تحول سیستم‌های اعلان حریق و تشخیص گاز (F&G) با هوش مصنوعی - ariasafe

وقتی F&G از یک سامانه هشداردهنده به یک سیستم تحلیلگر و پیش‌بین تبدیل می‌شود

چکیده

سیستم‌های اعلان حریق و تشخیص گاز (Fire & Gas) از مهم‌ترین زیرساخت‌های ایمنی در صنایع پرریسک مانند نفت و گاز، پتروشیمی، نیروگاه‌ها و تأسیسات زیرساختی هستند. این سیستم‌ها به‌طور سنتی بر پایه آستانه‌های ثابت و منطق‌های ساده تصمیم‌گیری کار می‌کنند؛ رویکردی که اگرچه قابل اتکا است، اما در مواجهه با محیط‌های پیچیده صنعتی با چالش‌هایی مانند آلارم‌های کاذب، تأخیر در تشخیص برخی سناریوهای واقعی و هزینه‌های بالای نگهداری روبه‌روست. با ورود هوش مصنوعی (AI) و یادگیری ماشین، نسل جدیدی از سیستم‌های F&G در حال شکل‌گیری است که از یک سامانه واکنشی صرف، به یک پلتفرم هوشمند، تطبیقی و پیش‌بین ارتقا می‌یابد. این مقاله به بررسی کاربردهای کلیدی هوش مصنوعی در سیستم‌های F&G می‌پردازد؛ از کاهش آلارم‌های کاذب و تشخیص زودهنگام حریق و نشت گاز گرفته تا همبستگی داده‌های چندسنسوره، پردازش تصویر در دوربین‌های حرارتی و OGI، نگهداری پیش‌بین تجهیزات و بهینه‌سازی پاسخ اضطراری. در پایان، مسیر تحول F&G در چارچوب صنعت هوشمند و Industry 4.0 ترسیم می‌شود.

مقدمه

سیستم‌های F&G سال‌هاست که به‌عنوان خط اول دفاع ایمنی در صنایع پرریسک به کار گرفته می‌شوند. دتکتورهای گاز، دود، شعله و حرارت در نقاط مختلف نصب شده و در صورت عبور از یک آستانه 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. نتیجه این وضعیت، کاهش اعتماد بهره برداران به سیستم 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 بالقوه خود را از دست می‌دهند. اینجاست که هوش مصنوعی می‌تواند به‌عنوان «مغز تحلیلی» سیستم‌های F&G عمل کند و الگوهای پنهان، همبستگی‌های چندمتغیره و نشانه‌های اولیه خطر را آشکار سازد.

گذار از F&G سنتی به F&G هوشمند

در معماری سنتی، هر دتکتور 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 لایه لبه (Edge) پیش‌پردازش شده و سپس توسط مدل‌های یادگیری ماشین تحلیل می‌گردند. در این ساختار، سیستم به‌جای واکنش صرف به یک مقدار عددی، «زمینه رخداد» را درک می‌کند.

به‌عنوان مثال، افزایش جزئی دما در کنار تغییر الگوی انتشار متان و یک نشانه ضعیف در تصویر دوربین مادون‌قرمز، در معماری سنتی ممکن است بی‌اهمیت تلقی شود؛ اما در معماری هوشمند، این ترکیب می‌تواند به‌عنوان نشانه اولیه یک نشتی واقعی شناسایی و پیش از تشدید حادثه، هشدار داده شود.

تصویر 1: معماری F&G مبتنی بر هوش مصنوعی

نمونه‌ای از معماری F&G هوشمند شامل لایه حسگرها، پردازش لبه‌ای (Edge AI)، اتصال به SCADA/DCS و لایه تحلیل مرکزی مبتنی بر یادگیری ماشین.

کاهش آلارم‌های کاذب با یادگیری ماشین

آلارم‌های کاذب یکی از مهم‌ترین چالش‌های عملیاتی سیستم‌های F&G هستند. فعال‌شدن‌های مکرر و غیرضروری باعث خستگی اپراتورها، بی‌توجهی تدریجی به هشدارها و حتی توقف‌های پرهزینه 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، سیستم 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 اولیه 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.

