CN114270188A - 用于检测液体燃料液流中至少一种污染物的方法和系统 - Google Patents
用于检测液体燃料液流中至少一种污染物的方法和系统 Download PDFInfo
- Publication number
- CN114270188A CN114270188A CN202080059740.6A CN202080059740A CN114270188A CN 114270188 A CN114270188 A CN 114270188A CN 202080059740 A CN202080059740 A CN 202080059740A CN 114270188 A CN114270188 A CN 114270188A
- Authority
- CN
- China
- Prior art keywords
- liquid fuel
- parameters
- fuel
- contaminant
- stream
- 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.)
- Pending
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 145
- 239000007788 liquid Substances 0.000 title claims abstract description 99
- 239000000356 contaminant Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 239000003921 oil Substances 0.000 claims description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 41
- 239000007787 solid Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 17
- 239000000295 fuel oil Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 239000007789 gas Substances 0.000 claims description 10
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 235000019198 oils Nutrition 0.000 description 45
- 238000012360 testing method Methods 0.000 description 27
- 239000012530 fluid Substances 0.000 description 25
- 238000004891 communication Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 20
- 239000000203 mixture Substances 0.000 description 11
- 239000002245 particle Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000010747 number 6 fuel oil Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010079 rubber tapping Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 235000019476 oil-water mixture Nutrition 0.000 description 3
- 239000012071 phase Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000010734 process oil Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000010730 cutting oil Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 230000002147 killing effect Effects 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003027 oil sand Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
- G01N11/02—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties by measuring flow of the material
- G01N11/04—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties by measuring flow of the material through a restricted passage, e.g. tube, aperture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/22—Fuels; Explosives
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/32—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by using flow properties of fluids, e.g. flow through tubes or apertures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/36—Analysing materials by measuring the density or specific gravity, e.g. determining quantity of moisture
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measuring Volume Flow (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
一种检测液体燃料液流中至少一种污染物的方法包括测量液体燃料液流的一个或多个参数。根据测量的一个或多个参数,确定液体燃料的一个或多个属性。从一个或多个参数和一个或多个属性中选定的那些提取多个特征。对提取的特征应用经过训练的分类模型,以确定液体燃料中至少一种污染物的类型和数量。
Description
技术领域
