Актуальность:Тепловая энергия играет важную роль в диагностике электрооборудовании подстанций, выявление сбоя на его ранних стадиях, что повышает надежность работы энергосистемы и её срок службы. Все электрические объекты с температурой выше нуля излучают инфракрасное излучение, которое увеличивает внутреннюю температуру электрооборудования на подстанции. Движение тока через электрооборудование в подстанции вызывает нагрев в электрических устройствах, таких как реле, конденсаторы и трансформаторы. Мы предлагаем использовать метод термографического мониторинга как комплексный метод диагностики для определения неисправностей на ранней стадии их появления, как модуль для нашей системы онлайн-мониторинга на основе методик нейронных сетей.

Научно-техническая проработанность: В рамках литературного обзора были сделаны следующие выводы: онлайн-мониторинг ключевых узлов подстанции или электрооборудования можно осуществить при автоматизации экспертного органа принятия решений о наличии дефекта или определения риска его возникновения при помощи технологий нейронных сетей.

Особенность проекта: Создание нейросети для обработки термографических изображений и выявления и структуризации дефектологии базируясь на обучении с подкреплением.

В рамках стартап проекта планируется: Разработка программного обеспечения для анализа термографических изображений при помощи методик нейронных сетей. Превентивные меры по предотвращению тепловых аномалий с помощью термографии можно реализовать на базе круглосуточного мониторинга электрооборудования с помощью средств термографии и автоматизация этого процесса при помощи создания нейросети, которая по характерным признакам аномалии может вычислять наличие дефекта, а потенциально и характеризовать его существенность и характер повреждения. Уникальность представленного метода заключается в том, что существует множество методов диагностики оборудования с использованием средств термографии, но все они задействуют квалифицированный персонал, при наличии возможности реализовать автоматическую дефектоскопию при помощи машинного обучения это существенно сократит время и затраты на диагностику. Для обнаружения и классификации аномалий будут использоваться следующие два подхода: бинарный и много классовый Эти подходы базируются на том, что так называемые данные для «тренировок» нейронных сетей заранее распределены по аргументам «корректности» и соответственно «неверности». Эти обычно используемые методы извлечения признаков либо традиционные для машинного обучения, за которым следует плоский слой для сопоставления и создания разбивки, а затем идут несколько взаимно-соединенных слоев убывающей размерности вплоть до слоя выхода. Выходной слой в этом случае будет давать вероятностное прогнозирование в процентах на случай поломки или целостности.

Технологические риски: Сложность исполнения архитектуры ПО.

Финансовое обеспечение: 1 млн. руб.

Предполагаемые источники финансирования: Венчурные фонд-проекты: Старт-1 и У.М.Н.И.К.

Бизнес-модель проекта: Внедрение на объекты заказчика, либо в рабочий программно-технический комплекс (например СК-11 у АО «Сетевая), Плата за разовое внедрение, и далее содержание и техническая поддержка работы комплекса по контрактной договорённости на время внедрения.

На страницу проекта