ПОВЫШЕНИЕ ЭНЕРГОЭФФЕКТИВНОСТИ СУДОВ НА ОСНОВЕ МОДЕЛИ ОПТИМИЗАЦИИ И ПОДХОДА, ОСНОВАННОГО НА АНАЛИЗЕ ДАННЫХ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 681.5

DOI: 10.24412/2071-6168-2023-12-475-476

ПОВЫШЕНИЕ ЭНЕРГОЭФФЕКТИВНОСТИ СУДОВ НА ОСНОВЕ МОДЕЛИ ОПТИМИЗАЦИИ И ПОДХОДА, ОСНОВАННОГО НА АНАЛИЗЕ ДАННЫХ

В.А. Кучеренко

Рассматривается подход к оценке и повышению энергоэффективности судна с использованием метода машинного обучения (МО). Предлагается методология, сочетающая модель оптимизации двигателя и подход на основе данных для мониторинга и прогнозирования производительности судна на маршруте. Основными данными является набор данных полученного отчета, охватывающий важную оперативную информацию, соответствующую главному двигателю. Затем разрабатывается модель двигателя, калибруется и проверяется в программном обеспечении для одномерного моделирования двигателя для расчета характеристик двигателя при различных скоростях и нагрузках. После выполнения процесса моделирования на основе разработанной модели двигателя выводятся эксплуатационные параметры, такие как объемный КПД, степень продувки, среднее эффективное тормозное давление и тормозная мощность, согласно полученному отчету судна. Наконец, разработана управляемая данными модель адаптивной нейро-нечеткой системы вывода (ANFIS) для оценки тормозной мощности как основного параметра, влияющего на расход топлива. Различные конфигурации ANFIS создаются и оцениваются по метрикам ошибок, чтобы определить наилучшую структуру модели. Предлагаемая стратегия обеспечивает эффективный подход к морским компаниям для мониторинга, контроля и улучшения состояния энергоэффективности судов на основе данных полученного отчета.

Ключевые слова: морской транспорт, энергоэффективность, модель оптимизации двигателя, адаптивная система нейро-нечеткого вывода (ANFIS), система поддержки принятия решений.

Судоходство несет большую ответственность за глобальные перевозки и считается наиболее энергоэффективной стратегией перевозки грузов среди всех способов транспортировки. Однако она оказывает значительное воздействие на окружающую среду, поскольку ее доля в глобальных антропогенных выбросах парниковых газов в 2018 году составила 2,89% по сравнению с 2012 годом. Кроме того, ожидается рост выбросов парниковых газов на 90-130% в период с 2018 по 2050 год (IMO, 2020). Соответственно, экологические проблемы станут более серьезными, и их будет трудно компенсировать, если не будут приняты необходимые меры политики.

Основными целями этих энергетических измерений являются мониторинг и сокращение выбросов, особенно углекислого газа (CO2). Тем не менее, ИМО ввела в действие различные нормативные акты в отношении некоторых загрязняющих веществ, таких как оксиды серы (SOx), оксиды азота (NOx) и твердые частицы (ТЧ) в рамках Международной конвенции по предотвращению загрязнения с судов (МАРПОЛ).

В последнее время интеллектуальные модели, основанные на данных, часто использовались для оценки эксплуатационных характеристик судов, поскольку они могут эффективно отслеживать параметры и позволяют легко заметить различия путем обнаружения отклонений между фактическими и расчетными. Алгоритмы машинного обучения (ML) подходят для моделирования многомерных сложных задач, основанных на обработке параметров с несколькими входами. Они эффективно определяют взаимосвязь между информацией, относящейся к эксплуатации судна, такой как расход мазута, погодные условия, состояние моря и нагрузка на двигатель.

Среди методов ОД для прогнозирования характеристик судна, в частности расхода топлива, широко используется искусственная нейронная сеть (ИИ). Она способна эффективно представлять фактические выходные параметры благодаря непрерывному обучению и выполняемым процедурам тестирования.

Среди стратегий адаптивная система нейро-нечеткого вывода (ANFIS), которая сочетает подходы ИИ и нечеткой логики, обеспечивает некоторые преимущества, такие как возможность определения нелинейной организации процесса, гибкость при внедрении и способность к быстрому обучению.