本公开广泛地涉及,但不限于,燃料质量监测,特别是用于检测液体燃料液流中至少一种污染物的方法和系统。
背景技术
燃料供应,即船舶加油,预计是一个价值1250亿美元的产业。燃料占船舶运营成本的60%。不合规格(或非规格,Off-specification)或被污染的燃料会对发动机的性能产生不利影响,并造成严重损害。这样的事件并不少见,因为每年有超过100艘船舶出现这样的问题。从燃料箱中清除被污染的燃料通常是昂贵的,因为需要船舶停止运行,专业设备和人员登船。随着国际海事组织(IMO)对燃料执行新的合规条例,使用非规格的燃料可能会被重罚。由于不同地区或市场的燃料质量差异很大,改进燃料质量测试势在必行。
目前实验室测试燃料质量的方法是基于取样方法,并且是手动的、缓慢的,容易出现人为和不可预见的错误。这种取样方法的测试报告一般需要1-7天才能获得,在此之前,船舶的船员没有关于燃料的信息。因此,这种延迟是昂贵的,而且可能是破坏性的。
需要提供用于检测液体燃料中的污染物的方法和装置,该方法和装置至少可以解决上述的一些问题。
发明概述
本公开的一个方面提供了一种检测液体燃料液流中至少一种污染物的方法。该方法包括测量液体燃料液流的一个或多个参数;基于测量的一个或多个参数,确定液体燃料的一个或多个属性;从一个或多个参数和一个或多个属性中选定的那些提取多个特征;以及对提取的特征应用经过训练的分类模型以确定液体燃料中至少一种污染物的类型和数量。
液流的一个或多个参数可以以选定的频率测量,并且该方法可以进一步包括将液流的一个或多个参数和液体燃料的一个或多个属性记录为各自的时间序列。提取多个特征可包括在每个选定的时间序列上运行一个选定大小的特征窗口。
该方法可进一步包括如果至少一种污染物的数量超出预定范围,则产生警报。
液流的一个或多个参数可以选由自差压、静态压力、温度和质量流速组成的组。液体燃料的一个或多个属性可包括密度和粘度。该特征可选自由斜率、振幅、波长、频率、偏度、幅度和均方根值组成的组。至少一种污染物可选自由水、硫、油、气体和固体组成的组。液体燃料可以包括燃料油或馏分油。
分类模型可以基于多组标记的训练数据进行训练,并且标记的训练数据可以包括具有已知属性的液体燃料、具有一种或多种已知污染物的液体燃料以及具有已知参数的液流中的一种或多种。
本公开的另一个方面提供了一种用于检测液体燃料液流中至少一种污染物的系统。该系统包括多个被配置为测量液体燃料液流的一个或多个参数的传感器,以及处理器。该处理器被配置为根据测量的一个或多个参数,确定液体燃料的一个或多个属性;从一个或多个参数和一个或多个属性中选定的那些中提取多个特征;并对提取的特征应用经过训练的分类模型,以确定液体燃料中至少一种污染物的类型和数量。
多个传感器可以被配置为以选定的频率测量液流的一个或多个参数,并且处理器可以进一步被配置为将液流的一个或多个参数和液体燃料的一个或多个属性记录为各自的时间序列。处理器可被配置为在每个选定的时间序列上运行选定大小的特征窗口以提取多个特征。
处理器可以进一步被配置为在至少一种污染物的数量超出预定范围时产生警报。
液流的一个或多个参数可以选自由差压、静态压力、温度和质量流速组成的组。液体燃料的一个或多个属性可包括密度和粘度。该特征可选自由斜率、振幅、波长、频率、偏度、幅度和均方根值组成的组。至少一种污染物可选自由水、硫、油、气体和固体组成的组。液体燃料可以包括燃料油或馏分油。
分类模型可以基于多组标记的训练数据进行训练,并且标记的训练数据可以包括具有已知属性的液体燃料、具有一种或多种已知污染物的液体燃料以及具有已知参数的液流中的一种或多种。
本公开的另一个方面提供了一种用于检测液体燃料液流中至少一种污染物的系统。该系统包括液体燃料流经的封闭管道;沿封闭管道设置的多个传感器;连接到封闭管道的质量流量计;以及与多个传感器和质量流量计通信耦合的处理器。该处理器被配置为根据来自多个传感器和质量流量计的输出,来监测液流的一个或多个参数和液体燃料的一个或多个属性。该处理器被配置为应用经过训练的分类模型,以在选定的时间段内根据与液流的一个或多个参数相关联的特征的变化和和液体燃料的一个或多个属性,确定液体燃料中至少一种污染物的类型和数量。
附图简要说明
对于本领域的普通技术人员来说,通过以下书面描述,仅以举例的方式,并结合附图,将更好地理解和容易看出本公开的实施方式,其中:
图1(a)示出根据实施方式检测液体燃料液流中至少一种污染物方法的流程图。
图1(b)示出图1(a)的方法的实施方式的流程图。
图2(a)示出根据实施方式的用于检测液体燃料液流中的至少一种污染物的系统的框图。
图2(b)示出图2(a)的系统的实施方式的示意图。
图3(a)示出根据实施方式的用于测试和验证图1(a)的方法的橇体(或撬体,skid)模型。
图3(b)示出图3(a)的橇体管段的放大视图。
图4示出油水混合物的密度随油的浓度变化而变化的图。
图5示出在不同的流速下,压降随油的浓度的变化而变化的图。
图6示出阻力系数随液流中固体的浓度的变化而变化的图。
图7,包括7(a)-7(c),示出燃料液流中水浸的测试结果。
图8,包括8(a)-8(c),示出燃料液流中水滴的测试结果。
图9,包括9(a)-9(c),示出燃料液流中重油的测试结果。
图10,包括10(a)-10(c),示出燃料液流中沙粒的测试结果。
图11,包括11(a)-11(b),示出燃料液流中喷气的测试结果。
图12示出适合实现本公开的至少一些方面的计算机系统的示意性框图。
本领域技术人员将理解,图中的元件是为了简单明了进行说明的,不一定是按比例描绘的。例如,插图、框图或流程图中的一些元件的尺寸相对于其他元件可能被夸大,以帮助提高对本发明实施方式的理解。
详细说明
本公开提供了用于检测在管道中传输的液体燃料中污染物的方法、装置和系统。具有已知属性的液体燃料预计会表现出某些流动特性。液体燃料中的污染物通常会改变燃料的属性,而被污染的燃料和标准燃料的流动特性会有差异。通过收集这些液流参数的变化,就有可能对燃料中的污染物进行检测和分类。本公开的技术利用标准流量仪表来采集流动特性,然后通过软件处理这些特性以检测和分类污染物。
在实施方式中,利用的主要流动属性是液流中的摩擦梯度,使用差压传感器进行测量。在流动条件下采集摩擦梯度。流动条件的变化影响摩擦梯度。温度和静态压力的变化也影响摩擦梯度。因此,流量仪表利用质量流量计监测流速,利用温度传感器监测温度,利用压力传感器监测静态压力。由于流速、温度和静态压力的变化引起的摩擦梯度的变化被检查和计算。
然后对压差读数进行处理并转换为粘度。这些算法构成预处理模块的一部分。然后通过信号处理模块对粘度信号进行分析,以提取“特征”,然后将其输入到分类模块。在分类模块中,这些特征与训练数据进行交叉检查,以形成对导致粘度信号异常的污染物的预测性估计。在一些实施方式中,针对燃料传输的全部时间来总结估计值。换句话说,所公开的技术将液流中的污染物检测为液流中的异常,由橇体上的常规流量仪表采集,然后将其归类为污染物。
将参照附图,仅以举例的方式描述实施方式。图中类似的参考数字和标记指的是类似的元件或等价物。
