IT202100007157A1 - Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare - Google Patents

Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare Download PDF

Info

Publication number
IT202100007157A1
IT202100007157A1 IT102021000007157A IT202100007157A IT202100007157A1 IT 202100007157 A1 IT202100007157 A1 IT 202100007157A1 IT 102021000007157 A IT102021000007157 A IT 102021000007157A IT 202100007157 A IT202100007157 A IT 202100007157A IT 202100007157 A1 IT202100007157 A1 IT 202100007157A1
Authority
IT
Italy
Prior art keywords
acoustic
vibrational
anomalies
anomaly
alarm signal
Prior art date
Application number
IT102021000007157A
Other languages
English (en)
Inventor
Fabio Cirinna'
Andrea Giorgio Busa'
Original Assignee
Leonardo Spa
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Leonardo Spa filed Critical Leonardo Spa
Priority to IT102021000007157A priority Critical patent/IT202100007157A1/it
Priority to PCT/IB2022/052554 priority patent/WO2022200994A1/en
Priority to EP22717657.5A priority patent/EP4314734B1/en
Priority to CA3212537A priority patent/CA3212537A1/en
Priority to US18/283,469 priority patent/US12546679B2/en
Publication of IT202100007157A1 publication Critical patent/IT202100007157A1/it

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
    • G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Examining Or Testing Airtightness (AREA)

