مقدمه
سامانههای اعلان حریق و تشخیص گاز (F&G) سالهاست که بهعنوان خط اول دفاع ایمنی در صنایع پرریسک به کار گرفته میشوند. این سامانهها از مهمترین زیرساختهای ایمنی در صنایع پرریسک مانند نفت و گاز، پتروشیمی، نیروگاهها و تأسیسات زیرساختی هستند.
آشکارسازهای گاز، دود، شعله و حرارت در نقاط مختلف نصب شده و در صورت عبور از یک آستانهی از پیش تعیینشده، آلارم فعال میشود یا فرمانهای ایمنی صادر میگردد. این منطق ساده و قابل ممیزی، مزیتهایی مانند شفافیت و قابلیت اطمینان دارد، اما در عمل با محدودیتهایی جدی روبهرو است:
از یکسو شرایط محیطی (رطوبت، بخار، گردوغبار، تغییرات دما و جریان هوا) میتوانند باعث آلارمهای کاذب شوند و از سوی دیگر، برخی حوادث واقعی در مراحل اولیه، الگوی مشخصی ندارند و دیر تشخیص داده میشوند. نتیجهی این وضعیت، کاهش اعتماد بهرهبرداران به سامانهی هشدار و افزایش توقفهای ناخواسته فرآیند است.
در سالهای اخیر، گسترش حسگرهای هوشمند، دوربینهای حرارتی، شبکههای صنعتی و زیرساختهای دادهمحور باعث شده حجم عظیمی از دادههای ایمنی بهصورت پیوسته تولید شود. این دادهها اگر صرفاً در قالب آستانههای ثابت تحلیل شوند، بخش بزرگی از ارزش بالقوهی خود را از دست میدهند. اینجاست که هوش مصنوعی میتواند بهعنوان «مغز تحلیلی» سامانههای F&G عمل کند و الگوهای پنهان، همبستگیهای چندمتغیره و نشانههای اولیهی خطر را آشکار سازد.
گذار از F&G سنتی به F&G هوشمند
در معماری سنتی، هر آشکارساز بهطور مستقل عمل میکند و تصمیمها عمدتاً بر اساس عبور از یک حد آستانه اتخاذ میشوند. در مقابل، معماری F&G مبتنی بر AI چندلایه است: دادهها از منابع مختلف گردآوری میشوند، در لایهی لبه [i]پیشپردازش شده و سپس توسط مدلهای یادگیری ماشین تحلیل میگردند.
معماری F&G مبتنی بر AI چندلایه است: دادهها از منابع مختلف گردآوری میشوند، در لایهی لبه [i]پیشپردازش شده و سپس توسط مدلهای یادگیری ماشین تحلیل میگردند.
در این ساختار، سامانه بهجای واکنش صرف به یک مقدار عددی، «زمینهی رخداد» را درک میکند.
بهعنوان مثال، افزایش جزئی دما در کنار تغییر الگوی انتشار متان و یک نشانهی ضعیف در تصویر دوربین مادونقرمز، در معماری سنتی ممکن است بیاهمیت تلقی شود؛ اما در معماری هوشمند، این ترکیب میتواند بهعنوان نشانهی اولیهی یک نشتی واقعی شناسایی و پیش از تشدید حادثه، هشدار داده شود.
نمونهای از معماری F&G هوشمند شامل لایهی حسگرها، پردازش لبهای[ii]، اتصال به SCADA/DCS و لایهی تحلیل مرکزی مبتنی بر یادگیری ماشین در شکل 1 نمایش داده شده است.
کاهش آلارمهای کاذب با یادگیری ماشین
آلارمهای کاذب یکی از مهمترین چالشهای عملیاتی سامانههای F&G هستند. فعالشدنهای مکرر و غیرضروری باعث خستگی اپراتورها، بیتوجهی تدریجی به هشدارها و حتی توقفهای پرهزینهی تولید میشود. مدلهای یادگیری ماشین با تحلیل دادههای تاریخی میتوانند الگوهای طبیعی تغییرات محیطی را از نشانههای واقعی خطر تفکیک کنند.
