Закрыть и перейти на сайт ComNews.RU
Новости Редколонка Точка зрения

Вс, 25.08.2019

Полная версия сайта   

 Поиск
USD 65.6 EUR 72.62
25 августа 2019 года, Вс
Вера Стерликова, главный специалист отдела инновационных разработок концерна "Автоматика" госкорпорации "Ростех"

Применение искусственных нейронных сетей в задачах мониторинга протяженных инфраструктурных объектов

Вера Стерликова,
главный специалист отдела инновационных разработок Концерна "Автоматика" Госкорпорации Ростех
12.08.2019
Вера Стерликова, главный специалист отдела инновационных разработок Концерна "Автоматика" Госкорпорации Ростех
Вера Стерликова, главный специалист отдела инновационных разработок концерна "Автоматика" госкорпорации "Ростех"

В рамках программы развития цифровой экономики госкорпорация "Ростех" была назначена центром компетенций по формированию исследовательских компетенций и технологических заделов по пяти сквозным цифровым технологиям: нейротехнологии и искусственный интеллект, системы распределенного реестра, промышленный интернет, робототехника и сенсорика, технологии беспроводной связи.

Выбор зоны ответственности "Ростеха" не был случайным - в стратегии развития корпорации до 2025 года именно технологическое лидерство и переход к производству интеллектуальной продукции является главной целью для всех ее холдингов. В гражданском секторе производства появляются интересные проекты, требующие нестандартного подхода и внедрения инновационных решений. Примерами таких проектов могут служить разрабатываемые в данный момент решения в области управления протяженными инфраструктурными объектами, посвященные разработке системы мониторинга воздушных линий электропередачи с использованием беспилотных летательных аппаратов (БПЛА), выполняемые по заказу российского электроэнергетического комплекса, отличающегося одной из самых крупных электросетевых инфраструктур в мире. В ведении компании находится более 2 млн. километров линий электропередач: для сравнения, это почти в 6 раз больше, чем расстояние от Земли до Луны.

Основанием для разработки решения послужила не теряющая актуальности задача обеспечения надежности и бесперебойной работы энергосетевой инфраструктуры.

Согласно информации из открытых источников, в 2017 году произошло 50 тыс. отключений в электросетевом комплексе. Большая часть всех аварий электросетевой инфраструктуры происходит на воздушных линиях электропередачи (ВЛ), и 70% из них вызваны различными природными явлениями. Например, с 18:00 31.12.2010 года до 11:00 01.01.2011 года с проводов было снято 998 деревьев, восстановлено 152 пролета проводов, заменено 45 опор, что позволило восстановить электроснабжение 30 населенных пунктов.

Следовательно, в целях обеспечения бесперебойной работы системы и надежного энергоснабжения потребителей необходимо регулярное проведение различных видов осмотров и обследований состояния линий электропередачи. В настоящее время данные мероприятия сопряжены с некоторыми сложностями, вызванными особенностями инфраструктурного объекта, а именно - его протяженностью и трудной доступностью некоторых участков. Также данные работы являются трудозатратными - требуют задействования специальной техники и значительных человеческих ресурсов.

Применение БПЛА упрощает и ускоряет процесс проведения осмотров и обследования состояния ВЛ, дает возможность предотвращать технологические нарушения в их работе, позволяет получить объективную оценку состояния элементов линии благодаря применению нескольких диагностических сенсоров. Кроме того, автоматизированный подход исключает необходимость применения специальной техники для подъема человека с целью осмотра элементов опор ВЛ, непосредственного участия человека и отключения ВЛ. Кроме того, существенное преимущество применения БПЛА при аварийно-восстановительных работах заключается в сокращении времени поиска и локализации участков ЛЭП, имеющих наибольшие повреждения.

Программной составляющей предполагаемого решения являются алгоритмы обработки и анализа изображений, полученных с камер видимого, ультрафиолетового и инфракрасного спектров, установленных на БПЛА. В данной задаче оптимальным является применение сверточных нейронных сетей.

Итак, во-первых, нейросети являются незаменимым инструментом в задаче детектирования дефектов на основании изображений или видеоматериалов. Данная задача, фактически, разделяется на две подзадачи: локализация и, непосредственно, классификация дефекта. Каждую из которых предложенные алгоритмы успешно решают сейчас по всему миру.

