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.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.
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.
База данных хранения образцов обучающей выборки
Модуль обучения
Модуль распознавания
База данных для хранения результатов распознавания
Пользовательский интерфейс
— 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