标题：从“人巡”到“智巡”，人力减 60%：TDengine 助力桂冠电力实现 AI 智能巡检

logo：

小T导读：为推进 “数智运营” 转型，广西桂冠电力携手涛思数据，采用 TDengine 时序数据库构建智能巡点检系统，融合 AI 与智能终端打造“终端—边缘—云端”协同架构，破解水电巡检效率低、安全风险高等难题。TDengine 在其数据湖中承担 OT 数据核心存储角色，通过“一个设备一张表”“超级表”等设计简化架构，凭借内置时序计算与订阅机制显著提升效率。系统投运后，单机机组增效 2–5%，年增发电量约 3 亿 kW·h，监盘工作量减少超 60%，助力桂冠电力迈向 AI 驱动的数智运营新阶段。

业务背景：电力巡检 + AI

在水电行业从“传统运维”迈向“数智运营”的关键阶段，桂冠电力率先打破依赖人工的巡点检模式，携手涛思数据（TDengine）创新研发水电站智能巡点检系统。该系统融合无人机、机器人等智能终端与 AI 技术，构建“终端—边缘—云端”协同架构，实现巡点检作业覆盖率显著提升、故障响应更迅速、人力成本大幅降低，有效破解了水电行业巡检效率低、安全风险高的长期难题。

在 AI 的赋能下，我们实现了智能巡盘、智能告警、智能预警、智能处置等多项 AI 功能，把巡检工作从“人工主导”升级为“机器主导”的自动化监控模式。借助高级逻辑判断与辅助处置机制，系统能将设备事故处置由被动应对转化为主动预警，提前识别潜在风险并同步提供操作指导与优化方案，既显著提升机组运行的安全性与经济性，又大幅减轻运行人员的监屏劳动强度和心理压力。

同时系统的实施使得发电效率也得到显著提升：单台机组的增效约为 2-5%。主要水电机组应用后，每年可增加发电量约 3 亿 kW.h。系统的智能监盘功能实现了适用于少人、无人监盘的模式，减少了监盘 60% 以上的工作量，大幅减轻了运行人员的工作强度，进一步提高了监盘的准确性和响应速度。

本文将与大家分享 TDengine TSDB 在我们数据湖建设中发挥的关键作用。

业务上的具体应用实践

简化数据湖的存储架构

在数据湖当中，TDengine TSDB 作为数据湖的贴源层，支撑了全部 OT 数据的存储。如下表所示，OT 数据与 IT 数据之间有着明显的区别：

为在 OT 与 IT 数据上实现最佳性能，我们分别采用某关系型数据库与涛思数据 TDengine TSDB 作为 IT 层与 OT 层的存储组件，构建分层存储体系。架构图如下图所示：

在当前架构当中，TDengine TSDB 所具有的特性，使得海量 OT 数据的存储更加便捷：

• “一个设备一张表”的设计，非常直观地映射到 IoT 中各类设备的采集值模型；
• 超级表的设计，使得一次查询多个测点变得非常简单；

• 分布式的架构设计，可以支持横向扩展和纵向扩展，在同一层无需多集群；

  • 虚拟分区策略，可以充分利用每一个节点的资源；
  • 动态调整数据分布，可以避免单点资源瓶颈带来的业务阻塞；
• 特色的时序计算函数，使得大部分业务计算可以直接获取，同一区域内无需分层存储。

业务建模的约束设计

基于“一个设备对应一个子表”的建模原则，我们对设备及其点号的数据进行建模与存储。在建模过程中，需要重点解决以下几个问题：

• 设备维度的设计：确定用于描述设备的关键维度；
• 唯一性的设计：明确用于唯一标识设备的字段，即设备表的 Primary Key；
• 多维选择唯一性的设计：确定可用于唯一检索设备的多个字段组合，即设备表的 Candidate Key。

TDengine 的超级表具备标签列特性，可用于实现设备表的存储。各标签列相互独立，类似于关系型数据库中的字段。由于超级表不具备 Primary Key 和 Unique Index 机制，因此在实际应用中需要通过约定来实现约束：