Во-вторых, они незаменимы в важной миссии сопровождения электроэнергетического оборудования на всем его жизненном цикле и восстановления параметров на основе цифровой модели (цифрового двойника), включающего в себя не только геометрическое представление опор, проводов и просеки, но и содержащего алгоритмы изменения их параметров во времени, что может послужить в будущем для улучшения качества оборудования и его обслуживания.

В-третьих, способность быстро локализовать место аварии за счет применения БПЛА, и моментально детектировать дефект с помощью специально обученной нейронной сети, дает возможность провести аварийно-восстановительные работы с максимальной эффективностью. Данный эффект достигается не только за счет статистического анализа, но и за счет способности сети определять фактор, послуживший причиной аварии.

Среди множества алгоритмов машинного обучения и видов нейронных сетей на основании проведенных исследований и анализа результатов был выработан следующий подход: во-первых, это, конечно, обучение ИНС с учителем на размеченных фотографиях, во-вторых, нами был использована стратегия переноса обучения (transfer learning), являющаяся оптимальной в условиях ограниченных данных и вычислительных ресурсов. Уже обученная на миллионах изображений, принадлежащих сотням классов, сеть (pre-trained model) является удобным инструментом извлечения признаков (feature extractor). "Заморозив" сверточные слои, нужно обучить последний слой, осуществляющий необходимую в рамках задачи классификацию.

Для "дообучения" была выбрана сеть InceptionV2, как оптимальная по быстродействию и объему необходимых вычислительных ресурсов. Размерность данных в этой сети постепенно понижается от входа к выходу, она сбалансирована по ширине и глубине, пространственные свертки факторизованы на более мелкие, что помогает экономить ресурсы, расходуемые на увеличение сети. В InceptionV2 изображение сначала проходит через несколько сверточных слоев, далее следуют блоки факторизованных сверток и пуллинга, затем линеаризация и, наконец, классификация.

Также предполагается использование обученных без учителя сетей для понижения размерности обучающих данных. Это желательно для оптимизации работы последующих алгоритмов и экономии ресурсов. Еще одна задача, решаемая данным типом сетей – обнаружение аномалий (anomaly detection). Система обучалась на нормальных образцах, и когда она видит новый образец, то может сообщить, выглядит он как нормальный или, вероятно, представляет собой аномалию.

Теперь остановимся подробнее на архитектуре программного обеспечения - она будет представлять собой каскад сверточных нейронных сетей, описанных выше. Каждая сеть в каскаде будет иметь свое место в иерархии и свои коэффициенты, определяющие ее пригодность для детектирования тех или иных видов дефектов, элементов ВЛ и способность обработки изображений, полученных с разных видов аппаратуры. Поток графической информации, поступая на вход, будет проходить несколько уровней классификации и сортировки. Данная архитектура предполагает отсутствие путаницы с данными за счет понятной функциональности каждого из блоков, и легкую масштабируемость в ширину и глубину за счет автономности элементов структуры. Как следствие, для расширения и последующей настройки необходимо лишь задать связи между функциональными единицами структуры и четко определить приоритеты каждой из них. Задача ранжирования нейронных сетей не является тривиальной и требует тщательного исследования, возможно, с применением сетей, обученных ассоциативным правилам (association rule learning). Данный вид нейронных сетей поможет выявить скрытые закономерности в распределении изображений между различными блоками и обеспечить эффективность работы системы.

В заключении хочется сказать, сотрудничество "Ростеха" с электроэнергетическими компаниями потребует решения множества исследовательских задач, связанных с подбором параметров как сверточных сетей, так и блоков в каскаде, построением верной топологии программного обеспечения и оптимизации его работы. Нам предстоит научить сети различать более 3000 видов опор в разных регионах страны при разных погодных условиях, составить базу возможных дефектов (сейчас их уже насчитывается более 800) электросетевого комплекса, которая, опять же, будет изменяться и, возможно, пополняться в зависимости от местоположения объектов.

 

Мнения авторов рубрики "Точка зрения" могут не совпадать с позицией редакции ComNews.ru, не влияют на выбор и освещение новостей в других частях газеты
Точка зрения

При использовании материалов ссылка на ComNews обязательна.

Свидетельство о регистрации СМИ от 8 декабря 2006 г.
Эл № ФC 77-26395

РекламаПисьмо в редакциюО насAbout us
Новости