Nippen aan de videobrandslang:energiegebruik van realtime analyses

Videocamera's zijn alomtegenwoordig in de energiesector en dat al vele jaren. Omdat het activa-intensieve industrieën zijn, hebben ze veel zeer dure apparatuur en operaties die gevaren kunnen opleveren om te beschermen. Daarom zijn perimeterbeveiliging en algemene bewaking kritieke toepassingen voor video in energie. Er zijn echter toepassingen in opkomst die camera's gebruiken voor totaal verschillende taken - waardoor een nieuwe en groeiende rol voor video en vooral analyse ontstaat.

Zie ook: Te veel realtime video? Visuele analyse kan helpen

Deze nieuwe generatie videotoepassingen behandelt camera's meer als het internet der dingen (IoT)-apparaten door de toestand van bedrijfsmiddelen te bewaken, apparatuur te identificeren met behulp van streepjescodes, kentekenplaten of de verplaatsing van voertuigen en personeel. Ze zijn ook veel efficiënter in realtime videobeveiliging. De belangrijkste technologische innovatie achter deze groei is het gebruik van geavanceerde videoanalyse op basis van machine learning en kunstmatige intelligentie (AI).

Het concept van video-analyse is eenvoudig genoeg. Om het voorbeeld van perimeterbewaking te gebruiken:99% van de tijd is de scène die een camera opneemt vrijwel elke dag hetzelfde. Dus wanneer een indringer daadwerkelijk door het hek snijdt, weet een analysetoepassing misschien niet precies wat het ziet, maar het weet dat het anders is dan wat het normaal in de gaten houdt. Het is, in de taal van machine learning, 'een anomalie'.

Wanneer de bewakingsanalyse een anomalie confronteert, kan de applicatie iemand van de beveiliging waarschuwen om die beelden te bekijken. Beveiligingspersoneel kan dan direct verifiëren of het een inbraakgebeurtenis is of niet; de applicatie hoeft niet zo slim te zijn. Dit voorkomt dat personeel honderden of duizenden uren aan video hoeft te bekijken om de paar minuten op te vangen wanneer zich een mogelijke inbraak voordoet. Een video-analyseprogramma filtert in wezen het beeldmateriaal en presenteert alleen de bits die er echt toe doen.

Als blijkt dat de anomalie gewoon de plaatselijke fauna of een ronddolende hond is, kan het personeel het programma "leren" om het te negeren. De applicatie slaat dan het patroon van de hond op en beschouwt het niet langer als een bedreiging.

Vroege pogingen om vergelijkbare applicaties te maken, hadden een directe benadering door te proberen de analyse-applicatie vooraf te configureren met bekende patronen van bedreigingsincidenten. Deze waren echter minder succesvol, tenzij de dreiging zeer goed bekend en voorspelbaar was in vorm, zoals een vervorming in een rond object, zoals een tandwiel of een wiel. Voor veel soorten surveillance en monitoring is het incidentpatroon echter niet consistent genoeg om vooraf te programmeren.

Dit is waar machine learning en realtime analytics op de voorgrond treden. Een camera die bijvoorbeeld een kruispunt in de gaten houdt in een kolenmijnbouwoperatie, registreert voortdurend de bewegingen van vrachtwagens terwijl ze erts vervoeren. Dit is niet zomaar een statisch omheiningshek waar nooit iets gebeurt. Desalniettemin kan de toepassing in de loop van de tijd leren begrijpen welke activiteitspatronen normaal zijn en welke niet. Op deze manier kan een realtime videotoepassing een probleem herkennen wanneer een autonome vrachtwagen midden op het kruispunt uitvalt, of wanneer een object eraf valt en de rijbaan blokkeert. Er hoeft niets in het programma te zijn geprogrammeerd. Het leidt simpelweg af wat normaal is en wat niet, met af en toe feedback van personeel om te vertellen wanneer een afwijking als "normaal" kan worden beschouwd.

Vanuit een operationeel IT-perspectief is een van de grote voordelen van video-analyse dat het ook de hoeveelheid video vermindert die een netwerk moet doorkruisen. Traditionele CCTV-oplossingen vereisten bijvoorbeeld speciale netwerken voor de camera's, terwijl video-analyse feitelijk aan de rand van het netwerk kan worden gehost omdat video lokaal wordt verwerkt. De 99% van de video die wordt opgenomen die niet interessant is, kan dan ook worden weggegooid of lokaal worden opgeslagen, terwijl de afwijkende videobeelden, die veel kleiner zijn, via het primaire bekabelde of draadloze netwerk naar een centrale cloudserver kunnen worden verzonden.

