使用AI進(jìn)行流體泄漏檢測(cè)

描述

工業(yè)管道中的流體泄漏會(huì)對(duì)環(huán)境和人類健康產(chǎn)生嚴(yán)重且具有潛在破壞性的影響。

流體泄漏的最重要影響之一是可能污染土壤和水源。許多工業(yè)流體，如石油和化合物，都是有毒的，會(huì)對(duì)它們接觸到的生態(tài)系統(tǒng)產(chǎn)生破壞性影響。例如，石油泄漏會(huì)污染土壤和水，導(dǎo)致依賴這些資源的動(dòng)植物死亡。這種泄漏的清理過(guò)程也可能既昂貴又耗時(shí)，會(huì)對(duì)受影響地區(qū)造成長(zhǎng)期影響。

除了環(huán)境影響外，流體泄漏還會(huì)對(duì)人類造成嚴(yán)重的健康風(fēng)險(xiǎn)。某些工業(yè)流體（例如化學(xué)品和氣體）在吸入或攝入時(shí)可能有害。即使少量的這些物質(zhì)也會(huì)導(dǎo)致嚴(yán)重的健康問(wèn)題，包括呼吸系統(tǒng)問(wèn)題、皮膚刺激，甚至癌癥。

流體泄漏還會(huì)對(duì)管道本身造成損壞，從而導(dǎo)致使用它們的工業(yè)設(shè)施進(jìn)行昂貴的維修和停機(jī)。在某些情況下，泄漏甚至?xí)?dǎo)致爆炸或火災(zāi)，這可能會(huì)造成進(jìn)一步的破壞并使工人和附近社區(qū)處于危險(xiǎn)之中。

總的來(lái)說(shuō)，工業(yè)管道中的流體泄漏是一個(gè)嚴(yán)重的問(wèn)題，具有深遠(yuǎn)的影響。工業(yè)設(shè)施必須采取措施防止泄漏并妥善維護(hù)管道，以最大程度地減少對(duì)環(huán)境和人類健康造成危害的可能性。這可以包括定期檢查和維護(hù)，以及實(shí)施安全規(guī)程和培訓(xùn)工人如何處理潛在泄漏。通過(guò)主動(dòng)解決這個(gè)問(wèn)題，我們可以幫助保護(hù)我們的星球并確保我們社區(qū)的安全。

作為工業(yè)管道中流體泄漏問(wèn)題的建議解決方案，我們建議使用人工智能 (AI) 和機(jī)器學(xué)習(xí)。通過(guò)這種方法，流量傳感器數(shù)據(jù)用于使用機(jī)器學(xué)習(xí)算法檢測(cè)管道中的泄漏，機(jī)器學(xué)習(xí)算法分析流量的變化并識(shí)別可能指示泄漏的正常模式的偏差。這種人工智能技術(shù)有可能顯著提高我們檢測(cè)和響應(yīng)工業(yè)管道中流體泄漏的能力，有助于防止未檢測(cè)到的泄漏造成損害。此外，機(jī)器學(xué)習(xí)的使用允許這些系統(tǒng)隨著時(shí)間的推移而改進(jìn)，在檢測(cè)泄漏方面變得更加準(zhǔn)確和可靠。通過(guò)利用這些技術(shù)，我們可以更有效地保護(hù)環(huán)境和人類健康，

硬件要求

• 種子 Wio 終端
• 水流傳感器

軟件要求

• 邊緣脈沖
• 開(kāi)發(fā)環(huán)境

硬件設(shè)置

本項(xiàng)目使用的開(kāi)發(fā)板為Seeed Wio Terminal 。我們之所以在這個(gè)項(xiàng)目中使用這個(gè)開(kāi)發(fā)板，是因?yàn)樗且粋€(gè)完整的系統(tǒng)，配備了屏幕+開(kāi)發(fā)板+輸入/輸出接口+外殼。

?

我們使用了 DFRobot水流傳感器來(lái)檢測(cè)水流狀態(tài)。

?

它通過(guò)使用磁性轉(zhuǎn)子和霍爾效應(yīng)傳感器測(cè)量流過(guò)它的液體的速率。當(dāng)液體流過(guò)傳感器時(shí)，磁性轉(zhuǎn)子會(huì)旋轉(zhuǎn)，旋轉(zhuǎn)速度會(huì)隨著流速的變化而變化。然后霍爾效應(yīng)傳感器將輸出一個(gè)脈寬信號(hào)。

?

這是流程設(shè)置，非常簡(jiǎn)單。兩根管道連接到流量傳感器的入口和出口。我們將收集數(shù)據(jù)

• 沒(méi)有流量的時(shí)候
• 有流量的時(shí)候
• 有泄漏時(shí)

?

