ИИ для безопасности подстанций: 95,87% точности в обнаружении опасностей с архитектурой Dual-LoRA
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
Модернизация энергетической инфраструктуры идет быстрыми темпами. Искусственный интеллект находится в авангарде этих изменений. Появилась новая специализированная языковая модель, которая с высокой точностью диагностирует угрозы на подстанциях. Система построена на базе Qwen2.5-VL-7B-Instruct и использует двунаправленную архитектуру с двумя ветвями и механизмом Dual-LoRA. Это четкий переход от универсальных ИИ-инструментов к узкоспециализированным промышленным решениям для сложных условий.
Подстанции создают уникальные задачи, которые стандартные модели часто не могут решить. Системы должны распознавать визуальные опасности и структурировать сложный диагностический текст, связанный с изображениями. Традиционные методы нередко упускают нюансы протоколов промышленной безопасности. Новая архитектура решает эти проблемы путем заморозки предварительно обученного ядра и нативного объединителя патчей. Это позволяет точно адаптировать модель через два архивных запуска адаптеров. Модель фокусируется исключительно на изучении конкретных паттернов нарушений безопасности, не теряя базового визуального понимания.
Для проверки подхода исследователи собрали обширный набор данных из 1173 записей по пяти категориям опасностей. Оценка проводилась на 121 идентификаторе изображений с эталонными метками. Детерминированный парсер присваивал категории на основе полей типа риска. Такая строгая методология позволила рассчитать полные матрицы ошибок и показатели для каждого класса, включая точность, полноту и F1-меру. Результаты впечатляют. Запуск A правильно классифицировал 115 изображений. Точность составила 95,04%, а Macro-F1 — 0,9282. Запуск B показал еще лучший результат. Он верно определил 116 изображений. Точность достигла 95,87%, а Macro-F1 — 0,9358.
Статистический анализ с помощью точного парного теста Макнемара не выявил значимых различий между двумя запусками. p-значение равно 1,000. Это свидетельствует о стабильной согласованности работы модели. Примечательно, что система продемонстрировала высокую полноту при обнаружении висящих предметов. Она верно определила 7 из 10 случаев в обоих запусках. Помимо числовой точности, исследование сделало акцент на воспроизводимости через аудит пересечения текстов и структурных полей. Эти меры гарантируют, что диагностические ответы не только точны, но и структурно надежны для применения на практике.
Текущая оценка ограничена внутренней выборкой. Это подчеркивает риски переобучения и необходимость дальнейших тестов на неизвестных объектах. Тем не менее, последствия для энергетической отрасли глубоки. Разграничение двунаправленной спецификации и предложенного рабочего процесса инспекции от простой проверки контрольных точек закладывает основу для более автономных интеллектуальных систем безопасности. По мере того как операторы сетей сталкиваются с растущим давлением для поддержания надежности при снижении воздействия людей на опасные среды, такие отраслевые ИИ-решения предлагают перспективный путь к более безопасной и умной энергетической инфраструктуре.