CC BY
35
Rodionov Igor Alexandrovich, deputy chief engineer for production assets management, rodionov.IA@tl.mrsk-cp.ru, Russia, Tula, Tulenergo branch of IDGC of Center and Volga Region, PJSC,
Visich Sergey Gennadievich, leading engineer, Visich. SG@tl. mrsk-cp. ru, Russia, Tula, IDGC of Center and Volga Region PJSC,
Stepanov Vladimir Mikhailovich, doctor of technical sciences, professor, head of department, energy@tsu.tula.ru, Russia, Tula, Tula State University,
Panarin Mikhail Vladimirovich, candidate of technical sciences, director, pmv@ssoft24.com, Russia, Tula, ServiceSoft Engineering LLC,
Maslova Anna Aleksandrovna, doctor of technical sciences, docent, an-na_zuykova@rambler. ru, Russia, Tula, Tula State University
УДК 662.642:621.926.7
DOI: 10.24412/2071-6168-2021-10-596-603
ОБЕСПЕЧЕНИЕ БЕЗОПАСНЫХ УСЛОВИЙ ТРУДА РАБОТНИКОВ ЭНЕРГЕТИЧЕСКИХ ХОЗЯЙСТВ ПРЕДПРИЯТИЙ
А.В. Костюков
В современном мире технологий большое внимание уделяется вопросам охраны труда и техники безопасности при выполнении всех видов производственных работ. В статье проведён анализ электротравматизма в энергетических хозяйствах предприятий, даны выводы и рекомендации по снижению несчастных случаев на производстве. Предложена облачная система диагностики и мониторинга опасных и вредных производственных факторов, в рамках этой системы апробирована подсистемы компьютерного зрения при использовании искусственной нейронная сети Tiny-YOLO-v3.
Ключевые слова: опасные и вредные производственные факторы, электротравматизм, энергетическое хозяйство, система мониторинга и диагностики, средства индивидуальной защиты, нейронная сеть.
Для решения проблем по обеспечению безопасных условий эксплуатаций энергоустановок и электрооборудования на промышленных предприятиях используют новые инновационные подходы, внедряют современные технические средства, которые позволяют осуществлять контроль за производственными процессами, соблюдением требований охраны труда и техники безопасности, а также в режиме реального времени контролировать нахождение людей в опасных зонах.
С развитием современных компьютерных технологий стало возможно использовать и управлять большими базами данных, использовать технологии машинного обучения для решения глобальных задач, которые стоят перед предприятиями различных сфер деятельности. «Большие данные» дают возможность применять более сложные методы анализа информации для развития предприятий и регионов в целом. В работе рассматриваются вопросы по обеспечению безопасных условий обслуживания и эксплуатации электрооборудования энергетических хозяйств промышленных предприятий и использование машинного зрения для контроля и сопровождения работ, с учётом выполнения требований охраны труда и техники безопасности
[1-3].
В европейских странах вопросы обеспечение безопасных условий труда на предприятиях стоят на первом месте, ведутся научные изыскания с использованием инновационных технологий для снижения травматизма работников предприятий. Уровень травматизма в Европейских странах гораздо ниже, чем в России, работодатель отвечает за организацию безопасных условий труда, обеспечивает работника необходимыми средствами индивидуальной защиты и жёстко контролирует соблюдение требований охраны труда и техники безопасности при выполнении всех видов работ. На предприятиях существует система обеспечения безопасных условий труда работников энергетических хозяйств предприятий, которая охватывает следующие направления: электрооборудование и устройства энергоснабжения; технические средства защиты; индивидуальные средства защиты; организационно-технические мероприятия.
В табл. 1 представлены технические средства защиты и организационно-технические мероприятия, обеспечивающие безопасные условия труда работников энергетического хозяйства предприятия [4-6].
Таблица 1
Обеспечение безопасных условий труда работников энергетических хозяйств предприятий
Электрооборудование и устройства электроснабжения Техническое состояние устройств
Безопасная величина тока и напряжения
Состояние изоляции
Защитное отключение устройства
Датчики определения параметров устройств, сигнализаторы превышения параметров
Элементы устройств и конструкций электрооборудования повышающих надёжность и электробезопасность устройств
Защитный корпус, накладки и др.