Исследования, связанные с разработкой моделирования двигателя, в основном сосредоточены на моделировании двигателя и определении его характеристик. Модели подтверждаются экспериментальными данными или знаниями, предоставленными производителем в руководстве. Что касается работ, связанных с приложениями ML для повышения энергоэффективности в морской литературе, то в них выходные параметры, такие как мощность двигателя и расход топлива, оцениваются путем корреляции их с некоторыми входными параметрами, такими как температура выхлопных газов на выходе, обороты двигателя и скорость судна. Однако разнообразие собираемых данных невелико, если на борту не установлена специальная усовершенствованная система мониторинга. Следовательно, разнообразие набора данных также ограничено. Кроме того, среди передовых интеллектуальных методов ANFIS редко применяется в морской сфере, хотя это эффективная стратегия моделирования систем.

Соответственно, разработана стратегия повышения энергоэффективности судов для проведения дальнейшего анализа с использованием модели оптимизации двигателя и устранения проблемы нехватки данных для подходов, основанных на данных. Предложена новая стратегия контроля и повышения эффективности эксплуатации контейнеровоза. В связи с этим в Ricardo Wave построена имитационная модель большого четырехтактного судового дизельного двигателя для расчета его производительности в различных условиях. Данные дневного отчета, охватывающие более одного года, собираются с контейнеровоза. Затем эти данные вводятся в имитационную модель двигателя для получения дополнительных значимых параметров, связанных с энергетической эффективностью судна, таких как объемный КПД, коэффициент продувки и среднее эффективное давление в тормозной системе. Эти параметры объединяются с данными, собранными с судна, такими как расход топлива и частота вращения двигателя, и используются для прогнозирования тормозной мощности, как основного параметра, влияющего на расход топлива судна, с помощью модели ANFIS.

Эта стратегия позволяет решить проблему нехватки анализируемых наборов данных в морской отрасли. Кроме того, сбор данных с судов требует инвестиционных затрат. Однако судоходные компании могут повысить энергоэффективность своих судов, следуя предложенной стратегии без каких-либо инвестиционных затрат. В связи с этим данная методология может помочь судоходным компаниям в практической деятельности в режиме реального

475

времени путем оценки уровня энергопотребления их судов экономически выгодным способом. В отличие от литературы, в данной статье представлена новая точка зрения на энергоэффективность судов путем гибридизации моделирования и интеллектуальных методов. Исследования в основном сосредоточены либо на разработке имитационной модели двигателя, либо на анализе данных, собранных с судна в режиме реального времени. В рамках предлагаемой методологии созданная модель двигателя комбинируется с эксплуатационными данными, полученными с судна. На основе введения фактической информации в имитационную модель создается более полный набор данных, что позволяет проводить более подробный процесс интерпретации операций судна.

Адаптивная система нейро-нечеткого вывода. Модель ANFIS использует как числовые, так и лингвистические знания. Этот метод также использует некоторые возможности ИИ, такие как классификация данных и распознавание образов. Кроме того, модель ANFIS понятнее для пользователя, чем модель ИИ, что приводит к меньшему количеству ошибок запоминания.

В этой работе используется система нечеткого логического вывода типа Sugeno, поскольку он основан на изучении данных. Функции принадлежности и нечеткие правила создаются путем включения существующих данных в созданную модель. В результате создания модели взаимосвязь между заданными входными и выходными параметрами определяется на основе созданных правил IF-THEN. Ниже приведены два нечетких правила "ЕСЛИ-ТО" для модели системы нечеткого логического вывода типа Sugeno, разработанной в рамках модели ANFIS[1].

IF х is A and у is С THEN fi = p1x + qxy + r1 (1)

IF x is В and у is D THEN f2 =p2x + q2y + r2 (2)

где At и Bt являются нечеткими множествами, fi представляет результаты и р;, qt и г£ параметры, определенные в процессе обучения. Иллюстрация модели ANFIS с двумя правилами показана на рис. 1.

