Habilite el mantenimiento automatizado de tuberías con IA de vanguardia
Equipo Arduino — 23 de mayo de 2023
Los oleoductos son una parte integral de nuestra forma de vida moderna, ya que permiten el transporte rápido de agua y energía entre los proveedores centrales y los eventuales consumidores de este recurso. Sin embargo, la presencia de grietas debidas a esfuerzos mecánicos o corrosivos puede provocar fugas y, por lo tanto, desperdicio de producto o incluso situaciones potencialmente peligrosas. Aunque existen métodos que usan cámaras térmicas o micrófonos, son difíciles de usar indistintamente entre diferentes tipos de tuberías, por lo que Kutluhan Aktar optó por una combinación de Radar mmWave y un modelo ML que se ejecuta en una placa Arduino Nicla Vision para detectar estos problemas antes de que se conviertan en un problema real.
El proyecto se diseñó originalmente como una disposición de piezas en una placa de prueba, incluido un módulo de radar Seeed Studio MR60BHA1 de 60 GHz, una pantalla TFT ILI9341, un arduino nano para interactuar con el sensor y la pantalla, y un Consejo Nicla Visión. A partir de ahí, Kutluhan diseñó su propia placa de circuito impreso con el tema de Dragonite, ensambló los componentes y comenzó a recopilar datos de prueba y capacitación para un modelo de aprendizaje automático mediante la construcción de un pequeño modelo de PVC, la introducción de varias fallas y el registro de las diferencias de datos del sensor mmWave. El sistema puede hacer esto midiendo variaciones diminutas en la vibración a medida que se mueven los líquidos, con una mayor turbulencia a menudo correlacionada con defectos.
Después de configurar un pulso de serie temporal, se entrenó un modelo de clasificación utilizando pulso de borde que usaría las tres etiquetas (agrietada, obstruida y con fugas) para ver si la tubería tenía algún daño. Luego se implementó en Nicla Vision, donde logró una precisión del 90 % en datos del mundo real. Usando la pantalla, los operadores pueden conocer inmediatamente el resultado de la clasificación y enviar los datos a una aplicación web personalizada.
Encuentre más detalles sobre el proyecto aquí en su página de documentación de Edge Impulse.
Puede seguir cualquier respuesta a esta entrada a través de la fuente RSS 2.0. Puedes deja una respuestao trackback desde su propio sitio.