Realtime video-analyses versterken beveiliging van energie-assets

Een generatie video-applicaties behandelt camera's meer als internet of things (IoT) apparaten door assetcondities te monitoren, apparatuur te identificeren met streepjescodes, kentekens, of de beweging van voertuigen en personeel.

Videocamera's zijn al veel jaren alomtegenwoordig in de energiesector. Als asset-intensieve industrieën hebben ze veel zeer dure apparatuur en operaties die gevaren kunnen opleveren om te beschermen. Als gevolg zijn perimetersurveillance en algemene surveillance kritieke applicaties voor video in energie. Echter, applicaties ontstaan die camera's voor volledig andere taken gebruiken – creërend een nieuwe en uitbreidende rol voor video en, vooral, analytics.

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

Deze nieuwe generatie video-applicaties behandelt camera's meer als internet of things (IoT) apparaten door assetcondities te monitoren, apparatuur te identificeren met streepjescodes, kentekens, of de beweging van voertuigen en personeel. Ze zijn ook veel efficiënter in realtime videobeveiliging. De sleuteltechnologische innovatie achter deze groei is het gebruik van gesofisticeerde video-analyses gebaseerd op machine learning en kunstmatige intelligentie (AI).

Het concept van video-analyses is eenvoudig genoeg. Neem het voorbeeld van perimetersurveillance, 99% van de tijd is de scène die een camera opneemt vrijwel hetzelfde ding dag na dag. Dus, wanneer een indringer daadwerkelijk door de hek knipt, kan een analytics-applicatie niet precies weten wat het ziet, maar het weet dat het anders is dan wat het normaal surveilleert. Het is, in de taal van machine learning, "een anomalie."

Wanneer de surveillance analytics een anomalie confronteert, kan de applicatie iemand in beveiliging waarschuwen om die footage te bekijken. Beveiligingspersoneel kan dan onmiddellijk verifiëren of het een inbraakgebeurtenis is of niet; de applicatie hoeft niet zo slim te zijn. Dit bespaart personeel het hoeven kijken naar honderden, of duizenden, uren video net om de paar minuten te vangen wanneer een potentiële inbraak plaatsvindt. Een video-analysesprogramma filtert eigenlijk de footage en presenteert alleen de stukjes die eigenlijk ertoe kunnen doen.

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

Vroegere pogingen om vergelijkbare applicaties te creëren namen een directe benadering door te proberen de analytics-applicatie vooraf te configureren met bekende dreigings- of incidentpatronen. Deze waren echter minder succesvol tenzij de dreiging heel goed bekend en voorspelbaar in vorm was, zoals een deformatie in een rond object, zoals een tandwiel of een wiel. Voor veel soorten surveillance en monitoring is het incidentpatroon niet consistent genoeg om vooraf te programmeren.

Hier komen machine learning en realtime-analyses te pas. Bijvoorbeeld, een camera die een kruising in een kolijnmijnbewerking bekijkt, neemt constant de beweging van vrachtwagens op die ervoorbij rijden met erts. Dit is niet alleen een statische perimeterschutting waar nooit iets gebeurt. Niettemin, kan de applicatie over tijd leren om te begrijpen welke activiteitspatronen normaal zijn en welke niet. Op die manier kan een realtime video-applicatie een probleem herkennen wanneer een autonoom vrachtwagen in het midden van de kruising stilstaat, of een object afvalt en de weg blokkeert. Het programma hoeft niets in zich te hebben geprogrammeerd. Het deduceert simpelweg wat normaal is en wat niet, met occasionele feedback van personeel om het te vertellen wanneer een anomalie als "normaal" beschouwd kan worden.

Vanuit een operationeel IT-perspectief, is een van de grote voordelen van video-analyses dat het ook de hoeveelheid video die een netwerk moet traverseren reduceert. Bijvoorbeeld, traditionele CCTV-oplossingen vereisten toegewijde netwerken voor de camera's, terwijl video-analyses eigenlijk aan de rand van het netwerk gehost kunnen worden terwijl video lokaal verwerkt wordt. De 99% video die wordt opgenomen die van geen belang is, kan dan ook weggegooid of lokaal opgeslagen worden, terwijl de anomale videofragmenten, die veel gereduceerd zijn, over de primaire bekabelde of draadloze netwerk naar een centrale cloudserver gestuurd kunnen worden.