接下来描述的某些部分明确或隐含地以算法和计算机存储器内数据操作的功能或符号表示的方式提出。这些算法描述和功能或符号表示是数据处理技术领域的技术人员用来向本领域的其他技术人员最有效地传达其工作主要内容的手段。一般来说,算法在这里被认为是导致所需结果的一连串自洽的步骤。这些步骤是那些需要对物理量进行物理操作的步骤,如能够被存储、传输、组合、比较和以其他方式操作的电、磁或光学信号。
除非特别说明,并且从下文中可以明显看出,在整个本说明书中,利用诸如“输入”、“计算”、“确定”、“应用”、“提取”、“生成”、“初始化”、“输出”或类似术语的讨论是指计算机系统或类似电子设备的操作和处理,该操作和处理在计算机系统或其他信息存储、传输或显示设备内将表示物理量的数据操作和转换为表示物理量的类似的其他数据。
本说明书还公开了用于执行方法的操作的装置。这种装置可以为所需目的而专门建造,或者可以包括计算机或其他装置,通过存储在计算机中的计算机程序选择性地激活或重新配置。本文介绍的算法和显示方法与任何特定的计算机或其他装置没有内在联系。各种机器可以根据本文的教导与程序一起使用。另外,建造更多的专门装置来执行所需的方法步骤可能是合适的。常规计算机的结构将从下面的描述中出现。
此外,本说明书还隐含地公开了计算机程序,本文所述方法的各个步骤可以通过计算机代码付诸实施对于本领域的技术人员来说是显而易见的。该计算机程序并不局限于任何特定的编程语言及其实现。可以理解的是,各种编程语言及其编码可用于实现本文所包含的公开的教导。此外,该计算机程序不局限于任何特定的控制流程。该计算机程序有许多其他变体,并且可以使用不同的控制流程而不偏离本公开的范围。
此外,计算机程序的一个或多个步骤可以并行地而不是顺序地执行。这样的计算机程序可以存储在任何计算机可读介质上。该计算机可读介质可包括存储设备,如磁或光盘、存储芯片或其他适合与计算机连接的存储设备。计算机可读介质也可以包括硬线介质,如互联网系统中的例子,或无线介质,如GSM、GPRS、3G、4G或5G移动电话系统中的例子,以及其他无线系统,如蓝牙、ZigBee、Wi-Fi。当该计算机程序被加载并在这样的计算机上执行时,有效地产生了实现优选方法的步骤的装置。
本公开内容也可以作为硬件元件来实现。更特别的是,在硬件意义上,元件是为与其他组件或元件一起使用而设计的功能性硬件单元。例如,一个元件可以使用分立的电子组件来实现,或者它可以形成整个电子电路的一部分,如特定应用集成电路(ASIC)或现场可编程门阵列(FPGA)。还存在许多其他的可能性。本领域的技术人员将理解,该系统也可以作为硬件和软件元件的组合来实现。
根据各种实施方式,“电路”可以理解为任何种类的逻辑实现实体,其可以是特殊用途的电路或执行存储在存储器、固件或其任何组合中的软件的处理器。因此,在实施方式中,“电路”可以是硬线逻辑电路或可编程逻辑电路,如可编程处理器,例如微处理器(例如复杂指令集计算机(CISC)处理器或精简指令集计算机(RISC)处理器)。“电路”也可以是执行软件的处理器,例如任何种类的计算机程序,例如使用虚拟机代码的计算机程序,例如Java。根据另一个实施方式,可在此详细描述的各自功能的任何其他种类的实现也可被理解为是“电路”。
图1(a)示出了流程图100,说明了根据实施方式检测液体燃料液流中至少一种污染物的方法。在步骤102,测量液体燃料液流的一个或多个参数。在步骤104,基于测量的一个或多个参数,确定液体燃料的一个或多个属性。在步骤106,从一个或多个参数和一个或多个属性中选定的那些提取多个特征。在步骤108,将经过训练的分类模型应用于提取的特征,以确定液体燃料中至少一种污染物的类型和数量。
在一些实施例中,根据燃料中的密度、粘度、水和固体含量的相关ISO标准,设置燃料质量的阈值。如果燃料质量虽然并不理想但处于可接受的水平,则允许燃料传输而不发出任何警报。如果燃料质量不可接受(即污染物的数量超出可接受的范围),则产生警报以采取必要行动。
本方法可以在流动过程本身(例如在传输管道上)监测粘度和污染物,例如液流中的水含量和固体含量。这种监测可以促进在燃料传输过程中在线检测燃料成分的异常,而不是在传输之后从实验室测试样品的离线燃料报告中检测。异常可以被及早发现,并采取适当的行动来防止使用不合规格的燃料,减少对船舶发动机的损害风险。通过提供优质燃料传输的证明,供应商可以避免昂贵的退油过程的风险。此外,液流追踪是可能的,整个燃料传输的燃料数据记录可以被记录下来并在必要时用于法律文书工作。
图1(b)示出了流程图110,说明在加油作业期间图1(a)的方法的实施例。在步骤112,输入要传输的燃料的估计数量。在步骤114,为每种类型的污染物输入燃料中可接受的污染物量,例如,基于标准燃料等级或实际要求。在步骤116,接收来自测量仪表的模拟信号,包括差压、温度、静态压力和燃料液流的质量流速的信号。在步骤118,接收的模拟信号被转换为各自的数字信号,例如,使用模数转换器。在这个阶段,信号可以在步骤120作为原始数据被记录下来,以备以后需要,例如用于分析或用于法律原因。在步骤122,选择记录信号的时间序列的窗口块进行分析。在步骤124,监测时间序列信号的信噪比(SNR)。这样做是为了确保有足够的信号强度来检测特征。在步骤126,信号被交叉关联(cross-correlated)以检查相关性(或依赖关系,dependencies)。在步骤128,从时间序列信号中提取特征。在步骤130,对照阈值来检测时间序列信号中的异常[异常特征]。在步骤132,通过分类模型/引擎将每个检测到的异常分类为燃料污染物。在步骤134,针对窗口的异常分类和SNR被记录,以便存档。如果需要整个操作的合并日志,可以在步骤136生成。在步骤138,计算该窗口的不合规格燃料的数量(类似于计算污染物的数量)。在步骤140,将计算出的污染物数量与最初在步骤114设定的阈值进行比较。如果污染物的数量超出了可接受的范围,则在步骤142发出警报/警告,并进行记录。另一方面,如果污染物的数量在可接受的范围内,则针对另一个窗口块在步骤122重复该过程。
如上所述,本系统包括硬件仪表和软件组件。图2(a)示出了系统200的总体框图,根据实施方式其用于检测传输中的液体燃料中的污染物。图2(b)示出了图2(a)的系统200的实施方式的示意图。
硬件仪表可以在橇体202上实施,该橇体包括管段204,其管径与加油管道的管径相匹配。该管段204装有多个传感器206,包括差压传感器、温度传感器和静态压力传感器。差压传感器(DPT)可以测量液体燃料在DPT的两个测量点之间流动时的压力损失。DPT的测量值被数据采集系统(DAQ)212采集为模拟信号。同样,由温度传感器测量实时温度,并将其输入到数据采集系统。静态压力测量值也可以被采集和输入。有关液流的密度和速度的信息可以由加油船上的质量流量计208测量。质量流量计208的信号也被记录到DAQ212中。在实施方式中,信息以10赫兹的速度被记录,或者换句话说,每秒钟进行10次测量。
数据采集系统212从仪表设备中获取模拟信号,将数据数字化并记录下来。软件组件可以由计算机系统或处理器210实现,将从DAQ212收到的信息作为输入进行处理,然后计算数据,如流体的粘度、流体中的含水量和固体含量。这就根据流动情况提供了关于流体属性的相关信息。参照图2(a),预处理模块216提取关于污染物检测的初步信息,并对污染物进行大致分类。特征提取模块218基于对预处理数据的窗口操作进一步作用于该预处理的数据,作为精细的检测工具。此外,这些特征被输入到分类模块220,对污染物进行分类。
