Sztuczna inteligencja staje się rzeczywistością w wielu dziedzinach życia. Dzięki wykorzystaniu możliwości szybkiego przetwarzania danych, rosnących wciąż mocy obliczeniowych, nowych, coraz bardziej efektywnych algorytmów i rozwojowi chmur obliczeniowych, technologia ta pozwala osiągnąć rzeczy, które jeszcze niedawno były niedostępne dla umysłu ludzkiego. Ekspansja AI jest bardzo widoczna w wielu branżach, począwszy od IT, poprzez medycynę aż po retail. Powstają zaawansowane mechanizmy analizy zdjęć, video, boty potrafiące rozmawiać z ludźmi, czy systemy predykcyjne oparte o samouczące się modele uczenia maszynowego. Technologia ta także zaczyna docierać bezpośrednio do przemysłu i energetyki. Dzięki wykorzystaniu systemów opartych o deep learning jesteśmy w stanie w wielu miejscach dokonać optymalizacji procesu produkcyjnego czy pracy maszyn, podnieść jakość kontrolingu czy wykrywać szybciej awarię i obniżyć przez to koszty utrzymania.

Damian Mazurek, CTO, Chmurowisko Sp. z o.o.

Jedną z dziedzin AI (ang. Artificial Intelligence), o której zastosowaniu chciałbym dzisiaj opowiedzieć jest tzw. analiza obrazu. Opiera się ona na pojęciu klasyfikacji lub rozpoznaniu obiektów na zdjęciach lub video za pomocą m.in. splotowych sieci neuronowych. Dzięki zastosowaniu zaawansowanych mechanizmów wzmocnionego uczenia, systemy te są w stanie dokonać każdej wizualnej oceny przedmiotu czy materiału, którą normalnie jest w stanie dokonać człowiek. Przewagą jednak nad czynnikiem ludzkim jest brak zmęczenia takiego mechanizmu oraz możliwość jego skalowania poprzez moc obliczeniową, co bezpośrednio podnosi jego niezawodność, szybkość działania i obniża koszty, automatyzując dużą część prac. Poniżej przedstawiam kilka scenariuszy, które pozwalają na wykorzystanie tej technologii w celach podniesienia skuteczności pracy zakładu przemysłowego i sieci energetycznych.

Kontrola jakości produkcji

Podstawowym zagadnieniem, do którego można wykorzystać zagadnienie klasyfikacji jest kontrola jakości produktu. Dzięki zastosowaniu specjalnego mechanizmu, odpowiednio dobierającego architekturę sieci neuronowych oraz stosującemu pewien koncept neuroplastyczności, który występuje m.in. podczas procesu uczenia w mózgu ludzkim, jesteśmy w stanie stworzyć sztuczną inteligencję, pozwalającą na walidację czy nasz produkt jest zgodny z założonymi normami. Mechanizm ten jest w stanie nauczyć się na podstawie doświadczenia wykrywać, czy nie doszło do uszkodzenia lub błędu w procesie produkcji, który objawiał się będzie niedoskonałościami i cechami możliwymi do rozpoznawania optycznie. Zastosowań tutaj jest dużo. Począwszy od klasyfikacji poziomu zepsucia żywności, poprzez analizę opakowań plastikowych, płytek PCB, poprawności budowy silników, aż po przypadek analizy składu i budowy stali na podstawie zdjęć z mikroskopu.

Systemy bazujące na AI są w stanie dużo szybciej dokonywać procesu kontroli jakości, osiągając czasy analizy i podejmowania decyzji poniżej 0,3 sekundy. Dodatkowo niezawodność i wolność od błędów spowodowanych zmęczeniem decyzyjnym pozwala dokładnie testować każdy produkt, co jest w stanie mocno zniwelować koszty związane z reklamacjami. Przekłada się to bezpośrednio na oszczędności rzędu kilkuset tysięcy euro rocznie.

Segregacja produktów

Drugim najczęściej spotykanym scenariuszem jest automatyczny proces segregacji. W tym przypadku, gdy proces produkcyjny naszego zakładu bardzo mocno opiera się na potrzebie klasyfikacji dóbr do nas dostarczanych lub przez nas eksportowanych, takie rozwiązanie opierające się na sztucznej inteligencji jest w stanie bardzo mocno nam pomóc. Bardzo często błędy ludzkie, czy próby oszustw, powodują przy tym procesie, że straty ponoszone przez różnego rodzaju przedsiębiorstwa przemysłowe sięgają milionów euro w skali roku. Systemy AI są w stanie z dużą dokładnością przeprowadzić operację klasyfikacji, będąc jednocześnie wolne od problemów podanych wcześniej. Dodatkowo, dzięki pełnej automatyzacji dają jeszcze możliwość dokumentacji procesu oraz audytowalności każdej z klasyfikacji.