Технические средства защиты Защитное зануление
Защитное заземление
Выравнивание потенциалов
Электрическое разделение сетей
Средства индивидуальной защиты Защитные костюмы электрика
Диэлектрические перчатки, коврики и специальная обувь
Термоустойчивая каска
Защитные очки
Организационно-технические мероприятия Обучение сотрудников
Организация выполнения работ, допуск к выполнению работ, надзор.
Своевременная диагностика состояния электрооборудования, устройств электроснабжения
Производство отключений
Установка заземлений
Технические средства проверки отсутствия напряжения
Ограждение мест проведения работ, защитные ограждения территорий, накладки, фиксаторы, сигнализаторы
Несчастный случай на предприятиях является чрезвычайной ситуацией, если несчастный случай произошёл по вине работодателя, то на него накладываются внушительные штрафные санкции.
На все средства индивидуальной защиты распространяется требования регламента (EU) 2016/425, «средства индивидуальной защиты должны быть в свободной продаже и соответствовать всем правилам безопасности, производства и эксплуатации, используются и ремонтируются должным образом, а также не представляют угрозы для жизни и здоровья людей, домашних животных и собственности» [7]. В странах Европы работодатели оценивают возможные риски на предприятии и с учётом этого определяют, какие средства индивидуальной защиты необходимо использовать. Часто на современных предприятиях используют Vending Box -аппаратные комплексы для выдачи средств индивидуальных средств защиты по табельному номеру рабочего. Представитель предприятия осуществляет контроль за состоянием СИЗ, своевременной замене и их обслуживанию. Работодатель также контролирует выполнение работниками требований охраны туда и техники безопасности, на производственные участки не допускаются рабочие без средств индивидуальной защиты.
Энергетические хозяйства предприятий представляют собой разветвлённую производственную структуру, состоящую из отдела главного энергетика, цехов по ремонту и обслуживанию электрооборудования, тепловых сетей, а также объектов электроснабже-
ния - электрических подстанций и распределительных устройств. Работникам энергетических хозяйств предприятий приходится обслуживать и ремонтировать разноплановое электрооборудование, которое отличается уровнем напряжения, величиной тока и частотой питающего напряжения [4, 5].
Всё электротехническое оборудование предприятия является источником опасных и вредных производственных факторов. От работников энергетических хозяйств предприятий требуется определённая квалификация, навыки и умения в профессиональной деятельности, а также знания требований правил устройств электроустановок (ПУЭ), технической эксплуатации производственного электрооборудования (ПТЭЭП), правил по охране труда при работе с электрооборудованием и других нормативных документов [6].
Работники энергетических хозяйств наиболее подвержены воздействиями электрического тока, напряжения и электромагнитного излучения и чаще чем другие работники предприятия попадают под напряжение и несчастные случаи со смертельным исходом происходят чаще, чем у других работников предприятия.
На рис. 2 представлены данные по распределению электротравматизма в энергетических хозяйствах предприятий [7,8].
Электротехнологичесикие работы Электротехнол. оборуд. Работы не связанные с электричеством Осмотр и рем. устройств эл.снаб. Профилактичекие мероприятия Переключения систем эл.снаб. Монтаж, демонтаж эл.оборудования Проведение профилактических работ
10
15
20
25
30
%
0
5
Рис. 2. Распределение несчастных случаев по видам работ в энергетических хозяйствах предприятий
При рассмотрении несчастных случаев на производстве было установлено, что наиболее часто несчастные случаи возникают при выполнении работ по обслуживанию высоковольтных ячеек и выключателей, силовых трансформаторов, а также выполнение работ, не связанных с обслуживанием и ремонтом электрооборудования (маркировка шин, покраска опор, спил деревьев и др.).
Причина несчастных случаев заключается не только в плохой организации работ, но и в нарушении трудовой дисциплины - работники энергетических хозяйств выполняют обслуживание и ремонт устройств электроснабжения без индивидуальных средств защиты, а также без наряда и допуска в зонах повышенной опасности.
