Esta publicación está coescrita con Andreas Astrom de Northpower.
poder del ártico Proporciona servicios de Internet de fibra y electricidad confiables y asequibles a clientes en la región Northland de Nueva Zelanda. Como distribuidora de electricidad, Northpower tiene como objetivo mejorar el golpe, las oportunidades y la prosperidad de sus comunidades invirtiendo en infraestructura, desarrollando nuevos productos y servicios y retribuyendo a los accionistas. Encima, Northpower es uno de los contratistas de infraestructura más grandes de Nueva Zelanda y presta servicios a clientes en transmisión, distribución, vivientes y telecomunicaciones. Con más de 1400 empleados trabajando en 14 ubicaciones, Northpower desempeña un papel crucial en el mantenimiento de servicios esenciales para los clientes impulsado por el propósito de conectar comunidades y construir futuros para Northland.
La industria energética se encuentra en un punto de inflexión crítico. Existe un cachas impulso por parte de los formuladores de políticas y del conocido para descarbonizar la industria y, al mismo tiempo, equilibrar la resiliencia energética con los riesgos para la lozanía, la seguridad y el medio círculo. Eventos recientes, incluido el ciclón tropical Gabrielle, han puesto de relieve la susceptibilidad de la red a condiciones climáticas extremas y han enfatizado la exigencia de adecuación climática con infraestructura resiliente. Las empresas de distribución de electricidad (EDB) todavía enfrentan nuevas demandas con la integración de medios energéticos descentralizados como la energía solar en tejados, así como proyectos de energía renovable a longevo escalera, como parques solares y eólicos. Estos cambios exigen soluciones innovadoras para respaldar la eficiencia operativa y la resiliencia continua.
En esta publicación, compartimos cómo Northpower ha trabajado con su socio tecnológico Sculpt para disminuir el esfuerzo y el carbono necesarios para identificar y remediar los riesgos de seguridad pública. Específicamente, cubrimos las técnicas de visión por computadora e inteligencia químico (IA) utilizadas para combinar conjuntos de datos en una letanía de tareas prioritarias para que los equipos de campo las investiguen y mitiguen. El panel resultante destacó que 141 activos de postes eléctricos requerían movimiento, de una red de 57.230 postes.
Desafío del poder del ártico
Los postes de servicios públicos tienen cables tirantes que anclan el poste al suelo para longevo estabilidad. Estos cables atirantados están destinados a tener un aislante en camino para evitar que el cable atirantado entre en tensión, lo que crearía un aventura para la seguridad de personas o animales en el ámbito.
Northpower enfrentó un desafío importante al determinar cuántos de sus 57.230 postes eléctricos tienen cables tirantes sin aisladores. Sin datos históricos fiables, las inspecciones manuales de una red tan vasta y predominantemente rural requieren mucha mano de obra y son costosas. Alternativas como las inspecciones con helicópteros o los técnicos de campo requieren golpe a propiedades privadas para inspecciones de seguridad y son costosas. Encima, la exigencia de delirar para que los técnicos visitaran físicamente cada polo a través de una red tan ilustre planteó un desafío logístico considerable, enfatizando la exigencia de una posibilidad más apto.
Gracias a Dios, algunos conjuntos de datos de activos estaban disponibles en formato digital y los informes históricos de inspección en papel, que databan de hace 20 abriles, estaban disponibles en formato escaneado. Este archivo, pegado con 765.933 fotografías de inspección de variada calidad, algunas de más de 15 abriles, presentó un importante desafío en el procesamiento de datos. Procesar estas imágenes y documentos escaneados no es una tarea que ahorre tiempo ni costos para los humanos y requiere una infraestructura de stop rendimiento que pueda disminuir el tiempo de fabricación de valía.
Descripción normal de la posibilidad
Amazon SageMaker es un servicio totalmente administrado que ayuda a los desarrolladores y científicos de datos a crear, entrenar e implementar modelos de formación inconsciente (ML). En esta posibilidad, el equipo utilizó Amazon SageMaker Estudio propalar un maniquí de detección de objetos acondicionado en Inicio rápido de Amazon SageMaker utilizando el entorno PyTorch.
El próximo diagrama ilustra el flujo de trabajo de stop nivel.
Northpower eligió SageMaker por varias razones:
- SageMaker Studio es un servicio administrado con entornos de ampliación listos para usar, lo que ahorra tiempo que de otro modo se utilizaría para configurar entornos manualmente.
- SageMaker JumpStart se encargó de la configuración e implementó los trabajos de formación inconsciente necesarios involucrados en el tesina con una configuración mínima, lo que ahorró aún más tiempo de ampliación.
- La posibilidad de etiquetado integrada con Verdad fundamental de Amazon SageMaker era adecuado para anotaciones de imágenes a gran escalera y simplificó la colaboración con el personal de etiquetado de Northpower
En las siguientes secciones, analizamos los componentes esencia de la posibilidad como se ilustra en el diagrama susodicho.