Description

SISTEMA PER RILEVARE E RICONOSCERE ANOMALIE ACUSTICHE E/O VIBRAZIONALI ASSOCIATE AD UN SITO DA MONITORARE
DESCRIZIONE
SFONDO TECNOLOGICO DELL?INVENZIONE
Campo di applicazione
La presente invenzione si riferisce ad un sistema per la rilevazione e il riconoscimento di anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare, quale ad esempio una condotto per il trasporto di fluidi e gas.
In particolare, il sistema permette di riconoscere le anomalie acustiche e/o vibrazionali rilevate da un?unit? di rilevazione e segnalazione di allarmi di tipo DAS/DVS correlando le informazioni di allarme fornite da tale unit? DAS/DVS con informazioni di audio ambientale associate alle anomalie per ridurre i falsi positivi generati dalla stessa unit? DAS/DVS.
Arte nota
In sistemi preposti al trasporto di fluidi e gas, quali ad esempio oleodotti o gasdotti, ? particolarmente sentita l?esigenza di rilevare perdite (Leak Detection in lingua Inglese) di fluido in tubature o condotti.
Alcune metodologie note attualmente impiegate per la rilevazione di perdite nei condotti per fluidi impiegano fibre ottiche. In particolare, una infrastruttura in fibra ottica di rilevazione di perdite di tipo noto, operante per esempio in accordo con il metodo DAS (Distributed Acoustic Sensing) o il metodo DVS (Distributed Vibrating Sensing), ? basata sull?analisi dei segnali acustici/vibrazionali i cui effetti sono convogliati attraverso la fibra ottica.
In particolare, l?infrastruttura DAS prevede l'installazione di cavi in fibra ottica parallelamente alla tubazione da monitorare per realizzare un sistema di raccolta dati in tempo reale (real-time).
Come noto, i disturbi acustici cosi come le vibrazioni generano microscopici stiramenti e compressioni della fibra ottica, i quali causano un cambiamento nella fase e ampiezza dell?onda ottica convogliata all?interno della fibra stessa. In particolare, le vibrazioni causate da un fluido che fuoriesce dalla tubazione attraverso una perdita modificano le caratteristiche dell?onda riflessa, corrispondente all?onda ottica convogliata nella fibra, che pu? essere rilevata permettendo di segnalare tale perdita. Inoltre, la posizione della perdita lungo la tubazione pu? essere determinata dalla misurazione del ritardo temporale tra l?istante in cui ? stata emessa l?onda ottica convogliata e l?istante in cui viene rilevata l?onda riflessa.
Tuttavia tali infrastrutture note per la rilevazione di perdite nei condotti presentano limiti ed inconvenienti.
Infatti, le infrastrutture DAS/DVS sono poco efficienti nei casi un cui, in prossimit? del condotto per fluidi da monitorare, siano presenti disturbi acustici/vibrazionali dovuti ad attivit? umane o a disturbi ambientali. Tale ridotta efficienza ? dovuta principalmente all?elevato numero di allarmi per falsi positivi generati dall?infrastruttura DAS/DVS.
Il rimedio usualmente adottato di calibrare queste infrastrutture allo scopo di regolarne la sensibilit? risulta del tutto inutile in alcuni casi e costringe spesso il gestore dell?infrastruttura a disattivarla. Tuttavia, tale disattivazione implica elevati costi per il gestore dell?infrastruttura.
Pertanto, ? particolarmente sentita l?esigenza di escogitare una soluzione che, impiegando le infrastrutture DAS/DVS, permetta di discriminare in maniera pi? precisa i disturbi acustici effettivamente attribuibili a perdite nei condotti per fluidi riducendo gli allarmi per falsi positivi generati da tali infrastrutture.
SOMMARIO DELL?INVENZIONE
Scopo della presente invenzione ? quello di escogitare e mettere a disposizione un sistema di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare, ad esempio un condotto per fluidi quale un oleodotto o un gasdotto, che consenta di ovviare almeno parzialmente agli inconvenienti qui sopra lamentati in riferimento alle soluzioni note sopra menzionate.
L?invenzione mette a disposizione un sistema di rilevazione e riconoscimento di anomalie acustiche e/o vibrazionali mediante una infrastruttura DAS/DAV che ? anche configurato per rilevare il rumore ambientale associato a tali anomalie, per ridurre i falsi positivi prodotti dalla infrastruttura DAS/DAV in contesti caratterizzati da interferenze esterne come attivit? umane o disturbi ambientali.
In particolare, il sistema dell?invenzione comprende:
- uno o pi? microfoni,
- un modulo classificatore audio collegato a tali microfoni;
- un?unit? di rilevazione di anomalie acustiche e/o vibrazionali, per esempio causate da perdite di fluido da un condotto (Leak Detection), basata su metodologia DAS/DVS;
- un modulo correlatore.
In un esempio di realizzazione, un segnale di audio ambientale, acquisito attraverso l?uno o pi? microfoni posti lungo il condotto per fluidi da monitorare, ? classificato mediante algoritmi di Machine Learning o Deep Learning che impiegano reti neurali convoluzionali.
Gli allarmi generati dall?unit? basata su metodologia DAS/DVS correlati con un segnale generato in uscita dal modulo classificatore del segnale di audio ambientale permette di definire un grado di severit? di tali allarmi.
Per esempio, in presenza del riconoscimento da parte del modulo classificatore audio di attivit? umane o rumori ambientali su cui tale modulo ? stato addestrato, un grado di severit? basso ? associato all?allarme generato dall?unit? DAS/DVS.
In un esempio preferito di realizzazione, il modulo correlatore, in presenza di allarmi generati dall?unit? DAS/DVS, analizza il segnale d?uscita dal modulo classificatore audio di rumore ambientale:
- se si ? in presenza di un rumore ambientale classificato/riconosciuto, il modulo correlatore genera un allarme di severit? di livello basso (Low);
- se si ? in presenza di un rumore ambientale non classificato/riconosciuto il modulo correlatore genera un allarme di severit? di livello medio/alto (Medium/High).
In un ulteriore esempio di realizzazione, il modulo classificatore pu? essere addestrato a classificare segnali di audio ambientale che sono riconosciuti come elementi di interferenza per l?unit? DAS/DVS.
Lo scopo dell?invenzione viene raggiunto mediante un sistema di rilevazione e riconoscimento di anomalie acustiche e/o vibrazionali in accordo con la rivendicazione 1.
Forme di realizzazione preferite di tale sistema sono descritte nelle rivendicazioni dipendenti.
Forma oggetto della presente invenzione anche un metodo per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare in accordo con la rivendicazione 12.
BREVE DESCRIZIONE DEI DISEGNI
Ulteriori caratteristiche e vantaggi del sistema e metodo secondo l?invenzione risulteranno dalla descrizione di seguito riportata di esempi preferiti di realizzazione, dati a titolo indicativo e non limitativo, con riferimento alle annesse figure, in cui: - la figura 1 illustra, con uno schema a blocchi, un sistema di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare in accordo con l?invenzione;
- la figura 2 illustra, con un diagramma di flusso, fasi di un metodo per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali implementato dal sistema di figura 1;
- le figure 3A-3C illustrano graficamente, al variare del tempo, rispettivamente, un esempio di un segnale di classificazione, un segnale di allarme ed un segnale di allarme qualificato del sistema di rilevazione e riconoscimento di anomalie acustiche e/o vibrazionali di figura 1.
Nelle suddette figure elementi uguali o analoghi verranno indicati mediante gli stessi riferimenti numerici.
DESCRIZIONE DETTAGLIATA
In riferimento alla figura 1, il sistema di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare in accordo con l?invenzione ? indicato complessivamente con il riferimento numerico 100.
Tale sistema di rilevazione e riconoscimento 100 di anomalie acustiche e/o vibrazionali sar? indicato nel seguito anche sistema di rilevazione e riconoscimento o pi? semplicemente sistema.
Preferibilmente, ma non limitativamente, il termine sito ? usato nella presente descrizione per indicare un condotto o una tubatura per il trasporto di fluidi e gas, per esempio un oleodotto o un gasdotto che occorre monitorare. Tuttavia, la presente invenzione ? vantaggiosamente applicabile anche ad altre tipologie di siti o asset che possono essere monitorati impiegando la medesima infrastruttura.
Inoltre, nel seguito, i termini anomalia acustica o anomalia vibrazionale saranno usati per indicare disturbi acustici/vibrazionali causati da attivit? umane, per esempio i rumori causati da un mezzo meccanico in movimento, da un motore e da simili disturbi ambientali.
Il sistema di rilevazione e riconoscimento 100 dell?invenzione comprende un?unit? 10 impiegante fibra ottica per la rilevazione acustica distribuita, DAS, e/o per la rilevazione vibrazionale distribuita, DVS, di almeno una anomalia acustica e/o vibrazionale associata a tale sito. In particolare, l?unit? 10 si concretizza in una infrastruttura in fibra ottica di rilevazione di perdite (Leak Detection) lungo il condotto per il trasporto di fluidi e gas operante per esempio in accordo con il metodo DAS (Distributed Acoustic Sensing) o il metodo DVS (Distributed Vibrating Sensing).
Come noto, tale infrastruttura in fibra ottica opera per rilevare e segnalare allarmi, quali ad esempio perdite nei condotti, sulla base dell?analisi dei segnali acustici/vibrazionali i cui effetti sono convogliati attraverso la fibra ottica.
In particolare, tale unit? DAS/DVS 10 ? configurata per generare un segnale di allarme S1 rappresentativo della rilevazione della suddetta almeno una anomalia acustica e/o vibrazionale associata al condotto per fluidi o in prossimit? del condotto.
Inoltre, il sistema 100 comprende uno o pi? trasduttori acustico-elettrici 20, in particolare uno o pi? microfoni, operativamente associati al sito da monitorare. Tali trasduttori acustico-elettrici 20 sono configurati per rilevare uno o pi? segnali di audio ambientale associati all?almeno una anomalia acustica e/o vibrazionale e per convertire i suddetti segnali di audio ambientale in segnali elettrici.
In aggiunta, il sistema 100 dell?invenzione comprende un modulo classificatore audio 30 collegato ai suddetti uno o pi? trasduttori acustico-elettrici 20 e configurato per classificare i segnali elettrici generati dai trasduttori sulla base di almeno un algoritmo di analisi di dati e di apprendimento automatico di informazioni dai dati.
In un esempio di realizzazione, tale almeno un algoritmo di analisi di dati comprende un algoritmo di Machine Learning e/o Deep Learning basato su rete neurale convoluzionale (Convolutional Neural Network o CNN).
In particolare, il suddetto modulo classificatore audio 30 ? configurato per generare un segnale di classificazione S2 indicativo del fatto che l?almeno una anomalia acustica e/o vibrazionale rilevata sia compresa in un insieme di anomalie riconosciute o sia una anomalia acustica e/o vibrazionale non nota.