Layer 1 Layer 2 Layer i Layer 4 LayerS

Рис. 1. Структура модели Адаптивная системы нейро-нечеткого вывода с двумя правилами

Структура ANFIS состоит из пяти уровней, как показано на рис. 1. Эти слои могут быть названы фаззи-фикация слой, правил слоя, нормализации слой, дефаззификации слоя и выходного слоя, соответственно.

На первом уровне выполняется фаззификация входных параметров. Указываются степени принадлежности входных параметров. Каждый узел на уровне представлен функцией узла, приведенной ниже:

Q1i=\Al{x),fori = 1,2 (3)

где x является вкладом ith узел. \л;подходящей является функция принадлежности, которая может быть гауссовой, треугольной, трапециевидной или функцией колокола. При анализе рассматривается треугольная стратегия, поскольку она является одной из наиболее часто используемых в литературе и ее выражение выглядит следующим образом:

!0,х < а

(4)

— ,Ь<х<с

с-Ъ

На втором уровне умножаются значения, поступающие с первого уровня.

Q? =Wl=ßAl(x) •ßBl(y),for i = 1,2 (5)

На третьем уровне значения силы воспламенения, рассчитанные на втором уровне, нормируются, чтобы отличать силы воспламенения каждого правила от общего числа правил. Нормирование мощности горения осуществляется следующим образом:

Qf =w^ = -^—,fori = 1,2 (6)

На четвертом уровне выполняется процедура дефаззификации, и вклад ith правило для общего результата рассчитывается на основе следующей формулы:

Qt =Wrfl=Wr(Plx + q1y + r1) (7)

На пятом уровне конечный результат системы нечеткого вывода определяется средневзвешенными значениями результатов, найденных на четвертом уровне в одном фиксированном узле, как показано ниже:

(8)

Тематическое исследование. Таблица 1В данной статье проведено тематическое исследование судового дизельного двигателя контейнеровоза. Корабль оснащен 4-тактным главным двигателем. Характеристики судна и главного двигателя представлены в, таблице 2 соответственно. Это судно имеет длину 118,18 м, ширину 19,50 м и осадку 7,24 м. Оно приводится в действие четырехтактным судовым дизельным двигателем, соединенным с одним гребным винтом через коробку передач. В отчете Noonreport были собраны данные с заявленного судна, такие как расход топлива и обороты двигателя, за более чем 1 год эксплуатации.

Для обеспечения более детальных вычислений для расчета производительности двигателя используется программа Ricardo Wave (программное обеспечение Ricardo Wave, 2016), которая предоставляет все сведения о теп-

лоносителях и механических параметрах деталей двигателя в рамках методологии. Двигатель, установленный на судне, является новым и соответствует уровню 2 1МО; поэтому для повышения эффективности двигателя требуется больший контроль. Таким образом, оптимизационная модель подключается к программному обеспечению для моделирования двигателя Ш в среде МайаЬ, чтобы найти ключевую конфигурацию двигателя в каждой рабочей точке диаграммы нагрузки двигателя. Во время моделирования в МайаЬ ^гтиИпк использовался оптимизатор с нелинейными ограничениями. Разработанная модель двигателя была откалибрована и подтверждена фактическими данными, полученными с судна. Оптимизационная модель обеспечивает снижение расхода топлива на основе модели эффективного сгорания, а также безопасность двигателя.

Таблица 1

Характеристики судна__

Характеристика Единица измерения Величина

Длина ватерлинии м 118.18

Ширина м 19.50

Осадка м 7.24

Водоизмещение тонн 11.166

Дедвейт тонн 7650

Блочный коэффициент - 0.694

Скорость узел 18.3

Таблица 2 Характеристики двигателя

Характеристика Единица измерения Величина

Ход поршня мм 440

Кол-во цилиндров - 18

Объем двигателя литр 640

Степень сжатия - 17.3:1

Удельный расход топлива г/кВт.ч 179

В построенную модель были введены данные дневных отчетов, показывающие эксплуатационное поведение двигателя и взаимосвязь многих важных параметров друг с другом. Таким образом, некоторые важные параметры, такие как объемный КПД, среднее эффективное давление в тормозах и мощность торможения, были выведены на основе характеристик данных дневного отчета.

