一种储罐检测数据的分析方法和系统发明专利

专利名称：一种储罐检测数据的分析方法和系统

专利类型：发明专利

专利申请号：CN202410502433.0

专利申请（专利权）人：陕西延长石油(集团)有限责任公司,同人拓丰(北京)科技有限公司
权利人地址：陕西省延安市宝塔区枣园路延长石油办公基地

专利发明（设计）人：王炯,陈松,李振明,王健,徐海滨,赵茜,常乐

专利摘要：本发明属于储罐检测技术领域，提出一种储罐检测数据的分析方法和系统。服务器接收传感器获得的储罐环境参数以及服务器存储的储罐信息，利用所述储罐环境参数以及所述储罐信息及对应的储罐缺陷状态及相应的警示策略构建人工智能算法模型，构建好的人工智能算法模型根据服务器接收到的储罐实时环境参数和所述储罐信息生成储罐实时缺陷状态，并生成相应的储罐警示策略对储罐状态进行实时智能化显示和提示。本发明实现了对储罐状态的实时监测，实现了无需人工监测，智能化的检测效果，降低了检测误差，提高检测准确性的效果，降低检测人工成本，提高储罐安全，并有效避免储罐的泄露风险。

主权利要求：
1.一种储罐检测数据的分析方法，其特征在于，所述方法包括：获取储罐的环境参数以及存储在服务器的储罐信息；
获取所述储罐的环境参数以及存储在服务器的所述储罐信息对应的第一储罐缺陷状态及第一警示策略；
根据所述储罐的环境参数、存储在服务器的所述储罐信息以及对应的第一储罐缺陷状态及第一警示策略共同构建储罐检测模型；
接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；
根据所述第二储罐缺陷状态及第二警示策略，对储罐进行分析；
所述储罐的环境参数包括：储罐温度，储罐底部压力，储罐液位，浓度；
所述储罐信息包括储罐的材料和大小；
将所述储罐的内部空间划分为多个区域，构建所述储罐检测模型输入的变量包括三维坐标以及所述储罐的环境参数和所述储罐信息。
2.如权利要求1所述的一种储罐检测数据的分析方法，其特征在于：所述储罐检测模型为多分类器，包括基于Fisher准则的分类器或者SVM模型。
3.如权利要求2所述的一种储罐检测数据的分析方法，其特征在于：在构建SVM模型之前，去除部分变量，其方法步骤如下：步骤S1、将所述变量组成的数据集分为训练集X以及测试集T；
步骤S2、利用所述训练集X建立随机森林模型；
步骤S3、利用变量的重要度Mi来删除部分变量，Mi的计算公式如下：所述i为特征变量；m为变量的个数；err1为测试集T误差；err2为加入噪声之后的测试集误差；n为决策树的个数；
步骤S4、删除部分变量后得到特定训练集ST。
4.如权利要求3所述的一种储罐检测数据的分析方法，其特征在于：利用所述特定训练集ST根据SVM模型进行所述储罐检测模型构建。
5.如权利要求4所述的一种储罐检测数据的分析方法，其特征在于：所述SVM模型的具体函数表达式为：
T
ω Xi+b≥1
其中ω，b分别为超平面的法向量和截距，Xi为特定训练集ST中的变量，i为样本数量。
6.一种储罐检测数据的分析系统，所述系统包括数据采集模块、数据存储模块、模型构建模块、储罐分析模块、可视化模块，其特征在于：所述数据采集模块：利用放置在多个区域的温度传感器、储罐底部的压力传感器以及液位传感器和浓度传感器采集所述储罐的环境参数；
所述数据存储模块：用于存储储罐的环境参数以及储罐信息，所述储罐的环境参数以及所述储罐信息对应的第一储罐缺陷状态及第一警示策略，还用于存储第二储罐缺陷状态及第二警示策略；
所述模型构建模块：用于根据所述储罐的环境参数、所述储罐信息以及其对应的第一储罐缺陷状态及第一警示策略共同构建储罐检测模型；
所述储罐分析模块：用于接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，利用所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；还用于传输第二储罐缺陷状态及第二警示策略至所述数据存储模块存储；
所述储罐的环境参数包括：储罐温度，储罐底部压力，储罐液位，浓度；
所述储罐信息包括储罐的材料和大小；
将所述储罐的内部空间划分为多个区域，构建所述储罐检测模型输入的变量包括三维坐标以及所述储罐的环境参数和所述储罐信息；
