Sipping from the Video Firehose:Energy’s Use of Real-Time Analytics

Eine Generation von Videoanwendungen behandelt Kameras eher wie Geräte des Internets der Dinge (IoT), indem sie den Zustand von Anlagen überwachen, Geräte anhand von Strichcodes, Nummernschildern oder die Bewegung von Fahrzeugen und Personal identifizieren.

Videokameras sind im Energiesektor allgegenwärtig und das schon seit vielen Jahren. Da es sich um anlagenintensive Industrien handelt, verfügen sie über viele sehr teure Geräte und Betriebsabläufe, die zu schützende Gefahren darstellen können. Folglich sind Perimetersicherheit und allgemeine Überwachung kritische Anwendungen für Video im Energiebereich. Es entstehen jedoch Anwendungen, die Kameras für völlig andere Aufgaben verwenden – wodurch eine neue und wachsende Rolle für Video und insbesondere für Analysen geschaffen wird.

Siehe auch: Zu viel Echtzeitvideo? Visuelle Analysen können helfen

Diese neue Generation von Videoanwendungen behandelt Kameras eher wie Geräte des Internets der Dinge (IoT), indem sie den Zustand von Anlagen überwacht, Geräte anhand von Strichcodes, Nummernschildern oder der Bewegung von Fahrzeugen und Personal identifiziert. Sie sind auch bei der Echtzeit-Videosicherheit viel effizienter. Die Schlüsseltechnologieinnovation hinter diesem Wachstum ist der Einsatz ausgefeilter Videoanalysen, die auf maschinellem Lernen und künstlicher Intelligenz (KI) basieren.

Das Konzept der Videoanalyse ist einfach genug. Um das Beispiel der Perimeterüberwachung zu verwenden:In 99 % der Fälle ist die Szene, die eine Kamera aufzeichnet, Tag für Tag praktisch dieselbe. Wenn also ein Eindringling tatsächlich den Zaun durchbricht, weiß eine Analyseanwendung möglicherweise nicht genau, was sie sieht, aber sie weiß, dass es anders ist als das, was sie normalerweise überwacht. Es ist in der Sprache des maschinellen Lernens „eine Anomalie“.

Wenn die Überwachungsanalytik auf eine Anomalie stößt, kann die Anwendung jemanden im Sicherheitsbereich darauf aufmerksam machen, sich das Filmmaterial anzusehen. Das Sicherheitspersonal kann dann sofort überprüfen, ob es sich um ein Einbruchsereignis handelt oder nicht; Die Anwendung muss nicht so schlau sein. Dies erspart dem Personal das Anschauen von Hunderten oder Tausenden von Stunden Videomaterial, nur um die wenigen Minuten zu erfassen, in denen ein potenzieller Einbruch erfolgt. Ein Videoanalyseprogramm filtert im Wesentlichen das Filmmaterial und präsentiert nur die Bits, die tatsächlich wichtig sein könnten.

Wenn sich herausstellt, dass es sich bei der Anomalie lediglich um ein einheimisches Wild oder einen streunenden Hund handelt, kann das Personal dem Programm „beibringen“, es zu ignorieren. Die Anwendung speichert dann das Muster des Hundes und behandelt es nicht mehr als Bedrohung.

Frühe Versuche, ähnliche Anwendungen zu erstellen, verfolgten einen direkten Ansatz, indem sie versuchten, die Analyseanwendung mit bekannten Bedrohungsmustern vorzukonfigurieren. Diese waren jedoch weniger erfolgreich, es sei denn, die Bedrohung war sehr gut bekannt und in ihrer Form vorhersehbar, wie beispielsweise eine Verformung in einem runden Objekt, wie beispielsweise einem Zahnrad oder einem Rad. Für viele Arten der Überwachung und Überwachung ist das Vorfallmuster jedoch nicht konsistent genug für das Vorprogramm.

Hier rücken maschinelles Lernen und Echtzeitanalysen in den Vordergrund. Beispielsweise zeichnet eine Kamera, die eine Kreuzung in einem Kohlebergbaubetrieb beobachtet, ständig die Bewegung von Lastwagen auf, während sie Erz transportieren. Dies ist nicht nur ein statischer Zaun, an dem nichts passiert. Nichtsdestotrotz kann die Anwendung mit der Zeit lernen zu verstehen, welche Aktivitätsmuster normal sind und welche nicht. So kann eine Echtzeit-Videoanwendung ein Problem erkennen, wenn ein autonom fahrender Lkw mitten auf einer Kreuzung liegenbleibt oder ein Gegenstand herunterfällt und die Fahrbahn blockiert. Das Programm muss nichts programmiert haben. Es leitet einfach ab, was normal ist und was nicht, mit gelegentlichem Feedback von Mitarbeitern, um ihm mitzuteilen, wann eine Anomalie als „normal“ betrachtet werden kann.

Aus Sicht der betrieblichen IT besteht einer der großen Vorteile der Videoanalyse darin, dass sie auch die Videomenge reduziert, die ein Netzwerk durchlaufen muss. Herkömmliche CCTV-Lösungen erforderten beispielsweise dedizierte Netzwerke für die Kameras, während Videoanalysen tatsächlich am Rand des Netzwerks gehostet werden können, da das Video lokal verarbeitet wird. Die uninteressanten 99 % der aufgezeichneten Videos können dann ebenfalls verworfen oder lokal gespeichert werden, während das stark reduzierte anomale Videomaterial über das primäre kabelgebundene oder drahtlose Netzwerk an einen zentralen Cloud-Server gesendet werden kann.

