科研之友
微信
新浪微博
Facebook
分享链接
摘要
LNG接收站的红外热成像监测具有关键设施体积大、场地情况复杂等特点，对红外热成像的数据清洗、漏冷缺陷识别与定位等提出了更高的要求。运用红外热成像技术对LNG接收站关键设施监测，可以表征设备运行状态与表面温度的对应关系，同时传递LNG接收站关键设施当前的运行信息或故障情况，对LNG场站设施的早期泄漏监测预警具有重要意义。针对红外热成像监测技术在液化天然气(LNG)接收站应用过程中易出现的问题，本文提出融合数据清洗、漏冷缺陷监测及智能识别的LNG接收站关键设施漏冷缺陷智能监测方法。首先建立了基于方向梯度直方图与支持向量机(Histogram of Oriented Gradients,HOG;Support Vector Machine, SVM)相结合的红外热成像监测数据清洗方法，能够准确识别异物闯入镜头视野的视频帧，并标定为异常，减少异常物体对监测过程的干扰，清洗准确率在95%以上。进一步针对LNG接收站关键设施异常数据极少导致异常识别误判和不及时、红外监测易受到周边环境影响的问题，提出了基于卷积神经网络的异常监测方法。经过比对分析，本文提出的方法可以去除边界设置的限制，有效识别人员进入监测画面不同程度的场景，通过学习同类设施的某一设施的异常，从而较为准确的识别出同类设施中另一设施的异常。选取储罐作为研究对象，构建特定的卷积神经网络，通过训练历史数据，进而识别出储罐异常时刻。优势在于在同类设施的不同个体间具有很好的学习性，且识别准确率最高可达99%。
-
单位油气资源与探测国家重点实验室; 中国石油大学（北京）