Для снижения травматизма на производстве необходимо разработать организационно-технические мероприятия, которые бы охватывали все сферы деятельности предприятия и осуществляли бы допуск работников к выполнению работ и производственный контроль, а также мониторинг опасных и вредных производственных факторов. Всё это можно реализовать только при комплексном подходе, который включает в себя:
- управление и организация работ в области охраны труда;
- контроль выполнения работ;
- допуск работников в особо опасные производственные зоны;
- мониторинг опасных и вредных производственных факторов;
- комплексную систему диагностики и прогнозирования состояния электрооборудования и устройств электроснабжения.
Рассмотрим вопросы контроля над технологией выполнения работ и допуска сотрудников на территорию электрических подстанций и распределительных устройств, при условии выполнения ими требований охраны труда и ПУЭ.
Мониторинг и контроль на предприятиях с использованием машинного зрения, на сегодняшний день, является современным инструментом, который позволяет осуществлять контроль за работниками и производственными процессами в автоматическом режиме и в случаи
несоответствия требованиям охраны труда и техники безопасности подавать сигнал тревоги оператору или блокировать помещения (участки заграждений) при несанкционированном доступе и выполнении работ без наряда.
В мировые практики всё чаще используются дистанционные средства контроля над территориями опасных производственных объектов и объектами электроэнергетики, а также за выполнением регламента определённых видов работ и соблюдением правил охраны труда работниками предприятия.
В России использование машинного зрения предлагают компании «Малленом Си-стемс», Cognex, «EYECONT», «ААМ СИСТЕМЗ», «HID Global» - интеллектуальные системы обнаружения и идентификации объектов «на ходу» при наличии средств индивидуальной защиты, а также осуществление бесконтактного доступа по камерам слежения. Во многом предложенные на рынке аппаратные и программные средства требуют доработок. Система контроля по использованию индивидуальных средств защиты необходимо обучить, настроить под индивидуальные условия каждого предприятия, при эксплуатации данных систем возникают ошибки при распознавании сравнительно небольших объектов.
Пилотные проекты применения машинного зрения по распознаванию объектов были апробированы АО «Концерн Росэнергоатом» на Кольской атомной станции в качестве системы мониторинга и контроля по использованию средств индивидуальной защиты, а также на ПАО «Челябинский металлургический комбинат» для автоматизации процесса контроля брака стали и ПАО «Газпром нефть» для автоматического распознавания геологической породы [9]. На данный момент все проекты по внедрению на предприятиях машинного зрения прошли успешную проверку и показали свою значимость в развитии систем контроля и мониторинга производственных процессов.
В настоящее время большое распространение получают интеллектуальные онлайновые системы облачного мониторинга, которые позволяют осуществлять контроль над производственными процессами и объектами [10-13].
На платформе Sematext была разработана комплексная система допуска и мониторинга опасных и вредных производственных факторов (КСДМ). В системе КСДМ реализуется «решение полного цикла», состоящей из машинного зрения, датчиков, облачного сервера (модуля сбора, обработки, анализа данных и вычислителя (нейронной сети)), блока управления и принятия решений (рис. 3).
Комплексная система мониторинга подразумевает использование интеллектуальных облачных технологий для сбора, хранения, обработки и анализа информации для оперативного принятия решений. Передача данных от датчиков, измерительных устройств, видеокамер может осуществляться через Internet или VPN, а также сеть GSM для цифровых датчиков.
ВИДЕО КАМЕРЫ
ФОТО фиксаторы
ДАТЧИКИ
В А
К
ч 3
сЗ
м
и U
Данные мониторинга
состояния электрооборудования
МОШГГОР1ШГ
ДОПУСК
БАЗА ЗНАНИЙ
МОДУЛЬ СБОРА ДАННЫХ
АГРЕГАТОР СОБЫТИЙ
ХРАНИЛИ ЩЕ ДАННЫХ
ВЫЧИСЛИТЕЛЬ
АНАЛИЗ ДАННЫХ
ВЫРАБОТКА РЕШЕНИЯ
ОБЛАЧНЫ!! СЕРВЕР
ОПОВЕЩЕНИЕ
ОПЕРАТОР (ЭКСПЕРТ)
ПРИНЯТИЕ РЕШЕНИЯ
КОРРЕКТИРОВКА
ДЕЙСТВИЯ
I________
БЛОК УПРАВЛЕНИЯ
УПРАВЛЕНЧЕСКОЕ РЕШЕНИЕ
Рис. 3. Структурная схема интеллектуальной онлайновой системы облачного
мониторинга
При использовании машинного зрения можно выявлять нарушение требований нормативных документов, анализировать различные параметры производственной среды и оборудования в рамках одной общей системы. Обработка результатов визуального и диагностического мониторинга, а также обмен данными осуществляется в облачном сервере, который не требует дорогостоящего оборудования, является удобной и гибкой системой, позволяющая дистанционно осуществлять доступ к данным из любой точки. Интеллектуальная система принятия решений при анализе и обработки данных на выходе формирует готовое решение в виде рекомендаций, позволяет принять аргументированные управленческие решения для снижения электротравматизма на предприятии [13].