• db\_name：作为业务分割单元，不同 db\_name 的服务于不同业务，保证同一业务内的 tbname 不重复，避免写入错误数据；
• tbname：作为单个系统的唯一性约束，用于单个业务范围内的真正唯一 id；
• tag::point\_code：作为测点名字记录，用于单个业务领域内的唯一性标记；
• tag::mtype/station\_name 等标签列：作为设备的属性进行描述，联合起来作为候选主键。

以单列模型的测点 pointdata 为例，表结构如下所示：

CREATE STABLE `all_station_st` (
`data_time` TIMESTAMP, 
`point_value` DOUBLE
) TAGS (
`point_code` VARCHAR(20), 
`addr` INT, 
`mtype` VARCHAR(20), 
`station_name` NCHAR(30), 
`description` NCHAR(64), 
`kks` VARCHAR(100), 
`measure_code` VARCHAR(60), 
`original_one` VARCHAR(40), 
`original_two` VARCHAR(64), 
`idx` NCHAR(32), 
`status` TINYINT
)  

由于标签列之间缺少约束功能（如索引、主键），因此需要从业务上做验证和校验，才能保证最终唯一。期望 TDengine TSDB 后续能在这一个维度进行进一步开发，降低业务开发的复杂度。

内置时序计算优化业务效能

在我们的业务系统中，TDengine 以其卓越的性能与强大的时序计算能力，大幅简化了业务开发工作。

对于业务逻辑和部分智能算法而言，常常需要对时间戳进行对齐，并在指定频率下获取测量值，这就要求我们基于原始数据进行计算。传统做法有两种：

• 提前计算：通过定时计算或者流式计算，提前把降采样的结果计算完存放起来；
• 实时计算：通过查询原始数据，实时计算后返回给应用。

提前计算的优势在于能让应用以最快速度获取结果，但缺点是需要维护一整套定时调度机制，涉及任务调度、异常处理和补数等运维工作，复杂度较高。

实时计算能够保证每次计算结果都是最新的计算逻辑，缺点是计算耗时有可能太大，计算内存消耗过大。

而 TDengine 的特色时序计算，就很好地避免了这些问题。即使是在微服务 + 低代码的时代，TDengine 带来的业务简化依然具有重要价值。以获取测点的日平均值进行绘制为例：

提前计算的实现通常需要部署独立的 Java 程序并持续监控其运行状态。编写计算逻辑本身并不复杂，真正的工作量在于多出一套需要维护的应用，同时还要应对算法更新、数据更新带来的重算问题，使整个过程显得十分笨重。

实时计算是指在业务产生数据需求时，直接查询数据库中的原始数据并即时计算结果。在我们的场景中，这类操作往往会演变为 CPU + MEM + Network 的高负载任务——在 queryRawData 过程中，需要占用大量内存来缓存 TSDB 返回的原始数据，消耗 CPU 进行数据解析，同时占用大量网络带宽完成数据传输。

而使用 TDengine 内置的 interval 库函数进行计算，则很轻便的完成了这个计算。interval 库函数是一个时间窗口函数，可分为：滑动时间窗口、翻转时间窗口。在我们的业务当中，大多数情况下会采用等时间窗口的平均值计算方式。例如：

taos > select _wstart, avg(`point_value`) from db.$point_code where _c0 >= ‘2025-01-01’ and _c0 < ‘2025-02-01’ interval(1d);

整个集群内存几乎没波动。做一个简单规模的查询对比：

# 在 1w 测点 10s 采样间隔，统计 7 天内的日平均值

# 使用 TDengine 的计算，只需要 1.14 秒
taos> select _wstart, count(*), avg(`current`), avg(`voltage`), avg(`phase`), tbname from test.meters partition by tbname interval(1d);
Query OK, 70000 row(s) in set (1.140877s)

# 对于提前计算，每日的计算，只是查询 1 天的数据就占用 15.49 秒：
taos> select * from test.meters where _c0 >= '2025-01-01' and _c0 < '2025-01-02' >> /dev/null;
Query OK, 14400000 row(s) in set (15.496163s)

# 对于实时计算，只是查询原始数据，就占用了 106.85 秒
taos> select * from test.meters >> /dev/null;
Query OK, 100800000 row(s) in set (106.852480s)

