Дроны, искусственный интеллект, нейросети и биороботы: интервью замдиректора центра БПЛА МАИ

Промышленные объекты, так же как и люди, нуждаются в постоянной поддержке «здоровья» и своевременной диагностике возникающих проблем. Для этого на предприятиях есть отдельная профессия — обходчик: такой специалист несколько раз за смену обходит помещения и проверяет оборудование на предмет дефектов. Трещины, вздутия, свищи, очаги коррозии — чем раньше их заметить, тем меньше риск аварий и вывода предприятия из штатного режима работы.

Теперь такую же диагностику можно выполнять в автоматическом режиме. Специалисты центра «Беспилотные летательные аппараты» Московского авиационного института создали уникальную систему дефектоскопии с помощью дронов и технологий искусственного интеллекта.

Работа над проектом близится к завершению, и подробностями поделился заместитель директора центра Максим Калягин.

Центр «Беспилотные летательные аппараты» был создан в 2018 году как научно-производственное подразделение кафедры 101 «Проектирование и сертификация авиационной техники» МАИ. На базе центра проводятся научно-исследовательские и опытно-конструкторские работы в сфере беспилотных авиационных систем. Среди ключевых проектов — создание экспериментального участка комплексной системы доставки грузов с использованием беспилотных летательных аппаратов в интересах одной из крупных компаний финансового сектора России, комплексный инфраструктурный проект НТИ «Создание системы информационного обеспечения полётов беспилотных воздушных судов (RUTM1)» и проект НТИ по направлению «Разработка технологий полётов беспилотных воздушных судов в общем воздушном пространстве. Создание наземной испытательной инфраструктуры».

Максим Юрьевич, расскажите, как пришла идея создания системы дефектоскопии дронами.

Когда появился наш центр, мы провели маркетинговое исследование на рынке беспилотных летательных аппаратов (БПЛА), по результатам которого определили перспективные для себя направления. Полёты внутри различных помещений были в их числе. Сейчас все занимаются мониторингом, из-за чего на рынке большая конкуренция. Именно поэтому мы решили сузить специализацию. Тем более, в этой области много технологий, которые ещё не до конца развиты для автономных полётов внутри помещений. Например, беспилотные аппараты, которые летают в общем воздушном пространстве, используют GPS для навигации, а вот для полётов в помещении такой технологии автономной навигации нет.

Плюс сейчас очень актуальны нейронные сети и искусственный интеллект. Но летать и смотреть — это полдела. А вот потом проанализировать собранные данные — уже целая история. У одного из наших заказчиков как раз были требования для мониторинга: совместить технологии автономного применения беспилотных летательных аппаратов, искусственный интеллект и анализ данных. А это наш профиль. Мы выиграли тендер и приступили к разработке системы.

Сейчас находимся на этапе экспериментальной обработки. То есть мы создали образцы комплексов для мониторинга топки и для полётов в турбинном цехе. Есть уже технически готовый беспилотный аппарат, станция базирования, алгоритмы навигации и сервер для распознавания алгоритмов. В мае должны выйти на опытно-промышленное применение на объекте заказчика.

В чем суть этой системы?

Расскажу на примере турбинного цеха. В цехе устанавливается автоматическая станция базирования, составляется расписание вылетов. Когда приходит время вылета, проверяется состояние аппарата. Если всё готово, аппарат совершает полёт по заранее заданной программе. Он прилетает в точку осмотра, собирает данные, после чего возвращается на станцию базирования. Собранные данные отправляются на сервер, и уже сервер занимается автоматическим анализом и распознаванием: есть дефекты или нет. Обработанные данные поступают на пульт управления оператора цеха, он может посмотреть, обнаружены ли дефекты. Также автоматически заполняется журнал — дефектная ведомость. Аппарат в это время заряжается и ждёт команду до следующего вылета. Плюс он может совершать вылеты по требованию, когда нужно осмотреть другие объекты.

