شرکت لنر
شرکت ترنسند Transcend
شرکت میلتا Mielta Technologies
شرکت شاتل Shuttle
شرکت روسما Rossma
شرکت کیوریتور Qrator
شرکت کسپراسکای Kaspersky
گواهینامه پایداری سیستم B Corp
شرکت سیج رن SageRAN
شرکت دورابوک Durabook
شرکت اسپایرنت Spirent
شرکت دکتر وب Dr.Web
فهرست:
- چرا پایش تجهیزات خطوط لوله به رویکردی پیوسته نیاز دارد؟
- هوش مصنوعی بینایی چگونه به نگهداری پیش‌بینانه کمک می‌کند؟
- چه ناهنجاری‌هایی را می‌توان با پایش تصویری بررسی کرد؟
- چرا پردازش در لبه شبکه برای سایت‌های دورافتاده اهمیت دارد؟
- نقش EAI-I134 شرکت لنر در پایش هوشمند خطوط لوله
- یک سناریوی پیشنهادی برای پایش شیرآلات و اتصالات
- اجرای پایلوت را از کجا شروع کنیم؟
- بررسی راهکار متناسب با پروژه شما
- پرسش‌های متداول
نگهداری پیش‌بینانه خطوط لوله نفت و گاز به شناسایی نشانه‌های خرابی پیش از بروز اختلال جدی کمک می‌کند. در این مسیر، هوش مصنوعی بینایی (Vision AI) می‌تواند تصاویر تجهیزات را تحلیل کند و نشانه‌های قابل مشاهده مانند خوردگی سطحی، آسیب ظاهری یا خروج غیرعادی سیال را برای بررسی به تیم بهره‌برداری گزارش دهد.
ترکیب این فناوری با پردازش هوش مصنوعی در لبه شبکه (Edge AI) امکان تحلیل تصاویر در محل تأسیسات را فراهم می‌کند؛ موضوعی که برای ایستگاه‌های دورافتاده و نقاط دارای محدودیت ارتباطی اهمیت دارد.
در این مقاله، کاربرد این معماری در پایش خطوط لوله و نقش پلتفرم صنعتی EAI-I134 شرکت لنر را بررسی می‌کنیم.
چرا پایش تجهیزات خطوط لوله به رویکردی پیوسته نیاز دارد؟
شبکه‌های انتقال نفت و گاز، مجموعه‌ای گسترده از خطوط لوله، شیرآلات، ابزارهای اندازه‌گیری و تجهیزات میدانی را در بر می‌گیرند. فاصله جغرافیایی، شرایط محیطی و دشواری دسترسی به بعضی نقاط، بازرسی منظم را زمان‌بر می‌کند.
بازرسی دوره‌ای همچنان ضروری است؛ با این حال، ممکن است تغییرات میان دو نوبت بازدید ثبت نشوند. پایش تصویری هوشمند می‌تواند این فاصله را در نقاط تحت پوشش دوربین کاهش دهد و برای بررسی وضعیت تجهیزات، شواهد تصویری در اختیار کارشناسان بگذارد.
هدف، کمک به اولویت‌بندی بازدیدها و تصمیم‌گیری آگاهانه‌تر درباره تعمیرات است. میزان اثربخشی این روش به کیفیت تصاویر، پوشش دوربین‌ها و عملکرد مدل در محیط واقعی بستگی دارد.
هوش مصنوعی بینایی چگونه به نگهداری پیش‌بینانه کمک می‌کند؟
هوش مصنوعی بینایی (Vision AI) تصاویر دوربین را با مدل‌های آموزش‌دیده تحلیل می‌کند تا الگوهای تعریف‌شده یا تغییرات غیرعادی را تشخیص دهد. برای نمونه، سامانه‌ای که برای بررسی ظاهر لوله آموزش دیده است، می‌تواند تغییرات مشکوک در سطح قابل مشاهده را علامت‌گذاری کند.
اما تشخیص ناهنجاری با پیش‌بینی خرابی یکسان نیست. تشخیص یک لکه یا آسیب، به‌تنهایی زمان خرابی تجهیز را مشخص نمی‌کند. برای حرکت به سمت نگهداری پیش‌بینانه، لازم است روند تغییرات در طول زمان، سوابق تعمیرات و در صورت نیاز داده‌های حسگرهایی مانند فشار، دما و ارتعاش نیز بررسی شوند.
بنابراین، پایش تصویری هوشمند می‌تواند یکی از ورودی‌های برنامه نگهداری پیش‌بینانه باشد؛ به‌ویژه هنگامی که نتایج آن با ارزیابی کارشناسان و داده‌های عملیاتی ترکیب شود.
