CN115420437A - 基于深度学习的超声测漏装置 - Google Patents

基于深度学习的超声测漏装置 Download PDF

Info

Publication number
CN115420437A
CN115420437A CN202211382583.XA CN202211382583A CN115420437A CN 115420437 A CN115420437 A CN 115420437A CN 202211382583 A CN202211382583 A CN 202211382583A CN 115420437 A CN115420437 A CN 115420437A
Authority
CN
China
Prior art keywords
index
temperature
pressure
ultrasonic
leakage
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
CN202211382583.XA
Other languages
English (en)
Other versions
CN115420437B (zh
Inventor
柴磊
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211382583.XA priority Critical patent/CN115420437B/zh
Publication of CN115420437A publication Critical patent/CN115420437A/zh
Application granted granted Critical
Publication of CN115420437B publication Critical patent/CN115420437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/002—Investigating fluid-tightness of structures by using thermal means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
    • G01M3/3236—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by monitoring the interior space of the containers
    • G01M3/3272—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by monitoring the interior space of the containers for verifying the internal pressure of closed containers
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明涉及检测技术领域，具体涉及基于深度学习的超声测漏装置，包括运输罐本体，还包括由机械式压力表、超声波传感器、温度传感器和处理器构成的检测系统；处理器用于获取运输罐内的压力、超声波信号和温度；计算温度影响程度、压力异常指数、泄露程度指标、压力异常指数和泄露程度指标之间的关联性以及安全指数；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；根据预测安全指数，确定超声检测的检测频率。本发明在得到预测安全系数的同时，还根据预测安全系数调整超声检测的检测频率，以实现进一步实时检测，适当调整检测频率能够提高当前的检测仪器的使用寿命，同时保证当前的卸料过程的安全。