可视化展示模块，与所述储罐分析模块连接，用于通过WebGL技术实现第二储罐缺陷状态及第二警示策略的3D可视化展示，并显示针对缺陷所需要安排的人员。
7.如权利要求6所述的一种储罐检测数据的分析系统，其特征在于，所述模型构建模块中的所述储罐检测模型为SVM模型。
8.如权利要求7所述的一种储罐检测数据的分析系统，其特征在于，在构建SVM模型之前，去除部分变量，其方法步骤如下：步骤S1、将所述变量组成的数据集分为训练集X以及测试集T；
步骤S2、利用所述训练集X建立随机森林模型；
步骤S3、利用变量的重要度Mi来删除部分变量，Mi的计算公式如下：所述i为特征变量；m为变量的个数；err1为测试集T误差；err2为加入噪声之后的测试集误差；n为决策树的个数；
步骤S4、删除部分变量后得到特定训练集ST。 说明书 : 一种储罐检测数据的分析方法和系统技术领域[0001] 本发明属于储罐检测技术领域，尤其涉及一种储罐检测数据的分析方法和系统。背景技术[0002] 储罐按材料分为钢、钢筋混凝土和砖石三种。钢油罐有立式(包括拱顶式和浮顶式圆筒形)、球壳式(球形)和卧式(圆筒形)。立式拱顶油罐由球冠形的罐顶及立式圆柱形罐壁所构成，主要用于储存介质为不易挥发油品，如柴油及相似类油品。但储罐具有较大的危害性，使用过程中如果发生泄露或者爆燃事故，将会对我们的人身财产安全以及自然环境造成巨大危害。因此，对储罐进行实时检测具有十分重大的意义。[0003] 在现有技术对储罐的检测方法中，只能实现对指定焊缝的缺陷进行检测，检测的范围比较小，具有一定的局限性，腐蚀灵敏度低，对较小程度腐蚀数据结果误差大，数据结果可靠性不足；定位精度受介质等因素影响较大，分析难度大；影响储罐检测结果的准确性。此外，由于要用人工的方法进行检测，会导致成本过高，且人工检测利用的数据误差大，准确度较低。[0004] 目前市场上可用于储罐的传感器类型较多，包括温度传感器、压力传感器、液位传感器、浓度传感器等，利用这些传感器取得的数据来分析储罐安全状态的设计较少。[0005] 因此，需要设计实现一种对储罐状态进行实时监测，无需人工监测，智能化的检测方法，可以有效准确地避免储罐的泄露风险。发明内容[0006] 为解决上述技术问题，本发明提出一种储罐检测数据的分析方法和系统。[0007] 在本发明的第一个方面，一种储罐检测数据的分析方法，所述方法包括：[0008] 获取储罐的环境参数以及存储在服务器的储罐信息；[0009] 获取所述储罐的环境参数以及存储在服务器的所述储罐信息对应的第一储罐缺陷状态及第一警示策略；[0010] 根据所述储罐的环境参数以及存储在服务器的所述储罐信息对应的第一储罐缺陷状态及第一警示策略共同构建储罐检测模型；[0011] 接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；[0012] 根据所述第二储罐缺陷状态及第二警示策略，对储罐进行分析。[0013] 进一步地，所述储罐的环境参数包括：储罐温度，储罐底部压力，储罐液位，浓度；[0014] 所述储罐信息包括储罐的材料和大小。[0015] 进一步地，将所述储罐的内部空间划分为多个区域，构建所述储罐检测模型输入的变量包括三维坐标以及所述储罐的环境参数和所述储罐信息。[0016] 进一步地，所述储罐检测模型为多分类器，包括基于Fisher准则的分类器或者SVM模型。[0017] 进一步地，在构建SVM模型之前，去除部分变量，其方法步骤如下：[0018] 步骤S1、将所述变量组成的数据集分为训练集X以及测试集T；[0019] 步骤S2、利用所述训练集X建立随机森林模型；[0020] 步骤S3、利用变量的重要度Mi来删除部分变量，Mi的计算公式如下：[0021][0022] 所述i为特征变量；m为变量的个数；err1为测试集T误差；err2为加入噪声之后的测试集误差；n为决策树的个数；[0023] 步骤S4、删除部分变量后得到特定训练集ST。[0024] 进一步地，利用所述特定训练集ST根据SVM模型进行所述储罐检测模型构建。[0025] 进一步地，所述SVM模型的具体函数表达式为：[0026] ωTXi+b≥1[0027] 其中ω，b分别为超平面的法向量和截距，Xi为特定训练集ST中的变量，i为样本数量。