Videoanalyseprogramme können auch Daten aus anderen Quellen wie Audio, Telemetrie und Daten von IoT-Sensoren hinzufügen. Bei einem blockierten autonomen Erztransporter könnte das Videoanalyseprogramm beispielsweise auch Heartbeat-Nachrichten zwischen dem Lastwagen und dem Kommunikationsnetzwerk überwachen und erkennen, dass der Lastwagen seine Netzwerkverbindung verloren hat und darauf wartet, ein Signal zu empfangen – ein häufiges Vorkommnis bei Wi-Fi-Mesh-Netzwerken . Es könnte auch gelehrt werden, den stehengebliebenen Lastwagen in diesem Fall zu ignorieren, aber nicht in anderen.

Für jeden Teil des Energie- und Versorgungssektors gibt es unterschiedliche Anwendungsfälle. Windparks könnten beispielsweise Echtzeit-Videoanalysen verwenden, um Vogelschwärme zu identifizieren. Wenn die Kamera die Annäherung einer Herde aufzeichnet, werden die Turbinenblätter abgeschaltet, um Kollisionen zu vermeiden. Eine weitere Anwendung für Gaspipelines nutzt Infrarotkameras in Kombination mit IoT-Gasmonitoren. Wenn das Vorhandensein eines Lecks einen Alarm auslöst, kann das Videoanalyseprogramm aufgefordert werden, entlang der Pipeline nach Wärmesignaturen zu suchen, um zu lokalisieren, wo es auftritt.

Video kann neben IoT-Sensoren, die chemische Kontamination in Luft und Wasser, Feuchtigkeit und Vibrationen im Boden, Wetterverfolgung sowie Umgebungswärme und -feuchtigkeit messen, auch in der allgemeinen Umweltüberwachung eine Rolle spielen. Video wurde verwendet, um den Wasserfluss in Bächen aufzuzeichnen, um das Risiko von Überschwemmungen zu erkennen, die mit anderen Sensordaten verwendet werden können, um hydrologische Modelle zu füllen, die mögliche Risiken für Vermögenswerte oder die Sicherheit durch Überschwemmungen vorhersagen können. Auf der einfacheren Seite können Echtzeit-Videoanalysen auch verwendet werden, um Ereignisse zu protokollieren und sie für spätere forensische Analysen zu speichern. Lediglich Videomaterial, das vom normalen Muster abweicht, wird gespeichert und kann später bei der Ursachenforschung, die zu einem Großschaden geführt haben könnte, abgerufen werden.

Videoanalysen beginnen auch bei der vorbeugenden Wartung von Energieanlagen, einschließlich Pipelines, Stromleitungen und Ausrüstung, eine entscheidende Rolle zu spielen. Predictive Maintenance nutzt IoT-Daten, Audio- und Videostreams – unter Verwendung fortschrittlicher Datenanalysen – um den optimalen Zeitpunkt für die Wartung und den Austausch von Anlagen vorherzusagen. Dies steht im Gegensatz zur traditionellen vorbeugenden Wartung, die durch Aufarbeitung oder Austausch von eigentlich noch betriebsbereiten Anlagen zu Verschwendung führen kann. Es ist so, als würde man eine Konservendose wegwerfen, nur weil sie das aufgedruckte Verfallsdatum erreicht hat, ohne sie vorher zu öffnen, um zu sehen, ob der Inhalt noch gut ist.

Die zustandsbasierte Bewertung hingegen ist in der Lage, mithilfe von Echtzeitanalysen Ausfallzeiten vorherzusagen und Wartungsoptionen zu optimieren. Es reduziert auch die Kosten, erhöht die Auslastung, verbessert die Sicherheit und minimiert Verzögerungen und Umsatzeinbußen. Erweiterte Analysen können auch Datensilos aufbrechen, indem sie Videos und Daten von IoT-Sensoren, Umgebungsinformationen und historische Trends korrelieren, um Betriebsinformationen bereitzustellen und spezifische Betriebs- und Wartungsprobleme zu lösen , und optimieren Sie die Lebenszyklen von Assets.

Es ist klar, dass Echtzeit-Datenanalysen mithilfe von maschinellem Lernen und KI nahezu jeden Bereich des Energiegeschäfts revolutionieren. IoT-Geräte und -Sensoren erhalten den Löwenanteil der Aufmerksamkeit, aber auch Videos erhalten ein zweites Leben als wichtige Quelle für visuelle Daten. Diese Analysesysteme überwinden eines der Hauptprobleme, das die erste Generation von CCTV geplagt hat; Das heißt, die Menge an Filmmaterial, die sie produzieren würden, war einfach zu teuer, um es zu überwachen. Videoanalysen, gemischt mit anderen Arten von IoTsensing, sind jetzt in der Lage, verbrauchbare Datenmengen mit einer viel höheren Relevanz für die Branche darzustellen und helfen dabei, den Feuerwehrschlauch dorthin zu lenken, wo er am dringendsten benötigt wird.