Если говорить про топку котла, то там работа устроена по-другому. Раз в год котлы останавливают для планового осмотра. В этот момент комплекс ставится у котла, нажимается «старт», БПЛА совершает полёт внутри топки котла и фотографирует поверхности нагрева. Котёл обычно имеет ширину 8–12 м, а по высоте доходит до 100 м. Для того чтобы отснять всю топку, аппарату нужно порядка шести часов. После этого навигатор съёмки осуществляет сшивку изображений и получение трёхмерной модели топки, а дальше происходит анализ этих изображений на предмет присутствия дефектов. Также формируется дефектная ведомость. Для каждого дефекта есть координаты, по которым потом осуществляется ремонт. Раньше, чтобы осуществить плановый осмотр, в котле необходимо было возводить строительные леса. Только эта работа занимала до двух недель.

То есть эта технология сможет полностью заменить человека?

У нас нет задачи заменить человека. В цехе работает обходчик, который осматривает оборудование. Мы же увеличиваем число обходов. Если человек за смену может обойти цех два раза, мы совершаем ещё два автономных вылета для проверки. Поэтому аппарат в данном случае — это помощник человека. Тем более, аппарат совершает полёт по маршруту, который не совпадает с маршрутом обходчика, совпадают только точки осмотра.

Но есть и обратная сторона медали. Обходчик, который осуществляет мониторинг оборудования, должен быть достаточно умным человеком для того, чтобы эти дефекты увидеть. Это уникальная профессия. И может так получиться, что в принципе и обходчиков-то у нас со временем не останется. И тогда придётся заменить их аппаратами.

И ещё один нюанс. Мы сталкивались с такими ситуациями, когда обходчики не всегда ходили целиком по маршруту, а иногда формально заполняли данные. Аппарат филонить не может, потому что выполняет программы.

Поэтому задачи заменить человека у нас нет. Но мы не исключаем, что это может случиться.

С какими сложностями пришлось столкнуться во время разработки системы дефектоскопии?

Проблем было несколько. Начнем с нейронных сетей. Чтобы их обучать, нужны обучающие выборки — данные. Когда обучают распознаванию лиц или текста, таких данных очень много и это делается просто. Когда мы говорим про промышленную дефектоскопию, с данными начинаются трудности. Например, электричество дома не каждый день отключается, батареи тоже не каждый день холодные. То есть дефекты возникают редко. Заказчик предоставил нам порядка 120 фотографий по пяти дефектам. Это ничтожно мало для обучения нейронной сети. Поэтому нам пришлось делать генератор синтетических данных, благодаря которому по каждому виду дефекта у нас было более чем 2500 изображений. Сейчас мы получаем достаточно высокую достоверность работы нейронных сетей — процентов 80 уже есть.

Вторая проблема — технология автономной навигации. Их очень много, но они все предусматривают создание достаточно сложных типов устройств, которые дорожают комплексно. Может получиться так, что применение комплекса будет экономически нецелесообразно. Например, получится сделать его за 100 млн рублей, при том, что человек, который выполняет эту работу, обходится компании в 2 млн. Понятно, что такой комплекс покупать не будут. И здесь нужно найти техническое решение, которое позволит выполнять задачу, но с минимальной стоимостью. То есть найти золотую середину между автономностью, архитектурой строения борта и стоимостью комплекса. Эту задачу мы тоже сейчас решаем.

Ещё в начале у нас была гипотеза, что можно установить лидар на беспилотный летательный аппарат, осуществлять лидарную съемку с высоким разрешением и потом сразу её анализировать. Это было бы быстрее, чем использовать аппарат нейронных сетей. Да и дешевле. Но возникла проблема с работоспособностью лидара в топке, так как ему нужна очень точная привязка и точное позиционирование. Внутри помещения коптер не может обеспечить такое позиционирование, к тому же меняется разрешение в зависимости от расстояния, которое сканирует лидар. Поэтому эту идею мы пока отбросили и перешли к оптической съемке. Но, тем не менее, мы делали лидарную съемку на стационарном приборе с высоким разрешением, она у нас есть. Также использовали лидар для получения трёхмерной модели котла и дальнейшего построения траектории полета.

