إدارة الإنذارات

في العديد من التطبيقات مثل تطبيقات اكتشاف الحرائق، يمكن توفير الحماية الموثوقة باستخدام حدود قصوى بسيطة أو تدرجات حرارية أو اختلافات درجة الحرارة عن المعدل الطبيعي.  اعتمادًا على الظروف البيئية والحدود القصوى الحرجة المتوقعة، يمكن تعيين هذه المعلمات وتعديلها بشكل فردي لكل منطقة اكتشاف لتحقيق أقصى قدر من الملاءمة لاحتياجات التطبيق.

جدير بالذكر أن تقنية إدارة الإنذارات ™SmartAlarm الخاصة بنا تتجاوز هذه الأساليب البسيطة.

فبالتعاون مع الخبراء في كل مجال تطبيقي، قمنا بتطوير أساليب وخوارزميات فريدة لاكتشاف التسريبات الطفيفة، على سبيل المثال، حتى في الحالات التي تتغير فيها الظروف المحيطة ولا يُحدث فيها التسريب نفسه اختلافًا كبيرًا في درجة الحرارة.  تتوافر خوارزميات مختلفة ويتم استخدامها حسب تفاصيل ظروف الموقع.  يمكن لتطبيق SmartAlarm إطلاق الإنذارات حتى في حالة الأحداث المحلية، التي غالبًا لا تكتشفها معلمات الإنذار القياسية أو بخلاف ذلك قد تؤدي إلى إطلاق إنذارات خاطئة اعتمادًا على معلمات شديدة الحساسية.

تعمل هذه الخوارزميات على تحليل التغيرات والاتجاهات التاريخية في درجات الحرارة الطارئة على الأصل بأكمله، مثل خط الأنابيب أو كابل الطاقة.  في الوقت نفسه، يتم تسجيل التغيرات في درجة حرارة البيئية وتأثيراتها في أثناء التشغيل.  وينشأ عن تجميع هذه المعلومات معًا خوارزميات إحصائية، التي بدورها تميّز التغييرات المحيطة الطبيعية التي تطرأ على الأصل عن الأحداث غير الطبيعية مثل التسربات.  وهذا يؤدي إلى اكتشاف موثوق حتى في ظل الظروف الصعبة والمتغيرة، التي يتعذر فيها تعيين معلمات الإنذار التقليدية المحددة.

بالإضافة إلى ذلك، تحدد خوارزميات تقنية الإنذار العابر عبر التعلم الآلي (MLTA) السلوكات غير الطبيعية للأصول، وبخلاف ذلك ستظل غير معروفة ضمن تسجيلات درجات الحرارة التي تتم بواسطة أنظمة استشعار درجة الحرارة الموزعة (DTS). إن تطبيق تقنية الإنذار العابر عبر التعلم الآلي (MLTA) الفريدة الخاصة بنا يسمح بعزل العابرات الحرارية الطارئة على الأصل الخاضع للمراقبة، ما يتيح إطلاق إنذار سريع وموثوق حتى في حالات التغيرات الطفيفة غير الطبيعية الناتجة عن النقاط الباردة والساخنة. 

سباستخدام أنظمة الاستشعار الصوتي الموزع/الاستشعار الاهتزازي الموزع (DAS/DVS)، ينصب تركيزنا على ضمان احتمالية مرتفعة للاكتشاف (POD) ومعدل منخفض لإنذارات الضوضاء (NAR).  تحلل خوارزميات التعلم الآلي الأنماط الصوتية مثل الحجم والانتشار المكاني ونطاقات التردد والمدة ومرات التكرار والسرعة والمعلمات الأخرى.  وبذلك يكون النظام قادرًا على تجاهل الأنشطة العادية في الخلفية، بينما يتعرف على أحداث اقتحام الطرف الثالث (TPI) الخطيرة.  يتيح التعلم الآلي عبر أنظمة الاستشعار الصوتي الموزع (DAS) اكتشاف الأحداث المختلفة، مثل أعمال الحفر أو الثقْب أو وجود مركبات قريبة أو الأحداث كذلك مثل وجود موجات ضغط سالب أو فتحة ناتجة عن التسربات. ويمكن بعد ذلك إطلاق الإنذارات وفقًا لسيناريوهات محددة يتم الاتفاق عليها مع العميل. ويمكن أن تكون هذه السيناريوهات أحداثًا مثل الحفر أو الثْقب، أو وجود مركبات قريبة أو موجات ضغط سالب وضوضاء ناجمة عن فتحة حدثت بسبب تسرب في خط الأنابيب، أو وجود تهديدات تحت سطح البحر مثل إرساء سفن بالقرب من كابل طاقة. وباستخدام برنامج تصوير الأصول SmartVision الخاص بنا، يمكن رصد نقاط الإنذار هذه بسهولة في لمح البصر.

يمكن تكوين أنواع مختلفة من الإنذارات، بما في ذلك يأتي:
  • Tإنذارات درجة الحرارة: الحدود القصوى والتدرجات والتغيرات النسبية في درجات الحرارة. ​
  • إنذارات الإشارات الصوتية: إنذارات تعتمد على الأنماط الصوتية الناتجة عن أحداث معينة.
  • الإنذارات العابرة عبر التعلم الآلي: خوارزميات إنذارات معقدة لتحديد الأحداث غير الطبيعية بشكل موثوق في أثناء التشغيل.
  • حالة النظام والأعطال: أي عطل في الأجهزة أو البرامج أو ألياف الاستشعار (انكسار الألياف).
  • الإنذار المعتمد على أجهزة الاستشعار الخارجية: إشارة لأي أجهزة استشعار خارجية. ​​
تتيح إدارة إنذارات الأصول الشاملة من خلال وحدة SmartAlarm الخاصة بنا ما يأتي:
  • تكوين مناطق الإنذار ومناطق الأصول متعددة الأضلاع عبر الأصول الخاضعة المراقبة
  • الحدود القصوى وأنواع الإنذار لكل منطقة
  • إرسال الإنذارات إلى المعدات الطرفية أو أنظمة الإدارة الفائقة
  • معالجة الإنذار، مثل الإفادة والتاريخ والتصدير
  • إعداد قوائم بجميع الأجهزة المتصلة مع حالة النظام ومراقبة الاتصال
  • توفير قدرات إضافية استنادًا إلى احتياجات العميل