通过上述的数据可以得到：

从上述数据可以看出，实时计算方案在性能上明显不及 TDengine 内置计算，因此在实际业务中几乎不会被采用。提前计算方案在应用次数超过 16 次后能够带来正向收益（实际业务中查看次数会很容易超过这个数量）。因此，我们在系统中同时采用了提前计算与内置计算的组合方案。其中，内置计算帮助我们有效减少了网络传输、内存占用、CPU 计算以及业务研发等多方面的开销。

订阅替代数据分发

作为企业级数据湖，我们既需要满足桂冠电力内部的数据共享，也要支撑与外部系统之间的数据分发。借助 TDengine 的订阅机制与 taosX 企业级同步组件，这一需求得到了高效而可靠的解决。

对于分发内容的类型，我们主要有 2 大类：

• 针对设备订阅，订阅设备的时序数据

# 选择部分设备进行同步，只订阅时序数据
create topic topic_fzd as select tbname,data_time,point_value from pointdata.all_station_st where status = 1 and idx in ('辐射','辐照度') ;

• 针对业务进行订阅，需要订阅设备的元数据和时序数据

# 选择未知设备进行同步，并且同步元数据变动
create topic topic_longtan with meta as stable pointdata.all_station_st where status = 1 and station_name = 'DJK_LT_90000208'  

同步方式上，我们分为两大类：

• 目的地是 TDengine，应用使用 taosX 进行订阅和写入，保证稳定性。
• 目的地未知，应用由需求方使用官方 driver 编写，订阅对应的 topic，自行安排应用。

通过以上的 topic 方式和应用方式，我们解决了数据湖上的数据分发需求。与过往的其他大数据组件相比，属实是非常轻便了。

大规模的运维经验

在正式投产之后，我们经历过 3.0.3、3.3.4 和 3.3.6 多个大版本。测点规模从百万走向千万，是一个 10 倍增长的运维过程。在这里分享几个 TDengine TSDB 大规模集群运维的经验。

容量规划

基于桂冠的业务场景进行估算，我们最终使用了 64c256g * 3 的虚拟机运行 TDengine TSDB。按照双副本（企业版特性），每个 vgroup 处理 2w 的测点的经验数据，我们预估 64c*3 可以处理：

64 vnode/节点 * 3 节点 / 2 副本 * 20,000 测点/vgroup = 192,000 测点

实际过程中从刚上线的性能宽裕，逐步发展到后来的性能拮据。我们发现 20,000 测点/vgroup 这个经验数值，会随着业务应用的开发出现下滑。其核心原因在于业务开发的增多，会带来显著的 CPU 资源消耗。因此我们把预估方式调整为：

Unit = 20,000 / (insert\_ratio + query\_ratio) 测点/vgroup

其中 insert_ratio 代表写入强度，query_ratio 代表查询强度。可以初步分成几种情况：

• insert\_ratio

  • 0.5：代表数据频率已知，顺序写入，日常没有数据补写。
  • 1.0：代表数据频率已知，大部分时候顺序写入，存在常规的数据补写、部分乱序写入
  • 2.0：代表数据频率未知，大部分时候顺序写入，存在常规的数据补写、乱序写入

• query\_ratio

  • 0.5：代表常规有监控类查询（last/last\_row），短期时间区间查询（7天内）。
  • 1.0：代表常规有监控类查询（last/last\_row），短期时间区间查询（7天内），伴随定期任务查询。
  • 2.0：代表常规有监控类查询（last/last\_row），短期时间区间查询（7天内），伴随定期任务查询，同时提供历史数据查询。

这部分经验分别对应：单个物联网项目、综合物联网平台和集团数据湖平台。

写在最后

在 TDengine TSDB 的多年应用过程中，桂冠电力团队与涛思数据团队共同积累了丰富的大规模运维经验，并将实践成果转化为补丁与功能回馈社区。同时桂冠也见证着 TDengine 从一个时序数据库，逐步走向一个成熟的时序存算平台。在未来的日子里，相信 TDengine 能够成为物联网的一个标准全栈解决方案，为我们的电力业务进一步释放业务价值。

