CN112740023A - 优化检测保温层下腐蚀的部署条件的机器学习系统和数据融合 - Google Patents

优化检测保温层下腐蚀的部署条件的机器学习系统和数据融合 Download PDF

Info

Publication number
CN112740023A
CN112740023A CN201980051592.0A CN201980051592A CN112740023A CN 112740023 A CN112740023 A CN 112740023A CN 201980051592 A CN201980051592 A CN 201980051592A CN 112740023 A CN112740023 A CN 112740023A
Authority
CN
China
Prior art keywords
data
machine learning
asset
cui
computing device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980051592.0A
Other languages
English (en)
Other versions
CN112740023B (zh
Inventor
A.阿尔谢里
S.N.利姆
A.埃默
M.尤曾巴斯
A.阿尔达巴格
M.阿巴布泰恩
V.坎宁翰
J.布特
G.K.Y.陈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Avitas Systems Inc
Saudi Arabian Oil Co
Original Assignee
Avitas Systems Inc
Saudi Arabian Oil Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US16/117,937 external-priority patent/US10533937B1/en
Application filed by Avitas Systems Inc, Saudi Arabian Oil Co filed Critical Avitas Systems Inc
Publication of CN112740023A publication Critical patent/CN112740023A/zh
Application granted granted Critical
Publication of CN112740023B publication Critical patent/CN112740023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/72—Investigating presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Radiation Pyrometers (AREA)
  • Image Analysis (AREA)

Abstract

用于预测基础设施资产中的保温层下腐蚀(CUI)的系统包括至少一个红外摄像机，其定位成捕获资产的热图像，至少一个智能安装座，其支撑并电耦合到所述至少一个红外摄像机并且包括无线通信模块、存储器、用于向所述至少一个红外摄像机充电的电池模块、适于获得环境条件数据的环境传感器模块以及用于从所述资产中获取CUI相关数据的结构探针传感器。至少一个计算设备具有无线通信模块，该无线通信模块与至少一个智能安装座进行通信，并配置有机器学习算法，该机器学习算法输出关于资产的CUI预测。云计算平台接收并存储所接收的数据和预测输出，并接收用于更新存储在计算设备上的机器学习算法的验证数据。

