Buzz Solutions Kerää 20 Miljoonan Dollarin Sijoituksen AI-Voimaisen Verkon Älykkyyden Laajentamiseen

Buzz Solutions on kerännyt 20 miljoonan dollarin ylirahoituksen Series A -rahoituskierroksella, kun sähkölaitokset etsivät nopeampia tapoja tarkastaa, ylläpitää ja vahvistaa yhä monimutkaisempaa energianinfrastruktuuria.

S3 Ventures johti kierrosta, ja GoPoint Ventures osallistui merkittävästi. Olemassa olevat sijoittajat HearstLab ja Blackhorn Ventures myös osallistuivat. Buzz Solutions kertoi, että pääoma tukee tuotekehitystä, markkinointitiimin laajentamista ja syvemmän asiakasimplanttaation.

Palo Altossa toimiva yhtiö kehittää tekoälyohjelmistoja, jotka analysoivat visuaalista tarkasteludataa, jota kerätään infrastruktuurista, kuten voimajohtoja, sähköasemia ja suurten aurinkopaneeleiden asennuksista. Asiakkaat ovat muun muassa Dominion Energy (D ), American Electric Power (AEP ) ja New York Power Authority.

Siirtymässä Manuaalisen Kuvan Tarkastelun Ohi Verkon Tarkastelussa

Sähkölaitokset ovat yhä enemmän omaksuneet droonit, helikopterit, kiinteät siipiset lentokoneet, termokamerat ja muut kuvantamisjärjestelmät infrastruktuurin tarkastamiseen. Nämä teknologiat voivat kerätä paljon enemmän dataa perinteisten kenttätarkastelujen kuin aiemmin, mutta ne myös luovat uuden haasteen: prosessoida tuhannet tai jopa miljoonat kuvaa riittävän nopeasti vaikuttaakseen ylläpitopäätöksiin.

Buzz Solutionsin PowerAI-alusta on suunniteltu ratkaisemaan tämän pullonkaulan. Se sisältää kuvia ilmasta ja maasta peräisin olevista tarkasteluohjelmista, vastaa kuvia tiettyihin rakenteisiin, tunnistaa potentiaalisia vikoja ja auttaa luokittelemassa ongelmia niiden vakavuuden mukaan.

Alusta voi analyysin lisäksi tarkastella puna-vihreä-sinistä (RGB) ja termisiä kuvia ongelmista, kuten vahingoittuneista pyloneista, heikentyneistä ristipuista, ylikuumenemisesta, kasvillisuuden tunkeutumisesta, eristeiden vaurioista ja linnunpesistä. Tulokset voidaan lähettää maantieteellisiin tietojärjestelmiin, työtilausjärjestelmiin ja laitehallintajärjestelmiin integraatioiden ja sovellusliittymien kautta.

Tämä työnkulku on tärkeä, koska vian tunnistaminen on vain yksi osa infrastruktuurin hallintaa. Sähkölaitosten on myös määritettävä, missä vaikuttava laite sijaitsee, arvioitava, kuinka kiireellistä se on, määrätty työ ja seurattava laitteen kuntoa ajan myötä.

PowerAI Yhdistää Tietokoneen Näön Ihmisen Valvontaan

Buzz Solutions kertoo, että sen mallit on säätelty yli kymmenen vuoden ajan sähkölaitosten kuvamateriaalilla eikä pelkästään pienillä esittelyaineistoilla. Alustalla on tällä hetkellä yli 50 tekoälymallia, ja se voi prosessoida yli 5,8 kuvaa sekunnissa, yhtiön julkaisemien lukujen mukaan.

PowerAI sisältää myös ihmisen silmän tarkastelumahdollisuuden. Tarkastelijat voivat vahvistaa havainnot, korjata mallin tuloksia ja parantaa tarkkuutta, kun järjestelmä kohtaa uusia infrastruktuurin tyyppejä ja toimintatiloja.

Tämä automaation ja ihmisen tarkastelun yhdistäminen on erityisen merkittävää sähkölaitosten ympäristössä, jossa virheelliset positiiviset tulokset voivat luoda tarpeetonta kenttätyötä, kun taas havaitsematon vika voi johtaa laitteiden viroihin, sähkökatkoksiin tai turvallisuusriskeihin.

