«Оборудование и технологии для нефтегазового комплекса»

Алгоритмы компьютерного зрения и искусственного интеллекта для детекции дефектов на энергетическом оборудовании и объектах трубопроводного транспорта

УДК: 004.93:621.3.073.97
DOI: -

Авторы:

¹ Смартрен, Москва, Россия
² РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
³ НПО Б энд Б Индастриз, Москва, Россия

Ключевые слова: трубопроводный транспорт, электропередача, возобновляемые источники энергии, солнечные электростанции, ветровые электростанции, беспилотные летательные аппараты, компьютерное зрение, искусственный интеллект, сверхточные нейронные сети

Аннотация:

Данная научная статья рассматривает применение передовых алгоритмов компьютерного зрения и искусственного интеллекта для выявления дефектов в различных видах энергетического оборудования. Области применения включают линии электропередач, ветроэнергетические установки, солнечные панели и объекты трубопроводного транспорта. В ходе исследования детально анализируются основные категории дефектов, свойственных энергетическому оборудованию, и проводится обзор текущих методов обнаружения этих неисправностей. Авторы предлагают инновационный подход, интегрируя беспилотные летательные аппараты и искусственный интеллект для эффективного обнаружения дефектов. В статье представлен технологический процесс детекции дефектов, описаны детали алгоритмов, специально разработанных для широкого спектра энергетического и технологического оборудования. Этот подход совмещает в себе передовые методы анализа данных и автоматизированную систему обнаружения, что обеспечивает надежность и точность в выявлении дефектов, способствуя повышению эффективности обслуживания энергетических объектов.

Список литературы:

1. The structure healthy condition monitoring and fault diagnosis methods in wind turbines: A review / Wenyi Liu, Baoping Tang, Han Jiguang [et al.] // Renewable and Sustainable Energy Reviews. – 2015. – Vol. 44. – P. 466–472. – DOI: 10.1016/j.rser.2014.12.005
2. Yanan Zhang, Avallone F., Watson S. Wind turbine blade trailing edge crack detection based on airfoil aerodynamic noise: An experimental study // Applied Acoustics. – 2022. – Vol. 191. – P. 108668. – DOI: 10.1016/j.apacoust.2022.108668
3. Assessment of methane emissions from the US oil and gas supply chain / R.A. Alvarez, D. Zavala-Araiza1, D.R. Lyon [et al.] // Science. – 2018. – Vol. 361, No. 6398. – P. 186–188. – DOI: 10.1126/science.aar7204
4. Гольдзон И.А., Завьялов А.П., Лопатин А.С. О перспективах использования систем автоматизированного контроля технического состояния оборудования объектов ТЭК с использованием беспилотных технологий // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2019. – № 6(551). – С. 25–30. – DOI: 10.33285/0132-2222-2019-6(551)-25-30
5. Будзуляк Б.В., Лопатин А.С., Ляпичев Д.М. Техническое диагностирование оборудования и трубопроводов объектов нефтегазового комплекса с применением инновационных технологий // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2019. – № 11(556). – С. 21–26. – DOI: 10.33285/0132-2222-2019-11(556)-21-26
6. Гусейнов К.Б., Задериголова М.М., Лопатин А.С. Геодинамический мониторинг магистральных газопроводов с использованием беспилотных летательных аппаратов // Тр. РГУ нефти и газа им. И.М. Губкина. – 2016. – № 1(282). – С. 80–88.
7. Wind Turbine Blade Defect Detection Based on Acoustic Features and Small Sample Size / Yuefan Zhu, Xiaoying Liu, Shen Li [et al.] // Machines. – 2022. – Vol. 10, Issue 12. – P. 1184. – DOI: 10.3390/machines10121184
8. Eddie Yin Kwee Ng, Jian Tiong Lim. Machine Learning on Fault Diagnosis in Wind Turbines // Fluids. – 2022. – Vol. 7, Issue 12. – P. 371. – DOI: 10.3390/fluids7120371
9. Ying-Yi Hong, Pula R.A. Methods of photovoltaic fault detection and classification: A review // Energy Reports. – 2022. – Vol. 8. – P. 5898–5929. – DOI: 10.1016/j.egyr.2022.04.043
10. Deep learning strategies for automatic fault diagnosis in photovoltaic systems by thermographic image / D. Manno, G. Cipriani, G. Ciulla [et al.] // Energy Conversion and Management. – 2021. – Vol. 241. – P. 114315. – DOI: 10.1016/j.enconman.2021.114315
11. Robust real-time UAV based power line detection and tracking / Guang Zhou, Jinwei Yuan, I-Ling Yen, F. Bastani // IEEE Int. Conf. on Image Processing, Phoenix, AZ, USA, Sept. 25–28. – 2017. – P. 744–748. – DOI: 10.1109/ICIP.2016.7532456
12. Automatic detection of powerlines in UAV remote sensed images / K.N. Ramesh, A.S. Murthy, J. Senthilnath, S.N. Omkar // 2015 Int. Conf. on Condition Assessment Techniques in Electrical Systems (CATCON), Bangalore, India, Dec. 10–12. – 2015. – P. 17–21. – DOI: 10.1109/CATCON.2015.7449501
13. Katrasnik J., Pernus F., Likar B. A survey of mobile robots for distribution power line inspection // IEEE Transactions on power delivery. – 2010. – Vol. 25, Issue 1. – P. 485–493. – DOI: 10.1109/TPWRD.2009.2035427
14. Van Nhan Nguyen, Jenssen R., Roverso D. Automatic autonomous vision-based power line inspection: A review of current status and the potential role of deep learning // Int. J. of Electrical Power & Energy Systems. – 2018. – Vol. 99. – P. 107–120. – DOI: 10.1016/j.ijepes.2017.12.016
15. Review of autonomous inspection technology for power lines using UAVs / Sun Shuangchun, Li Yanlei, Yi Zhenxiao [et al.] // 2021 IEEE Int. Conf. on Electrical Engineering and Mechatronics Technology (ICEEMT), Qingdao, China, July 02–04. – 2021. – P. 481–484. – DOI: 10.1109/ICEEMT52412.2021.9601446
16. A review of UAV power line inspection / Zhaoyang Wang, Qiang Gao, Jianbin Xu, Dahua Li // Advances in Guidance, Navigation and Control: Proceedings of 2020 Int. Conf. on Guidance, Navigation and Control (ICGNC 2020), Tianjin, China, Oct. 23–25, 2020. – Singapore: Springer, 2022. – P. 3147–3159. – DOI: 10.1007/978-981-15-8155-7_263