换句话说,该软件组件建立在一个机器学习平台上,该平台可以被训练成不仅能理解单相油、水、气体在各种测试条件下的流动特征,而且能理解和训练多相数据的流动特征。多相液流可定义为不相溶相(如油-水、空气-水、油-空气、油-沙、水-沙或空气-沙)通过单一管道的共流。
本系统的软件组件理解多相数据的能力使其适用于燃料质量监测。当燃料被污染时,液流中的次要成分可能是另一种液体,甚至是一种固体。这种数据可以通过软件从流动特征中提取出来。通过对这些污染物设置阈值限制,对于污染物数量,用户可以拥有用户可以接受的燃料质量带宽。当阈值被突破时,就会向用户发出警报,例如通过用户界面或显示器。连续的偏差可能会导致警报响起,并提示用户立即采取行动。
参照图2(b)中的传感器206,差压传感器被配置为测量两点之间的压力差(即上游分接点tup和下游分接点tdown)。
在非限制性的实施例中,两个分接点的直径约为6.35毫米(1/4英寸)或12.7毫米(1/2英寸),穿过管道厚度,与管道的内径齐平。从管道分接点到差压输入端的连接是由直径为8毫米的不锈钢管组成的,作为推入式连接器连接。差压传感器有放气管,用来确保连接管充满液体。
差压传感器的工作原理是测量由于膜片两边的压差而引起的传感元件的偏转。这种偏转被传感器量化为模拟电流或电压信号。
感应元件的腔体通常是充满液体的。因此,差压传感器通常被安装在管道的底部。连接器也充满了相同的工作液体,以避免静水压头损失。传感器有三通管,以方便连接管的放气。这可以确保连接管中没有空气/气体气泡,其可能会提供错误的读数。由于气体是可压缩的,气泡可以根据压力收缩或膨胀,这将导致感应元件的膜片上的压力记录不准确。对连接管进行放气可以防止空气被吸入。
再参考图2(b)的传感器206,本系统中的温度传感器可以是接触型温度传感器,以获得温度测量值。测量信号由电阻型发射器作为4-20毫安信号发送。温度传感器通常安装在管道上的6.35毫米(1/4英寸)NPT螺纹分接点上。使用静态压力传感器测量管道上的表压,监测管道上的静态压力。静态压力传感器包括传感器,例如压阻元件,当压力作用在传感器上时,其电阻率发生变化。然后将其转换为4-20mA的模拟电流信号。静态压力传感器被安装在管道上的6.35毫米(1/4英寸)NPT螺纹分接点上。此外,为了准确测量流经管道的液体燃料的数量,使用科里奥利(Coriolis)质量流量计。
在实施方式中,软件组件的预处理模块216(图2(a))被用来对输入的数据进行标准化。由于这一特点,软件可以按比例调整到不同的管道直径、液流操作条件和环境条件。该软件的输入数据包括
1.差压-DP(帕斯卡)
2.温度-T(℃)
3.静态压力-P(帕斯卡)
利用Hagen-Poiseuille方程,差压可以被归一化为粘度。因此,输入数据可以被归一化,并减少为更少的变量。
人们还注意到,流体的粘度随温度变化而变化。由于其对温度的敏感性,通常在提到粘度时都有一个参考温度。船用燃料油粘度测量值的变化可以通过利用如ASTM D341标准进行交叉检查和补偿温度变化。
从仪表中采集的信号形成了时间序列数据集,从中可以对不同的污染物进行分类。对时间序列数据集的分类有不同的方法。例如,一种是使用特定的时间序列方法,另一种是从时间序列中提取特征并利用监督学习。在优选的实施方式中,利用了后一种提取特征的方法来进行监督学习。从来自预处理模块216的信号可能显示出变化,然后这些变化可以与特定的污染物数据集联系起来。与采用时间序列的具体方法所需的相比,这种方法可以在更小的数据集上促进对机器学习模型训练的更多控制。
如上所述,从数据采集系统212获得的时间序列数据利用Hagen-Poiseuille方程被归一化为的液流的粘度。在特征提取模块218中,设置指定大小的特征窗口并在整个信号中运行。这可以提取该窗口的特征,如斜率、振幅、波长、频率、偏度和其他信号特征。基于这些特征,可以使用污染物分类模块220检测出异常。
图3(a)示出了根据一个实施方式用于测试和验证图1(a)的方法的橇体300的模型。例如,按比例缩小的橇体300(即训练橇体)可用于了解关系和相关性并获得数据以训练分类模型,而根据船舶的管道配置,在实践中可使用全尺寸版本的橇体300(即检测橇体)以在船舶上安装。
例如,如图2(b)所示,检测橇体被安装到燃料传输管道上,形成船上燃料质量检测装置的一部分,该装置还可包括质量流量计。检测橇体是基于与燃料传输管道相同的一段管道的,在质量流量计附近(或与质量流量计串联)安装在燃料传输管道上。如上所述,检测橇体上的仪表包括差压传感器、温度传感器和静态压力传感器,如图2(b)所示,它们被安装在管道上的分接点。质量流量计和检测橇体通过标准法兰连接到管道上。图3(b)示出了图3(a)的橇体300的管段302的放大图。从图3(b)中可以看出,多个传感器沿管段302安装,包括温度传感器304、静态压力传感器306和带放气管的差压传感器308,该管段是封闭管道,可以安装在使用中的传输管道上。
在实施方式中,从仪表获取的信号是4-20mA模拟电流信号的形式。这些模拟信号是使用数据采集系统,例如12位数据采集系统,从检测橇体和质量流量计上的仪器中采集的,该系统能够以10Hz的频率采集信号并将其数字化。这些原始数据在输入到预处理模块216(图2(a))之前,作为数据文件被单独存储。
在制定训练和测试制度时,对不同变量和参数之间的关系进行分析,以确定可以采集和解释的各种单独特征。
首先,如上所述,可以使用差压传感器采集压降。然后,压降被表示为管道中的摩擦系数。
雷诺(Reynolds)数可以被计算出来,它代表了摩擦力所依赖的参数组合。通过了解管道的速度、密度和直径,可以确定流体的粘度。因此,从压降特征中,可以得出流体的粘度。
标准燃料油的粘度是通过技术规格已知的,例如,根据ISO 8217船用燃料油的规格。本系统中的软件组件是由机器学习平台构建的,可以根据船用燃料油的标准数据进行训练,例如根据ISO 8217标准的粘度。因此,在测试液流时,粘度由软件组件计算,与标准燃料油的粘度的偏差可被记录为流体成分的异常。
接下来,可以理解的是,由于温度差异,粘度可能会发生变化。然而,这个参数可以按照ASTM D341标准的计算方法进行补偿。通过温度传感器测量液流的温度(见图2(b)和3(b)),可以根据ASTM D341对相应的实时粘度进行校正。
此外,由于流体成分的变化,油的密度和粘度都呈现出变化。图4示出了有水污染时油的密度变化图。当油被水污染时(即比例低于1),油的密度高于纯油的密度(即比例为1)。利用这一点,可以利用基于技术规格如ISO 8217标准的密度变化来检测添加到船用燃料油中的稀释剂。在实际实施方式中,可以通过科里奥利(Coriolis)质量流量计监测密度。
图5示出了在不同流速下,每一单位长度的压降与油的保持量的关系,其中保持量为1代表纯油,0代表纯水。一般来说,在船用燃料油中,可能会发现低浓度的水,但这些水会导致粘度上升,从而产生较大的流动阻力。因此,压力特征中的偏差可能表明油中的水浓度较高。