Buzz tarjoaa useita alustan versioita. Sähkölaitokset voivat aloittaa keskitetyllä tarkasteludatahallinnalla ja manuaalisella tarkastelulla ennen siirtymistä automaattiseen kuva-analyysiin, maantieteelliseen tietojärjestelmään, edistyneisiin analyyseihin ja integraatioihin työ- ja laitehallintajärjestelmiin.

Laajentamassa Alustaa Ympäri Verkkoa

PowerAI keskittyi alun perin siirtolinjojen ja jakelulinjojen infrastruktuuriin, mutta Buzz Solutions on laajentanut alustaa myös sähköasemille ja suurten aurinkopaneeleiden asennuksille.

Jakeluverkoissa ohjelmisto voi liittää tarkastelukuvat yksittäisiin pyloneihin ja rakenteisiin ennen niiden analyysiä vaurioituneista laitteista, muuntajien ongelmista tai kasvillisuuden riskeistä. Siirtolinjojen tiimit voivat vastaavasti käyttää alustaa laitteiden inventointiin ja kunnon seurantaan laajojen verkkojen yli.

Sähköasemilla yhtiö käyttää kuvia kiinteistä kamerista ja ankkuroituneista drooneista turvallisuustapahtumien, turvallisuusuhkien ja laitteiden kunnon seuraamiseen. Optisia ja termisiä videoita voidaan analysoida tapahtumista, kuten luvattomasta pääsystä, savusta, tulipalosta tai epätavallisista lämpömerkeistä, ja hälytykset toimitetaan hallintapaneelien, sähköpostin tai tekstiviestien kautta. Käyttöönotot voivat olla pilvipohjaisia tai asennettuja paikallisesti, riippuen sähkölaitoksen operatiivisista ja kyberTurvallisuusvaatimuksista.

Aurinkopaneeleiden tarjoama tieto käyttää tietokoneen näköä droonien keräämään RGB- ja termiseen kuvaan. Se on tarkoitettu auttamaan operaattoreita tunnistamaan kuumat pisteet, paneelien halkeamat ja johtimien katkaisut ennen kuin nämä ongelmat materiaalisesti vähentävät tuotantoa.

Sähkölaitosten Käyttöönotot Siirtyvät Pienistä Koekäytöistä

Buzz Solutions kertoi, että asiakasmäärä kolminkertaistui edellisen vuoden aikana, ja liikevaihto kasvoi 400 %. Yhtiö on myös julkistanut useita esimerkkejä sähkölaitosten käytöstä alustaa laajemmissa tarkasteluohjelmissa.

Dominion Energy käytti PowerAI:ta prosessoimaan 74 000 kuvaa, jotka kattoivat noin 47 000 siirtolinjaa kolmessa ja puolessa tunnissa, Buzz Solutionsin mukaan. AEP Texas on käyttänyt alustaa analysoimaan yli 88 000 kuvaa työskennellessään lyhentääkseen tarkastelujaksoja jakelualueella, joka on altis hirmumyrskyille ja maastopaloille.

New York Power Authority on integroinut tarkastelutulokset Esriin, IBM Maximo ja sisäisiin medialaitteisiin. Buzz Solutions kertoo, että sähkölaitos vähensi manuaalisen analyysiajan 70 %, mikä mahdollisti suurten määrien tarkastelukuvien arvioinnin tunneissa tai päivissä kuukausien sijaan.

Nämä käyttöönotot havainnollistavat laajempaa muutosta, joka on parhaillaan meneillään sähkölaitosten tekoälyohjelmissa. Sen sijaan, että arvioidaan erillisiä malleja, jotkut sähkölaitokset alkavat yhdistää tekoälyanalyysin suoraan laitteiston tietoihin, ylläpitoprioriteetteihin ja olemassa oleviin operatiivisiin järjestelmiin.

Kasvava Sähkön Kysyntä Lisää Kiireellisyyttä

Rahoitus saapuu, kun Yhdysvallat aloittaa uuden sähkönkysynnän kasvukauden. Yhdysvaltain energiatilastokeskus (U.S. Energy (USEG ) Information Administration) ilmoitti, että kansallinen sähkönkulutus on kasvanut keskimäärin 2,1 % vuodessa viiden viime vuoden aikana, ja datakeskusten palvelimien kysyntä on noussut merkittäväksi tekijäksi.