Il sistema di rilevazione e riconoscimento 100 comprende, inoltre, un modulo correlatore 40 configurato per ricevere i sopra menzionati segnale di allarme S1 e segnale S2 di classificazione e per confrontare tale segnale di allarme S1 con il segnale S2 di classificazione durante un intervallo di tempo di rilevazione T1 o T2 o T3.
Si osservi che tale intervallo di tempo di rilevazione comprende una finestra temporale che contiene l?istante di tempo a cui fa riferimento l?allarme fornito dal segnale di allarme S1. Nelle figure 3A, 3B e 3C, in particolare, sono raffigurati un primo T1, un secondo T2 ed un terzo T3 intervallo di tempo di rilevazione aventi stessa durata, per esempio 5 secondi. Il primo intervallo di tempo di rilevazione T1 ? centrato a 10 secondi, il secondo intervallo di tempo T2 ? centrato a 15 secondi, il terzo intervallo di tempo T3 ? centrato a 25 secondi.
Il modulo classificatore audio 30 ed il modulo correlatore 40 del sistema 100 dell'invenzione sono, preferibilmente, moduli software configurati per essere caricati in una memoria, in particolare di tipo non volatile, di una unit? di elaborazione, per esempio l'unit? di controllo dei segnali di allarme generati dall'unit? DAS/DVS 10.
Tali moduli software sono configurati per essere eseguiti da una rispettiva unit? di processamento (CPU o GPU) che equipaggia la suddetta unit? di controllo.
Vantaggiosamente, il modulo correlatore 40 ? configurato per generare un segnale di allarme qualificato S3. Tale segnale di allarme qualificato ? configurato per fornire una informazione codificata indicativa del fatto che il segnale di allarme S1 generato dall?unit? DAS/DVS 10 rappresenti, nell?intervallo di tempo di rilevazione T1, T2 o T3, una anomalia acustica e/o vibrazionale riconosciuta oppure una anomalia acustica e/o vibrazionale non nota.
In altre parole, il segnale di allarme qualificato S3 rappresenta un segnale di allarme arricchito che permette di discriminare se l?allarme S1 generato dall?unit? 10 DAS/DVS, in seguito alla rilevazione di un?anomalia acustica e/o vibrazionale, sia stato determinato da un disturbo sonoro riconducibile ad un?attivit? umana nota, quindi si tratti di un allarme di bassa severit?, oppure sia stato determinato da un disturbo sonoro non chiaramente noto o del tutto sconosciuto, quindi si tratti di un allarme di media/alta severit?, cio? che richiede maggiore attenzione. Per esempio, un disturbo sonoro sconosciuto al classificatore audio 30, quindi capace di generare un allarme di alta severit? che richiede maggiore attenzione, pu? essere quello associato ad una perdita nel condotto per fluidi.
Nell?esempio della figura 3B, il segnale di allarme S1 rilevato nel primo T1, nel secondo T2 e nel terzo T3 intervallo di tempo ha ampiezza uguale a uno.
In un esempio di realizzazione preferito, tale segnale di allarme S3 qualificato ? un segnale che pu? essere schematizzato mediante impulsi di durata finita, per esempio impulsi rettangolari. Ciascuno di tali impulsi di durata finita del segnale di allarme qualificato S3 assume, sulla base del segnale di classificazione S2:
- un primo valore di ampiezza v1, v1?, indicativo del fatto che il segnale di allarme S1 ? rappresentativo di una anomalia acustica e/o vibrazionale riconosciuta nell?intervallo di tempo di rilevazione, per esempio nel primo T1 o nel terzo T3 intervallo di tempo;
- un secondo valore di ampiezza v2, indicativo del fatto che il segnale di allarme S1 ? rappresentativo di una anomalia acustica e/o vibrazionale non nota nell?intervallo di tempo di rilevazione, per esempio nel secondo intervallo di tempo T2.
In riferimento alle figure 3A, 3B e 3C, in un esempio di realizzazione, il suddetto segnale S2 di classificazione assume un valore discreto, per esempio compreso tra uno e zero, nell?intervallo di tempo di rilevazione, in particolare, in ciascuno dei tre intervalli di tempo T1, T2 e T3. Tale valore discreto assunto dal segnale di classificazione S2 ? indicativo di un grado di confidenza della classificazione. Ci? permette di determinare se l?almeno una anomalia acustica e/o vibrazionale rilevata ? un?anomalia riconosciuta, quale per esempio il rumore associato ad un mezzo meccanico o ad un motore, oppure ? un?anomalia non nota.
In un esempio di realizzazione alternativo, il primo valore di ampiezza del segnale di allarme S3 qualificato ad impulsi ?:
- una prima ampiezza v1 quando il segnale di classificazione S2 assume un valore discreto maggiore di 0,8 nell?intervallo di tempo di rilevazione, per esempio nel terzo intervallo di tempo T3;
- una ulteriore prima ampiezza v1? quando il segnale di classificazione S2 assume un valore discreto minore di 0,8 e maggiore di 0,5 nell?intervallo di tempo di rilevazione, per esempio nel primo intervallo di tempo T1.
In un esempio di realizzazione particolare, il suddetto primo valore di ampiezza v1, v1? del segnale di allarme S3 qualificato ad impulsi ? minore del secondo valore di ampiezza v2.
In riferimento all?esempio della figura 3C, in ciascun intervallo di tempo di rilevazione T1, T2, T3, il segnale di allarme qualificato S3 pu? assumere valori di ampiezza compresi tra zero e uno. In particolare, la prima ampiezza v1 ? uguale a 0,6 e l?ulteriore prima ampiezza v1? ? uguale a 0,3.
In un esempio di realizzazione, l?impulso di durata finita del segnale di allarme S3 qualificato assume il secondo valore di ampiezza v2 quando il segnale di classificazione S2 assume un valore discreto minore di 0,5 nell?intervallo di tempo di rilevazione, per esempio nel secondo intervallo di tempo T2. In particolare, nell?esempio di figura 3C, il secondo valore di ampiezza v2 del segnale di allarme qualificato S3 ? uguale a uno.