چه ناهنجاری‌هایی را می‌توان با پایش تصویری بررسی کرد؟
کاربردهای زیر، بسته به نوع دوربین، مدل نرم‌افزاری و شرایط تصویربرداری، قابل بررسی هستند:
- خوردگی و تخریب سطحی: شناسایی تغییرات ظاهری در بخش‌های قابل مشاهده لوله یا تجهیزات.
- نشانه‌های احتمالی نشت مایع: تشخیص تجمع، چکه یا خروج غیرعادی سیال در اطراف اتصالات و شیرآلات.
- آسیب ظاهری تجهیزات: شناسایی تغییر شکل یا تغییر وضعیت اجزایی که در میدان دید دوربین قرار دارند.
- پایش نشانگرهای محلی: خواندن یا بررسی وضعیت گیج‌ها، در صورت وجود وضوح کافی و نرم‌افزار مناسب.
پوشش این سامانه به میدان دید دوربین محدود است؛ از تصویر خارجی نمی‌توان درباره همه عیوب داخلی یا بخش‌های مدفون خط لوله نتیجه‌گیری کرد. همچنین، تشخیص مستقیم گازهای نامرئی با دوربین معمولی قابل اتکا نیست و باید دوربین یا حسگر متناسب با نوع گاز و شرایط پروژه انتخاب شود.
چرا پردازش در لبه شبکه برای سایت‌های دورافتاده اهمیت دارد؟
در معماری Edge AI، تحلیل اولیه تصویر نزدیک به دوربین انجام می‌شود. به این ترتیب، برای تشخیص رویدادها الزاماً نیازی به ارسال مداوم تمام ویدئوها به مرکز یا فضای ابری نیست.
در یک طراحی مبتنی بر رویداد، سامانه می‌تواند هشدار، تصویر منتخب و اطلاعات مرتبط را ارسال کند و ویدئوی کامل را مطابق سیاست نگهداری داده در محل ذخیره کند. این رویکرد می‌تواند مصرف پهنای باند را کاهش دهد و وابستگی تحلیل محلی به ارتباط بیرونی را کمتر کند.
البته قطع ارتباط همچنان بر دریافت هشدار در مرکز اثر می‌گذارد. برای چنین شرایطی باید ذخیره محلی، صف ارسال رویدادها و ارسال مجدد پس از بازیابی لینک در طراحی نرم‌افزار پیش‌بینی شوند.
نقش EAI-I134 شرکت لنر در پایش هوشمند خطوط لوله
دستگاه EAI-I134 لنر بستری برای اجرای مدل‌های هوش مصنوعی در محل تجهیزات است. این سخت‌افزار، همراه با دوربین مناسب و نرم‌افزار تحلیل تصویر، می‌تواند در معماری پایش صنعتی به کار گرفته شود.
مشخصات زیر بر اساس صفحه محصول در وب‌سایت تخصصی Edge AI شرکت لنر تنظیم شده‌اند:
| ویژگی | مشخصات و ملاحظه کاربردی |
|---|---|
| پلتفرم پردازشی | NVIDIA Jetson Orin NX |
| عملکرد نسخه EAI-I134A | حداکثر ۱۵۷ TOPS در Super Mode، با حافظه ۱۶ گیگابایت |
| عملکرد نسخه EAI-I134B | حداکثر ۱۱۷ TOPS در Super Mode، با حافظه ۸ گیگابایت |
| اتصال دوربین | دو پورت شبکه گیگابیتی با PoE+ |
| ارتباط سلولی | اسلات توسعه برای ماژول 5G Sub-6/LTE؛ نیازمند پیکربندی مناسب |
| دمای کاری اعلام‌شده | منفی ۴۰ تا مثبت ۷۰ درجه سانتی‌گراد |
| توان حرارتی ماژول پردازشی | حداکثر ۴۰ وات برای SOM؛ این عدد مصرف کل سامانه و دوربین‌ها نیست |
عدد TOPS بیانگر ظرفیت محاسباتی اعلام‌شده است و به‌تنهایی تعداد دوربین قابل پشتیبانی یا دقت تشخیص را تعیین نمی‌کند. این موارد باید با مدل نرم‌افزاری، وضوح تصویر و نرخ پردازش موردنیاز ارزیابی شوند.
همچنین، صنعتی بودن دستگاه و دامنه دمایی آن به معنی تأیید نصب مستقیم در هر نقطه فضای باز یا محیط مستعد انفجار نیست. محل استقرار، محفظه و الزامات پروژه باید جداگانه بررسی شوند.
