[发明专利]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

说明书

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。

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。