Digital Twin & monitoraggio infrastrutture
Il Digital Twin per la Predictive Maintenance
Un sistema innovativo di Object & Anomaly Detection apre la strada alla manutenzione predittiva della rete elettrica nazionale. La creazione di un Digital Twin del territorio, con il ricorso a tecniche di 3D Modeling, schiude gli scenari della cartografia integrata per il monitoraggio di infrastrutture strategiche. La modellazione 3D IOT è adoperata nell’orizzonte della Image Recognition per anomalie di disturbo. Con la classificazione preliminare tramite algoritmi di intelligenza artificiale di edifici, oggetti e vegetazione, l’ispezione virtuale degli ambienti ora è possibile in qualsiasi momento.
Modellazione 3D del territorio e classificazione degli oggetti tramite AI per Object & Anomaly Detection
Nome progetto:
3D Power Line Mapping
Durata:
24 mesi
Anno:
2018-2019
Mercati di riferimento:
3D modeling, IoT
Partner
STRUTTURA DELLA SOLUZIONE
I gestori di linee a bassa e media tensione sono tenuti per legge a realizzare controlli annuali sulla propria infrastruttura elettrica per identificare anomalie causa di malfunzionamenti o disservizi. Finora la presenza umana è stata indispensabile per monitorare l’intera linea in gestione.
Oggi l’obiettivo di una riduzione dei costi per i sopralluoghi è raggiungibile attraverso la realizzazione di un modello virtuale di manutenzione predittiva capace di:
- Creare un modello virtuale della realtà, un Physical Twin, partendo da immagini ad alta risoluzione col ricorso alla fotogrammetria.
- Realizzare un sistema di rilievo automatico di anomalie usando scansioni Lidar e fotogrammetriche.
- Gestire considerevoli quantità di scansioni laser LiDAR che mappano l’infrastruttura in gestione.
- Sviluppare processi automatici di object e anomaly detection, ossia l’estrazione delle componenti strutturali e ambientali attraverso il rilevamento e la raccolta di punti collocati nello spazio digitale (nuvola di punti)
- Realizzare un’applicazione web per sopralluoghi virtuali delle infrastrutture e verifica delle anomalie identificate dal software.
Utilizzando una nuvola di punti derivante sia dalle scansioni Lidar che dalle ricostruzioni fotogrammetriche già in possesso del cliente, sono stati implementati algoritmi di Machine Learning per l’analisi dei punti nello spazio. Il ricorso a reti neurali, congiunto a modelli Deep Learning di indicizzazione, ha prodotto come output una nuvola di punti in cui ora ciascun punto appartiene a una specifica classe, riconducibile a singole componenti infrastrutturali.
VANTAGGI GUADAGNATI
L’implementazione di un sistema personalizzato creato in sinergia con il cliente, ha automatizzato tutti i processi che fino a quel momento avevano bisogno dll’intervento umano.
Per aiutare il cliente a gestire l’innovazione apportata in completa autonomia, Spindox Labs ha realizzato un sistema articolato su tre componenti software che permettono di gestire funzioni in manierasemplice e automatizzata:
- Visualizzatore: Un’applicazione per realizzare sopralluoghi, verificare anomalie e visualizzare modifiche apportate alla cartografia del cliente.
- Gestione Repository: Un’applicazione in grado di caricare, gestire e indicizzare dati di mappatura in notevoli quantità.
- Gestione processi: Un software per la gestione autonoma di informazioni estratte da scansioni e immagini.
Rispetto all’obiettivo di snellire le operazioni di manutenzione, i risultati risultano massimamente apprezzabili per via delle accresciute performance di classificazione degli ambienti 3D esterni. A ciò va aggiunto che le applicazioni, multilingua e comunicanti tra loro, hanno permesso di automatizzare processi finora effettuati manualmente.
PARTNER DI PROGETTO