[0028] 还提供了一种储罐检测数据的分析系统，所述系统包括数据采集模块、数据存储模块、模型构建模块、储罐分析模块、可视化模块，其特征在于：[0029] 所述数据采集模块：利用放置在多个区域的温度传感器、储罐底部的压力传感器以及液位传感器和浓度传感器采集所述储罐的环境参数；[0030] 所述数据存储模块：用于存储储罐的环境参数以及储罐信息，所述储罐的环境参数以及所述储罐信息对应的第一储罐缺陷状态及第一警示策略，还用于存储第二储罐缺陷状态及第二警示策略；[0031] 所述模型构建模块：用于根据所述储罐的环境参数以及所述储罐信息对应的第一储罐缺陷状态及第一警示策略共同构建储罐检测模型；[0032] 所述储罐分析模块：用于接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，利用所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；还用于传输第二储罐缺陷状态及第二警示策略至所述数据存储模块存储。[0033] 可视化展示模块，与所述储罐分析模块连接，用于通过WebGL技术实现第二储罐缺陷状态及第二警示策略的3D可视化展示，并显示针对缺陷所需要安排的人员。[0034] 进一步地，所述模型构建模块中的储罐检测模型为SVM模型。[0035] 进一步地，在构建SVM模型之前，去除部分变量，其方法步骤如下：[0036] 步骤S1、将所述变量组成的数据集分为训练集X以及测试集T；[0037] 步骤S2、利用所述训练集X建立随机森林模型；[0038] 步骤S3、利用变量的重要度Mi来删除部分变量，Mi的计算公式如下：[0039][0040] 所述i为特征变量；m为变量的个数；err1为测试集T误差；err2为加入噪声之后的测试集误差；n为决策树的个数；[0041] 步骤S4、删除部分变量后得到特定训练集ST。[0042] 本发明的有益效果：[0043] (1)本发明构建的储罐检测模型，划分了储罐的空间信息，利用了环境信息、储罐信息等多种特征，构建的模型分类获得的储罐检测精度更高，且储罐警示策略层次更加分明。[0044] (2)本发明在构建SVM模型之前，通过变量的重要度M来删除部分变量，构建的SVM模型可以降低本发明中可能存在的选取的数据类别不平衡问题，以获得更高精确度的储罐检测。[0045] (3)本发明还利用了分类得到的数据再次进行模型训练，以实现模型的不断训练达到一个较高的储罐检测的服务器自动化控制，使得模型不断进化，得到更为精确的储罐缺陷检测及警示策略。附图说明[0046] 图1是本发明的一种储罐检测数据的分析方法流程图；[0047] 图2是本发明的一种储罐检测数据的分析系统结构示意图；[0048] 图3是卧式圆筒形储罐截面图。具体实施方式[0049] 下面，结合附图以及具体实施方式，对发明做出进一步的描述。[0050] 本发明的第一实施例：[0051] 在本发明的第一个方面，一种储罐检测数据的分析方法，所述方法包括：[0052] 获取储罐的环境参数以及存储在服务器的储罐信息；[0053] 获取所述储罐的环境参数以及存储在服务器的所述储罐信息对应的第一储罐缺陷状态及第一警示策略；[0054] 根据所述储罐的环境参数以及存储在服务器的所述储罐信息对应的第一储罐缺陷状态及第一警示策略共同构建储罐检测模型；[0055] 接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；[0056] 根据所述第二储罐缺陷状态及第二警示策略，对储罐进行分析。[0057] 进一步地，所述储罐的环境参数包括：储罐温度，储罐底部压力，储罐液位，浓度；[0058] 所述储罐信息包括储罐的材料和大小。[0059] 服务器根据待检测储罐的储罐信息，还可以获取储罐的大小、储罐的材料以及储罐的型号等，该储罐在存储高温液体如石油之前，具有相应的储罐信息，如大小为容积35000m。温度传感器获取储罐在存储石油的温度为55℃，其底部压力为6666Kpa，储罐的液位为70％，石油的浓度由于存在不同，设定为Po，储罐的材料选用碳钢，设为1，储罐材料还能时合金钢或者不锈钢等，根据需要设定相应的参数。