Description

优化检测保温层下腐蚀的部署条件的机器学习系统和数据 融合
发明领域
本发明涉及检测技术，更具体地涉及用于预测和检测保温层下腐蚀(CUI)的基于硬件和软件的系统。
背景技术
保温层下腐蚀(CUI)是其中诸如金属管之类的保温结构在保温层下面的金属表面上受到腐蚀的情况。由于保温层覆盖物通常会包围整个结构，无法轻易观察到腐蚀，因此检测CUI具有挑战性。CUI的典型原因是水分积聚，渗入保温材料中。水会积聚在保温层和金属表面之间的环形空间中，从而导致表面腐蚀。可引起腐蚀的水源包括雨水、漏水和冷凝、冷却水塔漂流、雨淋系统和蒸汽伴热泄漏。虽然腐蚀通常是局部开始的，但是特别是如果水介质或周围空气中存在重复加热和/或冷却热循环或污染物(如氯化物或酸)，则腐蚀会高速进展。
当未检测到CUI时，其结果可导致工艺设备或整个设施的关闭，并且可导致灾难性事件。由于它是一种隐藏的腐蚀机制，因此在移除保温层或使用先进的NDT(非破坏性试验)技术(如红外热成像)确定保温层下方的金属状况之前，仍然没有注意到损坏。移除保温层可能是一个耗时且昂贵的过程，而由于大量变量(例如，几何、环境、材料相关的变量)会在检测过程中产生假阳性(不正确地检测到腐蚀)和假阴性(不正确地未检测到腐蚀)，因此NDT技术的准确性可能还不够。另外，许多设施的管道网络较高，难以接近，需要使用脚手架进行目视检查。
由于这些挑战，已经发现资产的局部目视检查不能可靠地有效检测CUI，并且不能反映资产的状况。在CUI的预测风险评估中存在相关的技术差距。因此，迫切需要改进的检测和风险评估工具来确定CUI损坏的水平，制定适当的维护计划并减少此问题带来的繁重成本。
正是关于这些和其它考虑因素而呈现了本文所公开的内容。
发明内容
本发明的实施例提供一种用于使用机器学习和数据融合来预测和检测基础设施资产中的保温层下腐蚀(CUI)的系统。该系统包括至少一个红外摄像机，其定位成捕获资产的热图像，以及至少一个智能安装座，其机械支撑并电耦合到所述至少一个红外摄像机并且具有相对于所述资产可调节的位置。所述至少一个智能安装座包括通信模块、适于存储从所述至少一个摄像机接收的热图像数据的存储器、用于向所述至少一个红外摄像机充电的电池模块、适于获得环境条件数据的环境传感器模块以及适于从所述资产中获取CUI相关数据的至少一个附加传感器。该系统进一步包括具有处理器的至少一个计算设备，该计算设备配置有用于执行机器学习算法的指令，其以以下作为来自至少一个智能安装座的通信模块或存储器的输入：a)资产的热图像、b)环境条件数据、c)来自提供数据融合的探针传感器的CUI相关数据以及d)从常规CUI测试获得的结果数据，以及其适于输出有关资产的CUI预测。机器学习平台适于基于随时间从至少一个计算设备接收的累积输入数据来训练机器学习算法。
至少一个计算设备适于通过使用当前红外图像、环境传感器数据和CUI相关数据执行机器学习算法，通过确定当前部署条件下的机器学习算法的性能是否达到阈值水平，测试所述至少一个红外摄像机和至少一个智能安装座的当前部署条件。
在一些实施例中，通过腐蚀预测精度测量机器学习算法条件的性能。在其他实施例中，当前部署条件的性能通过部署和测试的成本来测量。在另外实施例中，当前部署条件的性能通过部署和测试的速度来测量。
至少一个计算设备测试的部署条件可以包括部署至少一个红外摄像机和至少一个智能安装座的一年中时间，部署至少一个红外摄像机和至少一个智能安装座的一天中时间，至少一个摄像机的位置、方向和图像捕获持续时间，以及至少一个摄像机在每个时间段捕获的图像的位置、类型和数量。
本发明的实施例提供一种用于预测和检测基础设施资产中的保温层下腐蚀(CUI)的系统。该系统包括至少一个红外摄像机，其定位成捕获资产的热图像，至少一个智能安装座，其机械地支撑并电耦合到所述至少一个红外摄像机，所述至少一个智能安装座包括无线通信模块、适于存储从所述至少一个摄像机接收的热图像数据的存储器、用于向所述至少一个红外摄像机充电的电池模块、适于获得环境条件数据的环境传感器模块；以及适于从所述资产中获取CUI相关数据的结构探针传感器。该系统还包括至少一个计算设备，其具有无线通信模块，该无线通信模块通信地耦合到所述至少一个智能安装座，所述计算设备配置有指令，该指令用于执行机器学习算法，该算法将热图像数据、环境条件数据和来自探针传感器的CUI相关数据作为输入，并输出有关所述资产的CUI预测；以及云计算平台，其适于接收和存储热图像数据、环境条件数据和来自探针传感器的CUI相关数据，以及所述计算设备的预测输出，所述云计算平台适于接收验证数据以更新存储在所述计算设备上的机器学习算法。
在某些实施例中，至少一个智能安装座包括用于支撑红外摄像机的固定装置，所述安装座是可旋转的并且可延伸的，以使得红外摄像机能够平移和倾斜。
在某些实施方式中，资产包括识别标签，并且至少一个智能安装座还包括可操作为扫描资产上的识别标签的标准摄像机。
在某些实施方式中，环境传感器模块可操作以检测温度、湿度和气压。结构探针传感器可以包括磁力测定传感器。
在某些实施例中，该系统还包括控制站，该控制站通信地耦合到至少一个智能安装座，并且适于将配置和控制命令传输到至少一个智能安装座。
至少一个计算设备采用的机器学习算法可以包括深度递归神经网络，并且在一些实施方式中，深度递归神经网络是长短期记忆(LSTM)网络。至少一个计算设备采用的机器学习算法可以进一步包括卷积神经网络。
在一些实施方式中，至少一个计算设备被配置为对从至少一个智能安装座接收的数据执行降噪。该系统可以具有多节点能力，其中至少一个安装座中的每个可以经由它们各自的通信模块彼此通信。
本发明的实施例还提供一种从基础设施资产获得数据以使得能够预测和检测保温层下腐蚀(CUI)的方法。该方法包括随时间捕获资产的热图像数据，使用附加感测模式探测资产以随时间获得附加的探测，测量环境条件以随时间获得环境条件数据，将热图像、附加的探测和环境条件数据结合到计算机可读文件中，然后将所述文件传输到使用一种算法的计算设备，该算法使用热图像、附加的探测和环境条件数据来预测资产是否包含CUI。
该方法的某些实施例还包括扫描资产以获取识别标签以获得标签照片数据并将标签照片数据包括在计算机可读文件中。附加感测模式可以包括例如磁力测定传感器。环境条件数据可以包括温度、湿度和气压测量值。
本发明的实施例还提供一种使用云计算平台预测基础设施资产中的保温层下腐蚀(CUI)的方法。该方法包括接收包括资产的热图像、资产的附加传感器探测数据以及资产处的环境条件的数据流，使用接收到的数据流和从云计算平台接收以更新的权重实时执行一种或多种机器学习算法，以生成关于资产是否包含CUI的预测，并将接收到的数据流和预测传输到云计算平台。
该方法的一些实施例还包括对接收到的数据进行噪声过滤。
该方法还可包括使用热动力学模型基于环境条件和资产的参数来生成合成热图像数据。在云计算平台上，可以将合成热图像数据与包括资产的热图像、资产的附加传感器探测数据以及资产的环境条件的流组合，以创建用于训练机器学习模型的数据训练集。在一些实施例中，机器学习模型包括深度递归神经网络。该方法的实施方式可以包括长短存储网络(LSTM)。机器学习模型可以进一步包括卷积神经网络。
本发明的实施例还提供了一种优化至少一个调查套件的部署条件的方法，该调查套件用于从基础设施资产获得数据，以能够预测和检测保温层下腐蚀(CUI)。该方法包括接收热图像、通过至少一个调查套件获取的随时间从资产获取的传感器数据以及关于至少一个调查套件的部署条件信息，随时间获得与该资产相对应的常规CUI检测方法的结果数据，使用捕获的热图像和其他传感器数据以及从资产获取的结果数据训练机器学习算法，并测试至少一个调查套件的部署条件。部署条件的测试包括在至少一个调查套件处接收包括环境条件数据和当前部署条件的当前测试条件，以随时间获得环境条件数据，使用环境条件数据和至少一个调查套件的当前部署条件执行机器学习算法，并基于测试条件确定机器学习算法的性能是否超过预设的性能阈值。如果机器学习算法的性能超过阈值，则使用测试条件优化部署条件。相反，如果机器学习算法的性能未超过阈值，则更改至少一个调查套件的部署条件，并反复重复机器学习算法，直到性能超过阈值或已进行设定的重复次数。
在一些实施例中，该方法进一步包括使用当前测试条件基于腐蚀预测精度来测量机器学习算法的性能。在其他实施例中，该方法还包括基于部署和测试的成本来测量机器学习算法的性能。在又进一步实施例中，该方法包括基于部署和测试的速度来测量机器学习算法的性能。
当前部署条件可包括部署至少一个调查套件的一年中时间，部署至少一个调查套件的一天中时间，至少一个调查套件的位置、方向和图像捕获持续时间，以及至少一个调查套件在每个时间段捕获的图像的位置、类型和数量。
从本发明的某些实施例的以下描述以及附图和权利要求书中可以了解这些和其它方面、特征和优点。
附图说明
图1是根据本发明实施例用于预测和检测CUI的基于云的学习系统的示意图。
图2是基于云的系统的实施例的示意图，其中部署了四个红外摄像机以及相应的智能安装座和计算设备以监视结构的CUI。
图3是示出根据本发明示例性实施例的智能安装座的功能元件的框图。
