Тема: Интеграция беспилотных летательных аппаратов в систему автоматизированного контроля технологических процессов промышленного предприятия
Исполнители: Собейникова Юлия Александровна, Дындарь Виктория Валерьевна, группа 441-об.
Руководитель: Русинов Владислав Леонидович, СКБ "Промышленная робототехника и автоматизация".
Актуальность: Актуальность темы интеграции беспилотных летательных аппаратов в систему автоматизированного контроля технологических процессов промышленного предприятия обусловлена необходимостью цифровизации производств в рамках Индустрии 4.0, где БПЛА выступают мобильными сенсорами для сбора данных о состоянии труднодоступных и потенциально опасных объектов без остановки производства и риска для персонала. Высокая оперативность мониторинга в сочетании с возможностью оснащения дронов тепловизорами, газоанализаторами и лидарами обеспечивает переход к обслуживанию по фактическому состоянию, что значительно повышает экономическую эффективность за счет снижения простоев. Кроме того, исследование актуально в условиях формирующейся нормативной базы, когда научные разработки могут стать основой для будущих регламентов эксплуатации БПЛА в замкнутых производственных циклах.
Цель: предложить и обосновать схему автоматизации производственного контроля путем интеграции беспилотных летательных аппаратов в автоматизированную систему управления технологическим процессом - АСУ ТП предприятия.
План:
Введение
1. Анализ "узких мест" производства
1.1. Объекты контроля на производстве
1.2. Недостатки существующих систем
2. Концепция автоматизированной системы на базе БПЛА
2.1. Структурная схема комплекса
2.2. Принцип работы «Цифрового двойника цеха»
3. Алгоритм обработки данных и принятия решений
3.1. Распознавание образов (нейросеть YOLO / CNN)
3.2. Интеграция в SCADA-систему (Master SCADA / SimpLight / др.)
4. Технико-экономическое обоснование
Заключение
Библиографический список
ВВЕДЕНИЕ
Тема доклада посвящена интеграции беспилотных летательных аппаратов в систему автоматизированного контроля технологических процессов промышленного предприятия. Эта тема находится на стыке двух актуальных направлений: промышленной автоматизации и развития беспилотных технологий. Современные промышленные предприятия - нефтеперерабатывающие заводы, объекты энергетики, металлургические комбинаты - это сложнейшие инфраструктурные комплексы. Они имеют протяженные территории, включают высотные конструкции - колонны, факельные установки, а также закрытые резервуары и трубопроводы, протяженность которых может исчисляться километрами.
В чем заключается ключевая проблема традиционных методов контроля? Сегодня на многих предприятиях по-прежнему используется обход территории сотрудниками, визуальный осмотр с вышек или использование стационарных камер. Это требует колоссальных временных затрат, часто связано с необходимостью останавливать оборудование или оформлять сложные наряды-допуски для работ на высоте. Но самое главное - это прямая угроза жизни и здоровью людей при работе в загазованной среде, зонах высоких температур или на высоте .
1.АНАЛИЗ УЗКИХ МЕСТ ПРОИЗВОДСТВА
1.1. Объекты контроля, требующие автоматизации:
Во-первых, это труднодоступные зоны. Например, дымовые трубы высотой 100-150 метров, опоры линий электропередач, факельные установки. Забраться туда человеку сложно, страховка нужна, время простоя огромное.
Во-вторых, это протяженные объекты: нефтепроводы и продуктопроводы внутри предприятия, ограждения периметра. Обойти пешком километры трасс каждый день - нереально.
В-третьих, это опасные зоны: химические цеха, где возможна утечка токсичных веществ, зоны с высокой температурой или радиацией.
1.2. Недостатки существующих систем:
Исследования, например, на объектах нефтепереработки показывают, что классические схемы физической защиты ориентированы только на плоскостной контроль. Главный недостаток - человеческий фактор. Сотрудник может устать, отвлечься, пропустить начинающуюся трещину на сварном шве. Кроме того, чтобы провести инспекцию целостности тех же сварных швов при строительстве колонн, сотрудники компаний больше двух недель тратят только на возведение строительных лесов, не считая времени на сам осмотр. И, наконец, отсутствует оперативная передача данных о возможной чрезвычайной ситуации в диспетчерскую в режиме реального времени. Информация появляется только когда человек вернется и напишет рапорт.
2. КОНЦЕПЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НА БАЗЕ БПЛА
2.1. Структурная схема комплекса:
Первое звено - полевое. Это беспилотный летательный аппарат, оснащенный сменной полезной нагрузкой. Здесь важно понимать, что это не просто любительский квадрокоптер, а промышленный инструмент.
Например, разработка Центра БАС Университета Иннополис - дрон InnoSpector - имеет противоударный корпус, степень защиты IP53, работает при температурах от -20 до +55°С и несет на борту лидар, 4K-камеру на гиростабилизированном подвесе и мощную светодиодную систему освещения. На предприятии в зависимости от задачи мы можем менять нагрузку: тепловизор - для поиска утечек тепла и нагрева подшипников, газоанализатор - для обнаружения утечек метана или сероводорода, или камера высокого разрешения с зумом - для съема показаний с манометров на высоте.