Video-analyseprogramma's kunnen ook gegevens uit andere bronnen toevoegen, zoals audio, telemetrie en gegevens van IoT-sensoren. Met de stilstaande autonome ertstransporter kan het videoanalyseprogramma bijvoorbeeld ook hartslagberichten tussen de vrachtwagen en het communicatienetwerk bewaken en begrijpen dat de vrachtwagen zijn netwerkverbinding heeft verloren en wacht om een ​​signaal te ontvangen - een veelvoorkomend verschijnsel bij Wi-Fi mesh-netwerken . In dit geval zou het ook kunnen zijn om de vastgelopen vrachtwagen te negeren, maar in andere niet.

Er zijn verschillende use-cases voor elk onderdeel van de energie- en nutssector. Windparken kunnen bijvoorbeeld realtime videoanalyse gebruiken om zwermen vogels te identificeren. Wanneer de camera de nadering van een zwerm registreert, worden de turbinebladen uitgeschakeld om aanvaringen te voorkomen. Een andere toepassing voor gasleidingen maakt gebruik van infraroodcamera's in combinatie met IoT-gasmonitors. Wanneer de aanwezigheid van een lek een alarm activeert, kan het videoanalyseprogramma worden gevraagd om te scannen op hittesignaturen langs de pijpleiding om te lokaliseren waar het zich voordoet.

Video kan ook een rol spelen bij algemene milieumonitoring naast IoT-sensoren die chemische verontreiniging in lucht en water, vocht en trillingen in de bodem, weersregistratie, evenals omgevingswarmte en vochtigheid meten. Er is video gebruikt om de waterstroom in stromen vast te leggen om het overstromingsrisico te detecteren, die kan worden gebruikt met andere sensorgegevens om hydrologische modellen te vullen die mogelijke risico's voor activa of de veiligheid van overstromingen kunnen voorspellen. Aan de eenvoudigere kant kan realtime videoanalyse ook worden gebruikt om gebeurtenissen te loggen en deze later op te slaan voor forensische analyse. Alleen videobeelden die afwijken van het normale patroon worden opgeslagen en kunnen later worden opgeroepen bij onderzoek naar de oorzaken die mogelijk tot een groot incident hebben geleid.

Videoanalyse begint ook een cruciale rol te spelen bij preventief onderhoud van energieactiva, inclusief pijpleidingen, hoogspanningslijnen en apparatuur. Voorspellend onderhoud maakt gebruik van IoT-data-, audio- en videostreams – met behulp van geavanceerde data-analyse – om de optimale tijd voor onderhoud en vervanging van activa te voorspellen. Dit in tegenstelling tot traditioneel preventief onderhoud, dat kan leiden tot verspilling door het opknappen of vervangen van activa die feitelijk nog in bruikbare staat verkeren. Het is vergelijkbaar met het weggooien van een blikje voedsel alleen omdat het de gestempelde houdbaarheidsdatum heeft bereikt, zonder het eerst te openen om te zien of de inhoud nog goed is.

Aan de andere kant is condition-based assessment in staat om realtime analyses te gebruiken om uitvaltijden te voorspellen en onderhoudsopties te optimaliseren. Het verlaagt ook de kosten, verhoogt het gebruik, verbetert de veiligheid en minimaliseert vertragingen en inkomstenverlies. Geavanceerde analyses kunnen ook gegevenssilo's doorbreken door video en gegevens van IoT-sensoren, omgevingsinformatie en historische trends te correleren om operationele intelligentie te bieden, specifieke operationele en onderhoudspijnpunten op te lossen en optimaliseer de levenscycli van activa.

Het is duidelijk dat realtime data-analyse met behulp van machine learning en AI een revolutie teweegbrengt in bijna elke hoek van de energiesector. IoT-apparaten en sensoren krijgen het leeuwendeel van de aandacht, maar ook video krijgt een tweede leven als onmisbare bron van visuele data. Deze analysesystemen lossen een van de belangrijkste problemen op die de eerste generatie CCTV teisterden; namelijk, de brandweerslang van de beelden die ze zouden produceren was gewoon te duur om te controleren. Video-analyse, gecombineerd met andere soorten IoTsensing, zijn nu in staat om verbruikbare hoeveelheden gegevens te presenteren met een veel hogere relevantie voor de industrie en helpen om die brandslang te focussen waar deze het meest nodig is.