液流中固体的存在也会影响压降。图6示出了固体在液流中的浓度与所产生的阻力系数之间的关系示例图。如图6所示,固体在液流中的存在对管道中的摩擦阻力有很大影响,它们通常与固体在液流中的浓度有关。
在实施方式中,故意污染的燃料油或馏分油被用作训练算法的一部分,以检测污染油的不同特征。例如,橇体300(图3)被用作训练橇体,用于用各种混合的船用燃料油进行流动特征测试。油/馏分油在通过训练橇体后被取样,然后在燃料测试实验室进行测试,以提供燃料样品的成分数据表。该数据表可以提供对燃料中的污染物的准确检查,并在小样本上进行离线测试。然后,该数据表可被用作在训练橇体上采集的信号的参考。最好是收集广泛的输入数据训练集,测量粘度、密度、水和固体含量的变化,以模拟所有在ISO燃料质量标准允许范围内的工作条件。粘度、密度、水含量和固体含量的阈值按要求设置,如国际标准或广泛接受的规格。
测试大致分为液-液液流测试、气-液液流测试和固-液液流测试,以将污染物大致划分为不同的阶段,下面在实施例1-3中提供进一步的细节。
实施例1:液-液液流
就燃料液流而言,液-液液流可细分为油-水液流或高粘性油-低粘性油液流。当主要污染物是水时,就会产生油-水液流,其作为在油中产生的水浸或水滴。
为了模拟水浸,即多余的水与油一起流动,首先用油运行测试橇体,然后用水冲洗。水被注入到箱中,以防止主管道中的流速出现任何干扰。流速和其他参数都保持为稳定的参数。在这次水浸期间,图7(a)表示压差信号,图7(b)表示粘度归一化信号,且图7(c)表示密度信号。压差读数比纯油的要低得多(在100帕的范围内,而在相同的速度下是300-400帕)。另外,可以注意到粘度的降低趋势是一个突出的特点。由于与水混合,这种混合物的粘度低于纯油的粘度。如图7(c)所示,另一个突出的特点是质量流量计中的密度读数较高。由于水的密度高于油,科里奥利(Coriolis)流量计记录的读数高于油的密度。这两个信号特征都表明发生了水浸。
然而,水也可能以油中的水滴形式出现,而不是大量出现。为了在测试橇体中模拟这一点,在箱中的油中加入指定数量的水,占箱和管道中油的比例的0.5-1%。当这种液流在2分钟内被重新编码时,图8(a)表示压差,图8(b)表示混合物的粘度,且图8(c)表示记录的密度信号。
随着水与油的混合,如图8(c)中的密度信号所示,预计油的密度会上升。平均密度也从840kg/m3左右的范围增加到860kg/m3左右。然而,差压并没有像水浸的情况那样减少,而是有差压的增加。如图8(b)中的粘度归一化所示,由于与纯油液流相比,油包水的数量较少,导致油水混合物的粘度较高。油水混合物的这种较高粘度导致管道中的压力下降较高。
图7(a)-(c)和图8(a)-(c)中的两组结果显示,利用差压信号和密度信号的信号特征,可以检测和分类油中的水污染。
高粘性油-低粘性油液流可包括,例如,燃料油中的高粘性燃料混合物。大多数船用燃料是与“切割油”混合的,这些燃料基本上是不同的燃料,以达到ISO 8217的规格。在这个过程中,在某些时候,会使用粘度变化较大的燃料,这可能导致燃料的不稳定,随后导致油泥的形成。油泥沉积在燃料净化器和燃料过滤器中,并减少了燃料的流动,有效地扼杀了流向船舶发动机的燃料。油泥是一种半固相,具有比燃料本身更高的粘度。
在实施例测试中,在工艺油中加入少量的高粘度混合物,大约1%的浓度,以模拟燃料中的油泥流动。图9(a)表示压差,图9(b)表示混合物的粘度,且图9(c)表示测试的密度信号。结果显示压差稳定上升,然后转化为粘度上升。高粘度油的密度高于燃料本身,导致质量流量计测量的密度值更高。这两种信号变化特征都可以为特征提取算法提供足够的杠杆(或影响力,leverage),以提取模式变化的事实。
可以理解的是,其他类型的高粘度污染物,例如含硫量较高的燃料,可以使用类似的方法进行检测,因为高硫燃料通常显示较高的粘度。
实施例2:固-液液流
固体颗粒可能以污垢、铁锈、金属或管道中的腐蚀产物的形式出现在燃料中。例如,船用燃料通常是用催化剂处理和混合的,其过程称为裂解。在使用不良过滤技术的情况下,会导致这些固体颗粒进入燃料,并最终进入船舶的发动机,它们会对发动机造成重大损害。因此,有必要检测船用燃料中的固体颗粒。
在实施例测试中,细沙代表工艺油中的固体颗粒。固体颗粒被测量为箱和管道中总流体体积的约0.5%相分数,并加入到箱中。没有使用单独的注入点,因为对液流的任何注入都会引起流速的变化,从而影响传感器的压降信号。
图10(a)表示压差信号的变化,图10(b)表示液流的归一化粘度的变化,且图10(c)表示密度信号,采集的流动时间为2分钟。当固体颗粒通过管道时,在两个分接点,流动时间在40秒左右时压差信号出现了变化。这种变化在图10(a)中显示为压力信号的急剧下降。这是因为上游分接点(tup)的压力首先增加,从而使测量的压差ΔP降低了。随后,当固体颗粒通过下游分接点(tdown)时,压差再次上升。
还可以看出,由于流体中的颗粒对流动的阻力较大,因此粘度高于纯油的粘度。当主要的固体簇通过差压传感器的两个分接点时,也会感觉到类似于差压的变化。
此外,由于通过质量流量计的沙粒密度较高,密度信号显示密度急剧增加。
这两个信号变化特征都可以为特征提取算法提供足够的信息,以提取模式变化是由通过管道的固体污染物引起的事实。
实施例3:气-液液流
向燃料中注入气体/空气会导致燃料的密度降低,实质上转化为以更高的价格出售更少的燃料。为了测试空气,在测试橇体上安装了一个单独的空气注入管,其可以在短时间内向燃料管道注入指定量的空气。利用这个注入点,进行测试,从科里奥利质量流量计采集压差和密度的变化。
图11(a)表示从压差传感器采集的模拟信号的变化,且图11(b)表示从质量流量计采集的密度读数。在空气注入点期间,差压记录的信号强度急剧增加,然后是下降和最终的减少。发生这种情况是因为当空气通过上游压力分接点(tup)时,在这一点上有压力降低,其基本上使差压急剧增加。当气泡到达下游分接点(tdown)时,压力开始平衡,且差压也随之降低。最终,压差低于纯油的压差。可以理解的是,就摩擦梯度而言,空气的动态粘度比油或任何液体的动态粘度低得多,这可以解释为什么差压记录的读数较低。
尽管不像固体注入那样明显,但密度显示出降低。这是因为科里奥利质量流量计通常不能很好地处理可压缩流体,因为该仪表只能处理液体而不是气体。
利用这两个信号,可以确认管道中是否存在空气,因为它们在来自这两个仪表的信号中形成了不同的模式。
从上述实施例可以看出,从信号中可以提取各种特征,这些特征的某些组合表明燃料的液流中存在某种类型的污染物。通过对大量数据集的训练,分类模型可以收集这些模式。可以利用的时间序列信号的示例特征包括但不限于斜率、振幅(波峰和波谷)、波长(波峰和波谷)、频率(通过快速傅里叶变换)、偏度、幅度和均方根值。
此外,由于每种类型的污染物都可能有一组指示性特征,因此可以在同一监测周期内同时检测到液流中的多种类型的污染物。例如,从压差信号中,可以检测到一种类型的污染物,从密度信号中,可以检测到另一种类型的污染物。分类模型可以用大量的验证数据集进行训练(即用实验室测试的结果来验证),以加强对不同污染物的区分。
在实施方式中,可以通过截面上某一时间点的污染物的量(即污染物浓度)和流动的持续时间来估计某种污染物的数量。
污染物浓度影响信号的大小,这是由特征提取模块分析的信号的特征。例如,作为水滴的水显示出较小的污染物浓度,并显示出一定大小的密度和粘度信号。然而,当更大的浓度流过时,混合物粘度和密度的大小会发生变化,系统可以收集这些差异。
一旦知道不同的污染物浓度会影响信号的幅度(或大小,magnitude),系统可以在更多的具有不同浓度的污染物的燃料上进行训练,这可以使预测不合规格燃料的数量有更好的准确性。
在流动窗口中(例如5分钟),知道这段时间的质量流速,以及已被归类为不合规格的信号的比例,就有可能估计出不合规格的(即被污染的)液流的数量。如上所述,可以借助橇体上的质量流量计测量质量流速。一般来说,燃料传输操作的流速固定为2个值,即Qmin和Qmax,其中Qmin是燃料传输开始和结束期间的低流速,Qmax是剩余时间内的较高流速。
如描述的那样,通过在示例性实施方式中利用流量仪表,如差压传感器、温度传感器、质量流量计,可以通过训练检测软件来确定液体燃料的液流中的密度、粘度、水和固体含量,该软件建立在机器学习平台上。通过在不同的液流条件下对具有已知可接受等级的标准船用燃料进行检测软件的训练,有可能检测到这些标准的异常。因此,该系统可以通过检测液流中的不合规格污染物,形成一个船用燃料监测系统。
图12描述了示例性的计算设备1200,以下可互换地称为计算机系统1200,其中一个或多个这样的计算设备1200可用于实现软件组件。以下对计算设备1200的描述仅以举例的方式提供,并非是限制性的。
如图12所示,示例性计算设备1200包括用于执行软件程序的处理器1204。为了清楚起见,虽然仅示出了一个处理器,但计算设备1200也可以包括多处理器系统。该处理器1204连接到通信基础设施1206,用于与计算设备1200的其他组件进行通信。该通信基础设施1206可以包括,例如,通信总线、交叉开关或网络。
计算设备1200进一步包括主存储器1208,例如随机存取存储器(RAM),以及辅助存储器1210。辅助存储器1210可以包括例如硬盘驱动器1212和/或可移动存储驱动器1214,其可以包括软盘驱动器、磁带驱动器、光盘驱动器等。可移动存储驱动器1214以众所周知的方式从可移动存储单元1218读取和/或写入。可移动存储单元1218可以包括软盘、磁带、光盘等,由可移动存储驱动器1214读取和写入。正如相关领域的技术人员理解的那样,可移动存储单元1218包括计算机可读存储介质,该介质中存储有计算机可执行程序代码指令和/或数据。
在另一个实施方式中,辅助存储器1210可以额外地或替代地包括其他类似的手段,用于允许计算机程序或其他指令被加载到计算设备1200中。这样的手段可以包括,例如,可移动存储单元1222和接口1220。可移动存储单元1222和接口1220的例子包括程序盒和程序盒接口(例如在视频游戏机设备中发现的那样)、可移动存储芯片(例如EPROM或PROM)和相关插座,以及其他可移动存储单元1222和接口1220,其允许软件和数据从可移动存储单元1222传输到计算机系统1200。
计算设备1200还包括至少一个通信接口1224。通信接口1224允许软件和数据通过通信路径1226在计算设备1200和外部设备之间传输。在本公开的各种实施方式中,通信接口1224允许数据在计算设备1200和数据通信网络之间传输,例如公共数据或私人数据通信网络。通信接口1224可用于在不同的计算设备1200之间交换数据,而这些计算设备1200构成互连的计算机网络的一部分。通信接口1224的例子可以包括调制解调器、网络接口(例如以太网卡)、通信端口、带有相关电路的天线等。通信接口1224可以是有线的,也可以是无线的。通过通信接口1224传输的软件和数据是信号的形式,这些信号可以是电子的、电磁的、光学的或其他能够被通信接口1224接收的信号。这些信号通过通信路径1226提供给通信接口。
如图12所示,计算设备1200进一步包括显示接口1202,其执行用于将图像渲染到相关显示器1230的操作,以及音频接口1232,其执行用于通过相关扬声器1234播放音频内容的操作。
如本文所使用的术语“计算机程序产品”可以部分地指可移动存储单元1218、可移动存储单元1222、安装在硬盘驱动器1212中的硬盘、或通过通信路径1226(无线连接或有线)携带软件至通信接口1224的载波。计算机可读存储介质是指向计算设备1200提供记录的指令和/或数据以便执行和/或处理的任何非暂时性有形存储介质。这种存储介质的例子包括软盘、磁带、CD-ROM、DVD、Blu-rayTM光盘、硬盘驱动器、ROM或集成电路、USB存储器、磁光盘、或计算机可读卡例如PCMCIA卡等,无论这种设备是在计算设备1200的内部还是外部。也可以参与向计算设备1200提供软件、应用程序、指令和/或数据的暂时性或非有形计算机可读传输介质的例子包括无线电或红外线传输通道以及与另一计算机或联网设备的网络连接,以及互联网或内联网,包括电子邮件传输和记录在网站上的信息等。
计算机程序(也称为计算机程序代码)存储在主存储器1208和/或辅助存储器1210中。计算机程序也可以通过通信接口1224接收。这样的计算机程序,当执行时,使计算设备1200能够执行本文讨论的实施方式的一个或多个特征。在各种实施方式中,计算机程序在执行时,使处理器1204能够执行上述实施方式的特征。相应地,这种计算机程序代表计算机系统1200的控制器。
软件可以被存储在计算机程序产品中,并使用可移动存储驱动器1214、硬盘驱动器1212或接口1220加载到计算设备1200中。或者,计算机程序产品可以通过通信路径1226下载到计算机系统1200。该软件,当由处理器1204执行时,使计算设备1200执行本文所述的实施方式的功能。
应当理解,图12的实施方式仅仅是以示例的方式提出的。因此,在一些实施方式中,计算设备1200的一个或多个特征可以被省略。而且,在一些实施方式中,计算设备1200的一个或多个特征可以被组合在一起。此外,在一些实施例中,计算设备1200的一个或多个特征可以被分割成一个或多个组件部分。
可以理解的是,图12中说明的元件的功能是提供用于执行上述实施方式中所述的服务器的各种功能和操作的手段。
在实施方式中,服务器可以一般描述为包括至少一个处理器和至少一个包括计算机程序代码的存储器的物理设备。至少一个存储器和计算机程序代码被配置为与至少一个处理器一起,使该物理设备执行必要的操作。
本领域技术人员将理解,在不脱离广义描述的公开范围的情况下,可以对具体实施方式中所示的本公开内容进行许多变化和/或修改。例如,根据液流中的燃料类型(如燃料油、馏分油等),可以使用不同的参数和属性组合。检测窗口也可以变化。因此,本实施方式在所有方面都应被视为是说明性的,而不是限制性的。
Claims (21)
1.一种检测液体燃料液流中至少一种污染物的方法,所述方法包括:
测量所述液体燃料液流的一个或多个参数;