关于广西桂冠

广西桂冠电力股份有限公司是中国大唐集团有限公司的二级企业，主要经营水电、火电、风电及其他清洁能源的开发及运营，电站检修、技术咨询业务，兼营有色金属加工、金融服务等业务。公司拥有广西龙滩、岩滩、平班等共 41 座水电站、1 座火电厂和广西、贵州、山东烟台 9 个风电场，并网范围覆盖国家电网和南方电网的多个区域，资产分布于广西、四川、贵州等数个省市自治区，是一个集多能源、多网源、跨地域为一体的大型综合发电企业。

作者：桂冠电力

基于 YOLOv8 的电网绝缘子破损与闪络缺陷智能检测系统识别项目 [目标检测完整源码]

一、研究背景与工程问题分析

随着电力系统规模的不断扩大，输电线路和变电设备的运行安全已成为电网运维中的核心问题之一。在众多电力设备中，绝缘子承担着电气隔离与机械支撑的双重任务，其运行状态直接影响电网的稳定性与可靠性。

在长期运行过程中，绝缘子通常会受到以下不利因素影响：

• 长期高压电场作用导致材料老化
• 风沙、盐雾、工业污染物附着
• 高湿环境下易发生表面放电
• 外力冲击造成瓷裙破损或脱落

由此产生的典型缺陷主要包括 绝缘子破损 与 绝缘子闪络。这类缺陷具有隐蔽性强、分布范围广、人工巡检成本高等特点，一旦未能及时发现，极易引发线路跳闸、设备损毁，甚至区域性停电事故。

传统的人工巡检方式已逐渐暴露出明显不足：

• 巡检效率难以覆盖大规模线路
• 高空、野外作业存在安全风险
• 检测结果依赖个人经验，缺乏一致性

在此背景下，结合无人机巡检、固定摄像头采集手段，引入基于深度学习的视觉检测技术，构建自动化缺陷识别系统，已成为智能电网发展的重要方向。

源码下载与效果演示

哔哩哔哩视频下方观看：
https://www.bilibili.com/video/BV1Qk8uz6E9f/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本

二、系统总体设计思路

本项目以 YOLOv8 目标检测模型 为核心算法，面向电力巡检场景进行专项训练，并通过 PyQt5 图形界面 实现完整的工程化封装，最终形成一套可直接投入使用的 电网绝缘子缺陷智能检测系统。

系统设计目标包括：

1. 高检测准确率：能够稳定识别破损与闪络缺陷
2. 实时推理能力：满足视频流与在线巡检需求
3. 良好可用性：非算法人员也可直接操作
4. 可扩展性强：便于后期模型升级与功能拓展

三、整体系统架构

系统采用典型的分层架构设计，各模块职责清晰、相互解耦：

┌───────────────┐
│ 数据采集层    │  图像 / 视频 / 摄像头 / 无人机
└───────┬───────┘
        │
┌───────▼───────┐
│ YOLOv8 推理层 │  缺陷检测与分类
└───────┬───────┘
        │
┌───────▼───────┐
│ 结果解析层    │  类别 / 置信度 / 坐标
└───────┬───────┘
        │
┌───────▼───────┐
│ PyQt5 界面层  │  可视化展示与交互
└───────────────┘

该架构的优势在于：

• 算法模块可独立替换或升级
• UI 与模型完全解耦，降低维护成本
• 支持本地部署或后续服务化改造
  

四、检测目标定义与业务建模

4.1 缺陷类别建模

结合电力运维业务需求，本项目共定义三类检测目标：

这种分类方式不仅能够识别缺陷类型，还可为后续缺陷定位、统计分析与风险分级提供基础数据支持。

4.2 数据集构建原则

为了保证模型在实际场景中的泛化能力，数据集构建阶段重点考虑：

• 不同拍摄高度（模拟无人机巡检）
• 不同光照条件（逆光、阴影、强反射）
• 复杂背景（山地、树林、建筑）
• 正常与缺陷样本的合理比例

数据统一采用 YOLO 标准格式，便于训练、推理与工程复用。

五、YOLOv8 模型选型与训练流程

5.1 YOLOv8 在工业场景中的优势

YOLOv8 作为 Ultralytics 推出的新一代检测模型，在工程实践中具备以下优势：

• Anchor-Free 设计，减少人工调参
• 更合理的损失函数设计，提高收敛稳定性
• 推理接口高度封装，工程接入成本低
• 兼容 ONNX、TensorRT 等多种部署形式

