[發明專利]優化檢測保溫層下腐蝕的部署條件的機器學習系統和數據融合

在審

• 申請號: 201980051592.0
• 申請日: 2019-08-30
• 公開（公告）號: CN112740023A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: A.阿爾謝里;S.N.利姆;A.埃默;M.尤曾巴斯;A.阿爾達巴格;M.阿巴布泰恩;V.坎寧翰;J.布特;G.K.Y.陳
• 申請（專利權）人: 沙特阿拉伯石油公司;阿維塔斯系統股份有限公司
• 主分類號: G01N25/72
• 分類號: G01N25/72
• 代理公司: 北京市柳沈律師事務所 11105
• 代理人: 胡琪

1.一種用于使用機器學習和數據融合來預測和檢測基礎設施資產中的保溫層下腐蝕(CUI)的系統，包括：

至少一個紅外攝像機，其定位成捕獲所述資產的熱圖像；

至少一個智能安裝座，其機械支撐并電耦合到所述至少一個紅外攝像機并且具有相對于所述資產可調節的位置，所述至少一個智能安裝座包括：

通信模塊；

存儲器，其適于存儲從所述至少一個攝像機接收的熱圖像數據；

電池模塊，其用于為所述至少一個紅外攝像機充電；

環境傳感器模塊，其適于獲取環境條件數據；和

至少一個附加傳感器，其適于從所述資產中獲取與CUI相關的數據；

至少一個計算設備，其具有處理器，所述計算設備配置有用于在所述處理器中執行機器學習算法的指令，所述處理器從所述至少一個智能安裝座的所述通信模塊或存儲器接收輸入，包括：a)所述資產的熱圖像；b)所述環境條件數據；c)來自提供數據融合的所述至少一個附加傳感器的與CUI相關的數據；以及d)從常規CUI測試獲得的結果數據，以及所述處理器輸出有關所述資產的CUI預測；和

機器學習平臺，其適于基于隨時間從所述至少一個計算設備接收的累積輸入數據來訓練所述機器學習算法。

2.根據權利要求1所述的系統，其中所述至少一個計算設備適于通過使用當前紅外圖像、環境傳感器數據和CUI相關數據執行所述機器學習算法，通過確定當前部署條件下的所述機器學習算法的性能是否達到閾值水平，測試所述至少一個紅外攝像機和至少一個智能安裝座的當前部署條件。

3.根據權利要求2所述的系統，其中所述機器學習算法條件的性能通過以下至少一項測量：

腐蝕預測精度；

部署和測試的成本；和

部署和測試的速度。

4.根據權利要求2所述的系統，其中由所述至少一個計算設備測試的部署條件包括部署所述至少一個紅外攝像機和至少一個智能安裝座的一年中時間，或部署所述至少一個紅外攝像機和至少一個智能安裝座的一天中時間。

5.根據權利要求2所述的系統，其中由所述至少一個計算設備測試的所述部署條件包括所述至少一個攝像機的位置、方向和圖像捕獲持續時間。

6.根據權利要求2所述的系統，其中由所述至少一個計算設備測試的所述部署條件包括所述至少一個攝像機的在每個時間段捕獲的圖像的位置、類型和數量。

7.根據權利要求1所述的系統，其中所述至少一個智能安裝座包括用于支撐所述紅外攝像機的固定裝置，所述固定裝置是可旋轉的并且可延伸的，以使得所述紅外攝像機能夠平移和傾斜。

8.根據權利要求1所述的系統，其中所述資產包括識別標簽，并且至少一個智能安裝座還包括可操作為掃描所述資產上的所述識別標簽的標準攝像機。

9.根據權利要求1所述的系統，其中所述至少一個附加傳感器包括磁傳感器。

10.根據權利要求1所述的系統，進一步包括控制站，所述控制站通信地耦合到所述至少一個智能安裝座，并且適于將配置和控制命令傳輸到所述至少一個智能安裝座。

11.根據權利要求1所述的系統，其中所述至少一個計算設備采用的所述機器學習算法包括深度遞歸神經網絡。

12.根據權利要求11所述的系統，其中所述深度遞歸神經網絡是長短期記憶(LSTM)網絡。

13.根據權利要求1所述的系統，其中所述至少一個計算設備采用的所述機器學習算法還包括卷積神經網絡。

14.根據權利要求1所述的系統，其中所述至少一個計算設備被配置為對從所述至少一個智能安裝座接收的數據執行降噪。