軟件設(shè)置

要為 Edge Impulse 設(shè)置 Seeed Wio 終端，您可以按照本指南進(jìn)行操作。但我們正在使用另一種方法來(lái)收集數(shù)據(jù)。在我們的方法中，數(shù)據(jù)以 CSV 文件的形式收集并上傳到 Edge Impulse。然后我們照常進(jìn)行 TinyML 模型生成。

1. 數(shù)據(jù)收集

我們有輸出 PWM 信號(hào)的水流傳感器。因此，我們沒(méi)有從傳感器收集模擬值，而是使用方程式計(jì)算流量，并將其收集為時(shí)間序列數(shù)據(jù)。我們收集了無(wú)流量、正常流量和泄漏的流量，這些流量似乎可以通過(guò)模型區(qū)分。

要為您的項(xiàng)目收集數(shù)據(jù)，請(qǐng)執(zhí)行以下步驟：

• 將DataCollection.ino上傳到 Wio 終端。
• 將 Wio 終端插入計(jì)算機(jī)。
• 在計(jì)算機(jī)中運(yùn)行SerialDataCollection.py 。
• 按下按鈕 C 開(kāi)始錄音。
• 當(dāng)您有足夠的數(shù)據(jù)時(shí)，再次按下按鈕 C 停止記錄。
• 停止錄制后，它會(huì)在您的計(jì)算機(jī)上生成一個(gè) CSV 文件。根據(jù)流態(tài)命名。
• 使用“數(shù)據(jù)采集”選項(xiàng)卡將 CSV 文件上傳到 EdgeImpulse 。

?

上傳 CSV 文件后，我們將整個(gè)數(shù)據(jù)分成 6s 長(zhǎng)度的樣本。

?

?

?

然后我們將整個(gè)數(shù)據(jù)集拆分為訓(xùn)練和測(cè)試數(shù)據(jù)集。現(xiàn)在我們有了一個(gè)干凈的數(shù)據(jù)集來(lái)開(kāi)始模型訓(xùn)練。

2. 沖動(dòng)設(shè)計(jì)

脈沖是一種機(jī)器學(xué)習(xí)管道，它獲取原始數(shù)據(jù)，進(jìn)行信號(hào)處理以提取特征，然后使用學(xué)習(xí)塊對(duì)新數(shù)據(jù)進(jìn)行分類。

?

這里我們使用時(shí)間序列數(shù)據(jù)作為輸入塊。我們使用原始數(shù)據(jù)作為處理塊。由于我們必須將液體流分類為不同的狀態(tài)，因此我們使用分類作為學(xué)習(xí)模塊。現(xiàn)在我們有一個(gè)脈沖，它將流量作為輸入并將流量分為三類之一。

現(xiàn)在移至“原始數(shù)據(jù)”選項(xiàng)卡。我們可以更改比例軸等參數(shù)，但我們保持原樣并繼續(xù)生成特征。

?

?

特征分離得很好，類之間沒(méi)有重疊，這表明我們有一個(gè)很好的模型生成數(shù)據(jù)集。那么，讓我們繼續(xù)訓(xùn)練模型。

3. 模型訓(xùn)練與測(cè)試

轉(zhuǎn)到分類器選項(xiàng)卡。這里我們有3個(gè)參數(shù)要修改。首先，保持設(shè)置不變并訓(xùn)練模型一次。在我們的例子中，它輸出了一個(gè)訓(xùn)練準(zhǔn)確率為 30% 的模型。所以我們多次調(diào)整參數(shù)，直到達(dá)到令人滿意的訓(xùn)練精度。這些是我們的神經(jīng)網(wǎng)絡(luò)設(shè)置。

?

在以 0.002 的學(xué)習(xí)率對(duì)模型進(jìn)行 70 個(gè)周期的訓(xùn)練后，我們得到了一個(gè)訓(xùn)練精度為 100% 且損失為 0.12 的輸出模型。

?

現(xiàn)在我們有了一個(gè)運(yùn)行良好的模型。讓我們用一些以前看不見(jiàn)的數(shù)據(jù)來(lái)測(cè)試它的性能。導(dǎo)航到Model Testing和Classify All 。這是結(jié)果。

?

驚人的！我們得到了 100% 的測(cè)試準(zhǔn)確率。因此我們的模型已準(zhǔn)備好部署。

4.部署

在“部署”選項(xiàng)卡中，構(gòu)建一個(gè)Arduino 庫(kù)。如果愿意，您可以使用 EON Compiler 啟用優(yōu)化，但這完全是可選的。

?

構(gòu)建將輸出一個(gè)包含模型和一些示例的 zip 文件。使用Sketch > Include Library > Add.ZIP library將庫(kù)添加到Adruino IDE

?

修改位于File > Examples > Your Project Name > static_buffer > static_buffer.ino 的 static_buffer.ino以進(jìn)行動(dòng)態(tài)推理。

?

最終輸出

部署后，現(xiàn)在我們有一個(gè)由 Wio 終端、流量傳感器和 AI 模型組成的系統(tǒng)，可以檢測(cè)管道中可能存在的泄漏。三種輸出模式如下所示。

?

?

?

?

?

?