Аннотация
Целью исследования является повышение достоверности информации о состоянии территорий, зданий и сооружений на опасных производственных объектах металлургического предприятия, получаемой с использованием беспилотного воздушного судна. Объектом исследования является система производственного контроля за состоянием территории, зданий и сооружений на опасных производственных объектах металлургического предприятия. Предмет исследования – методика автоматизированного сбора и обработки информации, основанная на компьютерных методах обработки информации. Исследование проводится в рамках научно-исследовательской и опытно-конструкторской работы на одном из ведущих предприятий черной металлургии РФ. В исследовании использованы следующие методы: анализа и синтеза для адекватного разложения объекта исследования на составные части – элементы, установление связей между ними и предметом исследования; декомпозиции для выделения из объекта и предмета исследований составляющих подзадач, для создания цепочек последовательности действий на выделенных подзадачах; эксперимента для изучения особенностей натурных условий сбора информации. Результатом исследования являются разработанные методики: сбора информации о техническом состоянии территории, зданий и сооружений на опасных производственных объектах металлургического предприятия; обработки визуальной информации о техническом состоянии территории, зданий и сооружений на опасных производственных объектах металлургического предприятия. Результаты исследования являются основой для создания автоматизированной системы контроля состояния территории, зданий и сооружений на опасных производственных объектах металлургического предприятия, применение которой позволит обеспечить в режиме реального времени и на постоянной основе: поступление в систему управления промышленной безопасности сведений о текущих параметрах безопасной эксплуатации объекта контроля; сигнализирование персонала о малейших количественных изменениях ранее выявленных дефектов и повреждений, а также появлении новых; оперативное, а следовательно, эффективное адресное реагирование служб предприятия на сигналы системы мониторинга.
Ключевые слова
Система интеллектуальной поддержки при принятии управленческих решений, машинное зрение, дистанционный контроль, промышленная безопасность, опасные производственные объекты, территория, здания и сооружения, обследование технического состояния, прикладная цифровая платформа, экспертная система, методы обработки изображений, беспилотное воздушное судно.
1. Приказ Ростехнадзора от 30 ноября 2020 г. № 471 «Требования к регистрации объектов в государственном реестре опасных производственных объектов и ведению государственного реестра опасных производственных объектов, формы свидетельства о регистрации опасных производственных объектов в государственном реестре опасных производственных объектов. Федеральная служба по экологическому, технологическому и атомному надзору». URL: https://docs.cntd.ru/document/573140185 (дата обращения: 07.02.2022).
2. Годовые отчеты о деятельности федеральной службы по экологическому, технологическому и атомному надзору. М.: Федеральная служба по экологическому, технологическому и атомному надзору (Ростехнадзор). URL: http://www.gosnadzor.ru/public/ (дата обращения: 24.10.2022).
3. Веселов А.В., Корниенко В.Д. Новая перспективная конструкция дорожной одежды с монолитным ребристым цементобетонным покрытием // Строительные материалы, оборудование, технологии XXI века. 2018. № 5-6(232-233). С. 38-41.
4. ГОСТ 31937-2011. Здания и сооружения. Правила обследования и мониторинга технического состояния. М.: Стандартинформ, 2014. 55 с.
5. Наркевич М.Ю. Основы метрологии, стандартизации, сертификации и контроля качества. Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г.И. Носова, 2012. 136 с.
6. Вепржицкий И.Ю., Рытик Н.А., Кустикова Ю.О. Эксплуатационный контроль зданий и сооружений // Молодёжные инновации: сборник материалов семинара молодых учёных XXII Международной научной конференции, Ташкент, 2019. М.: Нац. исс. Мос. гос. строит. ун-т, 2019. С. 210-213.
7. Система адаптивного дистанционного мониторинга и контроля эксплуатации опасных объектов на основе риск-ориентированного подхода / А.В. Панфилов, О.А. Бахтеев, В.В. Дерюшев, А.А. Короткий // Безопасность техногенных и природных систем. 2020. № 2. С. 19-29. doi: 10.23947/2541-9129-2020-2-19-29.
8. Панова Е.А., Альбрехт А.Я. Уточненные удельные электрические параметры двухцепных ЛЭП 110 кВ для дистанционного определения места повреждения // Электротехнические системы и комплексы. 2016. № 4(33). С. 35-40. doi: 10.18503/2311-8318-2016-4(33)-35-40.
9. Постановление Правительства РФ от 31 декабря 2020 г. № 2415 «О проведении эксперимента по внедрению системы дистанционного контроля промышленной безопасности». URL: https://docs.cntd.ru/document/573319188 (дат обращения 22.11.2022).
10. О внедрении систем дистанционного контроля в рамках реализации реформы контрольно-надзорной деятельности / Правительство России. URL: http://government.ru/news/38172/ (дата обращения: 02.11.2022).