对于绝缘子这类尺度变化大、形态细长、背景复杂的目标，YOLOv8 在精度与速度之间取得了良好平衡。

5.2 模型训练流程

训练流程主要包括：

1. 数据清洗与标注校验
2. 训练 / 验证集划分
3. 模型初始化与参数配置
4. 多轮迭代训练与性能评估

训练过程中重点关注以下指标：

• mAP@0.5：整体检测能力
• 混淆矩阵：破损与闪络的区分效果
• Loss 曲线：模型是否稳定收敛

当模型在验证集上表现稳定后，即可用于推理部署。

六、推理流程与缺陷结果解析

YOLOv8 提供了简洁高效的推理接口，推理阶段主要完成以下工作：

• 加载训练完成的权重文件
• 对输入图像或视频帧进行检测
• 输出目标类别、置信度与边界框

在视频与摄像头模式下，系统采用逐帧检测方式，并通过合理的帧率控制，确保检测效果与实时性之间的平衡。

七、PyQt5 图形化系统设计

为了提升系统的可用性，本项目引入 PyQt5 构建桌面级可视化应用，核心功能包括：

• 多种检测模式切换（图片 / 视频 / 摄像头）
• 实时显示检测结果与缺陷标签
• 一键保存检测结果图片或视频
• 自动管理输出目录，便于后期复核

该界面设计使系统能够直接服务于运维人员与巡检人员，而不仅仅局限于算法研究。

八、典型应用场景与扩展方向

8.1 实际应用场景

• 输电线路无人机巡检
• 变电站设备日常检查
• 电网缺陷快速筛查与统计
• 智能运维示范项目

8.2 可扩展方向

• 缺陷严重程度自动分级
• 与巡检工单系统对接
• 缺陷时序变化分析
• 多模型协同检测（如分割 + 检测）

九、总结与思考

本文围绕电网绝缘子破损与闪络缺陷检测这一典型工业视觉问题，系统性地介绍了一套 基于 YOLOv8 的智能检测系统 的完整实现过程。从问题背景、系统架构、模型训练，到可视化应用与工程部署，展示了深度学习技术在电力运维场景中的实际价值。

实践表明，只有将算法能力与工程需求深度结合，AI 技术才能真正落地并产生长期价值。本项目不仅适合作为电力巡检智能化的参考方案，也为其他工业缺陷检测场景提供了可复用的技术范式。

基于 YOLOv8 的桥梁病害（八类缺陷、病害高精度）自动检测 [目标检测完整源码]

一、背景与问题：桥梁检测为什么需要 AI？

桥梁作为城市与交通网络中的关键基础设施，其服役周期长、受力复杂、环境影响显著。随着时间推移，桥梁结构不可避免地会出现裂缝扩展、混凝土退化、钢筋腐蚀、潮湿渗水等病害问题。若不能及时发现并处理，轻则影响通行安全，重则引发结构性风险。

传统桥梁检测主要依赖人工目测或人工+仪器结合的方式，普遍存在以下痛点：

• 检测效率低，难以覆盖大规模桥梁资产
• 对检测人员经验依赖强，结果主观性高
• 数据难以结构化，不利于长期健康评估

在此背景下，基于计算机视觉的自动化桥梁病害检测逐渐成为智能运维的重要发展方向。

源码下载与效果演示

哔哩哔哩视频下方观看：

https://www.bilibili.com/video/BV1m8g8z6Ejp/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本

二、整体解决方案概述

本文介绍的一套桥梁病害检测系统，采用 YOLOv8 目标检测模型 作为核心算法，并结合 PyQt5 桌面端可视化工具，构建了一条从模型训练到工程应用的完整技术链路。

系统核心能力概览

• 支持 8 类典型桥梁缺陷与病害识别
• 覆盖 图片、批量图片、视频、摄像头 等多种输入形式
• 提供 图形化操作界面，降低使用门槛
• 支持模型再训练与工程级部署