[0060] 若此时对应的第一储罐缺陷状态及第一警示策略为(C1，C2)，C1的内容为：储罐存在部分缺陷，C2的内容为高警戒状态，根据需要还可以细分，这里不作限定。[0061] 则训练集中的一个变量T(大小，材料，温度，压力，液位，浓度)＝T(5000，1，55，6666，70％，Po)对应的第一储罐缺陷状态及第一警示策略为(C1，C2)。[0062] 利用多组变量Ti以及对应的策略(C1，C2)，(C12，C22)等，本发明中的罐缺陷状态及警示策略由用户自己设定，不局限于以上两种，进行SVM模型的训练，得到特定的模型参数，当服务器接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；[0063] 若收集到的数据变量为Tt(5000，2，67，7566，50％，P01)，此时储罐大小没变，但材料、温度、储罐底部压力以及液位都有所变化，灯光色温控制模型输出第二储罐缺陷状态及2 2第二警示策略(C1，C2)，此时，训练的储罐检测模型分类判断得出的策略为储罐未出现缺陷，且警示为低警戒状态，则分析得出储罐处于安全状态，无需进一步的措施安排。策略2 2(C1，C2)以及Tt(5000，2，67，7566，50％，P01)可用作训练数据继续模型的构建训练，提高模型的储罐检测精度。[0064] 进一步地，将所述储罐的内部空间划分为多个区域，构建所述储罐检测模型输入的变量包括三维坐标以及所述储罐的环境参数和所述储罐信息。[0065] 若储罐为卧式圆筒形，则将储罐分为8个区域，8个区域的划分为垂直切割而成，具体是从圆筒横竖切割线加上在圆筒中间切割形成，分为区域Q1，Q2，Q3，Q4，Q5，Q6，Q7，Q8。则数据变量成为一个8X6的数据特征向量。可以更加精确的确定储罐缺陷状态和警示策略，相应得到的第二储罐缺陷状态及第二警示策略为(S，C1，C2)。[0066] 进一步地，所述储罐检测模型为多分类器，包括基于Fisher准则的分类器或者SVM模型。基于Fisher准则的分类器为本领域人员的常规技术手段，这里不再赘述。[0067] 本发明的又一实施例中：[0068] 在构建SVM模型之前，去除部分变量，其方法步骤如下：[0069] 步骤S1、将所述变量组成的数据集分为训练集X以及测试集T；[0070] 步骤S2、利用所述训练集X建立随机森林模型；[0071] 建立随机森林模型如下：[0072] (1)每次有放回地从训练集X中取出n个训练样本，组成新的训练集；[0073] (2)利用新的训练集，训练得到M个子模型；[0074] (3)采用投票的方法，得票最多子模型的分类类别为最终的类别；[0075] 步骤S3、利用变量的重要度Mi来删除部分特征变量，Mi的计算公式如下：[0076][0077] 所述i为变量；m为变量的个数；err1为测试集T误差；err2为加入噪声之后的测试集误差；n为决策树的个数；[0078] 所述噪声为随机生成的变量，测试集误差以及加入噪声之后的测试集误差根据测试得到的第二储罐缺陷状态及第二警示策略与实际储罐缺陷状态及警示策略的错误率计算得到，为本领域技术人员常规的误差计算率方式，这里不再赘述。[0079] 步骤S4、删除部分变量后得到特定训练集ST。[0080] 经过该方法，将Ti个变量减少到Tid个，其中id＜i。[0081] 进一步地，所述SVM模型的具体函数表达式为：[0082] ωTXi+b≥1[0083] 其中ω，b分别为超平面的法向量和截距，Xi为特定训练集ST中的变量，i为样本数量。[0084] 针对多个缺陷状态及警示策略组合，构建多个超平面，若缺陷状态及警示策略有3个，则具体构建3个超平面，进行缺陷状态及警示策略的选择。[0085] 其中ω，b分别为缺陷状态及警示策略(C1，C2)和缺陷状态及警示策略(C11，C21)或2 2 1 1缺陷状态及警示策略(C1，C2)和缺陷状态及警示策略(C1，C2)或缺陷状态及警示策略2 2(C1，C2)和缺陷状态及警示策略(C1，C2)的3个超平面的法向量和截距，Xi为删除部分变量1 1后得到特定训练集ST中的i个特征变量，具体的(C1，C2)‑(C1，C2)超平面，超平面函数的法1 1向量和截距由输入采用缺陷状态及警示策略(C1，C2)和(C1，C2)时所对应的特定训练集ST中的C01个特征变量训练得到，当收集到的数据特征变量为Tt(5000，2，67，7566，50％，P01)代入式中时，若结果大于等于1，则服务器采用检测出来的缺陷状态及警示策略(C1，C2)进行储罐的检测分析结果。