[发明专利]用于事件检测的自动视觉和声学分析

说明书

本发明提供用于检测工业过程中的事件的系统和方法。获取系统可以包括相机和录音机中的一个，以分别获取成像数据和声学数据中的一种形式的监视数据。计算机系统可以包括机器学习引擎并且可以被编程为将监视数据分类到分类符；基于分类符，利用至少一个量化算子来量化监视数据；以及当至少一个量化算子满足对应于至少一个量化算子的预定规则时，检测事件。

背景技术

本公开涉及用于事件检测的视觉和声学分析。具体地，本公开涉及用于工业过程中事件检测、通知和控制的自动化视觉和声学分析。

传统上，用于工业过程的分析专注于对传统以仪器为基础的过程数据进行操作的统计技术，并且将这样的数据与专用的预定模式表进行比较，以检测事件并且识别异常。连接到计算机或数据获取系统的仪器置于多件设备之中、之上或周围，以测量和记录过程数据，诸如温度、压力和流率。在一些情况下，使用相机以捕捉热像。一种仪器通常与一种测量相关联。有时手动地分析所记录的数据，以基于多件设备的专家/操作员预先指定的模式来识别事件。例如，如果来自温度传感器或热像的温度超过预定值，则可以检测事件。通常，这些仪器未经联网，仪器所记录的数据只能由物理上检查仪器的人员获取。

然而，预定模式表受限于操作员的专业技术/知识以及所记录的数据的类型。照此，可能会忽视操作员不知晓和所记录的数据未捕捉的异常。通常，对所记录的数据的分析并非在实时或接近实时的情况下完成，并且所检测到的异常无法及时得到纠正。此外，除非专门地或手动地将新发现的异常添加到预定模式表中，否则如果重新出现就未必能检测到异常。此外，在现有的工业过程中安装传感器和任何相关的配线可能具侵入性且成本高昂。

鉴于传统数据获取和分析的上述缺点，本发明人认识到本领域需要开发克服或改进这些限制的替代事件检测技术。

附图说明

图1是描绘出根据本发明的实施例的事件检测方法的流程图。

图2图示出根据本公开的实施例的应用机器学习引擎来量化包含阀的成像数据。

图3图示出根据本公开的实施例的应用机器学习引擎来量化包含仪表的成像数据。

图4图示出根据本公开的实施例的应用机器学习引擎来量化包含受限空间内运动的成像数据。

图5图示出根据本公开的实施例的应用机器学习引擎来量化包含热内容的成像数据。

具体实施方式

如背景技术段落所讨论，传统上用于工业过程的数据获取和分析存在若干缺点。为解决这些缺点，本公开的实施例提供低成本的实时机制，以在视觉上或声学上监视、识别、分析、报告并控制进行中的工业过程操作。如下所述，视觉和声学分析可以通过传统仪器不可用的方式测量并评估过程。这些机制可以用来补充或替代传统的过程测量技术。

本公开描述了通过使用低成本且易于安装的商品相机和录音机(例如，麦克风)来分别获取工业过程的成像数据(即，图像和/或视频)和声学数据(即，声音)并将它们存储在数据库中的视觉和声学分析。如本文所用，“工业过程”包括整个过程以及适用的过程设备、管道、阀以及与该过程相关联的任何其他物理结构。然后，可以将自动化过程与所获取的成像和声学数据与历史成像和声学数据进行比较，搜索预期和非预期的模式或事件。一旦发现事件，可以突出并呈现具有感兴趣区域的优先表(例如，经由控制台、电子邮件、文本或其他电子通信)给操作人员以便查看并识别潜在的异常。为了纠正异常，自动化过程也可以生成控制信号以直接控制多件设备，而无需操作人员参与。

自动化过程可以进一步包括机器学习算法，其可以通过使用来自操作人员和/或正受控制的多件设备的反馈而随时间增强。例如，机器学习算法可以基于反馈来适配自动化过程的事件检测、警告和控制协议。因此，随时间推移，自动化过程可以自我识别异常，而无需专家预先指定要查找的内容。替代地，该算法可以通过分析历史模式来学习正常和异常行为，而无需任何来自操作人员的反馈。