Preparación de datos
SageMaker Ground Truth emplea una fuerza sindical humana formada por voluntarios de Northpower para anotar un conjunto de 10.000 imágenes. El personal creó un cuadro delimitador aproximadamente de cables atirantados y aisladores y el resultado se utilizó seguidamente para entrenar un maniquí de ML.
Entrenamiento, potencia y almacenamiento de modelos.
Este componente utiliza los siguientes servicios:
- SageMaker Studio se utiliza para ceder e implementar un maniquí de detección de objetos previamente entrenado y desarrollar código en portátiles Jupyter administrados. Luego, el maniquí se ajustó con datos de entrenamiento de la etapa de preparación de datos. Para obtener una pauta paso a paso para configurar SageMaker Studio, consulte Amazon SageMaker simplifica la configuración de Amazon SageMaker Studio para usuarios individuales.
- SageMaker Studio ejecuta código Python personalizado para aumentar los datos de entrenamiento y mudar la salida de metadatos de SageMaker Ground Truth a un formato compatible con el trabajo de entrenamiento del maniquí de visión por computadora. Luego, el maniquí se entrena utilizando una infraestructura totalmente administrada, se valida y se publica en el Registro de modelos de Amazon SageMaker.
- Servicio de almacenamiento simple de Amazon (Amazon S3) almacena los artefactos del maniquí y crea un albufera de datos para penetrar la salida de inferencia, la salida del prospección de documentos y otros conjuntos de datos en formato CSV.
Implementación e inferencia del maniquí.
En este paso, SageMaker aloja el maniquí ML en un punto final utilizado para ejecutar inferencias.
Se utilizó nuevamente un cuaderno de SageMaker Studio a posteriori de la inferencia para ejecutar código Python personalizado para simplificar los conjuntos de datos y representar cuadros delimitadores en objetos según criterios. En este paso todavía se aplicó un sistema de puntuación personalizado que todavía se representó en la imagen final, lo que permitió un paso adicional de control de calidad humano para imágenes de desaparecido confianza.
Estudio y visualización de datos.
Este componente incluye los siguientes servicios:
- Un Pegamento AWS El rastreador se utiliza para comprender las estructuras del conjunto de datos almacenado en el albufera de datos para que pueda ser consultado por Atenea amazónica
- Athena permite el uso de SQL para combinar la salida de inferencia y los conjuntos de datos de activos para encontrar medios de longevo aventura.
- Amazon QuickSight se utilizó como utensilio tanto para el proceso de control de calidad humano como para determinar qué activos necesitaban que se enviara un técnico de campo para su inspección física
Comprensión del documento
En el paso final, Extracto de Amazon digitaliza evaluaciones históricas de activos en papel y almacena el resultado en formato CSV.
Resultados
El maniquí de detección de objetos entrenado de PyTorch permitió la detección de tirantes y aisladores en postes de servicios públicos, y un trabajo de posprocesamiento de SageMaker calculó una puntuación de aventura utilizando un m5.24xlarge. Nimbo informática elástica de Amazon (EC2) instancia con 200 subprocesos de Python simultáneos. Esta instancia todavía fue responsable de representar la información de la puntuación pegado con un cuadro delimitador de objeto en una imagen de salida, como se muestra en el próximo ejemplo.
Escribir las puntuaciones de confianza en el albufera de datos de S3 pegado con los resultados históricos de la inspección permitió a Northpower ejecutar prospección utilizando Athena para comprender cada clasificación de imagen. El próximo manifiesto de rayos de sol es una visualización de esta clasificación.
Northpower clasificó 1.853 polos como riesgos de reincorporación prioridad, 3.922 como prioridad media, 36.260 como prioridad desaparecido y 15.195 como prioridad más desaparecido. Estos se podían ver en el panel de QuickSight y se utilizaban como entrada para que los humanos revisaran primero los activos de longevo aventura.
Al concluir el prospección, Northpower descubrió que 31 postes necesitaban la instalación de aisladores de alambre atirantado y otros 110 postes necesitaban investigación en el campo. Esto redujo significativamente el costo y el uso de carbono involucrado en la comprobación manual de cada activo.
Conclusión
La inspección remota de activos sigue siendo un desafío para las EDB regionales, pero el uso de la visión por computadora y la inteligencia químico para descubrir nuevo valía a partir de datos que antiguamente no se utilizaban fue esencia para el éxito de Northpower en este tesina. SageMaker JumpStart proporcionó modelos implementables que podrían entrenarse para casos de uso de detección de objetos con conocimientos y gastos generales mínimos en ciencia de datos.
Descubra los modelos básicos disponibles públicamente que ofrece SageMaker JumpStart y acelere su propio tesina de formación inconsciente con lo próximo tutorial paso a paso.
Sobre los autores
Scott Patterson es arquitecto senior de soluciones en AWS.
Andreas Astrom es el Caudillo de Tecnología e Innovación de Northpower