Имеющий глаза – да увидит

Производство

Имеющий глаза – да увидит

Технологии

Специалисты АО «Транснефть – Диаскан» впервые разработали программное обеспечение (ПО), которое позволяет использовать искусственный интеллект и машинное зрение для выявления дефектов в трубах. О том, как машина осваивала профессию инженера-интерпретатора, «ТТН» рассказали непосредственно сами создатели уникального ПО.

Текст: Татьяна Яковлева-Устинова / Фото: Егор Гуреев

От ручного – к машинному

Ежегодно специалисты АО «Транснефть – Диаскан» проводят диагностику порядка 60 тыс. км трубопроводов. Все показания с магнитных, ультразвуковых и магнитно-ультразвуковых внутритрубных приборов стекаются в центр обработки и анализа диагностических данных предприятия. Там этот поток данных обрабатывается программой, с помощью которой выделяются дефектные области на трубах. После этого всю информацию анализируют инженеры: классифицируют автоматически распознанные и не найденные машиной дефекты.

В 2021 году около 200 интерпретаторов обработали данные по 76 тыс. км трубопроводов, что позволило провести оценку технического состояния трубопроводной системы и отдельных элементов для обеспечения их безопасного функционирования и надежной эксплуатации. При анализе специалисты используют разработанную в АО «Транснефть – Диаскан» методику интерпретации, состоящую из более чем 800 страниц. В ней описано, по каким критериям можно определить дефект. Как правило, интерпретаторы специализируются на одном виде диагностики: например, на магнитном или ультразвуковом.

Чтобы устранить рутинные операции, с 2018 года специалисты АО «Транснефть – Диаскан» приступили к разработке программного обеспечения, которое могло бы не только выявлять, но и классифицировать и измерять дефекты трубопроводов. В его создании, кроме программистов, приняли участие самые опытные интерпретаторы и технологи предприятия.

Словарь

Нейронная сеть – математическая модель, построенная по принципу нервных клеток. Представляет собой систему взаимодействующих процессоров (искусственных нейронов). В процессе обучения в определенном порядке просматривает выборку данных, на которых учится.

Для снижения нагрузки на интерпретатора и исключения человеческого фактора было принято решение о разработке программного обеспечения, которое имитирует работу глаза человека и способно проводить обработку данных. Кроме того, ПО позволяет контролировать действия персонала и оповещать руководителей подразделений о неправильных действиях интерпретатора.

Сергей Орехов

Начальник отдела технологий обработки данных АО «Транснефть – Диаскан»

От простого – к сложному

Искусственный интеллект, или нейронные сети, достаточно широко применяется в сферах, где требуется обработка большого количества данных. Например, в железнодорожном транспорте с их помощью отслеживают степень износа техники. Так как нейронные сети по аналогии с мозгом человека прослеживают нелинейные закономерности между входными и выходными данными и могут обобщать информацию, то они поддаются обучению.

Перед программистами стояла задача научить машину видеть дефекты так же, как интерпретатор: чтобы программное обеспечение имитировало работу человеческого глаза. Под каждый тип диагностики разработчики обучали отдельную нейронную сеть. Первой научилась та, которая определяет коррозию металла.

Над проблемой распознавания машиной трещин на стенках трубы программисты бились год. Инженеру, чтобы понять, есть ли на трубе такой дефект, необходимо сопоставлять информацию с нескольких датчиков и делать вывод на основе методики интерпретации и своего опыта. Для машины такое обучение оказалось невозможным: из-за громадного объема «лишней» информации происходило ложное срабатывание.

Перед нами стояла задача объяснить нейронной сети, на что ей обращать внимание. Мы решили, что надо объединить индикации, чтобы создавать образ дефекта. Но если сложить показания со всех датчиков, то машина получает информационную кашу. Поэтому было необходимо выделить только те показания, которые влияют на определение дефекта. Когда мы нашли ключ к решению, стало проще справиться с обучением.

Михаил Феофанов

Инженер-программист отдела разработки систем хранения и обработки диагностических данных АО «Транснефть – Диаскан»

От коррозии до трещин

Сейчас программное обеспечение распознает коррозию, вмятины, механические повреждения и производственный брак на трубах, трещины и дефекты сварных швов. На трубопроводах различных диаметров машина может определять их ширину, длину, глубину.

Основные части программного обеспечения АО «Транснефть – Диаскан»

Набор нейронных сетей для каждого типа данных
База данных хранения образцов обучающей выборки
Модуль обучения
Модуль распознавания
База данных для хранения результатов распознавания
Пользовательский интерфейс

Новое программное обеспечение прошло приемочные испытания. Искусственный интеллект правильно распознавал дефекты примерно в половине случаев. Задачу, которую ставила компания, разработчики выполнили. Информационная система будет применяться как инструмент автоматизированной регистрации дефектов с последующим их подтверждением интерпретатором. Программисты продолжат обучение нейронных сетей, чтобы научить их распознавать и классифицировать основную часть опасных дефектов.

Большую часть опасных дефектов будет распознавать нейронная сеть после окончания обучения.

Нейронные сети обучаются на графических процессорах, что повышает скорость обучения. После завершения учебного курса создается файл нейронной сети, который применяется для распознавания дефектов. Еще одно преимущество искусственного интеллекта в том, что он может эффективно заниматься анализом даже получая неполные или искаженные (зашумленные) данные диагностических приборов. Обучение нейронных сетей продолжится, чтобы качество распознавания приблизилось к тем результатам, которые достигает инженер-интерпретатор.

Алексей Рыбалко

Начальник управления разработки автоматизированных систем АО «Транснефть – Диаскан»

Процесс внутритрубной диагностики

— 60 тыс. км трубопроводов в среднем диагностирует АО «Транснефть – Диаскан» ежегодно
— Показания стекаются в центр обработки и анализа диагностических данных
— На основе этих данных определяются дефекты трубопровода
— Около 200 специалистов-интерпретаторов обработали данные 76 тыс. км трубопроводов