В результате процесса отчеты были расширены за счет включения производных параметров в зависимости от работы двигателя. Этот набор данных анализируется с помощью метода ANFIS, основанного на данных, для оценки, контроля и повышения энергоэффективности работы двигателя. В этом приложении изначально были определены корреляции между параметрами и оценена мощность торможения. Различные модели ANFIS создаются с использованием различных номеров функций принадлежности для определения наилучшего процесса прогнозирования. Точность прогнозирования оценивалась с помощью коэффициента детерминации (R2), среднеквадратичной ошибки (RMSE) и метрик средней абсолютной ошибки (MAE).

Среди этих показателей, в то время как разница между прогнозируемыми и фактическими выходными параметрами рассчитывается RMSE и MAE, точность процесса прогнозирования определяется R2. Формулировки RMSE и MAE следующие:

RMSE = ^£Г=1(у;-уг)2 (9)

МАЕ =^=1\yi-yi | (10)

где у; это оценочное значение, у; фактическая стоимость и Мзбщее количество значений в данных.

Результаты. Для проведения тематического исследования в среде Matlab/Simulink была создана модель двигателя судна[2]; кроме того, был проведен сбор эксплуатационных данных. Процессы валидации и калибровки модели на основе реальной информации были проведены для получения реалистичных результатов после того, как она была эффективно структурирована. В связи с этим были рассчитаны процентные погрешности для различных параметров, и результаты, полученные при различных нагрузках двигателя, приведены в таблице 3.

Таблица 3

Процентные значения ошибок для некоторых параметров двигателя_

Нагрузка на двигатель Параметры двигателя

Скорость Мощность торможения двигателем Удельный расход топлива

50% 80.00 0.00 0.35

75% 91.00 0.00 2.00

85% 95.60 0.00 1.20

100% 100.00 0.00 3.60

Как показано в таблице 3, результаты моделирования двигателя хорошо согласуются с реальными данными. Успех разработанной модели также понимается как процентная погрешность для BSFC (Удельный расход топлива на разрыв) между моделью и фактической величиной 3,60 при 100% нагрузке, в то время как допуск BSFC введен производителем двигателя в размере 5%.

После создания модели главного двигателя полученные и измеренные параметры объединяются в набор данных. Для контроля и повышения эффективности работы двигателя он анализируется с помощью модели, основанной на данных. В связи с этим рассматриваются некоторые параметры, связанные с двигателем, такие как мощность торможения, обороты двигателя, расход топлива, коэффициент продувки, температура выхлопных газов и объемный КПД.

Кроме того, выполняется корреляционный анализ для наблюдения взаимосвязи между каждым параметром. Соответствующие результаты были проиллюстрированы на рис. 3.

вгдкй раигег fkwi - 1 09В 1 079 099 Л. 4 7 0 9S

ПРИ. 0 98 1 an Oil 0 90 -0 39 09!

Fuel Bite (tg/hj - 1 0 97 1 077 099 <1.47 097

Л1.ЕП - 0.71 011 а 77 1 Oil -0 099 0 63

ЕМЕР Имг] ■ 099 0 9В 0 99 oil 1 ■0 43 034

5cave™jirt9_Ratio - -047 -0 Si 4 099 -».43 а ■O.M

Exhaust temp 1 'Кi. 096 0 92 097 0« 094 ■0.54 в

Рис. 3. Значение корреляция между параметрами

Полученные результаты показывают, что все параметры, за исключением коэффициента поглощения, имеют высокую положительную корреляцию. Эти результаты имеют решающее значение для анализа, поскольку тормозная мощность, которая непосредственно указывает на эффективность работы двигателя, была оценена методом ANFIS на основе других методов на дальнейших этапах анализа [3-4] Следовательно, любое эксплуатационное различие, возникшее в этих сильно коррелирующих параметрах с мощностью торможения, может предоставить важную информацию для оценки энергоэффективности.