Description

基于深度学习的超声测漏装置
技术领域
本发明涉及检测技术领域，具体涉及基于深度学习的超声测漏装置。
背景技术
超音波检测仪泄漏检测系统不同于特定气体感应器受限于它所设计来感应的特定气体，而是以声音来检测。任何气体通过泄漏孔都会产生涡流，会有超音波的波段的部份，使得超音波检测仪泄漏检测系统能够感应任何种类的气体泄漏。对于LNG罐车卸车过程中，一般使用增压器将LNG排出到贮罐内，或者使用低温泵将LNG抽到罐体内两种方式。对于增压器卸车时，目前比较常见的是使用空温式汽化器，利用空气中的热量加热管内液体并使液体气化输出，由于液化石油气属于危险化学品，因此对其泄漏的检测极其严格，需要及时且快速的发现泄漏点，预防危险事故的发生。
目前超声波测漏检测的方法为通过发射超声换能器与接收超声换能器发射和接收超声波信号，并利用放大器对信号放大，以提取出缺陷信号。该方法仅仅是对当前的结果进行泄露确定时，对于危险气体而言，当已经出现了泄漏事件才能检测出泄露，会造成损失和危险。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于深度学习的超声测漏装置，所采用的技术方案具体如下：
本发明实施例提供了基于深度学习的超声测漏装置，包括运输罐本体，还包括机械式压力表、超声波传感器、温度传感器和处理器构成的检测系统；
机械式压力表安装至运输罐内部，用于采集运输罐内的压力；超声波传感器安装至运输罐外侧，用于对运输罐进行超声检测得到超声波信号；温度传感器安装至运输罐外侧，用于采集温度；
处理器与机械式压力表通过数据总线方式连接、与超声波传感器和温度传感器无线连接，用于同步获取运输罐内的压力、超声波信号和温度；
基于傅里叶变换得到超声波信号对应的频率特征向量；根据温度的波动情况获取温度影响程度；根据运输罐内的压力序列的差异和所述温度影响程度计算压力异常指数；
根据压力异常指数和温度对不同卸料时段进行分类，得到多个类别；根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标；计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性；根据关联性、压力异常指数和泄露程度指标计算安全指数；
基于压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；
根据预测安全指数，确定超声检测的检测频率。
优选的，所述基于傅里叶变换得到超声波信号对应的频率特征向量，包括：
利用超声波传感器对运输罐进行超声检测得到超声波形；对超声波形截断处理得到超声波形片段；
利用傅里叶变换，将实时的超声波形片段转换到频域，得到对应的频谱图；所述频谱图上有多个离散点，每个离散点的横坐标为频率，纵坐标为幅值；
根据各离散点的横纵坐标，构建频谱图对应的频率特征向量；所述频率特征向量中的元素为各离散点的纵坐标。
优选的，所述根据温度的波动情况获取温度影响程度，包括：
所述温度影响程度的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为所述温度影响程度；
Figure DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure DEST_PATH_IMAGE004
为均值函数；
Figure DEST_PATH_IMAGE005
为第i时刻的温度；
Figure DEST_PATH_IMAGE006
为卸料时合适的标准温度；
Figure DEST_PATH_IMAGE007
为温度序列；
Figure DEST_PATH_IMAGE008
为方差函数；
Figure DEST_PATH_IMAGE009
为双曲正切函数。
优选的，所述根据运输罐内的压力序列的差异和所述温度影响程度计算压力异常指数，包括：
所述压力异常指数的计算公式为：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为所述压力异常指数；
Figure DEST_PATH_IMAGE012
为余弦函数；
Figure 178295DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure DEST_PATH_IMAGE013
为运输罐卸料前的压力序列；
Figure DEST_PATH_IMAGE014
为运输罐卸料时的压力序列；
Figure DEST_PATH_IMAGE015
为极差函数；
Figure DEST_PATH_IMAGE016
为归整路径距离；
Figure 767540DEST_PATH_IMAGE002
为温度影响程度。
优选的，所述根据压力异常指数和温度对不同卸料时段进行分类，得到多个类别，包括：
基于DBSCAN密度聚类，根据差异距离对不同卸料时段进行分类；
差异距离的计算公式为：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
为卸料时段A与卸料时段B的差异距离；
Figure DEST_PATH_IMAGE019
为卸料时段A对应的压力异常指数；
Figure DEST_PATH_IMAGE020
为卸料时段B对应的压力异常指数；
Figure DEST_PATH_IMAGE021
为卸料时段A对应的温度序列；
Figure DEST_PATH_IMAGE022
为卸料时段B对应的温度序列；
Figure 413457DEST_PATH_IMAGE016
为归整路径距离。
优选的，所述根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标，包括：
计算当前时刻的频率特征向量和发生泄露时的频率特征向量的余弦相似度；计算当前时刻的频率特征向量的模和发生泄露时的频率特征向量的模的差值，作为模长差值；一加所述模长差值作为调节差值；所述余弦相似度比上所述调节差值得到所述泄露程度指标。
优选的，所述计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性，包括：
由属于同一类别的不同卸料时段对应的泄露程度指标构建泄露程度指标序列；基于泄露程度指标序列中各泄露程度指标的排列顺序，将属于同一类别的不同卸料时段对应的压力异常指数进行排序，构建压力异常指数序列；
所述关联性的计算公式为：
Figure DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
为所述关联性；
Figure DEST_PATH_IMAGE025
为皮尔逊相关系数；
Figure DEST_PATH_IMAGE026
为压力异常指数序列；