In riferimento all?esempio delle figure 3A e 3B, come sopra indicato, ci? significa che il segnale di allarme S1 rilevato dall?unit? DAS/DVS 10 nel secondo intervallo di tempo di rilevazione T2 ? un segnale non noto al classificatore audio 30, quindi un segnale che richiede maggiore attenzione in quanto associato, con elevata probabilit?, ad una perdita nel condotto per fluidi monitorato.
In un diverso esempio di realizzazione, in caso di mancata ricezione da parte del modulo correlatore 40 del suddetto segnale S2 di classificazione, il modulo correlatore 40 ? configurato per generare il segnale di allarme qualificato S3 ad impulsi in cui ciascuno di tali impulsi di durata finita assume il secondo valore di ampiezza v2. In tal caso, il segnale di allarme qualificato S3 indica sempre un allarme di severit? elevata.
Esempi delle informazioni associate al segnale di allarme S1, al segnale di classificazione S2 ed al segnale di allarme qualificato S3 sono di seguito riportati.
In riferimento all?applicazione di un condotto per fluidi (per esempio un oleodotto), il segnale d?allarme S1 ? un segnale che, oltre al valore di ampiezza, pu? essere costituito da un array di dati comprendente i seguenti campi:
id = lista di oggetti; ogni oggetto contiene i valori di pressione relativi a una stazione;
type = tipo di tecnologia utilizzata per la localizzazione dell?evento;
chainage = distanza progressiva in metri dall?inizio dell?oleodotto;
coordinates = latitudine e longitudine dell?evento;
created_at = data dell?evento calcolata dal sistema secondo lo standard ISO 8601. Il formato ? YYYY-MM-DDThh:mm:ssZ (T ? usato come separatore tra la data e l?ora, e Z indica che l?orario ? espresso in UTC);
localization_error = precisione di localizzazione stimata in metri;
station_id = identificativo della stazione pi? vicina all?evento localizzato.
In riferimento al segnale di classificazione S2, tale segnale ? costituito da un array di dati comprendente i seguenti campi:
from = inizio intervallo temporale;
to = fine intervallo temporale;
Categorie = insieme delle classificazioni del rumore ambientale identificate dal modello (comprensivo di confidenza).
Il segnale d?allarme qualificato S3 ? un segnale che, oltre al valore di ampiezza, pu? essere costituito da un array di dati comprendente i seguenti campi:
id = lista di oggetti; ogni oggetto contiene i valori di pressione relativi a una stazione;
type = tipo di tecnologia utilizzata per la localizzazione dell?evento;
chainage = distanza progressiva in metri dall?inizio dell?oleodotto;
coordinates = latitudine e longitudine dell?evento;
created_at = data dell?evento calcolata dal sistema secondo lo standard ISO 8601. Il formato ? YYYY-MM-DDThh:mm:ssZ (T ? usato come separatore tra la data e l?ora, e Z indica che l?orario ? espresso in UTC);
localization_error = precisione di localizzazione stimata in metri;
station_id = identificativo della stazione pi? vicina all?evento localizzato;
Severity = Low|Medium|High
AudioCategory = Machine|Engine|Truck|Unknown|??..
Ancora in riferimento all?esempio di figura 1, si osservi che i suddetti uno o pi? trasduttori acusticoelettrici del sistema 100 sono microfoni 20.
In un primo esempio di realizzazione, ciascun microfono 20 ? configurato per definire una prima area di copertura di microfono all?interno della quale l?attenuazione dell?uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale ? minore di 6db.
In un esempio di realizzazione particolare, ciascun microfono 20 ? configurato per definire una seconda area di copertura di microfono all?interno della quale l?attenuazione dell?uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale ? minore di 3db.
Sulla base di quanto sopra riportato, l?esperto del settore ? in grado di valutare a quale distanza l?uno all?altro e a quale distanza dal condotto per fluidi sarebbe opportuno posizionare i microfoni 20 del sistema 100 per monitorare il condotto stesso.
In riferimento alla figura 2, ? di seguito descritto un metodo 200 per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali implementato dal sistema 100 dell?invenzione sopra descritto.
Tale metodo 200 comprende una fase simbolica di inizio ?STR? e una fase simbolica di fine ?ED?.
In particolare, tale metodo comprende una fase di rilevazione 201 di almeno una anomalia acustica e/o vibrazionale associata al suddetto sito, in particolare al condotto per fluidi, oleodotto o gasdotto.
Il metodo 200 comprende, inoltre, una fase di generazione 202 di un segnale di allarme S1 rappresentativo di detta almeno una anomalia acustica e/o vibrazionale rilevata.
Queste fasi 201, 202 sono realizzate dall?unit? DAS/DVS 10 del sistema 100.
Il metodo 200 comprende, successivamente, una fase di rilevazione 203 di uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale rilevata. Si prevede anche la conversione dei suddetti segnali di audio ambientale in segnali elettrici. Questa fase ? realizzata dai microfoni 20.
Il metodo 200 comprende, inoltre, una fase di classificazione 204 dei segnali elettrici generati sulla base di almeno un algoritmo di analisi di dati e di apprendimento automatico di informazioni dai dati.
Si prevede anche una fase di generazione 205 di un segnale S2 di classificazione indicativo del fatto che la suddetta almeno una anomalia acustica e/o vibrazionale rilevata sia compresa in un insieme di anomalie riconosciute o sia una anomalia acustica e/o vibrazionale non nota.