КСДМ с использованием машинного зрения позволяет распознавать наличие средств индивидуальной защиты у работников предприятия, для детектирования средств индивидуальной защиты используется видеоаналитический подход, исследование алгоритмов видеопотоков осуществляется в реальном времени [14].
На рис. 4 представлены примеры использования видеоконтроля в энергетических хозяйствах предприятий.
В предложенной онлайновой системе облачного мониторинга подсистема компьютерного зрения распознает наличие трех средств индивидуальной защиты: каска, защитный костюм и диэлектрические перчатки. Предусмотрена индикация и формирование сообщений о работниках, не имеющих средств индивидуальной защиты при пересечении ими условных линий энергетических хозяйств предприятия (электроцех, подстанция, объекты с защитным ограждением), в котором такое наличие является обязательным, а также блокирование замков и отказ в допуске на территорию, где расположено электрооборудование.
В упрощенном виде обработка видеопотоков от видеокамер выполняется следующим образом: видеокамеры формируют входной видеопоток, который захватывается и сохраняется в реальном времени в видеобуферах. В качестве видеокамер можно использовать камеры Lucid Triton, VAM-237-USB-UVC или систему аппаратно-программных устройств NM Stick.
Полученные видео изображения проходят предварительную обработку средствами библиотеки компьютерного зрения OpenCV и поступает на вход предобученной искусственной нейронной сети. Нейронная сеть выполняет распознавание требуемых объектов (изображений) в зависимости от маркировки и вероятности распознавания. Трекинг объектов осуществляется в реальном времени.
Для реализации подсистемы компьютерного зрения была использована предобученная искусственная нейронная сети типа Tiny-YOLO-v3 [15].
Особенность нейронной сети YOLO-v3 состоит в том, что она позволяет сравнительно быстро определять объекты разного размера.
Архитектура использованной сети представлена в табл. 2. Эксперименты выполнялись на компьютере с ОС Ubuntu 20.04, процессор Intel Core I7-9700, 16 Гб RAM, видеокартой Nvidia Geforce 1650 6Gb RAM.
Для решения задач распознавания и классификации объектов и повышения точности обучения необходимо выполнить разметку исходных данных. Предварительно было выполнена видеосъёмка работников с индивидуальными средствами защиты, затем изображение разложено по кадрам и выполнена ручная разметка изображений для выделения областей средств ин-
дивидуальной защиты (каски, защитные костюмы и перчатки). Следующим этапом была выполнена аугментация изображений (увеличение выборки данных из исходных изображений) для уверенного обучения нейронной сети и точности распознавания [15].
Таблица2
Архитектура использованной ИНС Тту-УОЬО-гЗ
layer Filters size input output
0 cotiv 16 3x3/1 416x416x3 416 x 416 x 16
1 max 2x2/2 416 x 416 x 16 208 x208 x 16
2 conv 32 3x3/1 208 x 208 X 16 208 x208 x32
3 max 2x2/2 208 X 208 X 32 104 X 104x32
4 conv 64 3x3/1 104 x 104 x 32 104 x 104x64
5 max 2x2/2 104 X 104 X 64 52 X 52 X 64
6 COllV 128 3x3/1 52 X 52 X 64 52 x 52x 128
7 max 2x2/2 52 X 52 X 128 26x26x 128
8 conv 256 3x3/1 26 X 26 X 128 26x26x256
9 max 2x2/2 26 x 26 x 256 13 x 13 x 256
10 conv 512 3x3/1 13 X 13x256 13x13x512
L1 max 2x2/1 13 X 13 X 512 13x13x512
12 conv 1024 3x3/1 13 x 13 x 512 13 x 13 x 1024
13 conv 256 1 x 1/1 13 X 13 X 1024 13 x 13 x 256
14 conv 512 3x3/1 13 X 13x256 13x13x512
15 conv 24 1 x 1/1 13 X 13 X 512 13 X 13 X24
16 yolo
17 route 13
18 conv 128 1 x 1/1 13 X 13x256 13 X 13 X 128
19 upsampie 2x13x13x128 26x26x 128
20 route 19 8
21 conv 256 3x3/1 26 X 26 X 384 26x26x256
22 conv 24 lxl/1 26 X 26 X 256 26 x26 x24
23 yolo
На рис. 5 показан пример распознавания индивидуальных средств защиты с использованием этой ИНС.