Figure DEST_PATH_IMAGE027
为泄露程度指标序列；
Figure DEST_PATH_IMAGE028
为形态相似距离；
Figure 402142DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 685356DEST_PATH_IMAGE008
为方差函数。
优选的，所述根据关联性、压力异常指数和泄露程度指标计算安全指数，包括：
所述安全指数的计算公式为：
Figure DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE030
为所述安全指数；
Figure DEST_PATH_IMAGE031
为压力异常指数；
Figure DEST_PATH_IMAGE032
为泄露程度指标；
Figure DEST_PATH_IMAGE033
为余弦函数；
Figure DEST_PATH_IMAGE034
为以自然常数为底数的指数函数；
Figure DEST_PATH_IMAGE035
为归一化后的关联性。
优选的，所述基于压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络，包括：
以所述压力异常指数和所述温度影响程度作为预测网络的输入、以所述安全指数作为预测网络的输出；将关联性作为预测网络的损失函数的权重。
优选的，所述根据预测安全指数，确定超声检测的检测频率，包括：
获取以自然常数为底数，以负的预测安全指数为指数的指数函数，作为调节指数；所述调节指数乘上超声检测的初始检测时间，得到检测时间间隔；根据所述检测时间间隔得到检测频率。
本发明实施例至少具有如下有益效果：
本发明通过对运输罐卸料前后的压力、温度和超声波信号进行分析得到温度影响程度、压力异常指数和泄露程度指标，并得到压力异常指数和泄露程度指标的关联性将压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；根据预测安全指数，确定超声检测的检测频率。首先预测得到预测安全系数，在卸料还未发生时对其进行安全系数预测，以避免卸料时发生危机情况，且为了避免预测安全系数出现误差，根据预测安全系数调整超声检测的检测频率，以实现对运输罐的进一步实时检测，适当调整检测频率能够提高当前的检测仪器的使用寿命，同时保证当前的卸料过程的安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于深度学习的超声测漏装置的示意图；
图2为本发明一个实施例所提供的基于深度学习的超声测漏装置的检测系统的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于深度学习的超声测漏装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了基于深度学习的超声测漏装置的具体实施方法，该方法适用于超声测漏检测场景。为了解决仅仅是对当前的结果进行泄露确定时，对于危险气体而言，当已经出现了泄漏事件才能检测出泄露，会造成损失和危险的问题。本发明通过对运输罐卸料前后的压力、温度和超声波信号进行分析得到温度影响程度、压力异常指数和泄露程度指标，并得到压力异常指数和泄露程度指标的关联性将压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；根据预测安全指数，确定超声检测的检测频率。
下面结合附图具体的说明本发明所提供的基于深度学习的超声测漏装置的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于深度学习的超声测漏装置，包括运输罐本体，还包括由机械式压力表、超声波传感器、温度传感器和处理器构成的检测系统。
机械式压力表安装至运输罐内部，用于采集运输罐内的压力；超声波传感器安装至运输罐外侧，用于对运输罐进行超声检测得到超声波信号；温度传感器安装至运输罐外侧，用于采集温度；处理器与机械式压力表通过数据总线方式连接、与超声波传感器和温度传感器无线连接，用于同步获取运输罐内的压力、超声波信号和温度。
处理器根据接收到的各个数据信息，执行如图2所示的基于深度学习的超声测漏装置的检测系统的流程图，具体步骤如下：
步骤S100，同步获取运输罐内的压力、超声波信号和温度。
首先，获取运输车的运输罐内的压力大小。
由于液化天然气（Liquefied Natural Gas ,LNG）属于危险用品，一般情况下不能够有电学传感器直接暴露于LNG中，因此需要使用常规的机械式压力表，安装于运输罐的内部，用于采集运输罐内的压力，以确定当前的运输罐工作时的压力大小。
将当前的压力数据进行收集，增压器中会有对应的压力检测装置，将其进行改进后转换为数字信号的方式，通过数据总线方式发送到处理器，处理器通过相应的数字模拟转换器，确定运输罐内的压力。其中，压力的采集频率为1Hz，即每秒采集一次。由此得到当前增压泵增压后压力大小的数据集
Figure DEST_PATH_IMAGE036
，也即运输罐内的压力序列
Figure 22665DEST_PATH_IMAGE036
。
利用超声波传感器进行超声检测得到超声波信号。其中，超声波传感器安装于运输罐外侧。
对当前环境温度变化进行测量。由于空温式汽化器是将空气的温度和LNG进行热交换，同时超声波检测时，因为温度的差异，检测到的声波也会有比较明显的差异，因此，需要确定当前环境的温度大小。
使用温度传感器获取温度，该温度传感器安装至运输罐外侧。其中，温度采集频率为1Hz，即每秒采集一次温度。由此，确定当前的环境温度变化情况，得到温度序列
Figure DEST_PATH_IMAGE037
。
步骤S200，基于傅里叶变换得到超声波信号对应的频率特征向量；根据温度的波动情况获取温度影响程度；根据运输罐内的压力序列的差异和所述温度影响程度计算压力异常指数。
利用超声波传感器对运输罐进行超声检测得到超声波信号后，该超声波信号为超声波形；对超声波信号进行滤波处理，消除存在的噪声。为了方便对后续分析，对超声波形截断处理得到超声波形片段。将声波信号每10秒进行一次截断，形成一个声波片段。如果最终声波信号长度不足10秒但高于6秒，同样进行保留，低于6秒的片段进行舍弃。由此得到超声波形片段
Figure DEST_PATH_IMAGE038
。
利用傅里叶变换，将实时的超声波形片段转换到频域，将时域信号转化为频域信号，得到对应的频谱图。需要说明的是，得到的频谱图是通过示波器观察到的频谱图，应是非周期离散信号，即频谱图上有多个离散点。其中，频谱图上每个离散点的横坐标为频率，纵坐标为幅值。根据各离散点的横纵坐标，构建频谱图对应的频率特征向量；频率特征向量中的元素为各离散点的纵坐标。以此得到当前的超声波信号的频率特征向量