Второе звено - инфраструктурное. Это док-станции, автоматические зарядные станции. Они размещаются прямо на крыше цеха или на колонне, защищают дрон от осадков, автоматически меняют батареи. Это позволяет дрону находиться на боевом дежурстве 24/7, вылетая на облет по расписанию.
Третье звено - программное. Это сервер с программным обеспечением компьютерного зрения, где работают нейросети, и модуль интеграции с SCADA-системой предприятия.
2.2. Принцип работы «Цифрового двойника цеха»:
Как это работает? Дрон вылетает из док-станции строго по расписанию. Он облетает заданный маршрут: на открытой местности - по GPS, внутри помещений, где GPS не работает, - по системе SLAM-навигации, то есть строя карту местности в реальном времени на основе данных лидара. Все данные - видео, телеметрия, показания датчиков - в реальном времени передаются на сервер. По сути, мы получаем постоянно обновляемого цифрового двойника цеха.
3. АЛГОРИТМ ОБРАБОТКИ ДАННЫХ И ПРИНЯТИЯ РЕШЕНИЙ
3.1. Распознавание образов нейросетью:
Мы используем нейросети, архитектуры типа YOLO или сверточные нейросети. Но есть важный нюанс: классические нейросети требуют тысяч размеченных примеров для обучения. Однако, как показали разработки Новосибирского государственного технического университета, эффективно работают триплетные нейронные сети, которым достаточно всего нескольких фотографий дефекта для обучения. Система учится "понимать" суть дефекта, а не запоминать картинки.
Что может находить нейросеть?
· Коррозионные повреждения металла.
· Трещины в сварных швах.
· Посторонние предметы на территории.
· И даже автоматически снимать показания с аналоговых приборов - манометров, термометров.
Современные промышленные решения, например, от компании Neimarker, интегрированные с дронами Иннополис, распознают уже 75 видов дефектов. Точность обнаружения на тестовых данных достигает 87% и выше.
3.2. Интеграция в SCADA-систему:
Когда нейросеть обнаруживает аномалию, например, превышение концентрации газа или обнаружена трещина критического размера, система не просто пишет в журнал. Она автоматически генерирует инцидент. Через модуль интеграции сигнал уходит в SCADA-систему предприятия. Диспетчер на пульте видит оповещение, к которому прикреплены видеофайл, фотография дефекта и точка на карте.
Более того, в перспективе, в зависимости от степени автоматизации, система может сама заблокировать опасный участок или отправить автоматический наряд на ремонт. Важно отметить, что эффективность защиты напрямую зависит от исключения человеческого фактора на этапе верификации угрозы.
4. ТЕХНИКО-ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ
Расчет эффективности:
Время диагностики объектов сокращается на 80-90% по сравнению с традиционным визуальным осмотром. Конкретный пример: инспекция сварных швов колонны - 2 недели на строительство лесов + осмотр против 1 часа работы дрона.
Снижаются простои оборудования. Нам не нужно глушить установку, останавливать производство, чтобы запустить человека с прибором. Дрон работает "на живую".
Безопасность: полностью исключается риск для жизни сотрудников при работах на высоте, в замкнутых пространствах или загазованной среде. Один предотвращенный несчастный случай окупает стоимость системы многократно.
Наконец, предиктивность. Мы переходим от реактивного обслуживания - "сломалось - чиним" - к предиктивному. Нейросеть видит начинающуюся коррозию за полгода до того, как она перерастет в сквозное отверстие и аварию.
ЗАКЛЮЧЕНИЕ
Подводя итог, можно сделать следующие выводы.
Во-первых, современный уровень развития беспилотных технологий и искусственного интеллекта позволяет создавать полностью автономные системы мониторинга промышленных объектов.
Во-вторых, предложенная концепция интеграции БПЛА в АСУ ТП решает главную задачу - переводит промышленную безопасность на новый уровень, где дроны становятся "органами чувств" автоматизированной системы, собирая данные там, где стационарные датчики поставить невозможно или экономически нецелесообразно.
В-третьих, экономический эффект достигается за счет кратного сокращения времени простоев, исключения аварий на ранней стадии и, самое главное, сохранения жизни и здоровья людей.
Перспективы развития я вижу в создании полностью автономных производств с роевым взаимодействием дронов, а также в дальнейшем совершенствовании нейросетевых алгоритмов для распознавания все более широкого класса дефектов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Разработка студентов ТУСУР по сетевым архитектурам для БПЛА, 2025. (10.03.2026)
2. Промышленный дрон Университета Иннополис InnoSpector, 2025. (-(07.03.2026)
3. Нейросеть НГТУ НЭТИ для поиска дефектов металла, 2026. (07.03.2026)
4. Гольцев Г.П. Интеграция систем мониторинга воздушного пространства в корпоративную систему безопасности персонала на НПЗ // КиберЛенинка. (09.03.2026)
5. Проект студентов МАИ «СКУФИК» по акустическому контролю, 2025. (10.03.2026)