برای نمونه، الگوریتم میآموزد که افزایش موقتی رطوبت یا بخار در یک واحد فرآیندی، الگوی متفاوتی نسبت به نشت واقعی گاز دارد. در نتیجه، سامانه میتواند احتمال وقوع خطر را بهصورت احتمالی ارزیابی کرده و تنها در صورت عبور از یک سطح اطمینان مشخص، آلارم را فعال کند. این رویکرد بدون کاهش سطح ایمنی، تعداد آلارمهای کاذب را بهطور معناداری کاهش میدهد.
تشخیص زودهنگام حریق و نشت گاز
یکی از مزیتهای کلیدی هوش مصنوعی، توانایی تشخیص الگوهای ضعیف و اولیهی وقوع حادثه است. بسیاری از نشتیها یا حریقها پیش از بروز یک رخداد بزرگ، نشانههای ظریفی از خود نشان میدهند: تغییرات تدریجی در ترکیب گازها، نوسانات کوچک دما یا تغییرات غیرعادی در فشار. مدلهای یادگیری ماشین با تحلیل این نشانهها در بازههای زمانی طولانی میتوانند هشدارهای پیشدستانه ارائه دهند.
مدلهای یادگیری ماشین با تحلیل این نشانهها در بازههای زمانی طولانی میتوانند هشدارهای پیشدستانه ارائه دهند.
این قابلیت بهویژه در محیطهای گسترده مانند پالایشگاهها و خطوط انتقال اهمیت دارد؛ جایی که تشخیص دستی یا مبتنی بر آستانههای ثابت، اغلب دیرهنگام انجام میشود.
همبستگی دادههای چندحسگره[iii]
در سامانههای مدرن F&G، دادهها از منابع متنوعی جمعآوری میشوند: آشکارسازهای گاز، حسگرهای دود و شعله، دوربینهای حرارتی، دادههای فرآیندی از DCS و حتی اطلاعات شرایط محیطی. هوش مصنوعی با ترکیب این دادهها میتواند تصویری جامع از وضعیت ایمنی ارائه دهد.
بهعنوان مثال، افزایش متان بهتنهایی ممکن است ناشی از یک رویداد گذرا باشد؛ اما وقتی این افزایش با تغییر الگوی حرارتی و یک نشانهی تصویری از ستون گاز همراه میشود، احتمال رخداد واقعی بهطور چشمگیری بالا میرود. همبستگی چندحسگره، پایهای برای تصمیمگیری هوشمند و کاهش خطای تشخیص فراهم میکند.
نمونهای از ترکیب دادههای آشکارساز گاز، حسگر حرارتی و دوربین مادونقرمز برای افزایش دقت تشخیص رخداد در شکل 2 به نمایش در آمده است.
پردازش تصویر در دوربینهای حرارتی و OGI
دوربینهای مادونقرمز و OGI [iv] امکان مشاهدهی ستونهای نامرئی گاز را فراهم کردهاند، اما تحلیل دستی تصاویر در محیطهای وسیع عملی نیست. الگوریتمهای بینایی ماشین میتوانند ستون گاز را بهصورت خودکار تشخیص دهند، حرکت و گسترش آن را دنبال کنند و تفاوت بین بخار آب، دود و نشت واقعی گاز را تشخیص دهند.
الگوریتمهای بینایی ماشین میتوانند ستون گاز را بهصورت خودکار تشخیص دهند، حرکت و گسترش آن را دنبال کنند و تفاوت بین بخار آب، دود و نشت واقعی گاز را تشخیص دهند.
این رویکرد، بهویژه در پایش محیطهای بزرگ صنعتی، سکوهای دریایی و محوطههای باز بسیار مؤثر است و زمان کشف نشت را از چندین دقیقه یا ساعت به چند ثانیه کاهش میدهد.
در شکل 3 نمونهی تشخیص خودکار ستون گاز توسط الگوریتم بینایی ماشین روی تصویر دوربین OGI نمایش داده شده است.
نگهداری پیشبین تجهیزات F&G
آشکارسازها و تجهیزات F&G نیز مانند هر تجهیز صنعتی دیگری دچار فرسودگی، رانش کالیبراسیون و خرابی تدریجی میشوند. هوش مصنوعی با تحلیل روند دادههای عملکردی میتواند زمان مناسب کالیبراسیون یا احتمال خرابی قریبالوقوع یک حسگر را پیشبینی کند.