Figure DEST_PATH_IMAGE039
。
进一步的，确定当前温度的合适程度以及波动情况，以确定当前温度是否适合进行卸料操作，从而计算当前的温度影响程度；也即根据温度的波动情况获取温度影响程度。对获得的温度数据进行处理，每10秒的数据进行确定，同时每秒更新当前的温度序列，将老的温度数据剔除，加入当前新的温度数据，即最终的温度评价为每秒确定一个。
温度影响程度的计算公式为：
Figure 945490DEST_PATH_IMAGE001
其中，
Figure 613232DEST_PATH_IMAGE002
为温度影响程度；
Figure 547690DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 9895DEST_PATH_IMAGE004
为均值函数；
Figure 967487DEST_PATH_IMAGE005
为第i时刻的温度；
Figure 422608DEST_PATH_IMAGE006
为卸料时合适的标准温度；
Figure 211573DEST_PATH_IMAGE007
为温度序列；
Figure 110258DEST_PATH_IMAGE008
为方差函数；
Figure 555146DEST_PATH_IMAGE009
为双曲正切函数。
在本发明实施例中卸料时合适的标准温度为15℃，实施者可以根据具体的增压器进行适宜温度调整。其中，T为当前10秒内采集到的温度序列，求取其方差大小确定温度的波动情况，当前的波动越大，说明当前温度越不合适，最终温度评价偏低，对应的温度影响程度越小；反之，当前的波动越小，说明当前温度越合适，对应的温度影响程度越大；且当前温度与卸料时合适的标准温度的差异越小，则对应的温度影响程度越大；反之，当前温度与卸料时合适的标准温度的差异越大，则对应的温度影响程度越小。
进一步的，针对当前的卸料的压力变化，以及当前的温度状况，确定卸料时压力异常指数。因为压力的变化从一定程度上反映了压力的异常程度，波动越大，压力异常的概率越大，对应的运输罐的内部环境越不稳定，越容易发生泄露事件。也即在进行卸料时，根据运输罐内的压力大小的变化序列的差异和温度影响程度计算压力异常指数。
压力异常指数的计算公式为：
Figure 299111DEST_PATH_IMAGE010
其中，
Figure 208162DEST_PATH_IMAGE011
为压力异常指数；
Figure 261437DEST_PATH_IMAGE012
为余弦函数；
Figure 193621DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 741277DEST_PATH_IMAGE013
为运输罐卸料前的压力序列；
Figure 504834DEST_PATH_IMAGE014
为运输罐卸料时的压力序列；
Figure 479743DEST_PATH_IMAGE015
为极差函数；
Figure 148490DEST_PATH_IMAGE016
为归整路径距离；
Figure 499837DEST_PATH_IMAGE002
为温度影响程度。
其中余弦函数是实现压力异常指数归一化的手段。运输罐卸料前的压力序列和运输罐卸料时的压力序列的差异越大，则对应的压力异常指数越大；反之，运输罐卸料前的压力序列和运输罐卸料时的压力序列的差异越小，则对应的压力异常指数越小。也即通过比较当前工件卸料前和卸料时压力变化与参考数据的差异，差异越大，说明当前卸料时越异常，同时结合卸料时的数据，确定当前卸料时过程异常指数。
步骤S300，根据压力异常指数和温度对不同卸料时段进行分类，得到多个类别；根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标；计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性；根据关联性、压力异常指数和泄露程度指标计算安全指数。
对压力进行长时间的监测，获得足量的卸料时数据，同时计算卸料时压力异常指数N，以分析增压器的状态。
单一一台增压器因为工作状态和环境等因素影响，会长时间出现相似的情况。因此，这里引入多台相同型号的增压器对于不同的LNG运输罐的卸料时状况进行分析，从而能够覆盖多数可能发生的情况。
收集多台运输罐在不同卸料时段的卸料数据，并且计算相应的卸料时的压力异常指数N，需要说明的是，卸料时压力异常指数N为进行一次卸料时得到的，一台机器能够继续多次卸料，因此能够获大量的参考数据。
根据压力异常指数和温度对不同卸料时段进行分类，得到多个类别，具体的：
基于DBSCAN密度聚类，根据差异距离对不同卸料时段进行分类；
根据不同卸料时段对应的压力异常指数和温度的差异确定不同卸料时段的差异，因为压力和温度这两个指标均能够反映卸料时运输罐的当前情况，两个卸料时段之间的压力异常指数的差异越大，且温度之间的差异越大，则对应的两个卸料时段属于同一类别的概率越小；反之，则属于同一类别的概率越大。
差异距离的计算公式为：
Figure 117901DEST_PATH_IMAGE017
其中，
Figure 263711DEST_PATH_IMAGE018
为卸料时段A与卸料时段B的差异距离；
Figure 170487DEST_PATH_IMAGE019
为卸料时段A对应的压力异常指数；
Figure 856683DEST_PATH_IMAGE020
为卸料时段B对应的压力异常指数；
Figure 47362DEST_PATH_IMAGE021
为卸料时段A对应的温度序列；
Figure 364074DEST_PATH_IMAGE022
为卸料时段B对应的温度序列；
Figure 758146DEST_PATH_IMAGE016
为归整路径距离。
其中，
Figure DEST_PATH_IMAGE040
表示两次卸料时段内温度变化的归整路径距离，进一步确定两个时段间的差异。如果差异距离R的值越小，说明两次的卸料时状况相似，即状态为相同的；相反，如果差异距离R的值比较大，说明两次卸料时出现比较大的差异，状态不相同。基于当前的分析，对当前数据集进行分组讨论。其中，分组使用经典的无监督学习DBSCAN密度聚类方式，基于上述获得的差异距离R，对获得的数据进行聚类。由此，使用聚类方式，将当前的卸料过程中的卸料时压力异常指数进行聚类分组。
进一步的，结合当前超声检测的结果分析当前异常情况，排除意外状况，确定LNG卸料的安全指数S，具体的：根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标；计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性；根据关联性、压力异常指数和泄露程度指标计算安全指数。
