工智能(AI)技术的成熟，使其在自动执行更复杂，影响更大的任务中越来越可行。人工智能在减少实质性重复任务方面具有巨大的潜力，使这些工程师能够将更多精力集中在工程上。
最近，安大略电力公司(OPG)–安大略省的一家发电机组，具有16吉瓦以上的容量，其中包括5.7吉瓦的在役核电容量，其多样化的产品组合–证明了AI在核电机组中断计划的特定步骤中的潜力处理。
OPG核设施中计划每年进行两到三个月的维护停机。每次中断都需要安排大约20,000至25,000个单独的任务。这些任务大多数与以前的中断相似，这意味着一组高技能的中断人员正在审查程序以及手动搜索和填充过去计划中的任务。
OPG当前的停机计划过程包括40多个主要里程碑，这些里程碑是在开始核装置停机之前两年多开始的。停运里程碑是基于与安全，可靠性，范围和持续时间相关的行业最佳实践，还考虑了单个核设施的需求。在这些里程碑中都嵌入了四次核中断时间表的修订版，其中每个后续版本都比前一个版本更加详细和全面。
OPG已部署的停运AI解决方案着重于预测将要包含在停运窗口中的任务的逻辑联系，创建包含所有任务的计划的第一个版本。这种方法可确保减少人工工作，同时在随后的每个核电中断时间表修订的整个开发过程中保持足够的监督应急能力，以减轻风险和可能的持续时间延长。
中断AI解决方案是一个定制的，云托管的应用程序，可与OPG的现有IT基础架构无缝集成，并利用了AI，机器学习，NLP和智能自动化等元素。此处的目的是预测20,000至25,000个任务的工作分解结构，包括其逻辑上的前任和后继(逻辑关系)，并在即将到来的核装置停运修订“ B”时间表中自动安排它们。停运AI解决方案当前使用价值8年的过去停运数据来创建这些预测，并且已开发为将即将到来的核电设备停运时间表吸收到未来的预防性维护停运中。这创建了一个强大的解决方案，随着越来越多的数据被其基础算法处理，传递和使用，它可以主动学习并变得更加智能。
解决方案本身由三个基础支柱组成，这些基础支柱旨在解决整个解决方案设计中停机团队提供的各种特定功能和技术要求：(i)创建虚拟任务以从当前停机计划中识别丢失的任务，存在于历史中;(ii)尚未安排的任务的自动安排;(iii)取消逻辑联系，否则将导致时间表中出现循环。前两个以基于NLP的文本匹配算法为中心，该算法将当前停机情况下的工作指令和任务与历史停机中的工作指令和任务进行比较，而第三个使用循环检测算法来识别罪魁祸首，并对解决方案输出进行质量控制。
为了创建虚拟任务，文本匹配算法将与特定工作订单有关的所有历史任务的汇总列表与当前计划中的相应工作订单的任务进行比较。历史列表中存在的那些，并由文本匹配算法标识为当前中断中丢失的那些，并作为虚拟任务带入当前计划中。然后，这些虚拟任务可作为质量保证检查，以检查当前任务列表可能不完整的情况，并向工作调度员指示应重新检查其完整性。对当前核单位停工计划中的所有工作单描述重复图1所示的虚拟任务创建过程，并参考该过程中的所有历史停工计划。
