Con los mercados energéticos en rápida evolución en juego, la IA está ayudando a ciudades de todo el mundo a mantenerse iluminadas.
Siemens Energy está poniendo en juego el Servidor de Inferencia NVIDIA Triton para utilizar la IA y ayudar a resolver los problemas de gestión de plantas de energía relacionados con el servicio predictivo en todo el mundo.
El gigante energético se une a Microsoft, American Express, USPS y muchos otros que confían en el deep learning de Triton, software de código abierto para llevar la IA a producción simplificando la forma en que se ejecutan los modelos en cualquier framework y en cualquier GPU o CPU para todos los tipos de inferencia.
Siemens Energy, un proveedor líder de equipos y tecnologías para plantas de energía, tiene una enorme cartera de máquinas y sitios a los que dar servicio; literalmente ayuda a mantener las luces encendidas en todo el mundo. Su base instalada cuenta con decenas de miles de turbinas de gas, turbinas de vapor, generadores, motores de gas y diésel de Siemens, una asombrosa cantidad de piezas móviles que gestionar.
Para aumentar la complejidad, una mayor combinación de energías renovables en la red está presionando a las plantas de energía en todas partes para que operen de manera más flexible y eficiente con la ayuda de la IA .
«Hoy en día, muchas de estas centrales eléctricas combinadas son necesarias para la estabilidad de la red, por lo que algunas están fuera de línea durante bastante tiempo y luego se ponen en funcionamiento cuando se necesita estabilidad en la red», dijo Arik Ott, gerente de producto de Siemens Energy AG.
Centrales Eléctricas Autónomas
Para aumentar la eficiencia de sus socios energéticos, Siemens Energy está recurriendo a NVIDIA Triton para que la IA abra un camino hacia las plantas de energía autónomas, reduciendo costos en el camino.
Esta no es una tarea fácil. Hoy en día, cientos de tipos de inspecciones se realizan mediante recorridos humanos, lo que requiere experiencia en el dominio. Y muchas plantas de energía ya no están en modo permanente y no necesitan personal completo en todo momento, lo que genera preocupaciones sobre los costos de operación y la necesidad de administración remota.
Además, Europa tiene una fuerza laboral que envejece y se espera que muchos se jubilen durante la próxima década y será difícil reemplazarlos con las habilidades adecuadas, dice Ott.
El Centro para el Desarrollo Global estima que habrá 95 millones menos de personas en edad de trabajar en Europa en 2050 en comparación con 2015.
«Queremos que la tecnología cierre la brecha de conocimientos cuando no tengamos acceso a todas las personas que necesitamos», dijo Ott.
Siemens Energy admite una amplia variedad de machine learning a partir de imágenes de escenarios tomadas con cámaras in situ y otros sensores para datos utilizados en análisis. Como resultado, se requiere una solución de inferencia altamente escalable (para manejar millones de sensores) capaz de trabajar con múltiples frameworks y flujos de entrada masivos.
Siemens Energy seleccionó a Triton para la inferencia debido a su capacidad para cumplir con los requisitos de múltiples frameworks y modelos. Los científicos de datos ahora pueden elegir el framework que prefieran, como PyTorch, TensorFlow, ONNX y otros, para diferentes modelos y entradas como imágenes, videos y sonidos.
Siemens Energy ejecuta NVIDIA Triton en AWS para lograr escala y multiinquilino con planes de ejecutarse en el edge donde los datos no se pueden sacar de las centrales eléctricas.
«La flexibilidad del Servidor de Inferencia NVIDIA Triton está permitiendo que plantas de energía altamente complicadas, a menudo equipadas con cámaras y sensores pero con sistemas de software heredados, se unan a la revolución industrial autónoma que está teniendo lugar», afirmó Ott.
IA para Eficiencias Industriales
La IA para cualquier tipo de unidad generadora de energía mejora la continuidad del negocio (mantiene todo en funcionamiento) y puede reducir los costos.
Esto es importante para los proveedores de energía, ya que una afluencia de fuentes de energía renovables en la red significa que las plantas de energía que no funcionan a tiempo completo para suministrar energía están creando problemas de exceso de personal. Si los sitios no están en línea, la administración remota y el envío centralizado de empleados de servicio a ellos pueden controlar los costos.
Hoy en día, sin embargo, el personal in situ realiza más de 360 actividades únicas durante las inspecciones de las plantas de energía. Mientras tanto, la escasez de mano de obra es motivo de preocupación y se espera que aumente en zonas geográficas con poblaciones en declive y fuerzas laborales que envejecen, lo que afectará estas operaciones de misión crítica. Además, la COVID-19 ha puesto de manifiesto la necesidad de que las centrales eléctricas se preparen para afrontar la escasez de trabajadores ante este tipo de eventos criticos.
Es una opción ideal para que los sensores con IA completen o mejoren las inspecciones físicas al proporcionar monitoreo remoto las 24 horas. Además, los análisis proporcionados ofrecen monitoreo automatizado en tiempo real, así como la capacidad de que las plantas de energía asigne niveles de autonomía en el control de instalaciones con IA.
«Necesitábamos una solución en la que pudiéramos alojar los modelos para los diferentes tipos de análisis con la capacidad de escalar sin cambiar la solución de alojamiento», dijo Sanjukta Ghosh, arquitecto de soluciones para inspecciones visuales automáticas en Siemens AG.
IA para Reducir Problemas
Actualmente, las centrales eléctricas requieren un control exhaustivo tanto de la eficiencia como de la seguridad. Las fugas de líquido, vapor o aceite que pasan desapercibidas pueden ser catastróficas y costar millones de dólares.
Siemens Energy entrenó modelos con miles de imágenes para cada uno de sus diversos escenarios. Diferentes ubicaciones y diferentes condiciones de iluminación requirieron un aprendizaje de transferencia menor para permitir que los modelos funcionaran.
También se pueden controlar los ruidos. Siemens Energy está comenzando a desarrollar modelos para manejar datos de audio.
Los conjuntos de modelos habilitados por Triton permiten un preprocesamiento adicional de las imágenes, como la anonimización de las personas.
Flexibilidad del Servidor de Inferencia Triton
Triton ofrece la flexibilidad para manejar estos escenarios y muchos otros. Por ejemplo, permite el uso de múltiples modelos que podrían aplicarse a diferentes situaciones.
Según la compañía, un modelo de fuga de vapor entrenado en fotografías de interiores puede ejecutarse mientras otro está sintonizado para imágenes de fugas de vapor en exteriores.
Triton facilita la implementación en la nube o en el edge. Esto es útil en casos en los que los datos no se pueden sacar de las plantas de energía y se requieren análisis locales o en el edge.