该系统既可作为科研与教学案例，也可直接用于工程检测与巡检辅助。

三、检测目标设计：让模型“看懂”桥梁问题

在桥梁结构表面，病害往往呈现出尺度小、纹理细、形态多样的特点。针对工程实践需求，系统定义了以下八类检测目标：

1. 裂缝
2. 收缩裂缝
3. 底层收缩裂缝
4. 混凝土退化
5. 混凝土空洞
6. 腐蚀
7. 潮湿
8. 路面劣化

这些类别基本覆盖了常见桥梁表观病害类型，为后续健康评估与维修决策提供了结构化输入。

四、为什么选择 YOLOv8？

YOLOv8 是 Ultralytics 推出的新一代实时目标检测模型，在工程实践中表现出明显优势：

• Anchor-Free 架构
  对细长裂缝、小尺度缺陷更友好，减少人为先验约束。
• 推理速度快
  能够满足视频流与实时检测场景需求。
• 训练与部署流程成熟
  模型配置灵活，支持快速复现与迁移学习。
• 多任务扩展能力强
  为后续引入分割、姿态或多模态任务奠定基础。

在桥梁病害这类“复杂背景 + 小目标”的场景中，YOLOv8 在精度与速度之间取得了良好平衡。

五、数据集构建与训练流程

1. 数据组织方式

系统采用标准 YOLO 数据格式，清晰划分训练集与验证集，便于模型迭代：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

每张图像均配有对应标注文件，记录目标类别及归一化边界框信息。

2. 训练与评估策略

模型训练过程中，重点关注以下指标：

• box_loss：定位精度
• cls_loss：类别区分能力
• mAP@0.5：整体检测性能

当模型在验证集上达到稳定收敛并取得较高 mAP 后，即可进入部署与应用阶段。

六、推理与可视化系统实现

1. 模型推理逻辑

系统基于 PyTorch 推理接口加载训练完成的 YOLOv8 模型，对输入图像或视频逐帧执行检测，输出包括：

• 缺陷类别
• 置信度
• 边界框坐标

这些信息可进一步用于统计分析或风险评估。

2. PyQt5 图形化界面优势

通过 PyQt5 封装推理流程，系统实现了：

• 图像/视频/摄像头一键加载
• 检测结果实时展示
• 自动保存检测图片与日志
• 无需命令行操作的工程化体验

这使得系统不仅面向算法工程师，也适用于检测人员与工程管理人员使用。

七、典型应用场景

该系统在多个实际场景中具备应用潜力：

• 桥梁日常巡检与快速筛查
• 历史病害数据对比与趋势分析
• 科研机构桥梁健康监测研究
• 高校土木与智能建造课程教学

通过持续积累检测结果，还可进一步构建桥梁全生命周期健康管理体系。

八、未来扩展方向

在当前系统基础上，可进一步拓展以下能力：

• 引入 图像分割模型，实现裂缝精细化测量
• 融合 红外或多光谱数据，增强隐蔽病害识别
• 部署至 边缘计算设备或无人机平台
• 结合时序数据，分析病害演化趋势

结语

本文介绍了一套面向实际工程应用的 桥梁病害智能检测系统，通过 YOLOv8 高性能目标检测模型与 PyQt5 可视化工具的结合，实现了从数据、模型到应用的完整闭环。

该方案在提升检测效率、降低人工成本、增强结果一致性方面具有显著优势，为桥梁智能巡检与结构健康监测提供了一条可落地、可扩展的技术路径，也为工业视觉在基础设施领域的应用提供了有价值的实践参考。

本文从实际工程应用角度出发，系统梳理了一套基于深度学习目标检测模型的智能识别解决方案，完整覆盖了数据准备、模型训练、推理验证以及应用系统集成等关键环节。通过将算法能力与可视化应用相结合，实现了从模型效果验证到业务可用系统落地的转化，体现了人工智能技术在真实场景中的工程价值。整体方案结构清晰、技术路线成熟，既具备较强的复用性与扩展性，也为相关领域的智能化升级提供了可参考、可落地的实现范式。