یک سناریوی پیشنهادی برای پایش شیرآلات و اتصالات
در یک سناریوی پیشنهادی، دوربین‌ها بخش‌های مشخصی از یک ایستگاه شیر یا تجهیزات روکار را پوشش می‌دهند. تصاویر به رایانه Edge AI منتقل می‌شوند و مدل نرم‌افزاری آن‌ها را از نظر نشانه‌های تعریف‌شده بررسی می‌کند.
اگر یک تغییر مشکوک تشخیص داده شود، نرم‌افزار می‌تواند رویدادی شامل تصویر، زمان ثبت، شناسه تجهیز و موقعیت ثبت‌شده آن ایجاد کند. موقعیت می‌تواند از اطلاعات از پیش تعریف‌شده سایت یا منبع مکانی مناسب تأمین شود؛ ثبت مختصات، قابلیت خودکار همه پیکربندی‌ها نیست.
کارشناس بهره‌برداری رویداد را بررسی می‌کند و در صورت نیاز، درخواست بازدید یا تعمیر ثبت می‌شود. اتصال این فرایند به سامانه مدیریت نگهداری و تعمیرات، به یکپارچه‌سازی نرم‌افزاری نیاز دارد.
این مثال، الگوی پیشنهادی استقرار است و به معنی گزارش یک پروژه اجراشده یا تضمین عملکرد مشخص نیست.
اجرای پایلوت را از کجا شروع کنیم؟
برای ارزیابی کاربرد این راهکار، بهتر است پایلوت با یک مسئله مشخص آغاز شود؛ برای مثال، بررسی نشانه‌های نشت مایع در اتصالات منتخب یا تغییرات سطحی تجهیزات روکار.
پیش از توسعه پروژه، این موارد باید روشن شوند:
- هدف تشخیص: دقیقاً چه رویدادی باید شناسایی شود و اقدام بعد از هشدار چیست؟
- شرایط تصویربرداری: نور، فاصله، زاویه دید و آلودگی لنز چه اثری بر تصویر دارند؟
- کیفیت تشخیص: چه تعداد هشدار درست، هشدار کاذب و رویداد ازدست‌رفته ثبت می‌شود؟
- عملکرد سامانه: تأخیر هشدار، مصرف پهنای باند و رفتار هنگام قطع ارتباط چگونه است؟
- ارزش عملیاتی: آیا خروجی سامانه به اولویت‌بندی بازدیدها یا برنامه‌ریزی تعمیرات کمک می‌کند؟
نتایج پایلوت، مبنای مناسب‌تری برای انتخاب پیکربندی سخت‌افزار و تصمیم درباره توسعه سامانه هستند.
بررسی راهکار متناسب با پروژه شما
برای شروع بررسی یک راهکار پایش تصویری در تأسیسات نفت و گاز، نوع تجهیزات، ناهنجاری هدف، شرایط محیطی و امکانات ارتباطی سایت را با ناوک هوشمند پویان مطرح کنید. این اطلاعات نقطه شروع انتخاب سخت‌افزار و بررسی نیازهای نرم‌افزاری پروژه خواهد بود.
برای بررسی نیاز پروژه و انتخاب بستر مناسب Edge AI، با ناوک هوشمند پویان در ارتباط باشید.
پرسش‌های متداول
خیر. این دستگاه بستر اجرای نرم‌افزار است. تشخیص به دوربین، مدل آموزش‌دیده و اعتبارسنجی عملکرد در شرایط واقعی نیاز دارد.
تحلیل می‌تواند در محل انجام شود. ارسال هشدار به مرکز به ارتباط نیاز دارد و ادامه ثبت رویدادها هنگام قطعی نیز باید در طراحی سامانه پیش‌بینی شود.
خیر. پایش تصویری، مکمل بازرسی تخصصی و حسگرهای فرایندی است و تنها وضعیت قابل مشاهده در محدوده پوشش خود را بررسی می‌کند.
خیر. وجود امکان توسعه ارتباط سلولی به معنی نصب ماژول در همه سفارش‌ها نیست. ماژول، آنتن و سازگاری شبکه باید در پیکربندی پروژه بررسی شوند.
محصولات ویژه
EAI-I134
گیتوی هوش مصنوعی لبه (Edge AI Gateway) مبتنی بر NVIDIA® Jetson Orin™ NX با پشتیبانی از حالت Super Mode
| CPU | NVIDIA Arm® Cortex A78AE v8.2 64-bit |
| Chipset | N/A |
مشتاق هستم به جلسه ای در خصوص این سناریو