Для определения точности распознавания объектов использовалась стандартная методика, основанная на оценки среднего значения mean Average Precision (mAP) для каждого класса из обучающей выборки.
На рис 5 вынесены примеры результатов распознавания. Результаты распознавания средств индивидуальной защиты получены для защитных костюмов - точность лежит в интервале 0,84^0,93, для касок 0,8^0,92 и точность распознавания перчаток 0,27^0,31. Из полученных данных очевидно, что наиболее точные результаты получены для защитных костюмов и касок.
Для получения более точных результатов распознавания средств индивидуальной защиты требуется дополнительные эксперименты и набор необходимых данных для машинного обучения, а также скоростные современные видеокамеры с высокой детализацией.
Рис. 5 Пример распознавания индивидуальных средств защиты
Выводы. Снижение травматизма на предприятиях невозможно решить без комплексного подхода, вся производственная деятельность взаимосвязана, интеллектуальные облачные системы позволяют связать всю разноплановую информацию от разных источников, проанализировать и дать правильное решение или рекомендации по организации и принятию управленческих решений в области охраны труда.
Развитие и использование на предприятиях машинного зрения с искусственным интеллектом позволяет создавать новые подходы и условия к организации и обеспечению безопасных условий выполнения работ, а также предотвращать несанкционированные проникновения на территории подстанций, распределительных устройств, к устройствам энергоснабжения лиц без допуска и наряда.
В работе была предложена и апробирована интеллектуальная система облачного мониторинга. Отличительной особенностью данной системы заключается в непрерывном контроле наличия у персонала средств индивидуальной защиты с помощью подсистемы компьютерного зрения. Подсистема компьютерного зрения была реализована с использованием предобу-ченной искусственной нейронной сети YOLO, преимущество которой состоит в скорости и точности распознавания изображений.
Предложенная система облачного мониторинга может быть использована в энергетических хозяйствах предприятий.
Список литературы
1. Видеоконтроль качества стали. [Электронный ресурс] URL: https://ai-russia.ru/library/steel-video-control (дата обращения: 29.09.2021).
2. Костюков А.В., Чернов А.В., Чукарин А.Н. Система мониторинга опасных и вредных производственных факторов в энергетических хозяйствах предприятий машиностроения // Вестник РГАТУ им. П.А. Соловьёва. 2021. №2 (57). С.10-13.
3. Костюков А.В. Электробезопасность в энергетических хозяйствах предприятий // Известия Тульского государственного университета. Технические науки. 2021. Вып. 8. С. 222231.
4. Костюков А.В. Обеспечение безопасных условий эксплуатации силовых трансформаторов // Известия Тульского государственного университета. Технические науки. 2021. Вып. 6. С. 346-354.
5. Костюков А.В., Чукарин А.Н., Яицков И.А. Вопросы электробезопасности на предприятиях машиностроения // Известия Тульского государственного университета. Технические науки. 2021. Вып. 2. С.581-588.
6. ГОСТ 12.4.011-89 Система стандартов безопасности труда. Средства защиты работающих. Общие требования и классификация [Электронный ресурс] URL: https://www.centrattek.ru/media/documents/ГОСТ 12.4.011-89. ÇŒ^pdf (дата обращения: 10.10.2021).
7. Костюков А.В. Прогнозирование параметров опасных и вредных факторов при эксплуатации электрооборудования промышленных предприятий // Труды ростовского государственного университета путей сообщения. Научно-технический журнал. №3(52). 2020. С.23-25.