图4是示出根据本发明示例性实施例的用于生成合成热图像数据结构的方法的方框流程图。
图5A是根据本发明的实施例的使用调查套件执行的用于获取用于CUI预测的数据的方法的流程图。
图5B是根据本发明实施例的实时CUI预测的方法的流程图。
图6是根据本发明的实施例的使用机器学习系统来优化部署条件以部署用于CUI检测的调查套件的方法的流程图。
图7A是根据本发明实施例的用于优化腐蚀检测的一年中时间的流程图。
图7B是根据本发明实施例的用于优化腐蚀检测的一天中时间的流程图。
图7C是根据本发明的实施例的用于优化用于腐蚀检测的调查套件的位置、方向和图像捕获持续时间的流程图。
图7D是根据本发明的实施例的用于优化用于腐蚀检测的调查套件位置、摄像机类型和捕获的图像数量的流程图。
图8A是腐蚀的预测精度与一年中时间的示例性曲线图。
图8B是腐蚀的预测精度与一天中时间的示例性曲线图。
具体实施方式
本发明的实施例提供了一种预测方法，该方法考虑了相关的和独立的周围变量来检测保温层下腐蚀(CUI)。随着时间捕获被调查资产的热图像。
随着随时间捕获相同或重叠区域的一系列热图像，可以轻松观察到现象的变化，包括临时性问题(例如风)的影响。热图像可以提供几种类型或顺序的温度信息，这些信息可以指示易受CUI的位置。温度信息的第一级是通过热图像中显示的颜色显示的常规温度(T)数据。温度信息的第二级是温度的变化(ΔT)，例如不同区域之间显示的对比度，信息的第三级是温度分析的变化率(df(T)/dt)，其通过随时间分析一系列图像确定。使用独立的非破坏性测试(NDT)技术执行其他评估，诸如，例如在EM谱的其他部分的电磁检测，或磁力测定，以确定相关性关系。这种“传感器融合”提高了CUI检测、阴影检测或异常过程活动的精度，可以将其影响最小化。可以将环境条件数据(例如一天中的时间，天气，过程条件等)包括为机器学习算法的参数输入，这些参数用于从多个输入源生成结论。另外，在一些实施例中，为了减少由阴影、反射或其他伪像引起的热图像中的“噪声”的影响，可以将噪声过滤器用作预处理步骤。
通过传感器融合和基于时间的分析的组合，可以排除不确定性或混淆性变量，从而使学习算法可以在与环境条件相反的异常情况下归零，从而更有可能指示CUI。记录此类异常；之后，现场工程师可以对发生此类异常的位置进行验证检查。现场检查的结果(即“验证CUI”或“未验证CUI”)可以存储在本地或基于云的平台上，并用于训练受监督的机器学习系统，从而随着参数(权重、因子)随着时间通过不断包含更多内容的数据集进行细化而使系统随时间变得更加‘智能’。
图1是根据本发明的实施例的用于预测和检测CUI的机器学习系统100的示意图。图1示出了待测试的示例性结构105，在这种情况下是一组被保温的管。该实例的被保温的管可包括被一层或多层保温层围绕的金属管道。当腐蚀发生时，容易在保温层和金属管之间的环形区域形成腐蚀，在该环形区域中水分会被捕获并积聚。在图1中，一个或多个红外摄像机110(图中仅示出一个摄像机)位于结构105的近侧，以捕获红外辐射并记录从结构发射的热图像。用于CUI检测的合适的红外摄像机的一个实例是由俄勒冈州威尔逊维尔市的FLIR Systems，Inc.提供的C3 Wi-Fi实现的热感摄像机，尽管也可以使用其他设备。从结构105捕获的热图像可以揭示在可见光谱辐射中无法检测到的结构内的内部热对比，并且可以指示湿气积聚和/或腐蚀。红外摄像机110优选地在选定的持续时间内连续地和/或在不同的时间或日期间歇地捕获从结构的区域接收的热图像。红外摄像机110适于将热图像转换成标准化的计算机可读文件格式(即，热成像文件，jpg)。
红外摄像机110定位在安装座112上，如下面更详细地描述的，该安装座可以是“智能的”并且具有各种组件和功能。在一些实施例中，安装座可以被实现为三脚架。安装座112可以是可延伸的以达到结构上的较高高度(例如，通过伸缩)，并且可以包括联接到摄像机的机械头部固定装置，该机械头部固定装置具有相对于固定平面以各种角度摇动和倾斜的几个自由度。现场技术人员可以根据需要设置安装座头部的延伸和方向，以捕获来自结构不同区域的热图像。
在某些设施中，可以将识别标签张贴在资产或其部分上。可以使用GPS确定每个标签的准确地理位置。可以使用基于图像的标签(例如可从远处读取的QR码)来实现识别标签。为了利用标记特征，在一些实施例中，可以包括标准摄像机以及安装座上的红外摄像机以扫描资产上的标签。根据图像中标签(已知尺寸)的大小，可以确定从摄像机到标签的距离。通过标记，可以同时扫描和定位设施资产，而无需创建设施的复杂三维CAD模型。
红外摄像机110可以物理地且通信地联接到安装座112(例如，无线地通过蓝牙或Wi-Fi通信)。安装座112还包括或联接到一个或多个附加检测器，例如可见光传感器(常规摄像机)或电磁传感器(图1中未显示)，其可用于探测结构并获得补充读数以补充通过热成像获得的数据。以这种方式，可以组合来自两个或多个不同且独立的感测模式的数据，这称为“传感器融合”，其可以通过减少错误的肯定性分类而使下游预测和检测更加可靠。安装座112还包括用于检测环境条件(包括温度、湿度和气压)的传感器。所接收的热图像可以与周围条件和记录周围条件的当前时间相关联。该数据包含机器学习算法使用的参数，这些参数有助于解释和分类从结构捕获的热图像。
在一些实施例中，安装座112可以通信地耦合到计算设备115，该计算设备可以是具有足够的处理和存储能力的平板电脑、膝上型计算机或任何其他合适的计算设备，其可以方便地在现场就地获取以供现场技术人员使用。在这样的实施例中，安装座112用于将从摄像机110接收的热像图文件传输到计算设备115。在其他实施例中，由红外摄像机110和安装座112的其他传感器存储的数据可以本地存储，例如存储在存储卡中，然后传输到计算设备115。计算设备115优选地存储可执行应用以用于预测性分析。在进行预测性分析之前，可以通过红外摄像机110和/或计算设备115对热图像进行预处理。预处理可以包括图像过滤步骤，用于减少图像中可能由多种原因引起的噪声。计算机设备还执行一种或多种机器学习算法，该算法将接收到的热像图文件(热图像)作为输入并实时输出关于热图像包含感兴趣异常的概率的预测。如相关的共同拥有的申请(题为“Thermography Image Processingwith Neural Networks to IdentifyCorrosion Under Insulation(CUI)”的美国专利申请序列号15/712,490)所述，可以使用多种机器学习算法，包括深度学习算法，用于CUI检测。在一些实施方式中，在第一阶段中使用对图像进行详细分类有用的卷积网络，而在另外的阶段中使用对跟踪随时间的变化有用的循环神经网络。计算设备115在应用用户界面中提供机器学习算法的输出，该用户界面可以由现场技术人员方便地进行咨询。现场的实时预测性分析使现场技术人员可以支持观察，并迅速关注结构的高风险区域，这些区域更可能遭受腐蚀破坏。
在所描绘的实施例中，计算设备115经由网络交换机120(经由无线通信网络122)与云计算平台125无线通信。可选地，计算设备可以经由有线连接耦合到计算机网络和云计算平台125。无线网络122可以是无线局域网(WLAN)、无线广域网(WWAN)、蜂窝网络或这些网络的组合。云计算平台125包括通常动态分配的计算资源，其包括可以在分布式计算配置中独立地或协同地操作的一个或多个处理器(例如，一个或多个服务器或服务器集群)。云计算平台125包括数据库存储容量，该数据库存储容量用于存储用于托管应用程序以及用于归档所接收的数据以长期存储的计算机可执行指令。例如，现场的计算设备115可以将接收到的所有热图像和其他数据上传到云计算平台125，以进行安全存储以及进一步的处理和分析。更具体地，计算设备115可以格式化并发送例如MySQL或另一数据库格式的数据记录。示例数据库记录可包括(除其他字段外)标记的资产位置、在特定资产位置(或其链接)的随时间拍摄的一系列热图像、捕获热图像的摄像机的摄像机ID(摄像机ID)的数据值、捕获每个图像的时间/日期、该时间/日期的环境条件(例如温度)、传感器融合数据(例如可见光、电磁数据)。云数据库可以存储包括基础设施资产的位置和布局的详细地理映射(例如，来自LiDAR数据)，并且在云平台上执行的应用程序可以执行将传感器数据和预测性分析与资产的详细映射相结合的详细分析，以进行涵盖整个结构或结构组的风险评估。通信地耦合到云计算平台的控制站130可以访问这种评估的报告以及在云计算平台125上执行的其他处理的结果。在替代实施例中，智能安装座112可以在现场进行数据分析之前直接格式化接收的数据并将其发送到云计算平台。