首先根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标。
确定一个发生泄漏时的声音信息，其在高频附近能量比较集中，多次采集泄漏的声音信息，在高频信号上进行叠加处理，以能够以一种频谱表示多数声音特征，叠加时对各频点能量进行取最大值处理。同时，对中低频部分进行弱化，以强调当前高频特征信息，这里可以通过高通滤波器实现，得到发生泄露时的超声波信号的频率特征向量。
使用余弦相似度，对当前检测到的频率特征向量与发生泄露时的频率特征向量进行比较。当前检测到的频率特征向量越接近于发生泄露时的频率特征向量，则对应的泄露的概率越大，其泄露程度指标的取值越大。具体的：计算当前时刻的频率特征向量和发生泄露时的频率特征向量的余弦相似度；计算当前时刻的频率特征向量的模和发生泄露时的频率特征向量的模的差值，作为模长差值；一加模长差值作为调节差值；余弦相似度比上调节差值得到泄露程度指标。
该泄露程度指标的计算公式为：
Figure DEST_PATH_IMAGE041
其中，
Figure 169405DEST_PATH_IMAGE032
为泄露程度指标；SIM为余弦相似度；
Figure DEST_PATH_IMAGE042
为当前时刻的频率特征向量；
Figure DEST_PATH_IMAGE043
为当前时刻的频率特征向量的模；
Figure DEST_PATH_IMAGE044
为发生泄露时的频率特征向量；
Figure DEST_PATH_IMAGE045
为发生泄露时的频率特征向量的模。
其中，余弦相似度用于比较两个向量之间的相似程度；分母中对两个向量的模长进行做差处理，目的是避免两个向量各个元素大小成比例排列，导致余弦相似度计算后为1，与预期发生偏差。由此，得到泄漏程度指数q。当前检测到的频率特征向量与发生泄露时的频率特征向量越相似，则对应的泄露的概率越大，其泄露程度指标的取值越大；反之当前检测到的频率特征向量与发生泄露时的频率特征向量差异越大，则对应的泄露的概率越大，其泄露程度指标的取值越小。进而得到了能够反映泄露概率的泄露程度指标。
对各个类别内的过程进行趋势统计，确定当前泄漏程度指数和卸料时压力异常指数的相关性，也即计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性。
由属于同一类别的不同卸料时段对应的泄露程度指标构建泄露程度指标序列；基于泄露程度指标序列中各泄露程度指标的排列顺序，将属于同一类别的不同卸料时段对应的压力异常指数进行排序，构建压力异常指数序列。也即对各类别内多个卸料过程，根据压力异常指数N关联着对应的泄漏程度指数q，以此形成一个关于泄漏程度指数q的泄露程度指标序列Q，和对应排列形成的压力异常指数序列
Figure DEST_PATH_IMAGE046
，计算泄漏程度指数和卸料时压力异常指数的相关性。
关联性的计算公式为：
Figure 621115DEST_PATH_IMAGE023
其中，
Figure 374307DEST_PATH_IMAGE024
为关联性；
Figure 990096DEST_PATH_IMAGE025
为皮尔逊相关系数；
Figure 283674DEST_PATH_IMAGE026
为压力异常指数序列；
Figure 934099DEST_PATH_IMAGE027
为泄露程度指标序列；
Figure 841881DEST_PATH_IMAGE028
为形态相似距离；
Figure 944966DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 776656DEST_PATH_IMAGE008
为方差函数。
其中，皮尔逊相关系数在这里用于确定两个因素之间的关联性，如果两个因素的变化趋势相同，说明当前压力出现异常时，检测到的声音同样发生改变，有一定的可能性出现泄漏。如果关联性接近于0，说明当前压力出现异常时，检测到的声音并不受影响，当前的卸料过程中出现压力异常，可能是其他因素造成的，例如即将抽取完毕时，会出现压力下降的情况，因此，对每组均进行相关性检测。
计算关联性的目的是在一定程度卸料时压力异常时，检测到的声音不会发生明显变化，即两者相关性不强；而超过某一范围的卸料时压力异常时，会出现比较大的影响。因此根据各组内的样本进行相关性计算，以更好的确定当前卸料时后的质量。因此，上述类别可以根据关联性，确定组内属性，确定当前的卸料时压力异常指数下，是否与LNG泄漏相关。
对当前的各组均进行相关性计算，并根据当前所有组内的相关性进行归一化处理，作为后续分析权重。
进一步的，根据关联性、压力异常指数和泄露程度指标计算安全指数。当压力异常指数和泄露程度指标的关联性发生异常时，则对应的安全指数越小；且压力越异常、泄露的概率越大，则对应的运输罐的安全性越低，其计算得到的安全指数越低。
安全指数的计算公式为：
Figure 547166DEST_PATH_IMAGE029
其中，
Figure 111002DEST_PATH_IMAGE030
为安全指数；
Figure 216230DEST_PATH_IMAGE031
为压力异常指数；
Figure 851611DEST_PATH_IMAGE032
为泄露程度指标；
Figure 211048DEST_PATH_IMAGE033
为余弦函数；
Figure 211365DEST_PATH_IMAGE034
为以自然常数为底数的指数函数；
Figure 289043DEST_PATH_IMAGE035
为归一化后的关联性。
其中，安全指数的计算公式中引入泄露程度指标和卸料时压力异常指数之间的关联性，对当前的整体安全指数评价进行调整，关联性越高，说明当前两者联系越紧密，整体质量经前部计算偏理想，关联性越低，说明当前两个因素完全独立，而本方案中主要讨论卸料时过程泄漏时对压力变化的影响程度，如果两者相互独立，则说明是其他因素出现异常导致压力异常，与卸料时过程不相关；其中压力异常指数越大，则对应的安全指数越小；反之，压力异常指数越小，则对应的安全指数越大；将压力异常指数乘上
Figure DEST_PATH_IMAGE047
是为了仅取余弦函数在
Figure DEST_PATH_IMAGE048
范围内的变化规律；泄露程度指标越大，则对应的安全指数越小；反之，泄露程度指标越小，则对应的安全指数越大。通过关联性修正，使当前的质量评价更可信。
步骤S400，基于压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数。
