ул. Авиамоторная, 8а, 111024, г. Москва
Адрес для переписки:
Каширин М. В., АО «Мытищинская теплосеть», ул. Колпакова, 20, 141008, г. Мытищи
8a Aviamotornaya str., 111024, Moscow
Address for correspondence:
Kashirin M. V., JSC “Mytishchi Heating Network”, Kolpakova str., 20, 141008, Mytishchi
ул. Авиамоторная, 8а, 111024, г. Москва
8a Aviamotornaya str., 111024, Moscow
Рассматривается комплексный подход к решению проблемы аварий и утечек в трубопроводных и котельных системах, сочетающий методы прогнозирования рисков и современные алгоритмы компьютерного зрения для анализа видеопотока. Актуальность исследования обусловлена высокой аварийностью инженерных сетей, значительными экономическими потерями и экологическими рисками, связанными с несвоевременным обнаружением утечек. Целью работы является разработка и экспериментальная оценка гибридного метода предотвращения аварий и утечек на основе прогнозирования рисков и нейросетевого анализа видеоданных в реальном времени. В рамках исследования проанализированы архитектуры сверточных нейронных сетей, применяемые для обработки видеопотока, и показаны ограничения традиционных методов мониторинга, основанных на точечных датчиках давления и расхода. На основе исторических, эксплуатационных и телеметрических данных формируется прогнозная таблица рисков, определяющая приоритетность контроля потенциально опасных участков инженерных систем. Для участков с повышенным уровнем риска применяется гибридная нейросетевая модель, включающая модуль пространственно-временной детекции аномалий и модуль семантической сегментации визуальных признаков утечек. Результаты экспериментального исследования, проведённого на наборе данных объемом 120 часов видеозаписей с 20 промышленных объектов, демонстрируют точность обнаружения до 94,7%, F1-score 92,9% и среднее время отклика около 22 секунд. В заключении отмечается, что предложенное решение позволяет перейти от реактивной к проактивной модели эксплуатации инженерных систем, повысить уровень промышленной и экологической безопасности и может быть интегрировано с существующими средствами контроля для расширения зоны мониторинга.
A comprehensive approach to solving the problem of accidents and leaks in pipeline and boiler systems is considered, combining risk forecasting methods with modern computer vision algorithms for video stream analysis. The relevance of the study is due to the high accident rate of engineering networks, significant economic losses, and environmental risks associated with delayed leak detection. The aim of the work is to develop and experimentally evaluate a hybrid method for accident and leak prevention based on risk forecasting and real-time neural network analysis of video data. Within the framework of the study, convolutional neural network architectures used for video stream processing are analyzed, and the limitations of traditional monitoring methods based on point pressure and flow sensors are shown. Based on historical, operational, and telemetry data, a predictive risk table is formed determining the priority of monitoring potentially hazardous sections of engineering systems. For sections with elevated risk levels, a hybrid neural network model is applied, including a spatiotemporal anomaly detection module and a semantic segmentation module for identifying visual indicators of leaks. The results of the experimental study, conducted on a dataset of 120 hours of video recordings from 20 industrial facilities, demonstrate detection accuracy of up to 94.7%, an F1-score of 92.9%, and an average response time of approximately 22 seconds. In conclusion it is noted that the proposed solution allows a transition from a reactive to a proactive model of engineering systems, enhances industrial and environmental safety, and can be integrated with existing monitoring means to expand the monitoring zone.
The authors declare that there are no conflicts of interest present.