基于红外热成像的LNG接收站关键设施漏冷缺陷智能监测方法

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%。