Queste fasi 204, 205 sono realizzate dal modulo classificatore audio 30 del sistema 100.
Il metodo 200 comprende anche una fase di confronto 206, durante un intervallo di tempo di rilevazione T1, T2, T3, tra il segnale di allarme S1 ed il segnale S2 di classificazione.
Sulla base di tale confronto, il metodo 200 prevede la generazione 207 di un segnale di allarme qualificato S3. Tale segnale di allarme qualificato S3 ? configurato per fornire una informazione codificata indicativa del fatto che il segnale di allarme S1 rappresenti, nell?intervallo di tempo di rilevazione T1, T2, T3, una anomalia acustica e/o vibrazionale riconosciuta oppure una anomalia acustica e/o vibrazionale non nota.
In un esempio di realizzazione, la suddetta fase 207 comprende una fase di generare un segnale di allarme S3 qualificato ad impulsi di durata finita, in cui ciascuno di tali impulsi assume, sulla base del segnale di classificazione S2:
- un primo valore di ampiezza v1, v1?, indicativo del fatto che il segnale di allarme S1 ? rappresentativo di una anomalia acustica e/o vibrazionale riconosciuta nell?intervallo di tempo di rilevazione, per esempio nel primo T1 o terzo T3 intervallo di tempo di rilevazione; - un secondo valore di ampiezza v2, indicativo del fatto che il segnale di allarme S1 ? rappresentativo di una anomalia acustica e/o vibrazionale non nota nell?intervallo di tempo di rilevazione, per esempio nel secondo intervallo di tempo di rilevazione T2.
In un esempio di realizzazione, la suddetta fase di classificazione 204 del metodo 200 comprende una fase di addestrare il modulo classificatore audio 30 del sistema 100 a riconoscere segnali di audio ambientale come segnali di interferenza per l?unit? 10 DAS/DVS che rileva le anomalie acustiche e/o vibrazionali associate al sito da monitorare.
Un esempio di funzionamento del modulo classificatore audio 30 ? di seguito riportato.
Per ogni anomalia acustica e/o vibrazionale da classificare vengono raccolte delle registrazioni audio. Ciascuna registrazione audio viene suddivisa in tracce audio di durata pari a 32 ms. Per ciascuna traccia sono estratte delle caratteristiche dell?audio, tra cui:
- tasso di attraversamento di zero (Zero crossing rate),
- energia a breve termine (Short-term energy)
- entropia dell'energia a breve termine (Short-term entropy of energy),
- centroide spettrale e diffusione (Spectral centroid and spread),
- entropia spettrale (Spectral entropy),
- flusso spettrale (Spectral flux),
- attenuazione spettrale (Spectral roll-off),
- MFCC (Mel-frequency cepstral coefficients),
- Caratteristiche Chroma (Chroma Features).
Queste caratteristiche della traccia audio vengono utilizzate per addestrare il modello di Machine Learning/Deep Learning a riconoscere le singole anomalie acustiche e/o vibrazionali.
Per esempio, i modelli utilizzati comprendono il modello Gaussian Mixture Model o GMM e il modello Supervised Learning (Reti Neurali).
Il modello GMM si basa su un approccio statistico. Dalla raccolta delle caratteristiche contenute nella traccia audio, viene creato uno spazio a n-dimensioni in cui ogni punto rappresenta il numero di occorrenze di quel determinato valore del vettore di caratteristiche. Tale spazio rappresenta, sostanzialmente, il modello del rumore da classificare.
Inoltre, per ogni traccia da analizzare vengono estratti i vettori delle caratteristiche e viene stabilita qual ? la probabilit? che la traccia audio sotto esame appartenga alla singola classe.
Il modello Supervised Learning (Reti Neurali) prevede l?addestramento di una rete neurale utilizzando come insieme di dati di addestramento le caratteristiche estratte dalle singole tracce audio con aggiunta l?etichetta del tipo di rumore a cui sono associate. Il risultato finale rappresenta un classificatore di tracce audio basato su reti neurali.
Le sopra indicate modalit? di funzionamento del modulo classificatore audio 30 sono note nello stato della tecnica.
Come sopra evidenziato, il sistema 100 ed il relativo metodo 200 per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare della presente invenzione presentano numerosi vantaggi e conseguono gli scopi prefissati.
In particolare, il sistema 100 proposto permette di ridurre la generazione di allarmi per falsi positivi o falsi allarmi da parte delle infrastrutture impieganti unit? DAS/DVS per la rilevazioni di perdite (Leak Detection) utilizzati per monitorare oleodotti e gasdotti e basati sull?analisi dei segnali acustici/vibrazionali.
Inoltre, l?impiego del sistema 100 dell?invenzione in territori notevolmente antropizzati, evita che in tali territori si debbano in alcuni casi disattivare le infrastrutture DAS/DVS che non riescono a compensare le interferenze/disturbi derivanti dalle attivit? umane. Ci? permette al gestore dell?infrastruttura di risparmiare sui costi che sarebbero determinati da tale disattivazione, oltre a garantire il monitoraggio dell?intero oleodotto/gasdotto.
Alle forme di realizzazione del sistema e metodo dell?invenzione, un tecnico del ramo, per soddisfare esigenze contingenti, potr? apportare modifiche, adattamenti e sostituzioni di elementi con altri funzionalmente equivalenti, senza uscire dall'ambito delle seguenti rivendicazioni. Ognuna delle caratteristiche descritte come appartenente ad una possibile forma di realizzazione pu? essere realizzata indipendentemente dalle altre forme di realizzazione descritte.