在经过3个超平面的计算后，统计票数最多的缺陷状态及警示策略为(C1，C2)，(C1，C2)票数最多，服务器采取票数最多的缺陷状态及警示策略(C1，C2)作为实时监测结果。[0086] 还可以设置为更多的超平面以供多个类别的分类，相应的类别标签为对应的“缺3 3 4 4陷状态及警示策略(C1，C2)”、“缺陷状态及警示策略(C1，C2)”等，这里不作限制。[0087] 若分为4个策略，则会出现票数相等的情况，若票数相等，则采取同票数超平面函数计算得到的值的和最大的对应缺陷状态及警示策略，作为服务器的实时监测结果。[0088] 投票法具体如下：[0089] 同理，构建的(C1，C2)‑(C11，C21)超平面、(C1，C2)‑(C12，C22)超平面、(C1，C2)‑3 3 1 1 2 2 1 1 3 3 2 2(C1 ，C2)超平面、(C1 ，C2)‑(C1 ，C2)超平面、(C1 ，C2)‑(C1 ，C2)超平面、(C1 ，C2)‑3 3(C1，C2)超平面6个超平面，若将收集到的数据特征变量为Tt输入至6个超平面得到的结果如下表1所示：[0090] 表1超平面函数分类[0091][0092] 表1中(C11，C21)与(C13，C23)票数相当，但是，(C11，C21)和(C13，C23)超平面函数值之和的比为(4.55+2.67)大于(‑3.55‑2.55)，此时，服务器输出第二缺陷状态及第二警示策1 1略(C1，C2)的实时监测结果。[0093] 还提供了一种储罐检测数据的分析系统，所述系统包括数据采集模块、数据存储模块、模型构建模块、储罐分析模块、可视化模块，其特征在于：[0094] 所述数据采集模块：利用放置在多个区域的温度传感器、储罐底部的压力传感器以及液位传感器和浓度传感器采集所述储罐的环境参数；[0095] 所述数据存储模块：用于存储储罐的环境参数以及储罐信息，所述储罐的环境参数以及所述储罐信息对应的第一储罐缺陷状态及第一警示策略，还用于存储第二储罐缺陷状态及第二警示策略；[0096] 所述模型构建模块：用于根据所述储罐的环境参数以及所述储罐信息对应的第一储罐缺陷状态及第一警示策略共同构建储罐检测模型；[0097] 所述储罐分析模块：用于接收传输来的储罐实时环境参数和更新后的储罐信息，依据所述储罐实时环境参数和所述更新后的储罐信息，利用所述储罐检测模型生成第二储罐缺陷状态及第二警示策略；还用于传输第二储罐缺陷状态及第二警示策略至所述数据存储模块存储。[0098] 可视化展示模块，与所述储罐分析模块连接，用于通过WebGL技术实现第二储罐缺陷状态及第二警示策略的3D可视化展示，并显示针对缺陷所需要安排的人员。[0099] 若缺陷为大量缺陷，超高警戒状态，则可视化展示模块将分为8个区域的储罐都显示为红色，并向公司内部相应级别的人员，如高级工程师等人员发送得到的检测信息。[0100] 进一步地，所述模型构建模块中的储罐检测模型为SVM模型。[0101] 进一步地，在构建SVM模型之前，去除部分变量，其方法步骤如下：[0102] 步骤S1、将所述变量组成的数据集分为训练集X以及测试集T；[0103] 步骤S2、利用所述训练集X建立随机森林模型；[0104] 步骤S3、利用变量的重要度Mi来删除部分变量，Mi的计算公式如下：[0105][0106] 所述i为特征变量；m为变量的个数；err1为测试集T误差；err2为加入噪声之后的测试集误差；n为决策树的个数；[0107] 步骤S4、删除部分变量后得到特定训练集ST。[0108] 当然，可以理解，本发明的各个实施例可以单独实现其中一个效果，本发明的多个实施例组合可以实现上述所有效果，但是并不要求本发明的每一个实施例都实现上述所有优点和效果，因为本发明的各个实施例都能构成单独的技术方案并对现有技术作出一个或者多个贡献。[0109] 本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。

专利地区：陕西

专利申请日期：2024-04-25

专利公开日期：2024-11-22

专利公告号：CN118464103B