моделирование безопасного производства композиционного материала с использованием иСкусСтвенного интеллекта

Ю.Ф. Коваленко, Е.А. Шулаева, Д. А. Сафронов et al. · Южно-Сибирский научный вестник · 2025

Использование нейронных сетей в обнаружении искр, создающих воспламенение, на производстве является важным и перспективным направлением, особенно в условиях, где безопасность является критическим фактором. Искры, возникающие в результате трения, неисправностей оборудования или других процессов, могут стать причиной пожаров или взрывов, что представляет серьезную угрозу для жизни людей, целостности оборудования и устойчивости производственных процессов. Для реализации такой системы был проведён обзор существующих подходов в области компьютерного зрения и машинного обучения, а также разработан алгоритм на основе сверточных-рекуррентных нейронных сетей (CNN+RNN). Сверточные слои (CNN) эффективно обрабатывают изображения и выделяют пространственные признаки, такие как яркость, форма и текстура искры. Рекуррентные слои (RNN) анализируют временную последовательность этих признаков, что позволяет учитывать динамику появления, распространения и затухания искры. Искры воспламенения характеризуются кратковременной вспышкой света, которую невозможно адекватно распознать только по отдельным кадрам. RNN учитывают последовательность изменений в кадрах, что позволяет эффективно выявлять такие события. Модель была обучена на обширной базе данных, охватывающей разные сценарии возгораний, что гарантирует её надёжную работу в реальных ситуациях. Сеть может быть успешно интегрирована в действующую инфраструктуру предприятия, включая системы видеомониторинга и пожарной сигнализации. Результаты тестирования подтвердили, что алгоритм стабильно функционирует даже при изменяющемся освещении, высокой влажности и других неблагоприятных условиях. В итоге создана высокоточная система на базе нейронной сети, способная с минимальной погрешностью выявлять возможные возгорания и предотвращать аварийные ситуации. Такой подход способствует повышению уровня безопасности на производственных площадках, снижению пожарных рисков и защите окружающей среды. Планируется дальнейшая оптимизация алгоритма и расширение базы обучающих данных, что улучшит универсальность и точность модели для применения на различных промышленных объектах. The use of neural networks in detecting sparks that create ignition in production is an important and promising area, especially in conditions where safety is a critical factor. Sparks resulting from friction, equipment malfunctions or other processes can cause fires or explosions, which pose a serious threat to human life, the integrity of equipment and the sustainability of production processes. To implement such a system, an overview of existing approaches in the field of computer vision and machine learning was conducted, and an algorithm based on convolutional recurrent neural networks (CNN+RNN) was developed. Convolutional Layers (CNN) efficiently process images and highlight spatial features such as brightness, shape and texture of a spark. Recurrent layers (RNN) analyze the temporal sequence of these features, which allows us to take into account the dynamics of the appearance, propagation and attenuation of a spark. Ignition sparks are characterized by a short-term flash of light, which cannot be adequately recognized only by individual frames. RNNs take into account the sequence of changes in frames, which makes it possible to effectively identify such events. The model was trained on an extensive database covering different fire scenarios, which guarantees its reliable operation in real situations. The network can be successfully integrated into the existing enterprise infrastructure, including video monitoring and fire alarm systems. The test results confirmed that the algorithm functions stably even under changing lighting, high humidity and other adverse conditions. As a result, a high-precision system based on a neural network has been created, capable of detecting possible fires with minimal error and preventing emergencies. This approach helps to increase the level of safety at production sites, reduce fire risks and protect the environment. It is planned to further optimize the algorithm and expand the training database, which will improve the versatility and accuracy of the model for use in various industrial facilities.

Cited by 0 works. doi:10.25699/sssb.2025.61.3.007 Open-access PDF

Authors

References