حلول بز ترفع 20 مليون دولار في جولة التمويل السلسلة أ để توسيع قدرات الذكاء الاصطناعي في شبكة التوزيع

حلول بز جمعت 20 مليون دولار في جولة تمويل السلسلة أ التي تم إغلاقها للتسريع من تطوير منتجاتها وتوسيع فريقها التسويقي وعمق التوزيع مع عملاء المرافق.

أدت S3 Ventures الجولة، مع استثمار كبير من GoPoint Ventures. كما شارك المستثمرون الحاليون HearstLab و Blackhorn Ventures في الجولة. وقالت حلول بز أن رأس المال سيدعم تطوير المنتجات، وتوسيع فريق التسويق، والتنسيق الأعمق مع عملاء المرافق.

تطوير حلول بز برنامجًا لتحليل البيانات البصرية لمراقبة البنية التحتية مثل خطوط الطاقة، والمحطات الفرعية، والتركيبات الشمسية على نطاق المرافق. ومن بين عملائها شركة Dominion Energy (D ) و American Electric Power (AEP ) و New York Power Authority.

الانتقال من المراجعة اليدوية للصور إلى تحليلها بتقنيات الذكاء الاصطناعي

لجأت المرافق بشكل متزايد إلى استخدام الطائرات بدون طيار والهليكوبتر والطائرات الثابتة الجناح والكاميرات الحرارية وغيرها من أنظمة التصوير لمراقبة البنية التحتية. يمكن لهذه التقنيات جمع كميات أكبر من البيانات مقارنة بالمراجعات الميدانية التقليدية، ولكنها تخلق تحديًا جديدًا: معالجة آلاف أو ملايين الصور بسرعة كافية للتأثير على قرارات الصيانة.

تم تصميم منصة PowerAI من حلول بز لمواجهة هذا العائق. تقوم بتحليل الصور من برامج المراقبة الجوية والبرية، وتربط الصور ببنية معينة، وتحدد العيوب المحتملة، وتساعد في تصنيف القضايا حسب خطورتها.

يمكن للمنصة تحليل الصور الملونة والحرارية لتحديد مشاكل مثل الأعمدة التالفة، والذراع المتدهورة، والمحولات المفرطة في الحرارة، واختراق النباتات، وتلف العوازل، وأعشاش الطيور. يمكن إرسال النتائج إلى أنظمة المعلومات الجغرافية ومنصات أوامر العمل وبرامج إدارة الأصول من خلال التكاملات وواجهات برمجة التطبيقات.

هذا التدفق مهم لأن تحديد العيب هو جزء واحد فقط من إدارة البنية التحتية. يجب على المرافق تحديد موقع الأصول المتضررة، وتقييم مدى الحاجة إلى الاهتمام، وتخصيص العمل، ومراقبة حالة الأصول بمرور الوقت.

PowerAI يدمج الرؤية الحاسوبية مع الإشراف البشري

تقول حلول بز أن نماذجها قد تم ضبطها باستخدام أكثر من عقد من صور المرافق وليس فقط على مجموعات بيانات العرض الصغيرة. تحتوي المنصة حاليًا على أكثر من 50 نموذجًا للذكاء الاصطناعي ويمكنها معالجة أكثر من 5.8 صورة في الثانية، بناءً على الأرقام المنشورة من قبل الشركة.

تتضمن PowerAI أيضًا khảیات المراجعة البشرية في الحلقة. يمكن للمراجعين التحقق من الكشوفات، وتصحيح مخرجات النموذج، وتحسين الدقة مع مواجهة النظام لأنواع البنية التحتية وconditions التشغيل الإضافية.

هذا الجمع بين التأتمت ومراجعة الإنسان ذو صلة خاصة في بيئات المرافق، حيث يمكن للأخطاء الإيجابية الزائفة إنشاء عمل ميداني غير ضروري، بينما يمكن لعدم اكتشاف عيب أن يساهم في فشل المعدات أو انقطاع التيار أو مخاطر الأمان.

