УПРАВЉАЊЕ И ТЕЛЕКОМУНИКАЦИЈЕ У ЕЕС / 21. симпозијум CIGRE Србија 2024 (стр. 276-286)
АУТОР(И) / AUTHOR(S): Саша Д. Милић, Миша Кожицић
Download Full Pdf 
DOI: 10.46793/CIGRE21S.276M
САЖЕТАК / ABSTRACT:
Današnji tehnološki razvoj pruža niz mogućnosti industrijskih primena infracrvenih kamera za brzo snimanje pokretnih industrijskih objekata, pružajući informacije o temperaturnim raspodelama tih objekata. Ove informacije se mogu koristiti za otkrivanje zagrejanih i/ili pregrejanih površina u realnom vremenu čime se pruža mgućnost brze detekcije kvara i eventualnog praćenja njegovog gradijenta sa ciljem buduće predikcije. U radu je opisana metodologija primene veštačke inteligencije u analizi infracrvenih slika za daljinski monitoring temperature. Predložena metodologija treba da omogući praktično unapređenje postojećeg mernog sistema. Unapređenje bi se zasnivalo na zameni postojećeg optičkog mernog sklopa infracrvenom industrijskom kamerom i na implementaciji mernog algoritma za analizu slike u realnom vremenu i pronalažanje pregrejanih polova rotora hidrogeneratora. Dat je osnovni prikaz nekoliko pristupa u primeni modela mašinskog učenja za obradu slika i video zapisa. Detaljno su prikazana dva osnovna koncepta i jedan detekcioni algoritam: koncept zasnovan na konvolucijskim neuronskim mrežama, koncept zasnovan na dva tipa autoenkoderskih mreža i koncept YOLO algoritma za složenu klasifikaciju i detekciju objekata. Detaljno su analizirani predloženi koncepti i algoritam sa ciljem praktičnog unapređenja postojećeg monitoring sistema uvažavajući osnovne zahteve: unapređenje funkcionalnosti uz zahtevanu pouzdanost i jednostavnost održavanja.
КЉУЧНЕ РЕЧИ / KEYWORDS:
Infracveno merenje temperature, hidrogenerator, veštačka inteligencija, konvolucijske neuronke mreže, konvolucijski autoenkoder, varijacioni autoenkoder, YOLO algoritam.
ЛИТЕРАТУРА / REFERENCES:
[1] S. Milić, N. Miladinović, “Daljinski monitoring temperature u elektroenergetskim sistemima”, Zbornik radova: Međunarodni naučno-stručni simpozijum Informacione tehnologije – Infoteh 2009, Vol. 8, Ref. D-11, strane: 333-336, Jahorina, Republika Srpska, mart 2009.
[2] S. Milić, M. Kožicić, “AI-Based Temperature Monitoring System for Hydro Generators”, In Proceedings of the 23rd International Symposium INFOTEH-JAHORINA, 20-22 March 2024. DOI: 10.1109/INFOTEH60418.2024.10496027.
[3] A. Betti, E. Crisostomi, G. Paolinelli, A. Piazzi, F. Ruffini, M. Tucci, “Condition monitoring and predictive maintenance methodologies for hydropower plants equipment”, Renewable Energy, Vol. 171, 2021, pp. 246–253.
[4] S. Milić, A. Žigić, M. Ponjavić, “On-line Temperature Monitoring, Fault Detection and a Novel Heat Run Test of Water-Cooled Rotor of Hydrogenerator”, IEEE Transactions on Energy Conversion, Vol. 28, 2013, pp. 698−706. DOI: 10.1109/TEC.2013.2265262,
[5] S. Milić, D. Kovačević, N. Karanović, Z. Kršenković, M. Kožicić, “Sistem za temperaturni monitoring namotaja rotora hidrogeneratora”, Elektroprivreda, Vol. 2, April-Jun 2009, UDK: 621.31, strane: 29-37.
[6] S. Milić, “Daljinski temperaturni nadzor polova rotora hidrogeneratora”, Zbornik radova instituta “Nikola Tesla”, knjiga 19, strane: 271-283, Beograd, 2008-2009.
[7] S. Milić, M. Srećković, N. Karanović, Z. Kršenković, J. Marković-Petrović, “On-line Remote Monitoring of Generators and Transformers in Energy Power Systems”, Zbornik radova: Elektrane 2010, međunarodna konferencija, Vrnjačka Banja, Srbija, 26−29. oktobar 2010.
[8] J. Redmon; S. Divvala, R. Girshick A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, In Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27-30 June 2016. DOI: 10.1109/CVPR.2016.91.
[9] M. Safaldin, N. Zaghden, M. Mejdoub, “An Improved YOLOv8 to Detect Moving Objects”, IEEE Access, Vol. 12, 2024, pp. 59782 –59806. DOI: 10.1109/ACCESS.2024.3393835.
[10] H. Muhammad, “YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature Toward Digital Manufacturing and Industrial Defect Detection”, Machines, Vol. 11, 2023, 677. DOI: 10.3390/machines11070677.
[11] J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection”, In Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27–30 June 2016; pp. 779–788.
[12] A. Vidyavani, K. Dheeraj, M. R. M. Reddy, K. N. Kumar, “Object Detection Method Based on YOLOv3 using Deep Learning Networks”, International Journal of Innovative Technology and Exploring Engineering, Vol. 9, 2019, pp. 1414–1417.
[13] M. Vajgl, P. Hurtik, T. Nejezchleba, “Dist-YOLO: Fast Object Detection with Distance Estimation”, Applied Sciences, Vol. 12, 2022, 1354. DOI: 10.3390/app12031354.
[14] J. Terven J, D-M Córdova-Esparza, J-A Romero-González, “A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS”, Machine Learning and Knowledge Extraction. Vol. 5, 2023; pp. 1680−1716. DOI: 10.3390/make5040083