根据测量的一个或多个参数,确定液体燃料的一个或多个属性;
从一个或多个参数和一个或多个属性中选定的那些提取多个特征;以及
对提取的特征应用经过训练的分类模型,以确定所述液体燃料中至少一种污染物的类型和数量。
2.根据权利要求1所述的方法,其中所述液流的所述一个或多个参数是以选定的频率测量的,其中所述方法进一步包括将所述液流的所述一个或多个参数和所述液体燃料的一个或多个属性记录为各自的时间序列。
3.根据权利要求2所述的方法,其中提取所述多个特征包括在每个选定的时间序列上运行选定大小的特征窗口。
4.根据前述权利要求中任一项所述的方法,进一步包括在所述至少一种污染物的数量超出预定范围时产生警报。
5.根据前述权利要求中任一项所述的方法,其中所述液流的所述一个或多个参数选自由差压、静态压力、温度和质量流速组成的组。
6.根据前述权利要求中任一项所述的方法,其中所述液体燃料的所述一个或多个属性包括密度和粘度。
7.根据前述权利要求中任一项所述的方法,其中所述特征选自由斜率、振幅、波长、频率、偏度、幅度和均方根值组成的组。
8.根据前述权利要求中任一项所述的方法,其中所述至少一种污染物选自由水、硫、油、气体和固体组成的组。
9.根据前述权利要求中任一项所述的方法,其中所述液体燃料包括燃料油或馏分油。
10.根据前述权利要求中任一项所述的方法,其中所述分类模型是根据多组标记的训练数据进行训练的,并且所述标记的训练数据包括具有已知属性的液体燃料、具有一种或多种已知污染物的液体燃料和具有已知参数的液流中的一种或多种。
11.一种用于检测液体燃料液流中至少一种污染物的系统,所述系统包括:
多个传感器,被配置用于测量液体燃料液流的一个或多个参数;以及
处理器,被配置用于
-根据测量的一个或多个参数,确定所述液体燃料的一个或多个属性;
-从所述一个或多个参数和一个或多个属性中选定的那些中提取多个特征;以及
-对提取的特征应用经过训练的分类模型,以确定所述液体燃料中至少一种污染物的类型和数量。
12.根据权利要求11所述的系统,其中所述多个传感器被配置为以选定的频率测量所述液流的所述一个或多个参数,并且所述处理器被进一步配置为将所述液流的所述一个或多个参数和所述液体燃料的一个或多个属性记录为各自的时间序列。
13.根据权利要求12所述的系统,其中所述处理器被配置为在每个选定的时间序列上运行选定大小的特征窗口以提取多个特征。
14.根据权利要求11至13中任一项所述的系统,其中所述处理器被进一步配置为在所述至少一种污染物的数量超出预定范围时产生警报。
15.根据权利要求11至14中任一项所述的系统,其中所述液流的所述一个或多个参数选自由差压、静态压力、温度和质量流速组成的组。
16.根据权利要求11至15中任一项所述的系统,其中所述液体燃料的所述一个或多个属性包括密度和粘度。
17.根据权利要求11至16中任一项所述的系统,其中所述特征选自由斜率、振幅、波长、频率、偏度、幅度和均方根值组成的组。
18.根据权利要求11至17中任一项所述的系统,其中所述至少一种污染物选自由水、硫、油、气体和固体组成的组。
19.根据权利要求11至18中任一项所述的系统,其中所述液体燃料包括燃料油或馏分油。
20.根据权利要求11至19中任一项所述的系统,其中所述分类模型是根据多组标记的训练数据进行训练的,并且所述标记的训练数据包括具有已知属性的液体燃料、具有一种或多种已知污染物的液体燃料和具有已知参数的液流中的一种或多种。
21.一种用于检测液体燃料液流中至少一种污染物的系统,所述系统包括:
封闭管道,液体燃料流经所述封闭管道;
多个传感器,沿着所述封闭管道设置;
质量流量计,连接到所述封闭管道;以及
处理器,与所述多个传感器和所述质量流量计通信耦合;
其中,所述处理器被配置为根据来自所述多个传感器和所述质量流量计的输出来监测所述液流的一个或多个参数和所述液体燃料的一个或多个属性,以及
其中,所述处理器被配置为应用经过训练的分类模型,以在选定的时间段内根据与所述液流的所述一个或多个参数相关联的特征的变化和所述液体燃料的一个或多个属性,确定所述液体燃料中至少一种污染物的类型和数量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SG10201906212T | 2019-07-03 | ||
SG10201906212T | 2019-07-03 | ||
PCT/SG2020/050373 WO2021002803A1 (en) | 2019-07-03 | 2020-06-26 | Method and system for detecting at least one contaminant in a flow of a liquid fuel |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114270188A true CN114270188A (zh) | 2022-04-01 |
Family
ID=74101375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080059740.6A Pending CN114270188A (zh) | 2019-07-03 | 2020-06-26 | 用于检测液体燃料液流中至少一种污染物的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220373530A1 (zh) |
EP (1) | EP3994460A4 (zh) |
CN (1) | CN114270188A (zh) |
SG (1) | SG11202110387XA (zh) |
WO (1) | WO2021002803A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023155966A1 (en) * | 2022-02-16 | 2023-08-24 | Ensomatosys Group Ltd. | Intelligent system for real-time measurements and analysis of fuel oils, for quantitative and qualitative assessment and acceptance |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR0303623A (pt) * | 2003-09-11 | 2005-05-03 | Univ Minas Gerais | Processo e dispositivo baseado em sistemas inteligentes - inteligência artificial - redes neurais artificiais, para determinação e controle em tempo real de contaminantes em sistemas fìsicos e/ou quìmicos e/ou biológicos |