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 چندسنسوره (Sensor Fusion)

در سیستم‌های مدرن F&G، داده‌ها از منابع متنوعی جمع‌آوری می‌شوند: دتکتورهای 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 نشانه تصویری از ستون گاز همراه می‌شود، احتمال رخداد واقعی به‌طور چشمگیری بالا می‌رود. همبستگی چندسنسوره، پایه‌ای برای تصمیم‌گیری هوشمند و کاهش خطای تشخیص فراهم می‌کند.

تصویر 2: همبستگی داده‌های چندسنسوره

نمونه‌ای از ترکیب داده‌های دتکتور گاز، حسگر حرارتی و دوربین مادون‌قرمز برای افزایش دقت تشخیص رخداد.

پردازش تصویر در دوربین‌های حرارتی و OGI

دوربین‌های مادون‌قرمز و Optical Gas Imaging امکان مشاهده 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.

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.

تصویر 3: تشخیص نشت گاز با دوربین OGI + AI

نمونه تشخیص خودکار ستون گاز توسط الگوریتم بینایی ماشین روی تصویر دوربین OGI.

نگهداری پیش‌بین تجهیزات F&G

دتکتورها 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. این رویکرد از یک‌سو ریسک از کار افتادن ناگهانی سیستم ایمنی را کاهش می‌دهد و از سوی دیگر، هزینه‌های نگهداری را با حرکت از تعمیرات زمان‌بندی‌شده به نگهداری مبتنی بر وضعیت (Condition-Based Maintenance) کاهش می‌دهد.

تصویر 4: عیب یابی و نگهداری پیش بین تجهیزات

نمونه تشخیص خطا در سیستم F&G و نگهداری پیش بین مبتنی بر هوش مصنوعی

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 سیستم‌های اطفا و ایزولاسیون را پیشنهاد دهند. همچنین می‌توان مسیرهای امن تخلیه را بر اساس شرایط لحظه‌ای محیط به‌روزرسانی کرد. این قابلیت‌ها، سیستم F&G را از یک هشداردهنده صرف به یک «تصمیم‌یار ایمنی» ارتقا می‌دهد.

معماری مرجع F&G مبتنی بر هوش مصنوعی

یک معماری عملیاتی می‌تواند شامل این لایه‌ها باشد:

• لایه حسگرها: دتکتورهای گاز، دود، شعله و دوربین‌ها
• لایه: Edge AI پیش‌پردازش و تحلیل سریع محلی
• لایه ارتباطی: اتصال به IIoT، SCADA و DCS
• لایه تحلیلی مرکزی: مدل‌های یادگیری ماشین و داشبوردهای مدیریتی
• لایه تصمیم‌گیری: صدور هشدار، فرمان به سیستم‌های 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 سیستم‌های متصل و شفافیت تصمیم‌گیری (Explainable AI) برای جلب اعتماد اپراتورها اهمیت ویژه‌ای دارد. هرگونه ادغام AI در سامانه‌های ایمنی باید با الزامات استانداردهای ایمنی عملکردی هم‌راستا باشد.

آینده F&G در چارچوب صنعت هوشمند

ترکیب هوش مصنوعی با دوقلوی دیجیتال ، شبکه‌های حسگری توزیع‌شده و پردازش لبه‌ای، مسیر آینده سیستم‌های F&G را شکل می‌دهد. در این چشم‌انداز، سیستم‌های ایمنی نه‌تنها رخدادها را تشخیص می‌دهند، بلکه سناریوهای محتمل را پیش‌بینی کرده و پیشنهادهای عملیاتی برای کاهش ریسک ارائه می‌کنند.

تصویر 5: مقایسه F&G سنتی و F&G هوشمند

مقایسه مفهومی بین معماری سنتی مبتنی بر آستانه و معماری هوشمند مبتنی بر تحلیل داده و یادگیری ماشین.

جمع‌بندی

هوش مصنوعی مسیر تحول سیستم‌های اعلان حریق و تشخیص گاز را هموار کرده است. کاهش آلارم‌های کاذب، تشخیص زودهنگام، همبستگی داده‌های چندسنسوره، 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.