图2描绘了更一般地在图1中示出的用于CUI预测和检测的基于云的学习系统的示例性实施方式。在图2中，该系统150包括四组摄像机、安装座和计算设备(“调查套件”)，其位于结构105附近的各个位置处，用于捕获热图像和其他数据。尽管在该实施例中使用了四个调查套件，但是再次指出，取决于例如所调查的结构或设施的大小，可以采用更少或更多数量的套件。更具体地，系统150使用以下来配置：与第一安装座154相关联的第一红外摄像机152和位于第一位置的第一计算设备156；与第二安装座164相关联的第二红外摄像机162和位于第二位置的第二计算设备166；与第三安装座174相关联的第三红外摄像机172和位于第三位置的第三计算设备176；和与第四安装座184相关联的第四红外摄像机182和位于资产105附近的第四位置的第四计算设备186。系统的所有安装座和计算设备都可以支持双向无线通信，因此，其每个都可以相互通信。例如，计算设备156、166、176、186接收到的热图像数据可以通过网络交换机120传输到云计算平台125，并传输到控制站130。可选地，当无线连接可用时，智能安装座154、164、174、184可以直接与控制站通信。通过提供冗余连接，系统中的每个智能安装座或计算设备都可以充当多节点系统中的通信节点，因此，如果一个或多个安装座或计算设备失去与控制站的连接，则可以转发数据到其他保持连接的节点。控制站130配置为向智能安装座154、164、174、184或计算设备156、166、176、186提供配置和控制命令。
为了从设施中众多结构和位置获取读数，可以手动或自动移动调查套件。当将套件移动到不同位置时，将在给定空间(即笛卡尔空间，x、y和z)中的一系列点上获取红外图像和其他传感器读数，并将其提供给计算设备以进行在本文描述的处理。例如，传感器数据最初可以产生矢量数据集(x1，y1，z1，i(传感器)1)....(xn，yn，zn，i(传感器)n)(对于传感器数据)和(x1，y1，z1，i(inf)1)…(xn，yn，zn，i(inf)n)(对于红外图像数据)。当数据从基本相同的位置捕捉(即，分别地，在非红外和红外传感器感测到的区域之间没有偏移或存在有限的偏移)时，两个数据集可以在单一矢量中组合，即，(xn，yn，zn，i(传感器)n，i(inf)n)。如以下进一步描述的，对于给定位置的每对感应模式(或两个以上模式)，计算系统做出关于资产位置是否已经受到腐蚀的预测。从而，用通过向预测引擎馈送诸如例如(xn，yn，zn，iTHzn，i(inf)n，预测n)的模型而获得的预测补充数据映射。由于在设施的大型三维空间上确定了预测，因此在某些情况下，可以识别出“热”区域，在该区域中，同一附近的几个数据点与腐蚀的肯定性预测相关联。同样，也可以识别出预测了腐蚀程度相对较小或没有腐蚀的连续区域。然后可以对此类热区域采取补救措施，而不对已确定相对较少腐蚀的其他区域采取补救措施。以这种方式，可以在其中腐蚀损坏可能性高的特定部分上执行保温层去除和其他补救措施，消除了随机去除保温层的部分或根据统计模式确定存在腐蚀的需要。
图3是示出根据本发明示例性实施例的智能安装座的功能元件的框图。智能安装座112包括摄像机联接器或安装座202，通过它可以将红外摄像机110牢固地机械固定并电连接到安装座112。如上所述，摄像机联接器202可包括可伸缩和可旋转的元件，例如伸缩轴，以及具有自由度的各种接头，以使摄像机能够平移和倾斜到期望的位置和方向。在一些实施方式中，智能安装座可以被支撑在配重可移动装置上，以在地面上提供转向子系统。
为了能够与系统的其他元件进行相互通信，智能安装座112可以包括通信模块204，该通信模块可以包括天线、收发器和配置为支持与其他智能安装座、计算设备和控制站130进行双向无线通信的电子组件。智能安装座112还包括可以使用SSD卡存储器来实现的存储器模块206。如果将红外摄像机安装在信号阻塞导致次优数据速率低于实际热图像流传输速率的位置，则板载存储器模块可用于存储热图像流以提供等待时间，同时无线尝试支持数据下载。
智能安装座112还包括环境传感器模块210，该环境传感器模块可以包括温度、湿度和压力传感器。附加的结构探测传感器模块212包括可用于使用不同于热成像的模式探测结构的CUI的检测器，包括但不限于可见光摄影、磁性(磁力测定)和超声检测器。结构探测传感器模块与来自红外摄像机的热图像一起提供了传感器融合功能，其增强CUI预测和风险评估。电源模块220包括电池模块222，该电池模块的大小足以为智能安装座组件提供电源，并在需要充电之前通过电源电路224为红外摄像机电池充电用于合适的数据收集时间。数据收集的合适持续时间可以是例如大约45分钟至大约90分钟。可以使用更大或更小的电池，用于更长或更短的数据收集期间。
在操作中，现场计算设备从红外摄像机和智能安装座接收(摄取)热图像、探测传感器和环境条件数据。最初的数据摄取可能会受到现场条件的影响，包括阴影、反射和虚假信号。如上所述，在执行机器学习算法之前，使用集成在软件(或者如果在红外摄像机中实现了过滤机制，则为固件或硬件)中的噪声过滤机制作为过滤噪声并放大信噪比的预处理步骤，对传入数据进行噪声过滤可以是有用的。在一些实施例中，可以通过降维和自动编码技术来过滤摄取的数据。在其他实施例中，可以替代或除了降维技术之外，还可以应用线性或非线性平滑滤波器。噪声过滤步骤有助于将CUI信号与阴影、反射以及正常的近红外热信号区分开。虽然可以在神经网络阶段使用多内容嵌入(multi-context embedding)在机器学习过程中最终识别并补偿数据中的此类噪声和其他伪像，但通过以这种方式过滤来预处理数据可能会花费更多的时间和资源。
可以用来增强对噪声的鲁棒性的另一种改进是引入合成训练数据以补充从现场获取的数据。包括有限元分析在内的数学模型是基于被保温金属结构的热动力学，并基于在现场拍摄的热图像作为校准和比较的基础。合成数据可以模拟和增强热图像训练数据集。合成数据还可以使学习系统对不同的环境条件(例如天气条件、温度、暴露于阳光和保温层后面的材料温度)更加稳健。合成数据可以由计算设备或云计算平台本地生成。无论哪种情况，都可以将合成数据合并到云计算平台的培训和应用程序数据库中。
图4是示出根据本发明的用于生成合成热图像数据结构的方法的框图，该方法用于补充用于预测性机器学习模型的训练集。用于生成合成热图像的输入包括环境变量302(例如，温度、湿度、气压，一天中的时间)，资产参数304(例如，尺寸、位置、材料、保温层)以及现场捕获的各种资产的热图像集306(“现场温度记录”)。将环境变量302和资产参数304输入到热力学模型310，该模型基于环境条件使用材料的已知热力学特性，以基于温度和湿度条件的随机概率分布随时间生成被保温资产的合成温度图315。合成温度图315和现场温度记录被输入到成像模型320。虽然可以仅从温度图创建图像，但可以将现场温度记录用作校准和比较的基础。例如，如果在相似的条件下，资产的温度图呈现出朝向比相似资产的现场温度记录图中显示的更大的温度对比度的趋势，则成像模型可以进行加权调整以使温度图更接近现场温度记录。在做出这样的调整之后，成像模型生成一组合成热图像325，其可用于在训练期间补充现场温度记录。
图5A是根据本发明的实施例的使用调查套件执行的用于获取用于CUI预测的数据的方法的流程图。在步骤400中，所述方法开始。在步骤402，将智能安装座和摄像机(红外、标准)安装在合适的位置，以监视设施中的资产。在步骤404，扫描张贴在资产上的任何标签。在步骤406中，捕获热图像、传感器融合和环境状况数据并将其存储在存储器中。在步骤408中，该信息被发送到本地计算设备以进行实时分析。所述方法在步骤410处结束。
图5B是根据本发明实施例的实时CUI预测的方法的流程图。在步骤500中，所述方法开始。在步骤502，计算设备从智能安装座接收捕获的数据。在步骤504，对接收到的数据进行噪声过滤。在步骤506，基于过滤的数据和来自先前训练的参数权重，使用机器学习算法来进行CUI预测和检测。机器学习算法可以包括深度学习技术，例如卷积和递归神经网络。在可选步骤508中，生成合成数据以补充从智能安装座接收的数据。在步骤510中，在图形用户界面上生成预测输出，以供现场技术人员查看。在接下来的步骤512中，将接收到的数据和预测输出发送到云计算平台。在步骤514，该方法结束。
图6是根据本发明的实施例的使用机器学习系统来优化部署条件以部署用于CUI检测的调查套件的方法的流程图。在步骤600处，所述方法开始。在步骤602中，将红外图像和其他传感器融合数据输入到系统。在步骤604中，将常规的侵入腐蚀测试的结果数据(图像)输入到系统。结果数据用于将红外数据和其他数据与现场的实际结果相关联，以训练系统将某些观察到的条件与腐蚀的存在或不存在相关联。
在步骤606，机器学习系统接收输入数据并确定是否将数据应用于训练与测试。在训练中，机器学习系统将数据应用于优化参数，以将图像和传感器数据与结果数据相关联。换句话说，训练尝试将结果(存在或不存在腐蚀)与某些类型的红外图像数据和随时间推移接收到的其他传感器数据进行匹配。优化的参数可以是应用于不同级次温度数据的系数，例如温度(T)、静态或动态温度对比(ΔT)或温度分析的变化率(df(T)/dt)的一种或全部。另外所述参数可以包括调查套件的部署特性，如下面将进一步描述的。相反，在测试期间，机器学习系统使用当前数据或与用于训练的数据不同的数据来确定训练后的系统是否可靠并适用于多种条件。如果在步骤606中由执行被配置为实现该算法的指令的处理器确定该数据将用于训练，则在步骤608中将该数据用于机器学习算法。在步骤610，机器学习算法生成训练的神经网络，其具有基于输入数据优化的参数。如果在步骤606中由执行指令的处理器确定该数据将用于测试，则在步骤612中将数据应用于测试在步骤608中生成的优化参数的可靠性。为了在步骤612中测试数据，在步骤614中，当时数据(即，时间、日期、温度(t1，t2，...tn)、湿度(t1，t2，...tn)、风速(t1，t2，...tn))(它们在现场由调查套件在一段时间内按时间序列获得)也将在测试期间与新的IR图像和结果数据一起用作输入。
