Цифровой интеллектуальный мониторинг линейных инфраструктурных объектов на основе трехмерных данных

Дмитрий Андреевич Гура; Юрий Владимирович Дубенко; Алина Петровна Павлюкова

doi:10.17308/sait.2020.2/2920

Дмитрий Андреевич Гура Кубанский государственный технологический университет, Кубанский государственный аграрный университет им. И. Т. Трубилина https://orcid.org/0000-0002-2748-9622
Юрий Владимирович Дубенко Кубанский государственный технологический университет https://orcid.org/0000-0003-3205-994X
Алина Петровна Павлюкова Кубанский государственный аграрный университет им. И. Т. Трубилина https://orcid.org/0000-0001-8815-8408

DOI: https://doi.org/10.17308/sait.2020.2/2920

Ключевые слова: мониторинг, инфраструктурные объекты, лазерное сканирование, интеллектуальные информационные системы, функциональное моделирование

Аннотация

Деформации линий электропередач, зачастую вызванные антропогенным или природным негативным воздействием, могут привести к аварийному отключению электроэнергии, а также стать угрозой для безопасности жизни граждан. Указанные риски свидетельствуют о необходимости проведения мониторинга линейных объектов, а также проработки алгоритмов оптимизации данного процесса. В статье рассматривается вопрос создания информационной системы для ведения мониторинга инфраструктурных объектов — воздушных линий электропередач. Указаны конструктивные элементы воздушных линий, рассмотрены основные виды деформаций, существующие методы (дистанционные, контактные) и инструменты получения данных о их параметрах. Сделан вывод о преимуществах использования трехмерных данных. Приведены основные системы, в которых выполняется их хранение, обработка, визуализация (такие как Autodesk InfraWorks, Autodesk BIM 360, Bentley Microstation Unigine). Указаны недостатки ресурсов. Описаны источники получения трехмерных данных, сделан вывод о преимуществах применения технологии трехмерного лазерного сканирования. Приведены результаты выполненного трехмерного сканирования линий электропередач в г. Краснодар. Выполнена оценка возможности применения данной технологии для мониторинговых целей. Сделан вывод о необходимости создания региональной мониторинговой интеллектуальной системы. Приведен принцип функционирования создаваемой системы путем разработки основных блоков: блок импорта/экспорта, блок визуализации, блок моделирования, блок хранения информации, вычислительный блок, аналитический блок. Указаны начальное, промежуточное и конечное состояния системы. Посредством методологии IDEF0 описан принцип работы системы, а также процесс интеллектуального поиска деформации (крена опор), определения габаритов воздушных линий на основе сверточных нейронных сетей.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Дмитрий Андреевич Гура, Кубанский государственный технологический университет, Кубанский государственный аграрный университет им. И. Т. Трубилина

канд. техн. наук, доцент кафедры кадастра и геоинженерии, Кубанский государственный технологический университет, Кубанский государственный аграрный университет им. И. Т. Трубилина

Юрий Владимирович Дубенко, Кубанский государственный технологический университет

канд. техн. наук, доцент кафедры информатики и вычислительной техники, Кубанский государственный технологический университет

Алина Петровна Павлюкова, Кубанский государственный аграрный университет им. И. Т. Трубилина