Плюс мы работаем на реальном промышленном оборудовании. Условия, в которых взлетает аппарат, отличаются от условий на воздухе. То есть промышленное оборудование в цехе может влиять на работоспособность аппарата, на датчики систем навигации. В ходе экспериментов приходится дорабатывать как оборудование, так и алгоритмы его работы.

Да, трудностей было немало. Зато у нас получилось создать уникальную систему дефектоскопии. В ней сосредоточены самые передовые технологии: автономная навигация в помещении, автономное базирование беспилотных летательных аппаратов и анализ изображений искусственным интеллектом. Таких систем в России, да и в мире не очень много.

Беспилотники используете готовые или пришлось что-то конструировать с нуля?

Этот пункт тоже можно отнести к трудностям нашего проекта. В техническом задании была прописана возможность использовать готовые беспилотные аппараты, которые есть на рынке. Но оказалось, что не все они подходят под требования заказчика. Например, в аппарат, который летает в котлах, получилось интегрировать готовый промышленный беспилотник. Мы сделали к нему набор алгоритмов, бортовой вычислитель и набор датчиков, которые вставляются дополнительно. А для полётов в турбинном цехе пришлось разрабатывать аппарат с нуля.

А как выгоднее?

Когда мы начинали работать, аппарат стоил 800–860 тыс. рублей. Сейчас он стоит 1640 тыс. — в два раза больше. Себестоимость аппарата, который мы делали для турбинного цеха, 750 тыс. рублей. Получается, конечно, дешевле. Но если с аппаратом что-то случится, что делать заказчику? На рынке таких нет, надо искать, кто сделает такой же аппарат по технической документации. То есть уже начинаются проблемы с сервисом. Когда вы берёте готовый коптер с рынка, проблемы с сервисом нет. Главное, чтоб не было перебоев с поставками.

Кому такой аппарат вообще будет полезен?

В первую очередь компаниям, которые занимаются выработкой тепловой и электрической энергии. Но, на самом деле, спектр применения очень широкий, потому что у многих компаний есть промышленные цеха, огромные помещения, в которых можно осуществлять мониторинг. Имея технологии автономной навигации внутри помещения и аппарат станционного базирования, дальше нужно подготовить датасеты для обучения нейронных сетей на различные виды дефектов и всё. В принципе, на любых промышленных предприятиях эта система может применяться, чтобы увеличить частоту осмотров и тем самым снизить аварийность на объекте.

Кстати, одна из компаний, помимо нашего заказчика, уже заинтересовалось этой технологией. Вообще автономная навигация внутри помещений — один из трендов сегодня. Поэтому технология дефектоскопии дронами будет востребована.

Если пофанатазировать, каким будет наш мир в 2051 году?

Как человек, который работает в области беспилотных летательных аппаратов, думаю, что в 2051 году мы достигнем высокой степени автоматизации БПЛА. Пока она ещё недостаточно высокая. Но к этому времени мы сможем интегрировать их в обычные технологические цепочки. Наверное, уже начнутся полёты на аэротакси, которые будут интегрированы в общее воздушное пространство над городом или между городами. Ещё мы увидим системы, которые выполняют автоматическую доставку грузов и т. д.

Как обычному человеку, мне кажется, что робототехника не будет иметь такой массовости, как показывают в фильмах. Она будет иметь ограниченную сферу применения — в тех отраслях, где это оправдано и востребовано. Скорее всего, мы перейдем на биороботов. Потому что даже утилизация тех же роботов — это целая задача. А утилизировать биоробота гораздо проще. Поэтому человечество перейдет либо на клонов, либо на биороботов.