Современные технологии предлагают новые возможности обработки и анализа больших объемов цифровых данных, что позволяет эффективно выявлять риски, связанные с повышением уровня травматизма персонала подрядных организаций, выполняющих технологические чистки. В данной статье рассматривается, как за счет внедрения искусственного интеллекта в программное обеспечение автоматически анализировать данные, полученные при полевых работах с лидаром, выявлять отклонения между паспортными характеристиками оборудования и фактическими результатами, полученными в ходе сканирования, что позволяет определить толщину налипаний на внутренних стенках, выявить участки, наиболее подверженные риску повреждения при технологической чистке, и принять соответствующие меры по предотвращению случаев травматизма на производстве.

Ключевые слова: лидар, искусственный интеллект, риск, технологические чистки.

Введение

Контроль за состоянием технологического оборудования, его своевременное обслуживание и ремонт являются важными составляющими системы управления промышленной безопасностью предприятия. Качественно выстроенная система позволяет существенно снизить риск аварий и инцидентов, что, в свою очередь, обеспечивает более эффективную работу предприятия.

Использование минеральных удобрений является важным условием успешности современного сельского хозяйства, позволяет повышать урожайность и качество плодовых и зерновых культур. Однако при производстве удобрений возникают определенные проблемы, связанные с их налипанием на внутренние стенки аппаратов для изготовления и смешивания. Это приводит к снижению эффективности производства удобрений, увеличению расходов и техническим неполадкам. Для поддержания высокой производительности и необходимого уровня безопасности, а также снижения энергозатрат и повышения эффективности необходимо проведение технологической чистки аппаратов.

Лидар и искусственный интеллект: на что они способны

Лидар — это технология дистанционного зондирования, позволяющая измерять расстояние с помощью активных оптических систем, использующих явления отражения света и его рассеяния в прозрачных и полупрозрачных средах.

Применение лидаров, работающих на разных длинах волн, помогает отличить минеральные удобрения от других материалов и объектов благодаря различиям в их спектральных характеристиках. Лидары, оснащенные системой выбора длины волны или обеспечивающие возможность мультиспектральной и гиперспектральной съемки, способны анализировать отраженные сигналы на разных длинах волн.

Искусственный интеллект представляет собой мощный инструмент для работы с большими объемами цифровых данных, позволяя автоматизировать процессы сбора, очистки, анализа и визуализации информации. Алгоритмы машинного обучения способны обрабатывать огромные объемы информации, что дает возможность выявлять скрытые взаимосвязи между, казалось бы, несвязанными переменными и создавать более точные прогнозные модели. Для решения конкретной задачи по распознаванию налипаний можно эффективно использовать библиотеки OpenCV, TensorFlow и Keras, а также применять предварительно обученные модели, такие как EfficientNetB0 (обучена на наборе данных ImageNet). Эти инструменты, адаптируясь под специфические требования и задачи, позволяют значительно улучшить качество распознавания налипаний.

Внедрение искусственного интеллекта в программный комплекс лидара для определения наличия налипаний на внутренних стенках оборудования

Рис. 1. Схема анализа с помощью ИИ

Полученные изображения загружаются в ПО, связанное с ИИ, для распознавания и обработки данных с лидаров. В систему вводятся паспортные данные и характеристики ранее установленного или вновь монтируемого оборудования. Затем осуществляется сопоставление реальной толщины стен с паспортными данными и возможными отклонениями. Программа предлагает известные ей безопасные методы технологической очистки на основе проведенного анализа.

Для обучения модели использовались сверточные нейронные сети (CNN), такие как EfficientNet, которые хорошо зарекомендовали себя благодаря своей способности эффективно обрабатывать текстуры и мелкие детали изображения.

Выводы

Использование лидара в сочетании с искусственным интеллектом для выявления налипаний минеральных удобрений внутри сельскохозяйственного оборудования перед его технологической чисткой является эффективным и перспективным, позволяет предотвратить возможные проблемы и обеспечивает более эффективную работу предприятия.

Применение описанной технологии перед проведением технологической чистки — действенный способ обеспечения безопасности персонала и предотвращения возможных несчастных случаев и аварийных ситуаций.

Литература:

1. Системы искусственного интеллекта / И. А. Бессмертный, А. Е. Авдюшина, А. В. Кугаевских [и др.]. — СПб : Университет ИТМО, 2024. — 81 с.
2. Шустова, Е. П. Введение в анализ изображений на Python / Е. П. Шустова. — Казань : Казан. ун-т, 2020. — 88 с.
3. Dawson-Howe, K. A Practical Introduction to Computer Vision with Open CV / K. Dawson-Howe. — John Wiley & Sons Limited, 2014. — 218 p.
4. Вьюгин, В. В. Математические основы теории машинного обучения и прогнозирования / В. В. Вьюгин. — М., 2013. — 391 с.
5. Рашка, С. Python и машинное обучение / С. Рашка. — М. : ДМК-Пресс, 2017. — 418 с.
6. Саттон, Р. С. Обучение с подкреплением / Р. С. Саттон, Э. Г. Барто. — М. : ДМК-Пресс, 2002. — 402 с.
7. Padari, A. Lidar system for coke oven chimney monitoring / A. Padari, K. Taavi // EPJ Web of Conferences. — 2018. — Vol. 185. — P. 09010.
8. Fiamma, M. Portable ground-based LiDAR measurements for characterizing vertical distribution of size-segregated aerosol concentrations in the atmospheric boundary layer / M. Fiamma, [et al.] // Atmospheric Measurement Techniques. — 2018. — Vol. 11 (10). — Pp. 5879–5893.