تقدم حلول بز عدة إصدارات من المنصة. يمكن للمرافق البدء بإدارة بيانات المراقبة المركزية ومراجعة يدوية قبل الانتقال إلى تحليل الصور الآلي، وخرائط أنظمة المعلومات الجغرافية، والتحليلات المتقدمة، والتكامل مع أنظمة العمل وإدارة الأصول.

توسيع المنصة عبر الشبكة

كان PowerAI في البداية يركز على بنية التوزيع والانتقال، ولكن حلول بز قد وسعت المنصة إلى المحطات الفرعية والتركيبات الشمسية على نطاق المرافق.

لشبكات التوزيع، يمكن للبرنامج ربط صور المراقبة بآلات وأعمدة فردية قبل تحليلها لتحديد الأعطال أو مشاكل المحولات أو مخاطر النباتات. يمكن لفريق النقل استخدام المنصة بشكل مشابه لمراقبة حالة الأصول وتغييراتها عبر الشبكات الكبيرة.

في المحطات الفرعية، تستخدم الشركة صورًا من الكاميرات الثابتة والطائرات بدون طيار المرساة لمراقبة الأحداث الأمنية ومخاطر الأمان و状態 المعدات. يمكن تحليل الفيديو البصري والحراري لتحديد أحداث مثل الدخول غير المصرح به أو الدخان أو الحرائق أو الإشارات الحرارية غير العادية، مع إرسال التنبيهات عبر لوحات التحكم أو البريد الإلكتروني أو الرسائل القصيرة. يمكن تثبيت التوزيعات على السحابة أو على الموقع، حسب متطلبات المرافق التشغيلية وأمان السيبرانية.

تستخدم العرض الشمسي الرؤية الحاسوبية لتحليل الصور الملونة والحرارية التي تم جمعها بواسطة الطائرات بدون طيار. يهدف إلى مساعدة المشغلين في تحديد المناطق الساخنة والشقوق في اللوحات والانقطاعات في الأسلاك قبل أن تقلل هذه المشاكل بشكل كبير من الإنتاج.

توسيع عمليات المرافق إلى ما وراء التجارب الصغيرة

قالت حلول بز أن عدد عملائها قد ثلاثة أضعاف خلال السنة الماضية، في حين زادت الإيرادات بنسبة 400٪. كما نشرت الشركة عدة أمثلة على المرافق التي تستخدم المنصة في برامج المراقبة الأكبر.

استخدمت Dominion Energy PowerAI لمعالجة 74,000 صورة تغطي ما يقرب من 47,000 برج نقل في ثلاث ساعات ونصف الساعة، وفقًا لشركة حلول بز. استخدم AEP Texas المنصة لتحليل أكثر من 88,000 صورة أثناء العمل على تقصير دورات المراقبة عبر منطقة التوزيع المعرضة للعواصف والحرائق.

دمجت New York Power Authority نتائج المراقبة مع Esri و IBM Maximo ونظمها الإعلامية الداخلية. وتقارير حلول بز أن المرافق قامت بتقليص وقت التحليل اليدوي بنسبة 70٪، مما يسمح بتقيم كميات كبيرة من صور المراقبة في ساعات أو أيام بدلاً من أشهر.

تظهر هذه التوزيعات التحول الأوسع الذي يحدث حاليًا عبر برامج الذكاء الاصطناعي للمرافق. بدلاً من تقييم النماذج المعزولة، بدأت بعض المرافق في ربط تحليل الذكاء الاصطناعي مباشرة مع سجلات الأصول وأولويات الصيانة والأنظمة التشغيلية الحالية.

زيادة الطلب على الكهرباء يضيف الحاجة إلى العجلة

جاء التمويل في وقت دخول الولايات المتحدة فترة جديدة من نمو الطلب على الكهرباء. وأفادت إدارة معلومات الطاقة الأمريكية أن استهلاك الكهرباء على المستوى الوطني قد زادت بمتوسط 2.1٪ سنويًا خلال الخمس سنوات الماضية، مع ظهور الطلب على خوادم مراكز البيانات كمساهم رئيسي.