在步骤616中，由执行指令的处理器确定使用当时环境条件数据614以及当前IR图像602和结果数据604的机器学习算法的性能是否超过预设阈值。用于确定测试性能的有效性的预设阈值可以是基于与结果数据匹配的测试数据的机器算法的准确预测的设定百分比(例如，90％)。如果达到阈值，则在步骤618中确定诸如部署条件的参数已被优化。所述方法然后在步骤620处结束。如果测试不满足阈值，则该方法返回到步骤602、604和614，在其中获得用于训练和测试的另一迭代的数据。
图7A、7B、7C和7D是流程图，其基于图6的流程图，用于优化特定的部署条件以确定设施现场的腐蚀。图7A的流程图与图6的流程图相同，除了在类似于图6中的步骤608的步骤708中，机器算法使用测试一年中的时间作为部署条件变量来优化性能。进行测试的一年中的时间至少部分确定在被调查结构上的入射阳光的角度，还部分确定结构由于入射阳光的强度而升温或降温的速率。此外，一年中的时间可以确定湿度水平(例如，湿度可以以季节性方式变化)。由于一年中的时间与环境温度和湿度条件之间的关系，调查套件的部署的一年中的时间可影响腐蚀检测的准确性。因此，对于工程师来说，知道一年中的什么时间最适合进行腐蚀测试将有用。这可以通过机器学习算法确定，该算法使用处理器中的程序以实现例如递归神经网络。在步骤718中，在执行指令的处理器确定测试数据是否已经超过性能的阈值之后，可以确定一年中的最佳时间并将其报告为机器学习和测试过程的输出。图8A是性能相对于一年中的时间的示例性曲线图，并且示出了在一年的一部分802中(覆盖夏天的一部分和秋天的大部分时间)，其中性能高于预设的精度阈值(例如，85％)。图8A的曲线图表明，一般来说，较晚的夏天和秋天是进行现场结构腐蚀测试的最佳时间。注意，图8A中所示的示例图仅是本发明原理的说明，并不意味着表示一年中的这些时间在这方面实际上是最佳的。
图7B类似地与图6的流程图相同，除了在类似于图6中的步骤608的步骤728(其类似于图6中的步骤608)中，机器算法执行代码，该代码使用测试一年中的时间作为部署条件变量来优化性能。类似一年中的时间，一天中的时间部分地决定了日光强度和湿度水平。出于与一年中时间类似的原因，因此，对于工程师来说，知道一天中的什么时间最适合进行腐蚀测试将有用。在步骤738中，由在处理器中执行的代码确定测试数据是否已经超过性能的阈值之后，可以确定一天中的最佳时间并将其报告为机器学习和测试过程的输出。图8B是性能相对于一年中的时间的示例性曲线图，并且示出了在一天的一部分804中(覆盖一天的中间)，性能高于预设的精度阈值(例如，85％)。图8B的曲线图表明，一般来说，在一天中午前几小时到午后几小时之间的一天的中间是进行现场结构腐蚀测试的最佳时间。注意，图8B中所示的示例图也仅是本发明原理的说明，并不意味着表示一天中的这些时间在这方面必定是最佳的。
图7C是通过优化调查套件的摄像机的位置和/或摄像机使用的持续时间来优化区域的调查覆盖范围的方法的流程图。在现场，可以相对于感兴趣的结构以各种距离和角度布置红外摄像机和其他设备。此外，红外摄像机或其他传感器从特定部分获取数据的时间量可以因用户设置而异。某些布置可以比其他布置更有利于获得高质量的热图像。在一些实施方式中，可以存在曝光所需的最小时段，在该最小时段下所获得的红外图像的质量较低。另一方面，过长的摄像机曝光时间会增加调查的总持续时间和成本。在图7C的流程图中，出于训练的目的，在步骤742中输入的红外数据除了图像数据之外还包括元数据。元数据可以包括调查套件中每个红外摄像机在不同时间的位置、相对于参考轴测量的每个摄像机在这些时间的角位置(方向)以及图像捕获持续时间。该元数据可以与在每个时间增量处拍摄的捕获的热图像相关联。在步骤748，使用输入的训练数据执行机器算法。在一些实施例中，通过在处理器中执行的代码来配置机器学习算法，以基于预测精度(即，基于输入数据和结果数据正确检测腐蚀的能力)来优化参数。如果在步骤756中，在使用当时测试数据测试已训练的算法期间确定性能低于阈值，则可以在步骤758中给出命令以自动将一个或多个摄像机的位置和角度自动移动到新位置，以调整摄像机对结构的覆盖范围。在步骤760，获取新的红外图像数据。另外，可以增加图像捕获持续时间。可以连续增加部署条件(一次一个)，以更好地区分其效果。在一些实施方式中，摄像机可由现场技术人员手动移动。可以在循环中迭代地完成部署条件的增加，直到在步骤756中性能超过阈值为止。
一旦性能超过阈值，则在步骤762中，可以认为位置、角度和暴露时间变量被优化以用于在预设精度阈值下预测腐蚀。这并不一定意味着在步骤762中确定的布置是用于获取结构数据的绝对最优布置。为了确定绝对最佳布置，可以执行一系列测试，并比较结果。
图7D是用于基于摄像机类型、位置和气候条件来优化所获取的红外图像的数量的方法的流程图。在调查期间，可以在调查套件中使用不同类型的红外摄像机(例如，具有光圈大小和分辨率的摄像机)，并且摄像机的位置可以以不同的布置变化。此外，取决于调查套件的布置和环境条件，获得足够的覆盖范围和/或清晰度所需的图像数量可以变化。在图7D的流程图中，出于训练的目的，在步骤772中输入的红外数据除了图像数据之外还包括元数据。元数据可以包括调查套件中每个红外摄像机在不同时间的位置、部署的每个摄像机的类型以及每个位置的摄像机捕获的图像数量。元数据可以与热图像相关联。在步骤778，使用输入的训练数据执行机器算法。机器算法使用以下来优化性能：在时间t1、t2、t3...处的红外图像元数据(即摄像机n的位置(xn，yn，zn)、摄像机n的类型Typn和每个摄像机n在时间t1、t2、t3处获取的图像数量。如果在步骤786中，在已训练算法的测试期间确定性能低于阈值，则可以在步骤788中给出命令以自动修改一个或多个摄像机的位置和/或通过摄像机的一个或多个重复不同的许多图像的数据采集。在步骤790中，使用捕获图像的增加的位置和/或数量获取新的红外图像数据。可选地，摄像机可由现场技术人员手动移动。可以在循环中迭代地完成此操作，直到在步骤776中性能超过阈值为止。
一旦性能超过阈值，则在步骤792中，可以认为位置、摄像机类型和捕获图像变量的数量被充分优化以用于在预设精度阈值下预测腐蚀。这并不一定意味着在步骤792中确定的布置是用于获取结构数据的最优布置。为了确定最佳布置，可以执行一系列测试，并比较结果。
在以上参照图7A、7B、7C和7D描述的实施例中，机器学习算法被设计为优化腐蚀检测精度(即，算法的成本函数是预测结果与实际结果之间的差异)。在其他实施例或实施方式中，其他参数(例如测试速度和以货币形式表示的测试成本)可以是优化变量，以便可以执行机器学习训练和测试以确定更快和/或更便宜的布置或使用腐蚀检测系统的调查套件的方式。
应理解，本文中所公开的任何结构和功能细节不应被解释为限制系统和方法，而是被提供为用于向本领域的技术人员教示用于实施方法的一种或多种方式的代表性实施例和/或布置。
应进一步理解，在若干图中，附图中相同的数字表示相同的元件，并且对于所有实施例或布置来说，不需要参考图式描述和说明所有组件和/或步骤
本文中所使用的术语仅用于描述特定实施例，且并非意图限制本发明。如本文所用，除非上下文另外明确指示，否则单数形式“一(a/an)”和“所述(the)”还旨在包括复数形式。将进一步理解，术语“包含(comprise)”和/或“包含(comprising)”在用于本说明书中时指示所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但并不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其群组的存在或添加。
本文使用的方向术语仅出于约定和参考的目的，而不应被理解为限制性的。然而，应认识到，可以参考观察者来使用这些术语。因此，没有暗示或推断任何限制。
而且，本文所使用的措词和术语是出于描述的目的并且不应被视为是限制性的。本文“包括(including)”、“包含(comprising)”或“具有(having)”、“含有(containing)”、“涉及(involving)”和其变体的使用意指涵盖在其后所列出的项目和其等效物以及附加项目。
虽然已经参考示范性实施例描述了本发明，但是本领域的技术人员将理解，在不脱离本发明的范围的情况下，可以进行各种变化并且可以用等效物代替其元件。此外，在不脱离本发明的实质范围的情况下，本领域的技术人员将了解许多修改以使特定的仪器、情况或材料适于本发明的教示。因此，希望本发明不限于作为实施本发明设想的最佳模式公开的特定实施例，但是本发明将包括属于所附权利要求书范围内的所有实施例。