Для проведения анализа ANFIS набор данных был случайным образом разделен на 70% для обучения и 30% для тестирования соответственно. Одним из наиболее важных процессов для стратегии ANFIS является определение количества MF. Поэтому были разработаны четыре различные модели ANFIS, которые имеют 2, 3, 4 и 5 MF соответственно. Оценки, реализованные с помощью моделей ANFIS, приведены на рис. 4 в сравнительном виде.

anfis mode) with г mf

anfis model mitK 3 MF

S 1

i

T №00

3 40D3

I

m mn »о «t>

saoim« JjLd anfis model witha mf

1 4000

i

1« »0 №) 40 sanipli

fcHJ»l

fttiictctl

100 200 HO fflO

Sdfnpte date

anfis model with s mf

M

UW ПО »0 «0 БйПфМ data

Рис. 4. Результаты оценки моделей ANFIS

Сходство между оценочными и фактическими значениями проиллюстрировано на рисунке. 4. На каждом подрисуночном рисунке графика диапазон мощности торможения изменяется от 1181 кВт до 8909 кВт, и каждая серия содержит 477 образцов. На рисунке черной линией показаны фактические значения, синей - прогнозируемые значения тормозной мощности. Согласно рис. 4, видно, что мощность торможения влияет на прогноз каждой модели ANFIS. Однако следует отметить, что на подрисуночном рисунке для модели ANFIS с 5 МФ есть точка, обозначенная красным кружком, где четко прослеживается расстояние между прогнозируемым и реальным значением тормозной мощности. Тем не менее, модель нуждается в анализе с использованием некоторых методов оценки, чтобы определить ее успешность численно [5-7]. В связи с этим модели были проверены по таким показателям ошибок, как R2, RMSE и MAE. Соответствующие результаты представлены в таблице 5.

Результаты показывают, что все модели имеют высокие значения R2. Хотя результаты оценки, проведенной RMSE и MAE, считаются адекватными, некоторые различия могут повлиять на определение наилучшей модели, как показано в таблице 5. Например, в то время как наименьшее значение RMSE равно 4.30108 для модели с 2 MF,

минимальный показатель MAE равен 4.93565 для модели с 5 MF. С другой стороны, наилучшие результаты получены в модели с 5 МФ и модели с 3 МФ, согласно оценкам RMSE и MAE соответственно. На данный момент результаты MAE считаются более последовательными, поскольку точка недостаточного прогнозирования, показанная на рис. 4 с красным кружком, по-видимому, обнаружена при проверке MAE. Таким образом, модель ANFIS с 3 Функциями принадлежности определена как наиболее успешная модель для анализа с наименьшим показателем MAE.

Анализ мощности двигателя является одним из важнейших подходов к определению уровня энергоэффективности и его повышению. В рамках методологии собираются некоторые параметры, связанные с двигателем, но вариабельность выборки ограничена. Объединение эксплуатационных данных в реальном времени с имитационной моделью двигателя позволяет получить различные данные, которые трудно измерить на борту, такие как объемный КПД и коэффициент поглощения. Таким образом, тормозная мощность, выходной параметр тематического исследования, оценивалась с разных точек зрения. Кроме того, генерация выборочных данных на основе эксплуатационных данных повышает достоверность анализируемого набора данных. В результате судоходные компании могут определять эксплуатационные характеристики двигателей своих судов на основе предложенной стратегии. Согласно этому подходу, любое отклонение от нормы во входных параметрах влияет на выходной параметр; таким образом, морские операторы выявляют неэффективное управление. В этом смысле устранение аномалии может быть достигнуто путем принятия необходимых мер компаниями и морскими операторами. Таким образом, более эффективные операции выполняются путем контроля, оценки и анализа параметров на основе разработанного метода.

Таблица 5

Результаты оценки разработанных моделей ANFIS. _

Модель R2 RMSE MAE

Модель с 2 Функциями принадлежности 0.99999 4.30108 3.41876

Модель с 3 Функциями принадлежности 0.99998 1.46936 1.67998

Модель с 4 Функциями принадлежности 0.99998 1.25795 2.48175

Модель с 5 Функциями принадлежности 0.99991 1.15166 4.93565

Заключение. Энергоэффективность - одна из важных тем для морской отрасли, которой в последнее время исследователи занимаются по-разному. В этой статье предлагается инновационная стратегия оценки и улучшения состояния энергоэффективности судна. В рамках методологии разрабатывается моделирование двигателя, и с помощью подхода, основанного на данных, оценивается тормозная мощность, соответствующая различным условиям работы двигателя. Был сделан вывод о том, что:

1. Разработанная имитационная модель позволяет исследовать и контролировать важнейшие параметры двигателя и предоставляет полученные знания о его рабочем состоянии.