Claims (14)

RIVENDICAZIONI
1. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare, comprendente:
- una unit? (10) impiegante fibra ottica per la rilevazione acustica distribuita, DAS, e/o per la rilevazione vibrazionale distribuita, DVS, di almeno una anomalia acustica e/o vibrazionale associata a detto sito e per generare un segnale di allarme (S1) rappresentativo della rilevazione di detta almeno una anomalia acustica e/o vibrazionale;
- uno o pi? trasduttori acustico-elettrici (20) operativamente associati a detto sito da monitorare per rilevare uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale e per convertire detti segnali di audio ambientale in segnali elettrici;
- un modulo classificatore audio (30) collegato a detti uno o pi? trasduttori acustico-elettrici (20) e configurato per classificare detti segnali elettrici generati sulla base di almeno un algoritmo di analisi di dati e di apprendimento automatico di informazioni dai dati, per generare un segnale (S2) di classificazione indicativo del fatto che detta almeno una anomalia acustica e/o vibrazionale rilevata sia compresa in un insieme di anomalie riconosciute o sia una anomalia acustica e/o vibrazionale non nota;
- un modulo correlatore (40) configurato per ricevere detto segnale di allarme (S1) e detto segnale (S2) di classificazione e per confrontare, durante un intervallo di tempo di rilevazione (T1, T2, T3), detto segnale di allarme (S1) e detto segnale (S2) di classificazione per generare un segnale di allarme qualificato (S3), detto segnale di allarme qualificato essendo configurato per fornire una informazione codificata indicativa del fatto che il segnale di allarme (S1) rappresenti, nell?intervallo di tempo di rilevazione (T1, T2, T3), una anomalia acustica e/o vibrazionale riconosciuta oppure una anomalia acustica e/o vibrazionale non nota.
2. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 1, in cui detto segnale di allarme (S3) qualificato ? un segnale ad impulsi di durata finita, ciascuno di detti impulsi assumendo, sulla base del segnale di classificazione (S2):
- un primo valore di ampiezza (v1, v1?), indicativo del fatto che detto segnale di allarme (S1) ? rappresentativo di una anomalia acustica e/o vibrazionale riconosciuta nell?intervallo di tempo di rilevazione (T1, T3);
- un secondo valore di ampiezza (v2), indicativo del fatto che detto segnale di allarme (S1) ? rappresentativo di una anomalia acustica e/o vibrazionale non nota nell?intervallo di tempo di rilevazione (T2).
3. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 1 o 2, in cui detto segnale (S2) di classificazione assume un valore discreto compreso tra uno e zero nell?intervallo di tempo di rilevazione (T1, T2, T3), indicativo di un grado di confidenza della classificazione, per determinare se detta almeno una anomalia acustica e/o vibrazionale rilevata ? un?anomalia riconosciuta oppure ? un?anomalia non nota.
4. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 2 o 3, in cui detto primo valore di ampiezza del segnale di allarme (S3) qualificato ad impulsi di durata finita ?:
- una prima ampiezza (v1) quando il segnale di classificazione (S2) assume un valore discreto maggiore di 0,8 nell?intervallo di tempo di rilevazione (T3);
- una ulteriore prima ampiezza (v1?) quando il segnale di classificazione (S2) assume un valore discreto minore di 0,8 e maggiore di 0,5 nell?intervallo di tempo di rilevazione (T1).
5. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 2 o 3, in cui l?impulso di durata finita del segnale di allarme (S3) qualificato assume il secondo valore di ampiezza (v2) quando il segnale di classificazione (S2) assume un valore discreto minore di 0,5 nell?intervallo di tempo di rilevazione (T2).
6. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 2, in cui, in seguito alla mancata ricezione da parte del modulo correlatore (40) di detto segnale (S2) di classificazione, il modulo correlatore (40) ? configurato per generare il segnale di allarme qualificato (S3) ad impulsi di durata finita in cui ciascuno di detti impulsi assume detto secondo valore di ampiezza (v2).
7. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo una qualsiasi delle rivendicazioni 1-6, in cui detto primo valore di ampiezza (v1, v1?) del segnale di allarme (S3) qualificato ad impulsi di durata finita ? minore del secondo valore di ampiezza (v2).
8. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 1, in cui detto almeno un algoritmo di analisi di dati e di apprendimento automatico di informazioni direttamente dai dati comprende un algoritmo di Machine Learning e/o Deep Learning basato su rete neurale convoluzionale (Convolutional Neural Network o CNN).
9. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 1, in cui detti uno o pi? trasduttori acustico-elettrici sono microfoni (20), ciascun microfono essendo configurato per definire una prima area di copertura di microfono all?interno della quale l?attenuazione dell?uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale ? minore di 6db.
10. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 9, in cui ciascun microfono (20) ? configurato per definire una seconda area di copertura di microfono all?interno della quale l?attenuazione dell?uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale ? minore di 3db.
11. Sistema (100) di rilevazione e riconoscimento di anomalie acustiche e/o anomalie vibrazionali secondo una qualsiasi delle rivendicazioni precedenti, in cui detto sito da monitorare ? una conduttura per il trasporto di fluidi e gas scelta nel gruppo costituito da: oleodotto, gasdotto.
12. Metodo (200) per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali associate ad un sito da monitorare impiegando un sistema (100) in accordo con la rivendicazione 1, detto metodo comprendendo le fasi di:
- rilevare (201) almeno una anomalia acustica e/o vibrazionale associata a detto sito;
- generare (202) un segnale di allarme (S1) rappresentativo di detta almeno una anomalia acustica e/o vibrazionale rilevata;
- rilevare (203) uno o pi? segnali di audio ambientale associati a detta almeno una anomalia acustica e/o vibrazionale rilevata e convertire detti segnali di audio ambientale in segnali elettrici;
- classificare (204) detti segnali elettrici generati sulla base di almeno un algoritmo di analisi di dati e di apprendimento automatico di informazioni dai dati; - generare (205) un segnale (S2) di classificazione indicativo del fatto che detta almeno una anomalia acustica e/o vibrazionale rilevata sia compresa in un insieme di anomalie riconosciute o sia una anomalia acustica e/o vibrazionale non nota;
- confrontare (206), durante un intervallo di tempo di rilevazione (T1, T2, T3), detto segnale di allarme (S1) e detto segnale (S2) di classificazione;
- generare (207) un segnale di allarme qualificato (S3), detto segnale di allarme qualificato essendo configurato per fornire una informazione codificata indicativa del fatto che il segnale di allarme (S1) rappresenti, nell?intervallo di tempo di rilevazione (T1, T2, T3), una anomalia acustica e/o vibrazionale riconosciuta oppure una anomalia acustica e/o vibrazionale non nota.
13. Metodo (200) per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 12, in cui detta fase di generare (207) comprende una fase di generare un segnale di allarme (S3) qualificato ad impulsi di durata finita, ciascuno di detti impulsi assumendo, sulla base del segnale di classificazione (S2):
- un primo valore di ampiezza (v1, v1?), indicativo del fatto che detto segnale di allarme (S1) ? rappresentativo di una anomalia acustica e/o vibrazionale riconosciuta nell?intervallo di tempo di rilevazione (T1, T3);
- un secondo valore di ampiezza (v2), indicativo del fatto che detto segnale di allarme (S1) ? rappresentativo di una anomalia acustica e/o vibrazionale non nota nell?intervallo di tempo di rilevazione (T2).
14. Metodo (200) per rilevare e riconoscere anomalie acustiche e/o anomalie vibrazionali secondo la rivendicazione 12, in cui detta fase di classificare (204) comprende una fase di addestrare un modulo classificatore audio (30) a riconoscere segnali di audio ambientale come segnali di interferenza per una unit? (10) impiegante fibra ottica per la rilevazione acustica distribuita, DAS, e/o per la rilevazione vibrazionale distribuita, DVS, delle anomalie acustiche e/o vibrazionali associate a detto sito da monitorare.
IT102021000007157A 2021-03-24 2021-03-24 Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare IT202100007157A1 (it)