Badania stopnia zużycia sieci energetycznych za pomocą obserwacji wizualnej

Zastosowania mechanizmu analizy wizualnej są bardzo szerokie. Jednym z przykładów, w którym możemy go wykorzystać, są badania stopnia zużycia i defektów sieci energetycznych.

Dzięki analizie klasycznych obrazów w widzialnym spectrum światła, podczerwieni czy ultrafioletu, jesteśmy w stanie wykryć różnego rodzaju uszkodzenia i problemy.

Jesteśmy w stanie poprzez detekcję obiektów sprawdzić, czy coś dziwnego nie wtargnęło na teren lub na słup, oraz zidentyfikować ten obiekt, co pozwoli na odpowiednie dalsze reakcje systemu lub powiadomienie odpowiednich organów w naszej instytucji.

Dodatkowo możemy analizować izolatory energetyczne, sprawdzać ich zanieczyszczenia czy uszkodzenia ich struktury. Podobne problemy jesteśmy w stanie wykryć w przypadku przewodów. Dzięki zaawansowanej analizie obrazów i samoistnemu douczaniu się mechanizmu sztucznej inteligencji, możemy szybko reagować na pierwsze widoczne objawy uszkodzeń, przez co obniżyć koszty serwisu i zniwelować problemy związane z awarią.

Obrazowanie w podczerwieni może być wykorzystywane do wykrywania ciepła generowanego przez prądy upływowe izolatora lub awarię różnych komponentów, takich jak np. złącze przewodów. Dzięki wykorzystaniu specjalnie wyszkolonego systemu AI, można stworzyć taki mechanizm do automatycznego wykrywania uszkodzonych izolatorów lub przewodów, a nawet ich zużycia w czasie. Odpowiednio dobrana architektura splotowych sieci neuronowych pozwoli w sposób sprawdzony i pewny dokonywać takich analiz.

Wykorzystanie obserwacji ultrafioletowych natomiast w połączeniu z odpowiednią analizą obrazu można wykorzystać do wykrywania źródła koron i wyładowań łukowych, które wskazują awarię sprzętu izolatora i mogą powodować uszkodzenia innych elementów. Obrazowanie UV może również wykryć zanieczyszczenia tych komponentów.

Kolejnym elementem, w którym możemy wykorzystać systemy AI, jest analiza zdjęć z wykorzystaniem mobilnych kamer umieszczonych na dronach, czy nawet zdjęć satelitarnych w poszukiwaniu problemów związanych z naruszeniem naszych linii transmisyjnych przez jakieś duże obiekty, jak krzaki czy drzewa.

Dzięki wykorzystaniu koncepcji neuroplastyczności i wzmocnionego uczenia, jesteśmy w stanie wyjść poza klasyczną analizę tych źródeł obrazu i stworzyć system, który na podstawie jednoczesnej obserwacji z wykorzystaniem tych wszystkich technik jest w stanie wspomóc utrzymanie sieci energetycznych, zwiększyć ich niezawodność i obniżyć koszty utrzymania.

Podsumowanie

Sztuczna inteligencja to przyszłość, która już nadeszła. Wykorzystanie jej zalet jest w stanie w mocny sposób zwiększyć efektywność przemysłu i obniżyć koszty na wielu płaszczyznach. Można walczyć z tą technologią, jednak jej adaptacja jest nieuniknionym procesem. Aktualnie znajdujemy się w fazie jej dynamicznego rozwoju, gdzie wczesna adaptacja takich rozwiązań, może przynieść duża przewagę konkurencyjną.

* Damian Mazurek – posiada ponad 10 lat zawodowego doświadczenia w software developmencie. Pasjonat cloud computingu i sztucznej inteligencji. Szkoleniowiec i mówca. Od kilku lat zajmuje się głównie projektowaniem i wdrażaniem systemów opartych o chmurzę, machine learning i przetwarzanie dużej ilości danych.

Czytaj także:

• #digitalizacjawenergetyce: Sztuczna inteligencja przyszłością energetyki
• #digitalizacjawenergetyce: Internet Rzeczy (IoT) dla sektora energii
• #digitalizacjawenergetyce: Technologia UWB i jej zastosowanie w systemie typu RTLS
• #digitalizacjawenergetyce: Internet rzeczy w służbie energetyce
• #digitalizacjawenergetyce: Jak przedsiębiorstwa utilities wykorzystują IoT w procesie digitalizacji?
• #digitalizacjawenergetyce: Sztuczna inteligencja w przemyśle i energetyce
• #digitalizacjawenergetyce: Nowa rola energetyki w świecie „Smart Grid” a zastosowanie nowych technologii
• #digitalizacjawenergetyce: Ewolucja mobilnych sieci szerokopasmowych – potencjał dla sektora energetycznego
• #digitalizacjawenergetyce: Cyfrowy „pstryk”, czyli transformacja energetycznego łańcucha wartości