Claims (30)

1.一种用于使用机器学习和数据融合来预测和检测基础设施资产中的保温层下腐蚀(CUI)的系统，包括：
至少一个红外摄像机，其定位成捕获所述资产的热图像；
至少一个智能安装座，其机械支撑并电耦合到所述至少一个红外摄像机并且具有相对于所述资产可调节的位置，所述至少一个智能安装座包括：
通信模块；
存储器，其适于存储从所述至少一个摄像机接收的热图像数据；
电池模块，其用于为所述至少一个红外摄像机充电；
环境传感器模块，其适于获取环境条件数据；和
至少一个附加传感器，其适于从所述资产中获取与CUI相关的数据；
至少一个计算设备，其具有处理器，所述计算设备配置有用于在所述处理器中执行机器学习算法的指令，所述处理器从所述至少一个智能安装座的所述通信模块或存储器接收输入，包括：a)所述资产的热图像；b)所述环境条件数据；c)来自提供数据融合的所述至少一个附加传感器的与CUI相关的数据；以及d)从常规CUI测试获得的结果数据，以及所述处理器输出有关所述资产的CUI预测；和
机器学习平台，其适于基于随时间从所述至少一个计算设备接收的累积输入数据来训练所述机器学习算法。
2.根据权利要求1所述的系统，其中所述至少一个计算设备适于通过使用当前红外图像、环境传感器数据和CUI相关数据执行所述机器学习算法，通过确定当前部署条件下的所述机器学习算法的性能是否达到阈值水平，测试所述至少一个红外摄像机和至少一个智能安装座的当前部署条件。
3.根据权利要求2所述的系统，其中所述机器学习算法条件的性能通过以下至少一项测量：
腐蚀预测精度；
部署和测试的成本；和
部署和测试的速度。
4.根据权利要求2所述的系统，其中由所述至少一个计算设备测试的部署条件包括部署所述至少一个红外摄像机和至少一个智能安装座的一年中时间，或部署所述至少一个红外摄像机和至少一个智能安装座的一天中时间。
5.根据权利要求2所述的系统，其中由所述至少一个计算设备测试的所述部署条件包括所述至少一个摄像机的位置、方向和图像捕获持续时间。
6.根据权利要求2所述的系统，其中由所述至少一个计算设备测试的所述部署条件包括所述至少一个摄像机的在每个时间段捕获的图像的位置、类型和数量。
7.根据权利要求1所述的系统，其中所述至少一个智能安装座包括用于支撑所述红外摄像机的固定装置，所述固定装置是可旋转的并且可延伸的，以使得所述红外摄像机能够平移和倾斜。
8.根据权利要求1所述的系统，其中所述资产包括识别标签，并且至少一个智能安装座还包括可操作为扫描所述资产上的所述识别标签的标准摄像机。
9.根据权利要求1所述的系统，其中所述至少一个附加传感器包括磁传感器。
10.根据权利要求1所述的系统，进一步包括控制站，所述控制站通信地耦合到所述至少一个智能安装座，并且适于将配置和控制命令传输到所述至少一个智能安装座。
11.根据权利要求1所述的系统，其中所述至少一个计算设备采用的所述机器学习算法包括深度递归神经网络。
12.根据权利要求11所述的系统，其中所述深度递归神经网络是长短期记忆(LSTM)网络。
13.根据权利要求1所述的系统，其中所述至少一个计算设备采用的所述机器学习算法还包括卷积神经网络。
14.根据权利要求1所述的系统，其中所述至少一个计算设备被配置为对从所述至少一个智能安装座接收的数据执行降噪。
15.根据权利要求1所述的系统，其中所述至少一个智能安装座中的每一个可以经由它们各自的通信模块彼此通信。
16.一种从基础设施资产获得数据以使得能够预测和检测保温层下腐蚀(CUI)的方法，包括：
随时间捕获所述资产的热图像数据；
使用附加感测模式探测所述资产，以随时间获得附加探测；
测量环境条件以随时间获得环境条件数据；
将所述热图像、附加探测和环境条件数据组合到计算机可读文件中；
扫描所述资产的识别标签以获得标签照片数据；
将所述标签照片数据包含在所述计算机可读文件中；和
将所述文件传输到使用算法的计算设备，所述算法使用所述热图像、附加探测和环境条件数据来预测所述资产是否包含CUI。
17.根据权利要求16所述的方法，其中所述附加感测模式基于磁力测定。
18.根据权利要求16所述的方法，其中所述环境条件数据包括温度、湿度和气压测量值。
19.一种使用云计算平台和数据融合预测基础设施资产中的保温层下腐蚀(CUI)的方法，包括：
接收数据流，其包括所述资产的热图像、所述资产的附加传感器探测数据以及所述资产处的环境条件；
使用接收到的数据流和从所述云计算平台接收以更新的权重实时执行一种或多种机器学习算法，以生成关于所述资产是否包含CUI的预测；和
将接收到的数据流和预测传输到所述云计算平台。
20.根据权利要求19所述的方法，还包括对接收到的数据进行噪声过滤。
21.根据权利要求19所述的方法，其进一步包含使用热动力学模型基于环境条件和所述资产的参数生成合成热图像数据。
22.根据权利要求21所述的方法，其中在所述云计算平台处，将所述合成热图像数据与包括所述资产的热图像、所述资产的附加传感器探测数据以及所述资产处的环境条件的流组合，以创建用于训练机器学习模型的数据训练集。
23.(原始)根据权利要求22所述的方法，其中所述机器学习模型包括深度递归神经网络。
24.(原始)根据权利要求23所述的方法，其中所述深度递归神经网络包括长短记忆网络(LSTM)
25.(原始)根据权利要求22所述的方法，其中所述机器学习模型还包括卷积神经网络。
26.一种优化至少一个调查套件的部署条件的方法，所述调查套件用于从基础设施资产获得数据，以能够预测和检测保温层下腐蚀(CUI)，包括：
接收热图像、通过所述至少一个调查套件获取的随时间从资产获取的传感器数据以及关于所述至少一个调查套件的部署条件信息；
随时间获取对应于所述资产的常规CUI检测方法的结果数据；
使用捕获的热图像和其他传感器数据以及从所述资产获取的结果数据训练机器学习算法；和
通过以下方式测试所述至少一个调查套件的部署条件：
接收当前测试条件，其包括所述至少一个调查套件处的环境条件数据和当前部署条件，以随时间获取环境条件数据；
使用所述至少一个调查套件的所述环境条件数据和当前部署条件执行所述机器学习算法；
确定基于所述测试条件的所述机器学习算法的性能是否超过预设性能阈值；
如果所述机器学习算法的性能超过所述阈值，则使用所述测试条件优化所述部署条件；
如果所述机器学习算法的性能未超过所述阈值，则更改所述至少一个调查套件的所述部署条件；和
反复重复执行所述机器学习算法，直到性能超过所述阈值或已进行设定的重复次数。
27.根据权利要求26所述的方法，还包括基于以下至少一项测量所述机器学习算法的所述性能：
使用当前测试条件的腐蚀预测精度；
部署和测试的成本；和
部署和测试的速度。
28.根据权利要求26所述的方法，其中所述当前部署条件包括部署所述至少一个调查套件的一年中时间，或者部署所述至少一个调查套件的一天中时间。
29.根据权利要求26所述的方法，其中由所述至少一个计算设备测试的所述当前部署条件包括所述至少一个调查套件的位置、方向和图像捕获持续时间。
30.根据权利要求26所述的方法，其中由所述至少一个计算设备测试的所述当前部署条件包括所述至少一个调查套件的在每个时间段的图像捕获的位置、类型和数量。
CN201980051592.0A 2018-08-30 2019-08-30 优化检测保温层下腐蚀的部署条件的机器学习系统和数据融合 Active CN112740023B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US16/117,937 US10533937B1 (en) 2018-08-30 2018-08-30 Cloud-based machine learning system and data fusion for the prediction and detection of corrosion under insulation
US16/117,937 2018-08-30
US16/254,831 2019-01-23
US16/254,831 US10643324B2 (en) 2018-08-30 2019-01-23 Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation
PCT/US2019/049154 WO2020047469A2 (en) 2018-08-30 2019-08-30 Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation

Publications (2)

Publication Number Publication Date
CN112740023A true CN112740023A (zh) 2021-04-30
CN112740023B CN112740023B (zh) 2024-07-02

Family

ID=67957428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980051592.0A Active CN112740023B (zh) 2018-08-30 2019-08-30 优化检测保温层下腐蚀的部署条件的机器学习系统和数据融合

Country Status (8)

Country Link
US (1) US10643324B2 (zh)
EP (1) EP3844488A2 (zh)
JP (1) JP7183425B2 (zh)
KR (1) KR102520423B1 (zh)
CN (1) CN112740023B (zh)
SA (1) SA521421227B1 (zh)
SG (1) SG11202101724PA (zh)
WO (1) WO2020047469A2 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11112349B2 (en) * 2019-07-16 2021-09-07 Saudi Arabian Oil Company Metal loss determinations based on thermography machine learning approach for insulated structures
US11846610B2 (en) * 2020-01-22 2023-12-19 Ta Instruments-Waters Llc Fixture identification in test systems
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
US20220341854A1 (en) * 2021-04-22 2022-10-27 Baker Hughes Holdings Llc Erosion detection and prediction
US11940083B2 (en) 2021-06-15 2024-03-26 Saudi Arabian Oil Company Determining thermal conditions in a pipeline
US12085236B2 (en) 2021-06-15 2024-09-10 Saudi Arabian Oil Company Determining thermal conditions in a pipeline
CN113554105B (zh) * 2021-07-28 2023-04-18 桂林电子科技大学 一种基于时空融合的物联网缺失数据补全方法
CN113537385B (zh) * 2021-08-01 2023-12-05 国网冀北电力有限公司超高压分公司 一种基于tx2设备的电力复合绝缘子憎水性分类方法
CN115389820B (zh) * 2022-10-27 2023-03-24 广东微容电子科技有限公司 一种mlcc绝缘电阻检测装置及使用方法
KR102524682B1 (ko) * 2022-12-28 2023-04-21 수자원기술 주식회사 상수도 비금속 관로의 노후도 진단방법
KR102524683B1 (ko) * 2022-12-28 2023-04-21 수자원기술 주식회사 상수도 비금속 관로의 노후도 진단 시스템