Video-analysesprogramma's kunnen ook data van andere bronnen toevoegen zoals audio, telemetrie en data van IoT-sensoren. Bijvoorbeeld, bij de gestile autonoom ertsvrachtwagentje, kan het video-analysesprogramma ook heartbeat-berichten monitoren tussen de vrachtwagen en het communicatienetwerk en begrijpen dat de vrachtwagen de netwerkverbinding verloren heeft en wacht om een signaal te verkrijgen — een veelvoorkomende gebeurtenis met Wi-Fi mesh-netwerken. Het kan ook geleerd worden om de gestile vrachtwagen in dit geval te negeren, maar niet in anderen.

Er zijn verschillende use cases voor elk deel van de energie- en nutssector. Windparken kunnen bijvoorbeeld realtime video-analyses gebruiken om zwermen vogels te identificeren. Wanneer de camera de aanval van een zwerm opneemt, worden de turbinebladen afgeschakeld om botsingen te voorkomen. Een andere applicatie voor gaspijpleidingen gebruikt infraroodcamera's in combinatie met IoT-gasmonitors. Wanneer de aanwezigheid van een lekkage een alarm triggerd, kan het video-analysesprogramma geprompt worden om te scannen naar warmtehandtekeningen langs de pijpleiding om te lokaliseren waar het plaatsvindt.

Video kan ook zijn rol spelen in algemene milieumonitoring naast IoT-sensoren die chemische contaminatie in lucht en water meten, vocht en trillingen in grond, weertracking, alsook omgevingswarmte en vochtigheid. Video is gebruikt om waterstroom in stromen op te nemen om het risico op overstroming te detecteren, wat gebruikt kan worden met andere sensordata om hydrologische modellen te vullen die mogelijke risico's voor assets of veiligheid van overstroming kunnen voorspellen. Aan de eenvoudigere kant, kunnen realtime video-analyses ook gebruikt worden om gebeurtenissen te loggen en op te slaan voor forensische analyse later. Alleen videofragmenten die afwijken van het normale patroon worden opgeslagen en later opgeroepen bij het onderzoeken van oorzaken die tot een grote incident kunnen hebben geleid.

Video-analyses beginnen een kritieke rol te spelen in preventief onderhoud van energie-assets alsook, inclusief pijpleidingen, stroomlijnen en apparatuur. Predictief onderhoud benut IoT-data, audio en videostreams – met geavanceerde data-analyses – om het optimale moment voor onderhoud en vervanging van assets te voorspellen. Dit in tegenstelling tot traditioneel preventief onderhoud, wat kan leiden tot verspilling door het vernieuwen of vervangen van assets die eigenlijk nog in dienstbare staat zijn. Het is vergelijkbaar met een blik voedsel weggooien gewoon omdat het de gestempelde vervaldatum heeft bereikt, zonder het eerst open te maken om te zien of de inhoud nog goed is.

Conditie-gebaseerde beoordeling, aan de andere kant, kan realtime-analyses gebruiken om falentijden te voorspellen en onderhoudsopties te optimaliseren. Het verlaagt ook kosten, verhoogt benutting, verbetert veiligheid en minimaliseert vertragingen en opbrengstverlies. Geavanceerde analyses kunnen ook datasilos doorbreken door video en data van IoT-sensoren, milieuinformatie en historische trends te correleren om operationele intelligentie te bieden, specifieke operationele en onderhoudspijnpunten op te lossen en assetlevenscycli te optimaliseren.

Duidelijk is dat realtime data-analyses met machine learning en AI bijna elk hoekje van het energiebedrijf revolutioneren. IoT-apparaten en sensoren krijgen de leeuwendeel van de aandacht, maar video krijgt ook een tweede leven als een kritieke bron van visuele data. Deze analysesystemen overwinnen een van de hoofdproblemen die de eerste generatie CCTV plagede; namelijk, de brandingslang aan footage die ze produceerden was simpelweg te duur om te monitoren. Video-analyses, gemengd met andere soorten IoT-sensing, zijn nu in staat om consumeerbare hoeveelheden data met een veel hogere relevantiegraad voor de industrie te presenteren en helpen die brandingslang te richten waar het het meest nodig is.