Priority Applications (5)

Application Number Priority Date Filing Date Title
IT102021000007157A IT202100007157A1 (it) 2021-03-24 2021-03-24 Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare
PCT/IB2022/052554 WO2022200994A1 (en) 2021-03-24 2022-03-21 A system for sensing and recognizing acoustic and/or vibrational anomalies associated with a site to be monitored
EP22717657.5A EP4314734B1 (en) 2021-03-24 2022-03-21 A system for sensing and recognizing acoustic and/or vibrational anomalies associated with a site to be monitored
CA3212537A CA3212537A1 (en) 2021-03-24 2022-03-21 A system for sensing and recognizing acoustic and/or vibrational anomalies associated with a site to be monitored
US18/283,469 US12546679B2 (en) 2021-03-24 2022-03-21 System for sensing and recognizing acoustic and/or vibrational anomalies associated with a site to be monitored

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
IT102021000007157A IT202100007157A1 (it) 2021-03-24 2021-03-24 Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare

Publications (1)

Publication Number Publication Date
IT202100007157A1 true IT202100007157A1 (it) 2022-09-24

Family

ID=76269935

Family Applications (1)

Application Number Title Priority Date Filing Date
IT102021000007157A IT202100007157A1 (it) 2021-03-24 2021-03-24 Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare

Country Status (5)

Country Link
US (1) US12546679B2 (it)
EP (1) EP4314734B1 (it)
CA (1) CA3212537A1 (it)
IT (1) IT202100007157A1 (it)
WO (1) WO2022200994A1 (it)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12237866B2 (en) * 2023-03-14 2025-02-25 Huawei Technologies Co., Ltd. Method and system for detecting an improper protection in an optical communication network
JP2024132227A (ja) * 2023-03-17 2024-09-30 富士フイルムビジネスイノベーション株式会社 情報処理システム及びプログラム
US11953161B1 (en) 2023-04-18 2024-04-09 Intelcon System C.A. Monitoring and detecting pipeline leaks and spills
US20250189086A1 (en) * 2023-12-11 2025-06-12 Saudi Arabian Oil Company Monitoring pipeline integrity using machine learning aided fiber-optic distributed acoustic sensing
US20250314550A1 (en) * 2024-04-08 2025-10-09 Kotleak Ltd. Systems and methods for leakage detection, prevention, and mitigation
CN119197740B (zh) * 2024-11-25 2025-03-07 浙江亨特科技有限公司 一种分布式光纤声波传感器的监测预警方法及系统
CN119468090B (zh) * 2025-01-09 2025-04-15 国家管网集团北方管道有限责任公司 一种基于工业声纹ai识别的管道泄漏监测方法及系统
CN121091009B (zh) * 2025-11-05 2026-02-06 山西隆富电气科技有限公司 一种配电柜智能监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180080812A1 (en) * 2017-07-25 2018-03-22 University Of Electronic Science And Technology Of China Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network
WO2019159103A1 (en) * 2018-02-15 2019-08-22 Tyco Fire & Security Gmbh Gunshot detection system with ambient noise modeling and monitoring
US20200190971A1 (en) * 2018-12-13 2020-06-18 Bp Exploration Operating Company Limited Distributed acoustic sensing autocalibration

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180080812A1 (en) * 2017-07-25 2018-03-22 University Of Electronic Science And Technology Of China Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network
WO2019159103A1 (en) * 2018-02-15 2019-08-22 Tyco Fire & Security Gmbh Gunshot detection system with ambient noise modeling and monitoring
US20200190971A1 (en) * 2018-12-13 2020-06-18 Bp Exploration Operating Company Limited Distributed acoustic sensing autocalibration

Also Published As

Publication number Publication date
EP4314734C0 (en) 2024-12-25
CA3212537A1 (en) 2022-09-29
EP4314734A1 (en) 2024-02-07
US20240167911A1 (en) 2024-05-23
WO2022200994A1 (en) 2022-09-29
EP4314734B1 (en) 2024-12-25
US12546679B2 (en) 2026-02-10

Similar Documents

Publication Publication Date Title
IT202100007157A1 (it) Sistema per rilevare e riconoscere anomalie acustiche e/o vibrazionali associate ad un sito da monitorare
Chuang et al. Leak detection in water distribution pipes based on CNN with mel frequency cepstral coefficients
Tejedor et al. Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system
RU2515126C2 (ru) Отслеживание объектов в трубопроводах
US20200233397A1 (en) System, method and computer-accessible medium for machine condition monitoring
Negm et al. Review of leakage detection in water distribution networks
KR102702406B1 (ko) 초음파 음향을 통해 비접촉 및 비파괴 방식으로 배관 누설을 원격으로 탐지하기 위한 장치 및 이를 위한 방법
CN119197740B (zh) 一种分布式光纤声波传感器的监测预警方法及系统
Boujelben et al. An efficient system for water leak detection and localization based on IoT and lightweight deep learning
CN111520615A (zh) 基于线谱对和三次插值搜索的管网漏损识别与定位方法
Rajasekaran et al. A novel custom one-dimensional time-series DenseNet for water pipeline leak detection and localization using acousto-optic sensor
Kampelopoulos et al. Machine learning model comparison for leak detection in noisy industrial pipelines
Lee et al. Deepaup: A deep neural network framework for abnormal underground heat transport pipelines
Tejedor et al. A Gaussian Mixture Model-Hidden Markov Model (GMM-HMM)-based fiber optic surveillance system for pipeline integrity threat detection
CN119179989A (zh) 一种基于大数据的分区计量系统
Ayadi et al. Leak detection in water pipeline by means of pressure measurements for WSN
Zhao et al. Leak detection of underground water pipelines using acoustic feature extraction
Liu et al. Feature extraction and identification of leak acoustic signal in water supply pipelines using correlation analysis and Lyapunov exponent
JP7444264B2 (ja) 水生生物観測装置及び水生生物観測方法
Glentis et al. Efficient selection of time domain features for leakage detection in pipes carrying liquid commodities
CN120448980A (zh) 一种供水管网泄漏的光纤振动听诊方法及系统
Sun et al. CLAP-S: Support set based adaptation for downstream fiber-optic acoustic recognition
Chumchu A leak detection in water pipelines using discrete wavelet decomposition and artificial neural network
EA047257B1 (ru) Система обнаружения и распознавания акустических и/или вибрационных аномалий, связанных с объектом мониторинга
CN119687402A (zh) 一种天然气管道泄漏检测方法及系统