Virasto odottaa, että sähkönkulutus jatkuu kasvamistaan vuoteen 2050 saakka, mikä kääntää yli kymmenen vuoden ajan suhteellisen tasaisen kysynnän.

Tekoälydatakeskukset ovat vain yksi painopiste. Sähkölaitosten on myös kyettävä yhdistämään uusiutuvan energian tuotanto, tukemaan liikenteen ja teollisuuden sähköistämistä, vastaamaan ääri-ilmiöihin ja ylläpitämään infrastruktuuria, joka on ollut toiminnassa vuosikymmenien ajan.

Uuden generaattorikapasiteetin rakentaminen on edelleen olennainen, mutta sähkölaitosten on myös saatava enemmän luotettavuutta olemassa olevasta infrastruktuurista. Aikaisempi vaurioituneen laitteiston tunnistaminen voisi mahdollistaa ylläpitotiimien korjaamisen ongelmia ennen kuin ne muuttuvat sähkökatkoiksi, turvallisuusuhiksi tai kalliiksi hätäkorjaustöiksi.

Tekoälyavusteisen Verkon Hallinnan Tulevaisuus

Laajempi merkitys alustoilla, kuten PowerAI, on siinä, miten ne voivat muuttaa tapaa, jolla sähkölaitokset hallinnoivat infrastruktuuriaan ajan myötä. Tänään monet tarkasteluohjelmat ovat edelleen jaksollisia ja reaktiivisia, ja laitteet tarkastetaan kiinteiden aikataulujen mukaan tai myrskyjen, sähkökatkosten ja laitteiden virojen jälkeen. Kun visuaalinen data on helpommin kerättävissä ja analysoitavissa, sähkölaitokset voivat siirtyä kohti jatkuvampaa, riskiperusteista ylläpitoa.

Siinä mallissa tekoäly auttaa tunnistamaan pieniä muutoksia laitteiden kunnossa, vertailemaan nykyisiä kuvia aiempiin tarkasteluihin ja korostamaan laitteita, jotka näyttävät vaurioituvan nopeammin kuin odotettiin. Ylläpitoaikataulut voivat perustua vähemmän iän tai säännöllisten tarkastelujaksojen sijaan laitteen todelliseen kuntoon ja riskiprofiiliin.

Teknologia voi myös tulla arvokkaammaksi, kun sähkölaitokset käyttöönottoavat suurempia droonilaivastojen, kiinteiden kameroiden, termisten anturien ja muiden seurantajärjestelmien käyttöä. Ilman automaattista analyysiä näiden työkalujen tuottama datamäärä voisi ylittää tarkastelutiimit. Tekoälyjärjestelmät voivat toimia suodattimena, joka ohjaa ihmisen asiantuntijoita kohti kuvia, laitteita ja poikkeamia, jotka vaativat eniten huomiota.

Pitkällä aikavälillä nämä kyvyt voivat tukea yksityiskohtaisempia digitaalisia verkon esityksiä, jotka yhdistävät visuaalisen tarkastelun säädataan, sähkökatkoihin, kasvillisuuden olosuhteisiin ja ylläpitotietoihin. Tämä voisi mahdollistaa sähkölaitosten mallittaa, miten yksittäiset viat voivat vaikuttaa laajempiin verkkoihin ja priorisoida korjauksia niiden vaikutuksen perusteella luotettavuuteen ja julkisen turvallisuuteen.

Tämä siirtymä tuo myös tärkeitä kysymyksiä mallin tarkin, kyberTurvallisuuden, avoimuuden ja vastuun vuoksi. Sähkölaitosten on ymmärrettävä, miksi järjestelmä tunnisti tietyn laitteen, kuinka varma se on arviossaan ja milloin ihmisen tarkastelu vaaditaan. Koska päätökset liittyvät kriittisiin infrastruktuureihin, tekoälysuositukset ovat todennäköisesti osa valvottua prosessia eikä täysin autonomista.

Jos nämä haasteet voidaan ratkaista, tietokoneen näkö voi kehittyä tarkastelukuvien katselusta verkon suunnittelun ja ylläpidon keskeiseksi osaksi. Pitkän aikavälin vaikutus ei välttämättä ole vähemmän tarkastelijoita, vaan muutos siinä, miten heidän aikaansa käytetään, ja suurempi huomio niille laitteille ja sijainneille, joissa puuttuminen voisi tehdä suurimman eron.