Cargando
Cargando
El sector energético y los algoritmos de aprendizaje automático tienen mucho que ofrecerse mutuamente, desde las baterías inteligentes al control logístico a gran escala. En este caso específico hablamos de la distribución de energía eléctrica a escala nacional.
Este es un gran reto que debe asegurar la estabilidad y la seguridad de la red eléctrica de un gran territorio, desde los sistemas de producción a los elementos de transporte de energía, incluyendo conexiones locales, regionales y también internacionales.
La producción y distribución de energía están en el foco político y social por su importante relación con el medio ambiente y el cambio climático, lo que resalta aún más la importancia de saber utilizar todas las herramientas a nuestro alcance para mejorar la eficiencia y seguridad del sector.
En este contexto, Foqum puso a disposición de la compañía su experiencia y funcionalidades de optimización, predicción y detección de anomalías, que sin duda estarán en la base del sector energético del futuro.
Mínimas perturbaciones en la distribución energética suponen un impacto importante en la calidad de vida de la población. Además, pueden ser un gran riesgo ambiental y conllevar un alto coste económico. Por todo ello, el mantenimiento de la red eléctrica es una prioridad de primer orden en el sector, que dedica una gran cantidad de recursos humanos a este trabajo.
Esto explica el marco del reto, en el que se busca identificar de forma automática un amplio rango de anomalías en las torres de la red. El objetivo es ser capaces de localizar con precisión roturas, corrosión y otros indicadores de riesgo a partir de fotografías de baja resolución, lo que se traduciría en una mayor capacidad de análisis diario del estado de la red.
Este reto destaca por el amplio abanico de técnicas de computer vision que abarca. Incluye clasificación de imagen multietiqueta, detección de objetos (para situar ciertas anomalías en la imagen) y segmentación (para señalar de forma precisa áreas afectadas por corrosión). Es importante destacar que los datos están etiquetados a nivel cualitativo (es decir, sin información para detección de objetos y segmentación). Además, las categorías están fuertemente desbalanceadas.
Por tanto, la solución planteada por Foqum consistió en una suite de herramientas trabajando de forma coordinada.
La segmentación de óxido supone un reto particularmente duro e importante en el mundo industrial, ya que las fotografías abarcaban un amplio rango de “texturas”, curvas de brillo y color, escala y fondos, incluyendo tierra en colores típicos del óxido. Aún así, desarrollamos una serie de algoritmos específicos de funcionalidades específicas de análisis de la granularidad de la imagen que fueron capaces de identificar zonas comprometidas con una gran precisión.
A pesar de las dificultades mencionadas en el etiquetado, conseguimos unos resultados muy competitivos, con precisiones entre el 90 y el 95% para 5 de las 6 categorías de anomalías (la sexta, la categoría menos representada, alcanzó el 83%). Además, se complementó la propuesta con una herramienta de visualización de “zonas de interés” para facilitar la inspección visual de los resultados por parte de operarios.
y recuerda lo que no se mide no se puede mejorar.
CONTÁCTANOS RESERVAR SESIÓN DE ESTRATEGIA