2. Полученные и фактические параметры объединяются и анализируются в рамках подхода, основанного на анализе данных. Оценивая и наблюдая за любыми различиями в рассматриваемых параметрах, можно контролировать и улучшать энергоэффективность судна.

Список литературы

1. Черных И.В. Моделирование электротехнических устройств в MATLAB. SimPowerSystems и Simulink. М.: ДМК Пресс, 2007. 288 с.

2. Коробко Г.И., Попов С.В. Моделирование элементов судовых электроэнергетических систем. Н. Новгород: Изд-во ФБОУ ВПО «ВГАВТ», 2011. 32 с.

3. Коробко Г.И., Попов С.В. Моделирование судовых синхронных генераторов и систем их возбуждения. Н. Новгород: Изд-во ФБОУ ВПО «ВГАВТ», 2012. 34 с.

4. Качество электрической энергии на судах/ В.В. Шейнихович [и др.]: Справочник. Л.: Судостроение,

1988.

5. Hansen J.F., Lindtj0rn J.O., Myklebust T.A., Vanska K. Onboard DC Grid. The newest design for marine power and propulsion systems // ABB review. 2012. No. 2. P. 28-33.

6. Вынгра А.В. Исследование активного фильтра тока судовых электроэнергетических систем с нечеткими алгоритмами / А. В. Вынгра, С. Г. Черный, П. А. Ерофеев // Труды Крыловского государственного научного центра. 2023. № S1. С. 124-130. DOI 10.24937/2542-2324-2023-1-S-I-124-130. EDN NRSBTX.

7. Черный С.Г. Обзор процессов формирования и повышения энергоэффективности на судах (нормативные и экономические аспекты) / С. Г. Черный, А. С. Соболев // Вестник Инженерной школы Дальневосточного федерального университета. 2023. № 3(56). С. 78-89. DOI 10.24866/2227-6858/2023-3/78-89. EDN FHHSFT.

Кучеренко Владислав Александрович, ассистент, [email protected]. Россия, Керчь, Керченский Государственный Морской Технологический Университет

IMPROVING THE ENERGY EFFICIENCY OF SHIPS BASED ON AN OPTIMIZATION MODEL AND A DATA ANALYSIS

APPROACH

V.A. Kucherenko

An approach to evaluating and improving the ship's energy efficiency using the machine learning (MO) method is considered. A methodology is proposed that combines an engine optimization model and a data-based approach for monitoring and predicting vessel performance on the route. The main data is the dataset of the received report, covering important

479

operational information relevant to the main engine. The engine model is then developed, calibrated and validated in one-dimensional engine simulation software to calculate engine performance at various speeds and loads. After performing the simulation process, based on the developed engine model, operational parameters such as volumetric efficiency, degree of purge, average effective braking pressure and braking power are output, according to the received vessel report. Finally, a data-driven adaptive neuro-fuzzy inference system (ANFIS) model has been developed to evaluate braking power as the main parameter affecting fuel consumption. Various ANFIS configurations are created and evaluated using error metrics to determine the best model structure. The proposed strategy provides an effective approach to marine companies to monitor, control and improve the state of energy efficiency of ships based on the data from the received report.

Key words: marine transport, energy efficiency, engine optimization model, adaptive neuro-fuzzy inference system (ANFIS), decision support system.