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR200291614Y1 (ko) * 2002-07-03 2002-10-11 황장선 단열피복 이중보온관
US20100107767A1 (en) * 2008-11-06 2010-05-06 Kane Russell D Method and System for Detecting Corrosion Under Insulation
CN102692429A (zh) * 2011-03-24 2012-09-26 中国科学院沈阳自动化研究所 一种复合材料内部缺陷类型自动识别检测方法
CN104809359A (zh) * 2015-05-22 2015-07-29 中国石油化工股份有限公司 保温层下腐蚀风险评估方法
US20150276491A1 (en) * 2014-03-25 2015-10-01 Rosemount Inc. Process conduit anomaly detection using thermal imaging
US20150381948A1 (en) * 2014-04-10 2015-12-31 Smartvue Corporation Systems and Methods for Automated Cloud-Based Analytics for Security Surveillance Systems with Mobile Input Capture Devices
US20160003734A1 (en) * 2013-02-25 2016-01-07 Subterandt Limited Detection system and method of detecting corrosion under an outer protective layer
US20160187509A1 (en) * 2014-12-31 2016-06-30 Ge Energy Oilfield Technology, Inc. Methods and Systems for Scan Analysis of a Core Sample
CN106771765A (zh) * 2017-01-05 2017-05-31 华北电力大学（保定） 一种运行中的复合绝缘子老化程度的多维参量评估方法
US9781243B1 (en) * 2016-06-27 2017-10-03 Intel Corporation Optimizing wearable device settings using machine learning
CN107543616A (zh) * 2016-06-24 2018-01-05 丘国强 利用三维热成像的机器状况监测系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040257464A1 (en) 2003-06-20 2004-12-23 Pandit Amol S. Camera tripold with memory storage and power source
US7145148B2 (en) 2003-09-25 2006-12-05 Alfano Robert R Systems and methods for non-destructively detecting material abnormalities beneath a coated surface
US8581975B2 (en) * 2006-06-16 2013-11-12 Worcester Polytechnic Institute Infrared defect detection system and method for the evaluation of powdermetallic compacts
US7902524B2 (en) 2009-02-23 2011-03-08 The Boeing Company Portable corrosion detection apparatus
US20130037420A1 (en) 2011-08-10 2013-02-14 Miki Funahashi Method and apparatus for detecting moisture on metal and other surfaces, including surfaces under thermal insulation
US9217999B2 (en) 2013-01-22 2015-12-22 General Electric Company Systems and methods for analyzing data in a non-destructive testing system
US20160148363A1 (en) * 2013-03-14 2016-05-26 Essess, Inc. Methods and systems for structural analysis
US20160284075A1 (en) 2013-03-14 2016-09-29 Essess, Inc. Methods, apparatus, and systems for structural analysis using thermal imaging
CN204086134U (zh) 2014-07-31 2015-01-07 中国石油大学(北京) 一种管道腐蚀检测仪
US10949584B2 (en) 2015-05-22 2021-03-16 Board Of Trustees Of Michigan State University Defect detection system using finite element optimization and mesh analysis
WO2017105646A1 (en) 2015-12-17 2017-06-22 Exxonmobil Upstream Research Company Thermographic method and system for inspecting a pipe
US11112784B2 (en) 2016-05-09 2021-09-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for communications in an industrial internet of things data collection environment with large data sets
JP6825846B2 (ja) * 2016-08-10 2021-02-03 旭化成株式会社 保全支援装置、保全支援用プログラム、及び保全支援方法
CN109804119B (zh) 2016-12-30 2021-03-19 同济大学 基于红外热像图分析的沥青路面裂缝发育程度检测方法
US10866927B2 (en) * 2017-05-10 2020-12-15 General Electric Company Intelligent and automated review of industrial asset integrity data
US10139372B1 (en) 2017-05-19 2018-11-27 Saudi Arabian Oil Company Two-stage corrosion under insulation detection methodology and modular vehicle with dual locomotion sensory systems
US20180341876A1 (en) * 2017-05-25 2018-11-29 Hitachi, Ltd. Deep learning network architecture optimization for uncertainty estimation in regression
US10976903B2 (en) * 2017-09-17 2021-04-13 Ge Inspection Technologies, Lp Industrial asset intelligence
US10976244B2 (en) 2018-03-21 2021-04-13 The Boeing Company Surface inspection system, apparatus, and method
WO2019213534A1 (en) 2018-05-04 2019-11-07 Hydromax USA, LLC Pipe inspection systems and methods

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR200291614Y1 (ko) * 2002-07-03 2002-10-11 황장선 단열피복 이중보온관
US20100107767A1 (en) * 2008-11-06 2010-05-06 Kane Russell D Method and System for Detecting Corrosion Under Insulation
CN102692429A (zh) * 2011-03-24 2012-09-26 中国科学院沈阳自动化研究所 一种复合材料内部缺陷类型自动识别检测方法
US20160003734A1 (en) * 2013-02-25 2016-01-07 Subterandt Limited Detection system and method of detecting corrosion under an outer protective layer
US20150276491A1 (en) * 2014-03-25 2015-10-01 Rosemount Inc. Process conduit anomaly detection using thermal imaging
US20150381948A1 (en) * 2014-04-10 2015-12-31 Smartvue Corporation Systems and Methods for Automated Cloud-Based Analytics for Security Surveillance Systems with Mobile Input Capture Devices
US20160187509A1 (en) * 2014-12-31 2016-06-30 Ge Energy Oilfield Technology, Inc. Methods and Systems for Scan Analysis of a Core Sample
CN104809359A (zh) * 2015-05-22 2015-07-29 中国石油化工股份有限公司 保温层下腐蚀风险评估方法
CN107543616A (zh) * 2016-06-24 2018-01-05 丘国强 利用三维热成像的机器状况监测系统
US9781243B1 (en) * 2016-06-27 2017-10-03 Intel Corporation Optimizing wearable device settings using machine learning
CN106771765A (zh) * 2017-01-05 2017-05-31 华北电力大学（保定） 一种运行中的复合绝缘子老化程度的多维参量评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
G. CADELANO等: "Corrosion Detection in Pipelines Using Infrared Thermography: Experiments and Data Processing Methods", JOURNAL OF NONDESTRUCTIVE EVALUATION, vol. 49, no. 2016, pages 1 - 11 *
刘小辉等: "保温层下腐蚀检查与实施", 涂料技术与文摘, vol. 36, no. 10, pages 13 - 20 *

Also Published As

Publication number Publication date
US20200074616A1 (en) 2020-03-05
CN112740023B (zh) 2024-07-02
JP2022501617A (ja) 2022-01-06
US10643324B2 (en) 2020-05-05
EP3844488A2 (en) 2021-07-07
WO2020047469A2 (en) 2020-03-05
WO2020047469A3 (en) 2020-07-02
SA521421227B1 (ar) 2024-04-08
JP7183425B2 (ja) 2022-12-05
SG11202101724PA (en) 2021-03-30
KR102520423B1 (ko) 2023-04-11
KR20210048506A (ko) 2021-05-03

Similar Documents

Publication Publication Date Title
CN112740023B (zh) 优化检测保温层下腐蚀的部署条件的机器学习系统和数据融合
US10871444B2 (en) Inspection and failure detection of corrosion under fireproofing insulation using a hybrid sensory system
KR102578769B1 (ko) 단열재 하부부식(cui)을 식별하기 위해 신경망을 이용한 서모그래피 이미지 처리
US11162888B2 (en) Cloud-based machine learning system and data fusion for the prediction and detection of corrosion under insulation
GB2559291B (en) UAVs for detecting defects in solar panel arrays
CN113056665A (zh) 使用混合传感系统对防火绝缘层下腐蚀进行检查与故障检测
CN111337142A (zh) 体温修正方法、装置及电子设备
CN109979468B (zh) 一种雷击光学路径监测系统及方法
WO2012087387A2 (en) Thermal powerline rating and clearance analysis using thermal imaging technology
KR102136106B1 (ko) 태양광 발전량 예측 장치
KR20190142626A (ko) Uav 탑재용 하이브리드 이미지 스캐닝에 기반한 자동화 구조물 균열 평가 시스템 및 그 방법
JP2020016527A (ja) 定置式ガス検知装置の設置箇所の調査方法
Chen et al. Video camera-based vibration measurement for Condition Assessment of Civil Infrastructure
KR102514703B1 (ko) 복수 개의 카메라를 이용하여 구조물의 손상 영역을 촬영하는 무인 비행 장치 및 이를 이용한 구조물 손상 검사 장치
Oufadel et al. In-situ heat losses measurements of parabolic trough receiver tubes based on infrared camera and artificial intelligence
Lafi et al. 3D thermal and spatial modeling of a subway tunnel: A case study
US20240053287A1 (en) Probability of detection of lifecycle phases of corrosion under insulation using artificial intelligence and temporal thermography
CN113124326A (zh) 油气管道泄漏巡线检测方法和系统
Pozzer et al. End-to-end processing of passive thermography sequences from outdoor concrete infrastructure inspection
WO2024035640A2 (en) Probability of detection of lifecycle phases of corrosion under insulation using artificial intelligence and temporal thermography

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant