CN114513625A - 存储器、罐区泄漏的安全联锁方法、装置及设备 - Google Patents
存储器、罐区泄漏的安全联锁方法、装置及设备 Download PDFInfo
- Publication number
- CN114513625A CN114513625A CN202011278101.7A CN202011278101A CN114513625A CN 114513625 A CN114513625 A CN 114513625A CN 202011278101 A CN202011278101 A CN 202011278101A CN 114513625 A CN114513625 A CN 114513625A
- Authority
- CN
- China
- Prior art keywords
- infrared
- video data
- leakage
- tank
- infrared video
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000005507 spraying Methods 0.000 claims abstract description 12
- 230000009471 action Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims 4
- 230000000875 corresponding effect Effects 0.000 abstract description 18
- 238000001514 detection method Methods 0.000 description 10
- 230000001276 controlling effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 2
- 239000005977 Ethylene Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C31/00—Delivery of fire-extinguishing material
- A62C31/005—Delivery of fire-extinguishing material using nozzles
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C37/00—Control of fire-fighting equipment
- A62C37/36—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device
- A62C37/38—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device by both sensor and actuator, e.g. valve, being in the danger zone
- A62C37/40—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device by both sensor and actuator, e.g. valve, being in the danger zone with electric connection between sensor and actuator
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了存储器、罐区泄漏的安全联锁方法、装置及设备,其中所述方法包括步骤:实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;通过卷积神经网络模型以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。本发明可以在发生泄漏时生成相应的联动信号来使安全联锁系统控制执行机构执行相应的动作来打开喷淋,进而可以在发生泄漏的第一时间通过自反馈的应急操作来降低储罐泄漏的安全风险。
Description
技术领域
本发明涉及石油化工安全技术领域,特别涉及存储器、罐区泄漏的安全联锁方法、装置及设备。
背景技术
储罐是石油、化工行业必不可少的、重要的基础设施,在国民经济发展中起到无可替代的作用。
储罐主要用于储存石油、化工产品等易燃、易爆、腐蚀性大的物质,所以罐区安全值得广泛关注。以储罐中的乙烯球罐为例,乙烯球罐焊缝中的氢在微裂纹前缘不断地积聚、循环载荷,引起的疲劳或应力腐蚀会促使微裂纹逐渐扩展成宏观裂缝或穿透裂缝,从而导致球罐的低应力脆性破坏,造成物料泄漏,进而构成安全生产的风险隐患。
为了降低安全生产风险,目前,石化行业主要利用气体探测系统对罐区泄漏进行在线监测,配合以泄漏检测与修复技术(leak detection and repair,LDAR)进行局部微量的泄漏检测。其中,红外热成像技术在气体泄漏检测的应用越来越广泛。
发明人经过研究发现,现有技术中红外热成像技术在应用在气体泄漏检测时,需要人工观察画面实现实时检测,这样就提高了气体泄漏检测的人工成本,并且,人工的不可靠性对实时检测效果有较大的负面影响。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于降低储罐泄漏的安全风险。
本发明提供了一种罐区泄漏的安全联锁方法,包括步骤:
S11、实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
S12、通过卷积神经网络模型以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
S13、当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
在本发明中,还包括:
所述联动信号还用于生成警报信号;所述警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
在本发明中,所述卷积神经网络模型的生成方式包括:
获取包括了罐区的正常工况和泄漏工况这两个不同工况种类下的历史红外视频数据;
将历史红外视频数据中的帧画面及其对应的工况种类作为建模数据;
以所述历史红外视频数据中的帧画面为自变量,以工况种类是否为泄漏工况目标变量,对建模数据进行类模型训练生成用于根据红外帧画面判断所述监控储罐是否发生泄漏的卷积神经网络模型。
在本发明中,所述对所述红外视频数据进行抽帧以获取红外帧画面,包括:
按照预设的间隔对所述红外视频数据进行抽帧。
在本发明中,所述对所述红外视频数据进行抽帧以获取红外帧画面,包括:
每隔预设的间隔对所述红外视频数据进行多次的连续抽帧。
在本发明中,所述当判断结果所为发生泄漏时生成联动信号,包括:
当所述卷积神经网络模型根据通过抽帧获得的红外帧画面生成的判断结果为发生泄漏时,确定生成该判断结果的作为输入参数的红外帧画面的标识;
以生成了所述判断结果的红外帧画面为参照,从所述红外视频数据中获取预设时间段内的红外帧画面;
以所述预设时间段内的红外帧画面作为所述卷积神经网络模型的输入参数,通过所述卷积神经网络模型对所述判断结果进行验证;
根据所述预设时间段内的多个红外帧画面分别生成的多个判断结果,生成联动信号。
在本发明中,所述对建模数据进行类模型训练生成用于根据红外帧画面判断所述监控储罐是否发生泄漏的卷积神经网络模型,包括:
S21、将所述建模数据按照预设比例划分为训练数据和验证数据;
S22、使用所述训练数据进行建模,并使用所述验证数据进行评估;
S23、当评估的结果未达到预设要求,调整建模时的参数项和/或迭代次数后返回步骤S21;当评估的结果达到预设要求,建模结束。
在本发明中,所述包括了罐区的正常工况和泄漏工况这两个不同工况种类下的历史红外视频数据,包括:
所述罐区包括所述监控罐区和/或其他场地的罐区。
本发明实施例的另一面,还提供了一种罐区泄漏的安全联锁装置,包括:
抽帧单元,用于实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
卷积神经网络模型,用于以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
联动信号生成单元,用于当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
在本发明中,还包括:
警报单元,用于根据联动信号生成警报信号;所述警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
在本发明的另一面,还提供了一种存储器,包括软件程序,所述软件程序适于由处理器执行上述罐区泄漏的安全联锁方法的步骤。
本发明实施例的另一面,还提供了一种罐区泄漏的安全联锁设备,所述罐区泄漏的安全联锁设备包括存储在存储器上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以上各个方面所述的方法,并实现相同的技术效果。
与现有技术相比,本发明具有如下有益效果:
发明人经过研究发现,当储罐内所存储介质从储罐内泄漏出来后,会造成泄漏区域近场环温度的变化;同时,红外线成像的成像原理又是基于温度的变化的;由此,发明人推断出:如果通过红外线摄像设备对储罐进行监测,在介质发生泄露时,即使是肉眼无法观测到的泄露量,也会使红外线监控所获取的图像发生变化。
基于以上认知,在本发明中,采用了红外线摄像设备来对获取监控罐区实时的红外视频数据;并对红外视频数据进行抽帧以获取红外帧画面;然后再以红外帧画面为输入通过卷积神经网络模型识别监控储罐是否发生泄漏;接着,根据卷积神经网络模型的判断结果,可以在发生泄漏时生成相应的联动信号来使安全联锁系统控制执行机构执行相应的动作来打开喷淋,进而可以在发生泄漏的第一时间通过自反馈的应急操作来降低储罐泄漏的安全风险。
上述说明仅为本发明技术方案的概述,为了能够更清楚地了解本发明的技术手段并可依据说明书的内容予以实施,同时为了使本发明的上述和其他目的、技术特征以及优点更加易懂,以下列举一个或多个优选实施例,并配合附图详细说明如下。
附图说明
图1是本发明中所述罐区泄漏的安全联锁的步骤图;
图2是本发明中所述罐区泄漏的安全联锁装置结构示意图;
图3是本发明中所述罐区泄漏的安全联锁设备结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其他明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其他元件或其他组成部分。
在本文中,术语“第一”、“第二”等是用以区别两个不同的元件或部位,并不是用以限定特定的位置或相对关系。换言之,在一些实施例中,术语“第一”、“第二”等也可以彼此互换。
实施例一
为了降低储罐泄漏的安全风险,参考图1,在本发明实施例中提供了一种罐区泄漏的安全联锁方法,包括步骤:
S11、实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
发明人经过研究发现,当储罐内所存储介质从储罐内泄漏出来后,会造成泄漏区域近场环温度的变化;同时,红外线成像的成像原理又是基于温度的变化的;由此,发明人推断出:如果通过红外线摄像设备对储罐进行监测,在介质发生泄露时,即使是肉眼无法观测到的泄露量,也会使红外线监控所获取的图像发生变化。基于以上认知,在本发明实施例中,采用了红外线摄像设备来对获取监控罐区实时的红外视频数据;并对红外视频数据进行抽帧以获取红外帧画面,具体的:
在本发明实施例中,用于监控储罐的设备中包括有红外线摄像设备,这样,就可以实时的获取监控罐区的红外视频数据。
在本发明实施例中,还需要对红外视频数据进行抽帧来获取红外帧画面;这样才能获得能够用于后续卷积神经网络模型的图片数据。
在实际应用中,为了减少不必要的图片处理和后续卷积神经网络模型的运算工作量,可以根据实际需要来设定一个合适的时间间隔,这样,可以按照预设的间隔对红外视频数据进行抽帧,或者,每隔预设的间隔对红外视频数据进行多次的连续抽帧。
S12、通过卷积神经网络模型以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
本发明实施例中,是通过卷积神经网络模型来识别监控储罐是否发生泄漏的;具体来说,随着红外线摄像设备对监控罐区的实时监控,可以陆续不断的生成红外视频数据,接着通过每隔一个预设的时间间隔来对红外视频数据进行抽帧,可以陆续不断获得监控储罐的红外帧画面;这样,就可以不断的依据当前所获得红外帧画面为输入参数,通过卷积神经网络模型来识别当前的监控储罐是否发生泄漏。
在实际应用中,卷积神经网络模型的生成方式可以包括:首先获取包括了罐区的正常工况和泄漏工况这两个不同工况种类下的历史红外视频数据;然后,将历史红外视频数据中的帧画面及其对应的工况种类作为建模数据;接着,以历史红外视频数据中的帧画面为自变量,以工况种类是否为泄漏工况目标变量,对建模数据进行类模型训练生成用于根据红外帧画面判断监控储罐是否发生泄漏的卷积神经网络模型。
对建模数据进行类模型训练的方式具体可以包括:首先。将所述建模数据按照预设比例划分为训练数据(即,训练集)和验证数据(即,验证集);然后,使用所述训练数据进行建模,并使用所述验证数据进行评估;接着,当评估的结果未达到预设要求,调整建模时的参数项和/或迭代次数后返回上述使用所述训练数据进行建模的步骤;当评估的结果达到预设要求,建模结束。其中的进行评估具体可以是达到预设的精确度要求和/或检测时间要求。
使用训练数据进行建模的方式中,本发明实施例中卷积神经网络模型,其卷积神经网络由卷积层(Convolution Layer)、激活层(Activation layer)、池化层(Poolinglayer)、全连接层(Fully connection layer)、输入-输出层(Input-Output layer)构成,有权重共享、局部连接、下采样三个结构特性。
接着,使用验证集对卷积神经网络预训练模型进行测试,评估训练模型精确度和检测时间是否满足实际要求;
如果未达到精确度和检测时间要求,则返回上述使用训练数据进行建模的步骤继续迭代训练;如果达到精确度和检测时间要求,输出卷积神经网络模型。
S13、当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
在本发明实施例中,当判断结果所为发生泄漏时生成联动信号,也就是说,可以根据用于表示发生泄漏的判断结果来生成联动信号,这样,安全联锁系统控制可以根据联动信号来控制执行机构打开喷淋,来对监控罐区实施喷淋,从而可以及时的降低泄漏现场发生火灾或是其他安全事故的风险。
为了减少误判情况的发生,在本发明实施例中,还可以设有判断结果的验证步骤,当卷积神经网络模型首次红外帧画面生成的判断结果为发生泄漏时,将红外视频数据中该红外帧画面所处的一个预设时间段内的多个红外帧画面来作为输入参数,多次通过卷积神经网络模型进行泄漏与否的识别判断,当多次判断结果具有预设的一致性时,再生成联动信号,从而避免因泄漏与否的识别判断失误,造成安全联锁系统的误操作。
具体的可以是:
当所述卷积神经网络模型根据通过抽帧获得的红外帧画面生成的判断结果为发生泄漏时,确定生成该判断结果的作为输入参数的红外帧画面的标识;
以生成了所述判断结果的红外帧画面为参照,从所述红外视频数据中获取预设时间段内的红外帧画面;
以所述预设时间段内的红外帧画面作为所述卷积神经网络模型的输入参数,通过所述卷积神经网络模型对所述判断结果进行验证;
根据所述预设时间段内的多个红外帧画面分别生成的多个判断结果,生成联动信号。
为了能够将泄漏事件及时的通知安全管理人员,进一步的,在本发明实施例中,还可以包括生成警报的步骤,具体的:
联动信号还用于生成警报信号;警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
综上所述,本发明实施例采用了红外线摄像设备来对获取监控罐区实时的红外视频数据;并对红外视频数据进行抽帧以获取红外帧画面;然后再以红外帧画面为输入通过卷积神经网络模型识别监控储罐是否发生泄漏;接着,根据卷积神经网络模型的判断结果,可以在发生泄漏时生成相应的联动信号来使安全联锁系统控制执行机构执行相应的动作来打开喷淋;这样,即使红外线的图片产生了肉眼无法辨识的细微变化,只要是这种变化有造成泄漏的风险,通过本发明实施例也可以即使的判断出泄漏风险,进而可以在发生泄漏的第一时间通过自反馈的应急操作来降低储罐泄漏的安全风险。
实施例二
在本发明实施例的另一面,还提供了一种罐区泄漏的安全联锁装置,图2示出本发明实施例提供的罐区泄漏的安全联锁装置的结构示意图,所述罐区泄漏的安全联锁装置为与图1所对应实施例中所述罐区泄漏的安全联锁方法对应的装置,即,通过虚拟装置的方式实现图1所对应实施例中罐区泄漏的安全联锁方法,构成所述罐区泄漏的安全联锁装置的各个虚拟模块可以由电子设备执行,例如网络设备、终端设备、或服务器。具体来说,本发明实施例中的罐区泄漏的安全联锁装置包括:
抽帧单元01,用于实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
卷积神经网络模型02,用于以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
联动信号生成单元03,用于当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
由于本发明实施例中罐区泄漏的安全联锁装置的工作原理和有益效果已经在图1所对应的罐区泄漏的安全联锁方法中也进行了记载和说明,因此可以相互参照,在此就不再赘述。
实施例三
在实施例二的基础上中,还可以包括:
警报单元(图中未示出),用于根据联动信号生成警报信号;所述警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
由于本发明实施例中罐区泄漏的安全联锁装置的工作原理和有益效果已经在图1所对应的罐区泄漏的安全联锁方法中也进行了记载和说明,因此可以相互参照,在此就不再赘述。
实施例四
在本发明实施例中,还提供了一种存储器,其中,存储器包括软件程序,软件程序适于处理器执行图1所对应的罐区泄漏的安全联锁方法中的各个步骤。
本发明实施例可以通过软件程序的方式来实现,即,通过编写用于实现图1所对应的罐区泄漏的安全联锁方法中的各个步骤的软件程序(及指令集),所述软件程序存储于存储设备中,存储设备设于计算机设备中,从而可以由计算机设备的处理器调用该软件程序以实现本发明实施例的目的。
实施例五
本发明实施例中,还提供了一种罐区泄漏的安全联锁设备,该罐区泄漏的安全联锁设备所包括的存储器中,包括有相应的计算机程序产品,所述计算机程序产品所包括程序指令被计算机执行时,可使所述计算机执行以上各个方面所述的罐区泄漏的安全联锁方法,并实现相同的技术效果。
图3是本发明实施例作为电子设备的罐区泄漏的安全联锁设备的硬件结构示意图,如图3所示,该设备包括一个或多个处理器610、总线630以及存储器620。以一个处理器610为例,该设备还可以包括:输入装置640、输出装置650。
处理器610、存储器620、输入装置640和输出装置650可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器620作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器620可选包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置640可接收输入的数字或字符信息,以及产生信号输入。输出装置650可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中,当被所述一个或者多个处理器610执行时,执行:
S11、实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
S12、通过卷积神经网络模型以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
S13、当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
优选的,本发明实施例还可以包括:所述联动信号还用于生成警报信号;所述警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储设备中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储设备包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、ReRAM、MRAM、PCM、NAND Flash,NOR Flash,Memristor、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种罐区泄漏的安全联锁方法,其特征在于,包括步骤:
S11、实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
S12、通过卷积神经网络模型以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
S13、当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
2.根据权利要求1所述的罐区泄漏的安全联锁方法,其特征在于,还包括:
所述联动信号还用于生成警报信号;所述警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
3.根据权利要求2所述的罐区泄漏的安全联锁方法,其特征在于,所述卷积神经网络模型的生成方式包括:
获取包括了罐区的正常工况和泄漏工况这两个不同工况种类下的历史红外视频数据;
将历史红外视频数据中的帧画面及其对应的工况种类作为建模数据;
以所述历史红外视频数据中的帧画面为自变量,以工况种类是否为泄漏工况目标变量,对建模数据进行类模型训练生成用于根据红外帧画面判断所述监控储罐是否发生泄漏的卷积神经网络模型。
4.根据权利要求2所述的罐区泄漏的安全联锁方法,其特征在于,所述对所述红外视频数据进行抽帧以获取红外帧画面,包括:
按照预设的间隔对所述红外视频数据进行抽帧。
5.根据权利要求2所述的罐区泄漏的安全联锁方法,其特征在于,所述对所述红外视频数据进行抽帧以获取红外帧画面,包括:
每隔预设的间隔对所述红外视频数据进行多次的连续抽帧。
6.根据权利要求3所述的罐区泄漏的安全联锁方法,其特征在于,所述当判断结果所为发生泄漏时生成联动信号,包括:
当所述卷积神经网络模型根据通过抽帧获得的红外帧画面生成的判断结果为发生泄漏时,确定生成该判断结果的作为输入参数的红外帧画面的标识;
以生成了所述判断结果的红外帧画面为参照,从所述红外视频数据中获取预设时间段内的红外帧画面;
以所述预设时间段内的红外帧画面作为所述卷积神经网络模型的输入参数,通过所述卷积神经网络模型对所述判断结果进行验证;
根据所述预设时间段内的多个红外帧画面分别生成的多个判断结果,生成联动信号。
7.根据权利要求3所述的罐区泄漏的安全联锁方法,其特征在于,所述对建模数据进行类模型训练生成用于根据红外帧画面判断所述监控储罐是否发生泄漏的卷积神经网络模型,包括:
S21、将所述建模数据按照预设比例划分为训练数据和验证数据;
S22、使用所述训练数据进行建模,并使用所述验证数据进行评估;
S23、当评估的结果未达到预设要求,调整建模时的参数项和/或迭代次数后返回步骤S21;当评估的结果达到预设要求,建模结束。
8.根据权利要求2所述的罐区泄漏的安全联锁方法,其特征在于,所述包括了罐区的正常工况和泄漏工况这两个不同工况种类下的历史红外视频数据,包括:
所述罐区包括所述监控罐区和/或其他场地的罐区。
9.一种罐区泄漏的安全联锁装置,其特征在于,包括:
抽帧单元,用于实时获取监控罐区的红外视频数据,并对所述红外视频数据进行抽帧以获取红外帧画面;
卷积神经网络模型,用于以红外帧画面为输入参数来生成用于识别所述监控储罐是否发生泄漏的判断结果;
联动信号生成单元,用于当判断结果所为发生泄漏时生成联动信号;所述联动信号用于使安全联锁系统控制执行机构执行用于打开喷淋的动作。
10.根据权利要求9所述的罐区泄漏的安全联锁装置,其特征在于,还包括:
警报单元,用于根据联动信号生成警报信号;所述警报信号包括显示于预设终端屏幕的提示信息,和/或,用于控制声光报警设备的控制信号。
11.根据权利要求10所述的罐区泄漏的安全联锁装置,其特征在于,所述卷积神经网络模型的生成方式包括:
获取包括了罐区的正常工况和泄漏工况这两个不同工况种类下的历史红外视频数据;
将历史红外视频数据中的帧画面及其对应的工况种类作为建模数据;
以所述历史红外视频数据中的帧画面为自变量,以工况种类是否为泄漏工况目标变量,对建模数据进行类模型训练生成用于根据红外帧画面判断所述监控储罐是否发生泄漏的卷积神经网络模型。
12.根据权利要求10所述的罐区泄漏的安全联锁装置,其特征在于,所述对所述红外视频数据进行抽帧以获取红外帧画面,包括:
按照预设的间隔对所述红外视频数据进行抽帧。
13.根据权利要求10所述的罐区泄漏的安全联锁装置,其特征在于,所述对所述红外视频数据进行抽帧以获取红外帧画面,包括:
每隔预设的间隔对所述红外视频数据进行多次的连续抽帧。
14.一种存储器,其特征在于,包括软件程序,所述软件程序适于由处理器执行如权利要求1至8中任一所述罐区泄漏的安全联锁方法的步骤。
15.一种罐区泄漏的安全联锁设备,其特征在于,包括总线、处理器和如权利要求14中所述存储器;
所述总线用于连接所述存储器和所述处理器;
所述处理器用于执行所述存储器中的指令集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278101.7A CN114513625A (zh) | 2020-11-16 | 2020-11-16 | 存储器、罐区泄漏的安全联锁方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278101.7A CN114513625A (zh) | 2020-11-16 | 2020-11-16 | 存储器、罐区泄漏的安全联锁方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114513625A true CN114513625A (zh) | 2022-05-17 |
Family
ID=81546953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011278101.7A Pending CN114513625A (zh) | 2020-11-16 | 2020-11-16 | 存储器、罐区泄漏的安全联锁方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114513625A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203671247U (zh) * | 2013-09-13 | 2014-06-25 | 中国安全生产科学研究院 | 液氯储罐安全监控与联锁控制系统 |
US20190094124A1 (en) * | 2017-09-22 | 2019-03-28 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (cui) |
CN109919966A (zh) * | 2019-01-24 | 2019-06-21 | 北京明略软件系统有限公司 | 区域确定方法、装置、存储介质和处理器 |
CN111310665A (zh) * | 2020-02-18 | 2020-06-19 | 深圳市商汤科技有限公司 | 违规事件检测方法及装置、电子设备和存储介质 |
CN111723720A (zh) * | 2020-06-15 | 2020-09-29 | 中国石油大学(华东) | 一种有机气体泄漏智能可视化实时在线监测系统 |
-
2020
- 2020-11-16 CN CN202011278101.7A patent/CN114513625A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203671247U (zh) * | 2013-09-13 | 2014-06-25 | 中国安全生产科学研究院 | 液氯储罐安全监控与联锁控制系统 |
US20190094124A1 (en) * | 2017-09-22 | 2019-03-28 | Saudi Arabian Oil Company | Thermography image processing with neural networks to identify corrosion under insulation (cui) |