使用TCN网络，预测对应的卸料的安全指数S。将上述样本获得的压力异常指数W，温度影响程度G作为TCN网络训练的输入，训练TCN输出预测安全指数。也即以压力异常指数和温度影响程度作为预测网络的输入、以安全指数作为预测网络的输出；将关联性作为预测网络的损失函数的权重。同时对训练样本打上标签，以实现当前TCN网络训练的友监督学习，标签对应的是卸料过程数据样本的关联性。属于同一类别的状态更加接近，所以将同一类别对应的关联性作为该类别的损失函数的权重，对损失函数进行训练。具体的：每个类别对应的关联性即为对应类别的损失函数的权重。每个类别对应的关联性作为权重，对每个类别对应的损失函数加权求和得到预测网络的损失函数。
需要说明的是，作为权重的关联性为归一化后的关联性，以关联性作为损失函数的权重是因为，关联性表示当前样本所对应类别中的卸料过程所在组内的泄漏异常指数和卸料时压力异常指数归一化后的关联性大小，当前不同的压力异常指数存在明显差异，通过不同权重分配，消除这一部分的影响。对损失函数分配权重的目的是：加速当前训练的收敛，同时，使当前的预测模型能够更好的学习到异常样本的特征，以在实际使用过程中能够更好的发现异常样本，提高其判断准确性。
使用神经网络进行预测的目的是，由于各个时段的工作状态存在差异，并且状态会时刻发生变化，数据获取会有波动，会导致直接对压力异常指数判断时出现误判的情况，通过神经网络的预测能够根据足量的样本数据统计学习，提高判断准确性，同时提高判断系统的鲁棒性。
步骤S500，根据预测安全指数，确定超声检测的检测频率。
对每次卸料过程中，获得增压器的压力信息和环境温度信息，输入到预测网络TCN中，预测当前的卸料过程的预测安全指数。当前预测得到的预测安全指数，其大小越大越安全，说明发生泄漏的可能越小，但仍然不能完全保证当前预测的准确性，因此需要定期对当前的卸料过程进行超声检测，检测间隔可以根据预测安全指数进行实时调整，在确保安全的前提下，确定当前的超声扫描间隔。具体的：获取以自然常数为底数，以负的预测安全指数为指数的指数函数，作为调节指数；所述调节指数乘上超声检测的初始检测时间，得到检测时间间隔；根据检测时间间隔得到检测频率。根据时间间隔得到对应的频率，具体的：检测时间间隔的倒数为检测频率。其中检测时间间隔以秒为单位。在本发明实施例中初始检测时间为30秒，在其他实施例中实施者可根据实际情况调整该取值。
故根据预测网络预测得到的预测安全指数，可实时调整当前的超声检测的检测频率。能够提高当前的检测仪器的使用寿命，同时保证当前的卸料过程的安全。
综上所述，本发明涉及检测技术领域。本发明包括由机械式压力表、超声波传感器、温度传感器和处理器构成的检测系统。处理器与机械式压力表通过数据总线方式连接、与超声波传感器和温度传感器无线连接，用于同步获取运输罐内的压力、超声波信号和温度。基于傅里叶变换得到超声波信号对应的频率特征向量；根据温度的波动情况获取温度影响程度；根据运输罐内的压力序列的差异和温度影响程度计算压力异常指数；根据压力异常指数和温度对不同卸料时段分类得到多个类别；根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标；计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性；根据关联性、压力异常指数和泄露程度指标计算安全指数；基于压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；根据预测安全指数，确定超声检测的检测频率。本发明通过对运输罐卸料前后的压力、温度和超声波信号进行分析得到温度影响程度、压力异常指数和泄露程度指标，并得到压力异常指数和泄露程度指标的关联性将压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；根据预测安全指数，确定超声检测的检测频率；首先预测得到预测安全系数，在卸料还未发生时对其进行安全系数预测，以避免卸料时发生危机情况，且为了避免预测安全系数出现误差，根据预测安全系数调整超声检测的检测频率，以实现对运输罐的进一步实时检测，适当调整检测频率能够提高当前的检测仪器的使用寿命，同时保证当前的卸料过程的安全。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.基于深度学习的超声测漏装置，包括运输罐本体，其特征在于，还包括由机械式压力表、超声波传感器、温度传感器和处理器构成的检测系统：
机械式压力表安装至运输罐内部，用于采集运输罐内的压力；超声波传感器安装至运输罐外侧，用于对运输罐进行超声检测得到超声波信号；温度传感器安装至运输罐外侧，用于采集温度；
处理器与机械式压力表通过数据总线方式连接、与超声波传感器和温度传感器无线连接，用于同步获取运输罐内的压力、超声波信号和温度；
基于傅里叶变换得到超声波信号对应的频率特征向量；根据温度的波动情况获取温度影响程度；根据运输罐内的压力序列的差异和所述温度影响程度计算压力异常指数；
根据压力异常指数和温度对不同卸料时段进行分类，得到多个类别；根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标；计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性；根据关联性、压力异常指数和泄露程度指标计算安全指数；
基于压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络；使得将实时的卸料前的压力和温度输入预测网络得到预测安全指数；
根据预测安全指数，确定超声检测的检测频率。
2.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述基于傅里叶变换得到超声波信号对应的频率特征向量，包括：
利用超声波传感器对运输罐进行超声检测得到超声波形；对超声波形截断处理得到超声波形片段；
利用傅里叶变换，将实时的超声波形片段转换到频域，得到对应的频谱图；所述频谱图上有多个离散点，每个离散点的横坐标为频率，纵坐标为幅值；
根据各离散点的横纵坐标，构建频谱图对应的频率特征向量；所述频率特征向量中的元素为各离散点的纵坐标。
3.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述根据温度的波动情况获取温度影响程度，包括：
所述温度影响程度的计算公式为：
Figure 288733DEST_PATH_IMAGE001
其中，
Figure 880120DEST_PATH_IMAGE002
为所述温度影响程度；
Figure 729127DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 447685DEST_PATH_IMAGE004
为均值函数；
Figure 901800DEST_PATH_IMAGE005
为第i时刻的温度；