магистрант, Кубанский государственный аграрный университет им. И. Т. Трубилина

Литература

1. Antova G. Registration Process of Laser Scan Data in the Field of Deformation Monitoring. Procedia Earth and Planetary Science. 2015. 15. P. 549–552. DOI
2. Dubenko Yu. V., Gura D. A., Shevchenko G. G., Dyshkant E. E., Khusht N. I. Three-Dimensional Laser Scanning for Safety of Transport Infrastructure with Application of Neural Network Algorithms and Methods of Artificial Intelligence // Transportation Soil Engineering in Cold Regions. 2020. 2. P. 185–190. DOI
3. Dulin S. K., Dulina N. G., Yakushev D. A. Adaptive Identification of Spatial Objects in the Information-Measuring Mobile Laser Scanning System. Information-Measuring and Control Systems. 2016. 14 (8). P. 26–35. (in Russian)
4. Gura D. A., Dubenko Yu. V., Dyshkant E., Pavlyukova A., Akopyan G. 3D Laser Scanning for Monitoring the Quality of Surface in Agricultural Sector // IOP Conference Series: Earth and Environmental Science. 2019. 403. 012184. DOI
5. Gura D. A., Dubenko Yu. V., Markovskiy I. G., Husht, N. I. Monitoring slozhnyh ob”ektov infrastruktury [Monitoring Complex Infrastructure Objects] // Vestnik adygejskogo gosudarstvennogo universiteta. Seriya 4: estestvenno-matematicheskie i tekhnicheskie nauki. 2019. 4. P. 74–80. (in Russian)
6. Komissarov A. V. Teoriya i tekhnologiya lazernogo skanirovaniya dlya prostranstvennogo modelirovaniya territorij [Theory and technology of laser scanning for spatial modeling of territories]. Doctoral thesis. Siberian State University of Geosystems and Technologies. 2016.
7. Koshan Ye. K. Vozmozhnosti, preimushchestva i nedostatki nazemnogo lazernogo skanirovaniya [Possibilities, Advantages and Disad-vantages of Surface Laser Scanning]. Interekspo Geo-Sibir’. 2017. 9 (1). P. 27–30. (in Russian)
8. Lutovinov A. A., Lupyan E. A., Pogosyan M. A., Shemyakov A. O. Providing Information Connectivity Over Russian Territory Using Remote Sensing Systems of the Earth. Herald of the Russian Academy of Sciences. 2019. 89(2). – 190–195. DOI
9. Minullin R. G., Abdullazyanov E. YU., Kasimov V. A., Yarullin M. R. The Currently Used Methods for Detection Ice Deposits on Wires of Power Lines Part 1. Forecasting and Weighting Wires Methods. Power Engineering: Research, Equipment, Technology. 2013 (7-8). P. 68–78. (in Russian)
10. Trubitcin M. A., Lukashevitch O. G. The Analysis of the Ice on the Wires of Power Lines Detection Methods and Their Application for Contact Network. Ingineering Journal of Don. 2016. 4, 23. URL (in Russian)
11. Selikhov V. A. Postroenie karty glubinyispol’zovaniem glubokoj svertochnoj nejronnoj seti [The Depth Map Generation Based on the Deep Convolutional Neural Network]. Izvestiya Tul’skogo gosudarstvennogo universiteta. Tekhnicheskie nauki. 2018. 7. P. 262 277. (in Russian)
12. Seredovich A. V., Gorokhova E. I., Situkha O. A. Opredelenie geometricheskih parametrov elementov opor LEP s ispol’zovaniem nazemnogo lazernogo skanirovaniya [Determination of Geometric Parameters of Transmission Tower Elements Using Terrestrial Laser Scanning]. Interekspo Geo-Sibir’. 2013. 1 (3). P. 128–133. (in Russian)
13. Shelkovnikov E. Yu., Shlyakhtin K. A., Shelkovnikova T. E., Egorov S. F. Application of Neural Network of U-Net Architecture for Segmentation of Nanoparticles on CTM-Probes. Chemical Physics and Mesos-copy. 2019. 21(2). P. 330–336. DOI (in Russian)
14. Shilin A. N., Dementyev S. S. An Optical Method of Registration of Line Tower Deflection for Diagnosis of OHL State. Journal of Instrusment Engineering. 2018. 61(6). P. 490–497. DOI (in Russian)
15. Shokin Yu. I., Potapov V. P. GIS Today: Current State, Perspectives, Solutions. Computational Technologies. 2015. 20(5). P. 175–213. (in Russian)
16. Sobol B. V., Soloviev A. N., Vasiliev P. V., Podkolzina L. A. Deep Convolution Neural Network Model in Problem of Crack Segmentation on Asphalt Images // Vestnik of Don State Technical University. 2019. 19(1). P. 63–73. DOI (in Russian)
17. Sokol Ye. I., Rezinkina M. M., Gryb O. G., Vasilchenko V. I., Zuev A. A., Bortnikov A. V., Sosina E. V. A Method of Complex Automated Monitoring of Ukrainian Power Energy System Objects to Increase Its Operation Safety // Electrical Engineering & Electromechanics. 2016. (2). P. 65–69. DOI (in Russian)
18. Sozykin A. V. An Overview of Methods for Deep Learning in Neural Networks // Bulletin of the South Ural State University. Series: Computational Mathematics and Software Engineering. 2017. 6 (3). P. 28–59. DOI (in Russian)