在大型化工廠中,輸送液體的管道泄漏是一個重要問題。管道破損不僅會影響工廠的正常運行,增加維護成本,還會使操作人員的生命安全受到威脅。因此,化工廠管道泄漏的檢測與定位是維護和狀態監測中的關鍵任務。
在傳統狀態監測中,常用的做法是由專業人員通過人工方式檢測管道故障。該方法的效果在很大程度上取決于檢測人員的專業能力以及檢測頻率。這是一項非常耗費人力且需較高成本的工作。此外,檢測人員需要親自在工廠進行現場檢查,但在危險的情況下,要做到這一點幾乎是不可能的。因此,需要遠程檢測的幫助,以避免人員直接暴露在工廠現場。
針對化工廠中的管道泄漏,提出了一種基于紅外視頻數據和機器視覺技術的檢測與定位方法。該方法是以視覺技術為基礎,無需考慮泄漏液體的物理性質,因此其適用于任何類型的液體(水、油等)泄漏檢測。在該方法中,首先對后續幀進行減影和分塊處理,然后對每一分塊進行主成分分析,提取特征;接著將分塊內所有減影幀都轉換為特征向量(作為塊分類的依據),根據特征向量,采用zui近鄰算法將塊分為正常(無泄漏)和異常(泄漏)兩類;然后在各異常塊上確定泄漏的位置。
技術優勢:
機器視覺技術與人工智能(AI)相結合,可為了解工廠狀況、識別工廠運行狀態及決策提供架構。視覺檢測是一種很有前景的方法,可實現制造系統全自動狀態監測及在線檢測。自動視覺檢測的一個主要優點在于,其可快速準確地檢測出工廠特定部位的故障,并提高制造環境中的安全性。
技術局限性:
在實際工業環境和大型工廠中實現基于視覺技術的檢測系統仍然面臨挑戰。檢測微小泄漏液滴的能力非常重要,以避免因微小液滴長期無法被檢測出而造成嚴重的破壞。由于工廠內可能存在多處泄漏且在不同部位存在同時泄漏的可能性,因此泄漏檢測機制應能夠檢測多處同時泄漏的情況。在檢測到泄漏后,還應考慮泄漏的具體的位置。由于從管道泄漏出的物質可能屬于危險液體,除能夠定位泄漏位置外,檢測出泄漏的軌跡和路徑也是非常重要的。泄漏軌跡可提供有關泄漏液滴路徑的附加信息,以監測可能受到泄漏影響的工廠的不同部位。此外,應在合理的時間內檢測出泄漏,以用于實際應用,并盡可能快速地采取措施避免造成嚴重破壞。zui后,檢驗方法應與管道內液體的物理性質和管道本身的材質無關。
一種解決方案是采用具備視覺能力的無人機平臺。盡管如此,由于無人機具有姿態變化和快速運動的特點,大多數機器視覺算法在處理其拍攝的圖像時并不能實現zui優化。此外,在防爆區內無人機不屬于安全型設備,原因是無人機起火的風險較高。另一種方法是在大型工廠的不同位置部署多個固定式相機,針對不同部位抓取影像。每一個相機能夠捕捉到工廠特定部位的圖像,并實施視覺檢測。
該方法在工廠實際應用中的局限性以及有效性。
1、針對紅外相機在泄漏檢測中的應用,目前主要的問題是其不適合對戶外工廠設備的檢測,原因是其可能受到多種因素的影響,諸如氣象條件、太陽、風力等。關于管道泄漏在垂直方向受到室外設備強風的影響,或在強烈陽光下由不同表面反射引起的其他意外噪聲的影響。因此,該方法更適用于室內工廠。
2、在室內大型工廠的實際應用中,可在工廠前方設置多個固定相機,然后使用的視覺檢測方法。每臺相機負責觀察工廠的特定部分,并針對所觀察到的工廠特定部分實施基于視覺的算法程序。如果廠房過大,可能需要安裝大量相機以觀察廠房內各個部位。在實際應用中實現基于視覺技術系統的另一種方法是配備紅外相機的無人機,但無人機的運動會影響檢測算法的精度,且對其在高風險地區能否應用仍然存在疑問。此外,移動泄漏檢測裝置可作為補充但不能替代原裝置,因此,確定此類裝置的應用對于大規模部署非常關鍵。
3、紅外相機可捕捉到0.05~0.10 ℃范圍內的zui小溫差。在所提出的方法中,假設泄漏液體與周圍環境的溫差在紅外相機可捕捉溫差的范圍內。因此,如果在工廠中該假設不成立,則泄漏液體就無法被紅外相機檢測到,所提出的方法也就不再適用。此外,考慮衰退問題,泄漏液滴在失溫時將無法被觀察到,只能在液體的起始泄漏位置觀察到泄漏。
上述方法的局限性違背了有效性及確定性。實際工業應用中,如果能夠克服這些局限性,所提出自動視覺檢測的方法將適用于實際工廠,這項技術成熟后將與管道泄漏監測系統-采用分布式光纖傳感技術(分布式光纖傳感系統)進行管道泄漏檢測起到相輔相成的作用,互為補充。
該自動視覺技術還可以用于智慧工地、智慧園區、智慧交通、智慧能源、明廚亮灶、智慧水務、智慧零售、智慧養老等場合。