Kucherenko Vladislav Alexandrovich, assistant, [email protected], Russia, Kerch, Kerch State Marine Technological University

УДК 681.5

DOI: 10.24412/2071-6168-2023-12-480-481

РАЗРАБОТКА СИСТЕМЫ ОБНАРУЖЕНИЯ ДЕФЕКТОВ СОЛНЕЧНЫХ ПАНЕЛЕЙ НА ОСНОВЕ АЛГОРИТМА YOLO V5

А.С. Соболев

Дефекты солнечных панелей могут легко стать причиной электрических аварий. Алгоритм YOLO v5 усовершенствован, чтобы компенсировать низкую эффективность традиционных методов обнаружения дефектов. Во-первых, он усовершенствован на основе координатного внимания, чтобы получить механизм внимания LCA с большим диапазоном цели, который может увеличить диапазон обнаружения целевых признаков в дополнение к полному захвату информации о признаках; во-вторых, взвешенная двунаправленная пирамида признаков используется для балансировки информации о признаках с чрезмерными различиями пикселей путем присвоения различных весов, что более благоприятно для многомасштабного быстрого слияния признаков; наконец, обычная связанная голова серии YOLO заменена на развязанную голову, так что ветвление задачи может быть выполнено более точно и точность обнаружения может быть улучшена.

Ключевые слова: солнечные панели, обнаружение дефектов, YOLO v5, электробезопасность.

Чистая энергия, то есть энергия, которая может быть переработана в природе, такая как энергия приливов и отливов, энергия ветра, геотермальная энергия и солнечная энергия. По сравнению с традиционной невозобновляе-мой энергией, которая исчезает, они неисчерпаемы, а их регенерация происходит автоматически, без вмешательства человека, и не наносит чрезмерного ущерба окружающей среде. В качестве основного направления исследований и будущей тенденции в области возобновляемых источников энергии, исследование солнечной энергии имеет важное значение. В практическом применении солнечной энергии наиболее широкое распространение получило производство солнечных панелей. Качество и эффективность электроэнергии, вырабатываемой фотоэлектрической генерацией, тесно связаны с качеством панели. Из-за ограниченности материалов солнечных панелей и отклонения механической силы и тепловой силы в процессе обработки, будет много дефектов, что приведет к проблемам с потерями. Если эти дефектные панели будут введены в эксплуатацию, они могут снизить эффективность производства электроэнергии и срок службы изделия, или даже вызвать серьезные аварии, связанные с безопасностью. Во избежание подобных происшествий первоочередной задачей является проведение соответствующей проверки качества до того, как солнечные панели покинут завод [1-3].

Для обнаружения дефектов солнечных панелей основные традиционные методы делятся на искусственный физический метод и метод машинного зрения. Бьюнг-Кван Канг и другие использовали подходящую процедуру температурного контроля для корректировки соотношения между измеренными напряжением и током и оценивали фотоэлектрическую матрицу с помощью алгоритма фильтра Калмана с полиномиальной моделью с подавлением шума.

Освещение с контрастным усилением для обнаружения дефектов в виде трещин на солнечных батареях. Этот метод позволяет определить наличие дефекта по тому, что степень отражения света отличается между хорошей и дефектной платой батареи. Tsai D M и другие [3-5] предложили определять дефекты солнечных панелей по дифференциальным изображениям с использованием метода анизотропной диффузии на изображениях, используя особенности серой шкалы и градиенты для регулировки величины коэффициентов диффузии с помощью метода реконструкции изображений Фурье. Хотя вышеперечисленные методы могут определить наличие дефектов в солнечных панелях или идентифицировать отдельные категории дефектов, они не могут идентифицировать несколько категорий дефектов в солнечных панелях одновременно, и их точность обнаружения низкая, эффективность низкая.

С углублением интеллектуальных технологий алгоритм обнаружения глубокого обучения может более точно и легко определить, является ли солнечная панель дефектной и конкретную категорию дефекта, который в целом делится на двухэтапный алгоритм обнаружения и одноэтапный алгоритм обнаружения. Двухэтапный алгоритм классифицирует цель путем грубого извлечения блока предложений цели. Например, Mask R-CNN, Fast R-CNN, Faster R-CNN и другие алгоритмы, несмотря на низкий процент пропусков, имеют такие недостатки, как сложность вычислений и низкая скорость. Одноэтапный алгоритм не нуждается в этапе генерации региона-кандидата, и результат может быть получен непосредственно через одно обнаружение, что значительно повышает скорость обнаружения. Поэтому точность обнаружения таких алгоритмов, как SSD, серии YOLO (You Only Look Once) и Retina