11. Бизнес не видит смысла в эксперименте Ростехнадзора по внедрению системы дистанционного контроля на ОПО: Рамблер. URL: https://finance.rambler.ru/economics/48755960/?utm_content=finance_media&utm_medium=read_more&utm_source=copylink (дата обращения: 02.11.2022).
12. Zaurin R., Catbas F.N. Integration of computer imaging and sensor data for 912 structural health monitoring of bridges // Smart Mater. Struct. 2010. Vol. 19(1). 015019. doi: 10.1088/0964-1726/19/1/015019.
13. Duran O., Althoefer K., Seneviratne L. State of the art in sensor technologies for sewer inspection // IEEE Senors Journal. 2002. Vol. 2(2). Pp. 73-81. doi: 10.1109/JSEN.2002.1000245.
14. Guo W., Soibelman L., Garrett J.H. Automated defect detection for sewer pipeline inspection and condition assessment // Automation in Construction. 2009. Vol. 18(5). Pp. 87-596. doi: 10.1016/j.autcon.2008.12.003.
15. Duran O., Althoefer K., Senevatne L.D. Automated pipe defect detection and categorization using camera/laser-based profiler and artificial neural network // IEEE 1063 Transactions on Automation Science and Engineering. 2007. Vol. 4(1). Pp. 118-126. doi: 10.1109/TASE.2006.873225.
16. Yang M.-D., Su T.-C. Automated diagnosis of sewer pipe defects based on machine learning approaches // Expert Systems with Applications. 2008. Vol. 35(3). Pp. 1327-1337. doi: 10.1016/j.eswa.2007.08.013.
17. Фаворская М.Н., Нишчхал Н. Верификация разливов нефти на водных поверхностях по аэрофотоснимкам на основе методов глубокого обучения // Информатика и автоматизация. 2022. № 21(5). С. 937-962. doi: 10.15622/ia.21.5.4.
18. Белозерский Л.А., Орешкина Л.В. Автоматизация обработки и анализа гистограмм в задачах распознавания космических изображений // Исследование Земли из космоса. 2009. № 3. С. 47-54.
19. UAV photogrammetry for mapping and 3D modeling – Current status and future perspectives / F. Remondino, L. Barazzetti, F. Nex, M. Scaioni, D. Sarazzi // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2011. № XXXVIII-1/C22. Pp. 25-31. doi: 10.5194/isprsarchives-XXXVIII-1-C22-25-2011.
20. Aber J.S., Marzolff I., Ries J.B. Small-Format Aerial Photography: Principles, Techniques and Geoscience Applications. Elsevier, 2010. 266 p.
21. Siebert S., Teizer J. Mobile 3D mapping for surveying earthwork projects using an Unmanned Aerial Vehicle (UAV) system // Automation in Construction. 2014. Vol. 41. Pp. 1-14. doi: 10.1016/j.autcon.2014.01.004.
22. Tziavou O., Pytharouli S., Souter J. Unmanned Aerial Vehicle (UAV) based mapping in engineering geological surveys: Considerations for optimum results // Engineering Geology. 2018. Vol. 232(9). Pp. 12-21. doi: 10.1016/j.enggeo.2017.11.004.
23. State-of-the-art technologies for UAV inspections / S. Jordan, J. Moore, S. Hovet, J. Box, J. Perry, K. Kirsche, D. Lewis, Z.T.H. Tse // IET Radar, Sonar & Navigation. 2017. Vol. 12(2). Pp. 151-164. doi: 10.1049/iet-rsn.2017.0251.
24. Efficient trajectory planning for WSN data collection with multiple UAVs / D. Alejo, J.A. Cobano, G. Heredia, J.R. Martínez-de Dios, A. Ollero // in Cooperative Robots and Sensor Networks 2015. Studies in Computational Intelligence. Vol. 604. Springer, Cham., 2015. Pp. 53-75. doi: 10.1007/978-3-319-18299-5_3.
25. Sensor planning for a symbiotic UAV and UGV system for precision agriculture / P. Tokekar, J. Vander Hook, D. Mulla, V. Isler // IEEE Transactions on Robotics. 2016. Vol. 32. Pp. 1498-1511. doi: 10.1109/TRO.2016.2603528.
26. The Flight Assembled Architecture installation: Cooperative construction with flying machines / F. Augugliaro, S. Lupashin, M. Hamer, C. Male, M. Hehn, M.W. Mueller, J.S. Willmann, F. Gramazio, M. Kohler, R. D’Andrea // IEEE Control Systems Magazine. 2014. Vol. 34(4). Pp. 46-64. doi: 10.1109/MCS.2014.2320359.
27. Свидетельство о гос. регистрации программы для ЭВМ № 2019660078. Система сбора и анализа информации о качестве продукции 8D. Управление качеством (8D.Управление качеством); заявитель ООО «АСКОН-Бизнес-решения»; заявл. 17.06.2019, опубл. 30.07.2019.