CN109919966A (zh) * | 2019-01-24 | 2019-06-21 | 北京明略软件系统有限公司 | 区域确定方法、装置、存储介质和处理器 |
CN111310665A (zh) * | 2020-02-18 | 2020-06-19 | 深圳市商汤科技有限公司 | 违规事件检测方法及装置、电子设备和存储介质 |
CN111723720A (zh) * | 2020-06-15 | 2020-09-29 | 中国石油大学(华东) | 一种有机气体泄漏智能可视化实时在线监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
EP3296830B1 (en) | Plant state displaying apparatus, plant state displaying system, and method of displaying plant state | |
EP3309683B1 (en) | Improved test manager for industrial automation controllers | |
Shipway et al. | Using ResNets to perform automated defect detection for Fluorescent Penetrant Inspection | |
Chang et al. | Cognitive modeling and dynamic probabilistic simulation of operating crew response to complex system accidents: Part 5: Dynamic probabilistic simulation of the IDAC model | |
Monferini et al. | A compound methodology to assess the impact of human and organizational factors impact on the risk level of hazardous industrial plants | |
CN109901968A (zh) | 一种自动化页面数据校验方法和装置 | |
EP3470944B1 (en) | Method for providing an analytical artifact based on functional system description | |
CN110458838A (zh) | 一种故障类型的检测方法、装置、存储介质及设备 | |
CN115618719A (zh) | 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN112817855B (zh) | 系统的众测方法、设备及计算机存储介质 | |
CN114513625A (zh) | 存储器、罐区泄漏的安全联锁方法、装置及设备 | |
Sampedro et al. | 3D-AmplifAI: An ensemble machine learning approach to digital twin fault monitoring for additive manufacturing in smart factories | |
Pottebaum et al. | Event definition for the application of event processing to intelligent resource management. | |
GB2536567A (en) | System for supporting operation during plant accidents and method for supporting operation during plant accidents | |
WO2020075061A1 (en) | Asset management | |
Taesiri et al. | A video game testing method utilizing deep learning | |
US20210366104A1 (en) | Systems and methods for menu directed inspection | |
CN115525528A (zh) | 页面质量检测方法、装置、电子设备和存储介质 | |
Rajabiyazdi et al. | A Machine learning-based micro-world platform for condition-based maintenance | |
US11722379B2 (en) | Systems and methods for a resilient infrastructure simulation environment | |
KR102458214B1 (ko) | 배관 파손 진단 장치 및 방법 | |
Thepmanee et al. | Wincc-Based Process Simulation for Virtual Commissioning of Scada System Integration | |
CN116366466B (zh) | 还原工业现场环境的方法、装置和可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220517 |