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

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