Figure 414821DEST_PATH_IMAGE006
为卸料时合适的标准温度；
Figure 751124DEST_PATH_IMAGE007
为温度序列；
Figure 522640DEST_PATH_IMAGE008
为方差函数；
Figure 565682DEST_PATH_IMAGE009
为 双曲正切函数。
4.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述根据运输罐内的压力序列的差异和所述温度影响程度计算压力异常指数，包括：
所述压力异常指数的计算公式为：
Figure 515184DEST_PATH_IMAGE010
其中，
Figure 73204DEST_PATH_IMAGE011
为所述压力异常指数；
Figure 399143DEST_PATH_IMAGE012
为余弦函数；
Figure 545960DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 666362DEST_PATH_IMAGE013
为运输罐卸料前的压力序列；
Figure 977258DEST_PATH_IMAGE014
为运输罐卸料时的压力序列；
Figure 841309DEST_PATH_IMAGE015
为极差函数；
Figure 593364DEST_PATH_IMAGE016
为归 整路径距离；
Figure 399515DEST_PATH_IMAGE002
为温度影响程度。
5.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述根据压力异常指数和温度对不同卸料时段进行分类，得到多个类别，包括：
基于DBSCAN密度聚类，根据差异距离对不同卸料时段进行分类；
差异距离的计算公式为：
Figure 932128DEST_PATH_IMAGE017
其中，
Figure 599869DEST_PATH_IMAGE018
为卸料时段A与卸料时段B的差异距离；
Figure 206431DEST_PATH_IMAGE019
为卸料时段A对应的压力异常 指数；
Figure 934216DEST_PATH_IMAGE020
为卸料时段B对应的压力异常指数；
Figure 954124DEST_PATH_IMAGE021
为卸料时段A对应的温度序列；
Figure 409245DEST_PATH_IMAGE022
为卸料时 段B对应的温度序列；
Figure 135893DEST_PATH_IMAGE016
为归整路径距离。
6.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述根据当前时刻的频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标，包括：
计算当前时刻的频率特征向量和发生泄露时的频率特征向量的余弦相似度；计算当前时刻的频率特征向量的模和发生泄露时的频率特征向量的模的差值，作为模长差值；一加所述模长差值作为调节差值；所述余弦相似度比上所述调节差值得到所述泄露程度指标。
7.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述计算同一类别内不同卸料时段对应的压力异常指数和泄露程度指标之间的关联性，包括：
由属于同一类别的不同卸料时段对应的泄露程度指标构建泄露程度指标序列；基于泄露程度指标序列中各泄露程度指标的排列顺序，将属于同一类别的不同卸料时段对应的压力异常指数进行排序，构建压力异常指数序列；
所述关联性的计算公式为：
Figure 34579DEST_PATH_IMAGE023
其中，
Figure 276204DEST_PATH_IMAGE024
为所述关联性；
Figure 20169DEST_PATH_IMAGE025
为皮尔逊相关系数；
Figure 381749DEST_PATH_IMAGE026
为压力异常指数序列；
Figure 982495DEST_PATH_IMAGE027
为泄露程 度指标序列；
Figure 180258DEST_PATH_IMAGE028
为形态相似距离；
Figure 462335DEST_PATH_IMAGE003
为以自然常数为底数的指数函数；
Figure 429154DEST_PATH_IMAGE008
为方差函数。
8.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述根据关联性、压力异常指数和泄露程度指标计算安全指数，包括：
所述安全指数的计算公式为：
Figure 200801DEST_PATH_IMAGE029
其中，
Figure 135128DEST_PATH_IMAGE030
为所述安全指数；
Figure 220895DEST_PATH_IMAGE031
为压力异常指数；
Figure 42221DEST_PATH_IMAGE032
为泄露程度指标；
Figure 250348DEST_PATH_IMAGE033
为余弦函数；
Figure 891545DEST_PATH_IMAGE034
为 以自然常数为底数的指数函数；
Figure 30271DEST_PATH_IMAGE035
为归一化后的关联性。
9.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述基于压力异常指数、温度影响程度、关联性和对应的安全指数训练预测网络，包括：
以所述压力异常指数和所述温度影响程度作为预测网络的输入、以所述安全指数作为预测网络的输出；将关联性作为预测网络的损失函数的权重。
10.根据权利要求1所述的基于深度学习的超声测漏装置，其特征在于，所述根据预测安全指数，确定超声检测的检测频率，包括：
获取以自然常数为底数，以负的预测安全指数为指数的指数函数，作为调节指数；所述调节指数乘上超声检测的初始检测时间，得到检测时间间隔；根据所述检测时间间隔得到检测频率。
CN202211382583.XA 2022-11-07 2022-11-07 基于深度学习的超声测漏装置 Active CN115420437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211382583.XA CN115420437B (zh) 2022-11-07 2022-11-07 基于深度学习的超声测漏装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211382583.XA CN115420437B (zh) 2022-11-07 2022-11-07 基于深度学习的超声测漏装置