28. Comparative assessment of text-image fusion models for medical diagnostics / A.А. Lobantsev, N.F. Gusarova, А.S. Vatian, А.А. Kapitonov, А.А. Shalyto // Informatsionno-upravliaiushchie sistemy [Information and Control Systems]. 2020. № 5. Pp. 70–79. doi: 10.31799/1684-8853-2020-5-70-79.
29. Development of automated computer vision methods for cell counting and endometrial gland detection for medical images processing / D.I. Sergeev, A.E. Andreev, A.O. Drobintseva, S. Cenevska, N. Kukavitsa, P.D. Drobintsev // Proceedings of the Institute for System Programming of the RAS. 2020. Vol. 32(3). Pp. 119-130. doi: 10.15514/ISPRAS-2020-32(3)-11.
30. Alexandrov D.V. Overview of face recognition algorithms for person identification // Programmnaya Ingeneria. 2022. Vol. 13(7). Pp. 331-343. doi: 10.17587/prin.13.331-343.
31. Козлов Д.А., Карнаухов Д.Д. Исследование процесса распознавания и сравнения отпечатков пальцев // Вестник молодых ученых и специалистов Самарского университета. 2018. № 2(13). С. 61-71.
32. Посохов И.А. Визуализация и обработка информации о качестве непрерывнолитой заготовки // Электротехнические системы и комплексы. 2016. № 2(31). С. 35-43. doi: 10.18503/2311-8318-2016-2(31)-35-43.
33. Прикладная цифровая платформа для оценки динамики качества опасных производственных объектов на металлургическом предприятии: структура и алгоритмы / М.Ю. Наркевич, О. С. Логунова, М.Б. Аркулис, А.И. Сагадатов, С.С. Климов, В.В. Кабанова, А.А. Николаев, Д.И. Дерябин // Вестник Череповецкого государственного университета. 2022. № 5(110). С. 29-48. doi: 10.23859/1994-0637-2022-5-110-3.
34. Наркевич М.Ю., Корниенко В.Д., Полякова М.А. Визуальный контроль как основа для разработки автоматизированных систем дистанционного контроля и оценки качества зданий и сооружений на опасных производственных объектах // Известия Тульского государственного университета. Технические науки. 2021. № 5. С. 570-576. doi: 10.24412/2071-6168-2021-5-570-576.
35. Мониторинг состояния зданий и сооружений с помощью беспилотных летательных аппаратов: результаты пилотного эксперимента / М.Ю. Наркевич, О.С. Логунова, В.Д. Корниенко, А.А. Николаев, А.Н. Тюлюмов, Н.В. Злыдарев, Д.И. Дерябин // Программное обеспечение для цифровизации предприятий и организаций: сб. тр. Всерос. науч.-практ. конф. Магнитогорск: Изд-во Магнитогорс. гос. техн. ун-та им. Г.И. Носова, 2021. С. 33-37.
36. Разработка и применение методик контроля территории, зданий и сооружений ПАО «ММК» с использованием беспилотных воздушных судов (БВС). Этап № 01: отчет о НИОКР (промежуточ.); рук. М.Ю. Наркевич; исполн.: О.С. Логунова [и др.]. № ГР 121092000078-4. Магнитогорск, 2021. 274 с.
37. Разработка и применение методик контроля территории, зданий и сооружений ПАО «ММК» с использованием беспилотных воздушных судов (БВС). Этап № 02: отчет о НИОКР (промежуточ.); рук. М. Ю. Наркевич; исполн.: О.С. Логунова [и др.]. № ГР 121092000078-4. Магнитогорск, 2021. 124 с.
38. Свидетельство о гос. регистрации программы для ЭВМ № 2021666037. Automatic detection of damage parameters from digital images / Наркевич М.Ю., Корниенко В.Д., Николаев А.А., Злыдарев Н.В., Логунова О.С., Тюлюмов А.Н.; заявитель ФГБОУ ВО «Магнитогорский государственный технический университет им. Г.И. Носова»; заявл. 30.09.2021, опубл. 06.10.2021.
39. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
40. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: БИ-НОМ. Лаборатория знаний, 2006. 752 с.
41. Логунова О.С., Нуров Х.Х. Структура и алгоритмы программного обеспечения для автоматизированной оценки качества непрерывнолитого слитка // Автоматизация технологических и производственных процессов в металлургии. 2004. № 1. С. 168-174.
42. Организация автоматизированного рабочего места для оценки качества макроструктуры непрерывнолитых сортовых заготовок / О.С. Логунова, Х.Х. Нуров, В.В. Павлов, В.Г. Суспицын // Вестник Магнитогорского государственного технического университета им. Г.И. Носова. 2006. № 3(15). С. 51-55.
Методика сбора и обработки информации для контроля состояния территории, зданий и сооружений на опасных производственных объектах металлургического предприятия / В.Д. Корниенко, М.Ю. Наркевич, О.С. Логунова, А.Е. Козлова, И.П. Зайцев // Электротехнические системы и комплексы. 2022. № 4(57). С. 76-87. https://doi.org/10.18503/2311-8318-2022-4(57)-76-87