تتوقع الوكالة أن يستمر استهلاك الكهرباء في الزيادة حتى عام 2050، مما ي đảo معاكس أكثر من عقد من الطلب المستقر نسبيًا.

مراكز البيانات للذكاء الاصطناعي ليست مصدر الضغط الوحيد. يجب على المرافق أيضًا ربط توليد الطاقة المتجددة، ودعم الكهربة للنقل والصناعة، والاستجابة للطقس القاسي، والصيانة للبنية التحتية التي قد تكون تعمل لعدة عقود.

بناء سعة توليد ونقل جديدة لا يزال أمرًا ضروريًا، ولكن يجب على المرافق أيضًا استخراج المزيد من الموثوقية من البنية التحتية الحالية. يمكن أن يسمح اكتشاف الأعطال المتدهورة في وقت مبكر لفريق الصيانة بالتعامل مع المشاكل قبل أن تصبح انقطاعات أو حوادث أمان أو إصلاحات طارئة مكلفة.

مستقبل إدارة الشبكة بمساعدة الذكاء الاصطناعي

تعد أهمية منصات مثل PowerAI تكمن في كيفية تغييرها لإدارة البنية التحتية مع مرور الوقت. اليوم، لا تزال العديد من برامج المراقبة دورية ومتفاعلة، مع فحص الأصول في جداول محددة أو بعد العواصف أو انقطاع التيار أو فشل المعدات. مع سهولة جمع بيانات المرئية وتحليلها، قد تكون المرافق قادرة على الانتقال إلى صيانة مستمرة أكثر وتقوم على المخاطر.

في ذلك النموذج، سيساعد الذكاء الاصطناعي في تحديد التغييرات الدقيقة في حالة الأصول، ومقارنة الصور الحالية بالمراقبات السابقة، وتسليط الضوء على المعدات التي تظهر أنها تتدهور بشكل أسرع من المتوقع. يمكن أن تكون جداول الصيانة مبنية على حالة الأصول وحالة المخاطر الفعلية لكل منها، وليس على العمر أو دورات المراقبة الروتينية.

يمكن أن يصبح التكنولوجيا أكثر قيمة مع نشر المرافق لسلاسل أكبر من الطائرات بدون طيار والكاميرات الثابتة وأجهزة الاستشعار الحرارية وأدوات المراقبة الأخرى. بدون تحليل آلي، يمكن أن يغمر حجم البيانات المتولدة من هذه الأدوات فرق المراقبة. قد يخدم أنظمة الذكاء الاصطناعي بشكل متزايد كطبقة تصفية، وتوجيه الخبراء البشر نحو الصور والأصول والتنبؤات الأكثر احتمالاً للانتباه.

يمكن أن تدعم هذه القدرات تمثيلات رقمية أكثر تفصيلاً للشبكة، بإضافة مراقبة بصرية مع بيانات الطقس وسجلات انقطاع التيار وconditions النباتات وسجلات الصيانة. يمكن للمرافق نمذجة كيف قد تؤثر العيوب الفردية على الشبكة الأوسع وتحديد الأولويات للإصلاحات بناءً على تأثيرها المحتمل على الموثوقية وسلامة العامة.

سوف يطرح هذا التحول أسئلة مهمة حول دقة النموذج والأمان السيبراني والشفافية والمساءلة. يجب على المرافق فهم لماذا أشار النظام إلى أصل معين، ومدى ثقته في هذا التقييم، ومتى يتطلب المراجعة البشرية. لأن القرارات تتضمن بنية تحتية حيوية، من المحتمل أن تظل توصيات الذكاء الاصطناعي جزءًا من عملية خاضعة للإشراف.

إذا تمت معالجة هذه التحديات، يمكن أن تطور الرؤية الحاسوبية من أداة لمراجعة صور المراقبة إلى مكون مركزي في تخطيط الشبكة وعمليات الصيانة. لن يكون التأثير طويل المدى بالضرورة أقل عدد من المفتشين، ولكن تغييرًا في كيفية استخدام وقتهم، مع إيلاء اهتمام أكبر للمواقع والأصول التي يمكن أن تؤثر فيها التدخلات بأكبر فرق.