Publications (2)

Publication Number Publication Date
CN115420437A true CN115420437A (zh) 2022-12-02
CN115420437B CN115420437B (zh) 2023-02-21

Family

ID=84207898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211382583.XA Active CN115420437B (zh) 2022-11-07 2022-11-07 基于深度学习的超声测漏装置

Country Status (1)

Country Link
CN (1) CN115420437B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579663A (zh) * 2023-07-05 2023-08-11 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法
CN117146984A (zh) * 2023-10-26 2023-12-01 山东鸿安食品科技有限公司 一种用于物料灭菌的料液温度检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2290039Y (zh) * 1997-04-09 1998-09-02 黄震 超声波测漏器
DE10062875A1 (de) * 2000-12-16 2002-07-04 Hydrometer Gmbh Durchflussmesser
CN101682165A (zh) * 2007-03-16 2010-03-24 伊雷克托科学工业股份有限公司 改善链处理准确度的预测性脉冲触发的用法
CN101726408A (zh) * 2008-10-24 2010-06-09 通用电气公司 压力释放阀监测系统及方法
CN106644288A (zh) * 2016-12-30 2017-05-10 燕山大学 基于无线传感网络的飞艇气体泄漏检测系统
CN108168792A (zh) * 2017-12-25 2018-06-15 沪东中华造船(集团)有限公司 一种基于超声波测漏技术的船舶管路密性检测方法
CN108444653A (zh) * 2018-03-09 2018-08-24 北京理工大学 一种面阵型超声波气体泄漏点定位检测装置及方法
CN109506848A (zh) * 2018-12-29 2019-03-22 汉威科技集团股份有限公司 一种新型在线扫描式超声波气体测漏系统
CN110127082A (zh) * 2019-05-14 2019-08-16 中国人民解放军空军勤务学院 一种航空四站保障综合检测箱组
CN110801592A (zh) * 2019-09-20 2020-02-18 河南博飞消防设备有限公司 多功能消防水带超声波清洗机

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2290039Y (zh) * 1997-04-09 1998-09-02 黄震 超声波测漏器
DE10062875A1 (de) * 2000-12-16 2002-07-04 Hydrometer Gmbh Durchflussmesser
CN101682165A (zh) * 2007-03-16 2010-03-24 伊雷克托科学工业股份有限公司 改善链处理准确度的预测性脉冲触发的用法
CN101726408A (zh) * 2008-10-24 2010-06-09 通用电气公司 压力释放阀监测系统及方法
CN106644288A (zh) * 2016-12-30 2017-05-10 燕山大学 基于无线传感网络的飞艇气体泄漏检测系统
CN108168792A (zh) * 2017-12-25 2018-06-15 沪东中华造船(集团)有限公司 一种基于超声波测漏技术的船舶管路密性检测方法
CN108444653A (zh) * 2018-03-09 2018-08-24 北京理工大学 一种面阵型超声波气体泄漏点定位检测装置及方法
CN109506848A (zh) * 2018-12-29 2019-03-22 汉威科技集团股份有限公司 一种新型在线扫描式超声波气体测漏系统
CN110127082A (zh) * 2019-05-14 2019-08-16 中国人民解放军空军勤务学院 一种航空四站保障综合检测箱组
CN110801592A (zh) * 2019-09-20 2020-02-18 河南博飞消防设备有限公司 多功能消防水带超声波清洗机

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579663A (zh) * 2023-07-05 2023-08-11 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法
CN116579663B (zh) * 2023-07-05 2023-10-20 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法
CN117146984A (zh) * 2023-10-26 2023-12-01 山东鸿安食品科技有限公司 一种用于物料灭菌的料液温度检测方法
CN117146984B (zh) * 2023-10-26 2024-01-26 山东鸿安食品科技有限公司 一种用于物料灭菌的料液温度检测方法

Also Published As

Publication number Publication date
CN115420437B (zh) 2023-02-21

Similar Documents

Publication Publication Date Title
CN115420437B (zh) 基于深度学习的超声测漏装置
CN106352243B (zh) 一种基于声波法的输气管道泄露检测系统
US20190277722A1 (en) Sensor recording analysis apparatus and method
CN115326147B (zh) 一种船舶用脱硫塔实时监测方法及系统
CN101832472A (zh) 利用次声波实现管道泄漏检测的系统
US6697741B2 (en) Method and system for evaluating and monitoring hydraulic pump noise levels
US20230417622A1 (en) Methods and systems for leakage analysis of urban pipelines and storage media
CN115052761A (zh) 一种检测轮胎异常的方法和装置
CN115950590A (zh) 气体发动机泄露预警系统
CN117573668A (zh) 一种基于超声波燃气表计量数据的优化方法
CN117627627A (zh) 一种油气井井筒安全的智能检测方法
CN117628417B (zh) 一种燃气场用智能安全控制系统
CN117437740A (zh) 一种基于大数据技术的工业消防风险预警与分析方法
CN115949891B (zh) 一种lng加气站智能控制系统及其控制方法
JP2002323371A (ja) 音響診断装置及び音響診断方法
CN114739669B (zh) 基于太赫兹雷达的滚动轴承状态监测方法及装置
CN115165164B (zh) 基于深度学习导纳特征的混凝土压应力识别方法和系统
CN211477587U (zh) 在线安全预警装置和故障诊断系统
CN114877262A (zh) 基于ai芯片燃气管道泄漏的声发射检测方法
CN111812195A (zh) 一种对涡流检测得到的管道缺陷进行周向角度分类的方法
CN111259528A (zh) 石墨电极缺损检测算法及石墨电极缺损检测方法
Singh et al. iPipe: water pipeline monitoring and leakage detection
WO2004072858A1 (ja) 状態識別方法及び状態識別システム
CN216899486U (zh) 一种无线声波采集仪
KR102584912B1 (ko) 음향방출신호 및 진동가속도의 측정에 의한 유체수송관의 감육 탐지 장치 및 방법

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
GR01 Patent grant