8. Анализ несчастных случаев на энергоустановках, подконтрольных органам Ростех-надзора. [Электронный ресурс] URL: http://szap.gosnadzor.ru/activity/nesc sluch/ (дата обращения: 10.10.2021).
9. «На Кольской АЭС введена в эксплуатацию система «машинного зрения». [Электронный ресурс] URL: https://www.rosatom.ru/journalist/news/na-kolskoy-aes-vvedena-v-ekspluatatsiyu-sistema-mashinnogo-zreniya/ (дата обращения: 04.10.2021).
10. Jing Y., Timoshkin I.V., Wilson M.P., Given M.J., Macgregor S.J., Wang T., Lehr J. Dielectric properties of natural ester, synthetic ester midel 7131 and mineral oil diala d // IEEE Transactions on Dielectrics and Electrical Insulation. 2014. Т. 21. № 2. С. 644-652.
11. Коськин А.В., Митин А.А. Об использовании виртуализации и облачных вычислений в интеллектуальных системах обработки больших массивов данных // Информационные системы и технологии. 2020. № 2 (118). С. 47-51.
12.Голубев И.А. Развертывание распределенной системы интеллектуального анализа данных в облачной среде // Известия СПбГЭТУ ЛЭТИ. 2011. № 9. С. 36-43.
13. Chernov A., Butakova M., Kostyukov A. Intelligent Decision Support for Power Grids Using Deep Learning on Small Datasets // 2020 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). 2020. P. 958-962.
14. Шишкин Ю.Е. Актуализация данных в системах мониторинга сложных объектов с использованием информационных метрик // Проблемы современной науки и образования. 2017. № 6 (88). С. 22-27.
15. Исследование свёрточных нейронных сетей класса yolo для мобильных систем детектирования объектов на изображениях / Береснев А.П., Зоев И.В., Марков Н.Г. // Труды Международной конференции по компьютерной графики и зрению "Графикон". 2018. № 28. С. 196-199.
Костюков Александр Владимирович, канд. техн. наук, доцент, kav@rgups.ru, Россия, Ростов-на-Дону, Ростовский государственный университет путей сообщения
ELECTRICAL SAFETY IN THE ENERGY FACILITIES OF ENTERPRISES
A.V. Kostyukov
In the modern world of technology, much attention is paid to occupational health and safety issues when performing all types of production work. The article analyzes electrotraumatism in the energy farms of enterprises, provides conclusions and recommendations for reducing accidents at work. A cloud-based system for diagnostics and monitoring of hazardous and harmful production factors is proposed, and computer vision subsystems using the Tiny-YOLO-v3 artificial neural network are tested within this system.
Key words: dangerous and harmful production factors, electrical injuries, energy management, monitoring and diagnostic system, personal protective equipment, neural network.
Kostyukov Alexander Vladimirovich, candidate of technical sciences, docent, kav@rgups.ru, Russia, Rostov-on-don, Rostov State Transport University
УДК 681.515
DOI: 10.24412/2071-6168-2021-10-603-608
МОЩНОСТЬ ВИБРОМАШИНЫ ПРИ ВЫНУЖДЕННЫХ КОЛЕБАНИЯХ СИЛОВОГО
ВОЗБУДИТЕЛЯ
Н.С. Сластихин
В статье рассматривается влияние параметров колебательной системы на мощность вибрационной машины с силовым возбуждением колебаний. Приводится расчетная схема и математическое описание движения машины. Получены выражения мгновенной, активной и реактивной мощности. С использованием относительных величин и обобщенных параметров системы определены выражения амплитудно-частотных характеристик, коэффициентов усиления по мощности в частотной области. Приведены зависимости коэффициентов усиления по активной и реактивной мощности для различных коэффициентов демпфирования вибрационной машины и технологической нагрузки.
Ключевые слова: вибрационная машина, резонанс, мгновенная мощность, амплитудно-частотная характеристика, вынужденные колебания, коэффициент усиления мощности.
В современной промышленности широко применяются системы вибрационного привода с использованием вибрационных машин, исполнительным органам которых сообщаются колебания для осуществления технологических процессов. В качестве возбудителя колебаний используется электрический привод, что позволяет реализовать различные режимы работы вибромашины [1]. Рассмотрим особенности влияния параметров колебательной системы на мощность вибрационной машины.