WO2016043744A1 (en) * | 2014-09-18 | 2016-03-24 | Micro Motion, Inc. | Method and apparatus for determining differential density |
US10422754B2 (en) * | 2015-03-05 | 2019-09-24 | Khalifa University of Science and Technology | Online measurement of black powder in gas and oil pipelines |
WO2018223147A1 (en) * | 2017-06-02 | 2018-12-06 | Virtual Fluid Monitoring Services LLC | Fluid analysis and monitoring using optical spectroscopy |
-
2020
- 2020-06-26 WO PCT/SG2020/050373 patent/WO2021002803A1/en active Search and Examination
- 2020-06-26 CN CN202080059740.6A patent/CN114270188A/zh active Pending
- 2020-06-26 SG SG11202110387XA patent/SG11202110387XA/en unknown
- 2020-06-26 US US17/623,199 patent/US20220373530A1/en active Pending
- 2020-06-26 EP EP20835511.5A patent/EP3994460A4/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
WO2021002803A1 (en) | 2021-01-07 |
US20220373530A1 (en) | 2022-11-24 |
EP3994460A1 (en) | 2022-05-11 |
EP3994460A4 (en) | 2023-08-02 |
SG11202110387XA (en) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8606531B2 (en) | System and method for spot check analysis or spot sampling of a multiphase mixture flowing in a pipeline | |
EP0493886B1 (en) | Multiphase flow rate monitoring means and method | |
US7942065B2 (en) | Isokinetic sampling method and system for multiphase flow from subterranean wells | |
EP2853683B1 (en) | Multiphase fluid analysis | |
CN100587413C (zh) | 储罐容积自动测量系统 | |
CN101696925A (zh) | 一种两相流减阻剂性能的测试装置及测试方法 | |
Meribout et al. | A multisensor intelligent device for real-time multiphase flow metering in oil fields | |
CN107748149B (zh) | 基于紫外荧光法的在线含油污水检测装置及检测方法 | |
CA2526070A1 (en) | Monitoring of two-phase fluid flow using a vortex flowmeter | |
CN105486358A (zh) | 基于文丘里管双差压的气液两相流参数测量方法 | |
WO2018106265A1 (en) | Method and system for continuous monitoring of the water fraction in an oil well stream | |
EP2428776B1 (en) | A method and apparatus for measuring a gas flow velocity | |
CN110987097B (zh) | 一种利用压力波动测量气液多相流流量的方法 | |
DE102007062908A1 (de) | Verfahren und System zur Bestimmung mindestens einer Prozessgröße eines strömenden Mediums | |
CN114270188A (zh) | 用于检测液体燃料液流中至少一种污染物的方法和系统 | |
Figueiredo et al. | Flow pattern classification in water-air vertical flows using a single ultrasonic transducer | |
Arvoh et al. | Online estimation of reject gas and liquid flow rates in compact flotation units for produced water treatment | |
WO2011061210A1 (en) | Composition of multiphase flow | |
CN201210060Y (zh) | 采用主导相判别器的液液两相流测量装置 | |
GB2562993A (en) | Multiphase flow meter calibrator and sampling system | |
US20040112122A1 (en) | BS&W metering apparatus & method | |
Geiger et al. | A combined leak detection method using pattern recognition techniques | |
US10481059B2 (en) | System and method for remote monitoring of solid contaminant in fluids | |
Porter et al. | Experimental investigation of induced vibrations in horizontal Gas-Liquid flow | |
CN211146105U (zh) | 一种针对海底管道实时监测系统 |
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 |