Jak monitorować drgania w tunelu lub rurociągu? Technologie AI i digitizera w służbie przemysłowi

Istnieje wiele aplikacji, które mogą wykorzystać zalety najnowszych rozwiązań z zakresu inteligentnych digitizerów. Mają one postać wysokiej klasy karty DAQ (data acquisition) opartej na sztucznej inteligencji, współpracującej z wytrzymałą i zaawansowaną obliczeniowo platformą przemysłową (IPC), a także wspieraną procesorami graficznymi (GPU). Jednym z najbardziej znaczących beneficjentów tej technologii będzie rynek rozproszonych czujników akustycznych (DAS) lub światłowodowych (DOFS), gdzie rurociągi o długości wielu kilometrów wymagają ciągłej kontroli. Jak zatem uwolnić potencjał akwizycji danych? Z pomocą przychodzi karta DAQ PCIE-1840 firmy Advantech – idealna do monitorowania tuneli i rurociągów naftowych.

Według firmy badawczej MarketandMarkets, sektor DAS/DOFS wzrośnie z 462 mln USD do 792 mln USD w latach 2020-2025, co stanowi znaczący przyrost średniej stropy wzrostu (CAGR[1]) na poziomie 11.4 proc. Kluczowe znaczenie dla tej zwyżki mają wydajne i skuteczne systemy gromadzenia danych (DAQ[2]).

Szeroki strumień danych

System DAS, wykorzystywany do monitoringu rurociągu naftowego, będzie generował około 1 TB danych dziennie. Do analizy i przetwarzania tak ogromnej ilości informacji wymagane jest wydajne rozwiązanie typu edge computing.[3]

Przy takiej liczbie danych kolejnym nieodzownym elementem wydaje się stosowanie aplikacji wykorzystujących AI. Sprawne algorytmy wykrywania zdarzeń, będących przedmiotem zainteresowania, są niezwykle istotne i pozwolą na wyeliminowanie potencjalnej awarii czy też zakłamanych odczytów. Mowa tu np. o sytuacji, gdy odnotowany zostanie wstrząs na rurociągu, instalacja wibruje z powodu zmiany przepływu, czy gdy obok przejeżdża wóz ciężarowy. Sztuczna inteligencja może „ocenić” i sklasyfikować każdy przypadek, aby zmniejszyć liczbę fałszywych odczytów.

Dane z czujników DAS, przeanalizowane z wykorzystaniem innych systemów w połączeniu z chmurą, mogą natychmiast alarmować operatorów i pokazywać lokalizację zdarzenia. Taka możliwość pozwala zespołowi monitorującemu podjąć określone działania, jak zmiana trybu pracy maszyn, modyfikacja parametrów rurociągu lub dostosowanie zabezpieczeń alarmowych.

Części składowe systemu

Aby sprostać wskazanym powyżej wyzwaniom i zapewnić wydajne przetwarzanie rozproszonych danych, potrzebne są wysokiej jakości komponenty wykorzystujące uczenie maszynowe. Najnowsza karta DAQ firmy Advantech – PCIE-1840 – przeznaczona jest do typowych aplikacji przemysłowych, które obejmują DAS/DOFS, oferując możliwość strumieniowania danych bez przerwy, w wysokiej rozdzielczości.

W oparciu o ten nowy produkt, Advantech posiada szereg rozwiązań z wykorzystaniem AI. Jedno z nich składa się z ultrakompaktowego komputera IPC-242 V3, który świetnie sprawdzi się w zastosowaniach na małą i średnią skalę, takich jak monitorowanie tuneli czy zarządzanie ruchem.

W bardziej zaawansowanej konfiguracji zastosowano komputer MIC-770 V3. Model ten przeznaczony jest do zastosowań na dużą skalę, takich jak monitorowanie rurociągów naftowych i elektrycznych czy nadzór nad bezpieczeństwem granic.

Topologia zastosowań

W przypadku systemu DAS obsługującego tunele, zastosowanie może mieć topologia specyficzna dla danej aplikacji. Przykładowo, integrator systemu wdraża kilka jednostek IPC-242 z kartą graficzną Quadro A2000 na brzegu sieci. Dzięki nim komputery przemysłowe są odpowiedzialne za zbieranie danych z czujników akustycznych/ultradźwiękowych przed ich przetworzeniem i przesłaniem do stosownego repozytorium. Stamtąd dane (wstępnie przetworzone) trafiają do komputera IPC MIC-770 z high-endową kartą graficzną A4500. Ostatecznie mogą być przechowywane w chmurze w celu późniejszej analizy lub zachowane lokalnie, aby „uczyć” modele AI.

Taka topologia oznacza, że użytkownik korzysta z architektury cloud/Edge. W skrócie, platformy brzegowe zbierają dane i wykorzystują model AI do ich analizy w czasie rzeczywistym, reagując na lokalne zdarzenia. System może wysłać alarm do zdefiniowanego organu zarządzającego lub administratora w czasie rzeczywistym. Serwer brzegowy, monitorujący digitizery w terenie, może przekwalifikować model AI i automatycznie je wdrożyć. Oszczędza to koszty utrzymania systemów na miejscu, ale również umożliwia uzyskanie dostępu do danych zarchiwizowanych w serwerze brzegowym lub w chmurze, w celach badawczych.

[1] en. Compound Annual Growth Rate.

[2] en. Data acquisition.

[3] Edge computing oznacza umieszczenie mocy obliczeniowej i przechowywania danych blisko źródła, w którym te dane są generowane. Dzięki temu w chmurze odbywa się mniej procesów, co rozwiązuje problemy z przesyłaniem danych na duże odległości i opóźnieniami.