هوش مصنوعی با تحلیل روند دادههای عملکردی میتواند زمان مناسب کالیبراسیون یا احتمال خرابی قریبالوقوع یک حسگر را پیشبینی کند.
این رویکرد از یکسو ریسک از کار افتادن ناگهانی سامانهی ایمنی را کاهش میدهد و از سوی دیگر، هزینههای نگهداری را با حرکت از تعمیرات زمانبندیشده به نگهداری مبتنی بر وضعیت[v] کاهش میدهد.
در شکل 4 روند تشخیص خطا در سامانهی F&G و نگهداری پیشبین مبتنی بر هوش مصنوعی تشریح شده است.
بهینهسازی پاسخ اضطراری
در صورت وقوع حادثه، تصمیمگیری سریع و درست حیاتی است. مدلهای هوش مصنوعی میتوانند با شبیهسازی سناریوهای محتمل گسترش حریق یا نشت، مناطق پرخطر را اولویتبندی کرده و توالی بهینه فعالسازی سامانههای اطفا و ایزولاسیون را پیشنهاد دهند.
مدلهای هوش مصنوعی میتوانند با شبیهسازی سناریوهای محتمل گسترش حریق یا نشت، مناطق پرخطر را اولویتبندی کرده و توالی بهینه فعالسازی سامانههای اطفا و ایزولاسیون را پیشنهاد دهند.
همچنین میتوان مسیرهای امن تخلیه را بر اساس شرایط لحظهای محیط بهروزرسانی کرد. این قابلیتها، سامانهی F&G را از یک هشداردهندهی صرف به یک «تصمیمیار ایمنی» ارتقا میدهد.
معماری مرجع F&G مبتنی بر هوش مصنوعی
یک معماری عملیاتی میتواند شامل این لایهها باشد:
- لایهی حسگرها: آشکارسازهای گاز، دود، شعله و دوربینها؛
- لایهی: Edge AI پیشپردازش و تحلیل سریع محلی؛
- لایهی ارتباطی: اتصال به IIoT، SCADA و DCS؛
- لایهی تحلیلی مرکزی: مدلهای یادگیری ماشین و داشبوردهای مدیریتی؛
- لایهی تصمیمگیری: صدور هشدار، فرمان به سامانههای اطفا و مدیریت بحران.
چالشها و ملاحظات فنی
پیادهسازی AI در F&G نیازمند توجه به کیفیت دادههای آموزشی، ایمنی عملکردی و قابلیت ممیزی تصمیمات الگوریتمها است. علاوه بر این، امنیت سایبری در سامانههای متصل و شفافیت تصمیمگیری [vi]برای جلب اعتماد اپراتورها اهمیت ویژهای دارد. هرگونه ادغام AI در سامانههای ایمنی باید با الزامات استانداردهای ایمنی عملکردی همراستا باشد.
آیندهی F&G در چارچوب صنعت هوشمند
ترکیب هوش مصنوعی با دوقلوی دیجیتال، شبکههای حسگری توزیعشده و پردازش لبهای، مسیر آیندهی سامانههای F&G را شکل میدهد. در این چشمانداز، سامانههای ایمنی نهتنها رخدادها را تشخیص میدهند، بلکه سناریوهای محتمل را پیشبینی کرده و پیشنهادهای عملیاتی برای کاهش ریسک ارائه میکنند.
در شکل 5 مقایسهای مفهومی بین معماری سنتی مبتنی بر آستانه و معماری هوشمند مبتنی بر تحلیل داده و یادگیری ماشین ارائه شده است.
جمعبندی
هوش مصنوعی مسیر تحول سامانههای اعلان حریق و تشخیص گاز را هموار کرده است. کاهش آلارمهای کاذب، تشخیص زودهنگام، همبستگی دادههای چندحسگره، نگهداری پیشبین و بهینهسازی پاسخ اضطراری، تنها بخشی از مزایای این رویکرد هستند. حرکت به سمت F&G هوشمند، گامی کلیدی در ارتقای ایمنی، کاهش ریسکهای عملیاتی و تحقق اهداف صنعت هوشمند بهشمار میرود.
[i] Edge
[ii] Edge AI
[iii] Sensor Fusion
[iv] Optical Gas Imaging
[v] Condition-Based Maintenance
[vi] Explainable AI
