Un enfoque de múltiples posiciones en un sistema de vigilancia inteligente de fibra óptica para la detección de amenazas a la integridad de tuberías
Autores: Tejedor, Javier; Macias-Guarasa, Javier; Martins, Hugo F.; Martin-Lopez, Sonia; Gonzalez-Herraez, Miguel
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Un enfoque de múltiples posiciones en un sistema de vigilancia inteligente de fibra óptica para la detección de amenazas a la integridad de tuberías
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Integridad del oleoducto
Sistema de vigilancia
Detección de amenazas
Clasificación
Reconocimiento de patrones
Detección acústica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Presentamos un nuevo sistema de vigilancia de integridad de tuberías para la detección y clasificación de amenazas en largos gasoductos. El sistema se basa en un monitoreo acústico distribuido con reflectometría en dominio de tiempo óptico sensible a la fase (OTDR) y reconocimiento de patrones para la clasificación de eventos. La propuesta incorpora un enfoque multi-posición en un sistema de clasificación de patrones basado en el Modelo de Mezcla Gaussiana (GMM) que opera en un escenario de campo real con un procedimiento experimental exhaustivo. El objetivo es aprovechar la disponibilidad de datos relacionados con vibraciones en posiciones cercanas a la que realmente produce la principal perturbación para mejorar la robustez de los modelos entrenados. El sistema integra dos tareas de clasificación: (1) identificación de máquina + actividad, que identifica la máquina que está trabajando sobre el gasoducto junto con la actividad que se está llevando a cabo, y (2) detección de amenazas, que tiene como objetivo detectar amenazas sospechosas para la integridad del gasoducto (independientemente de la actividad que se esté llevando a cabo). Para el modo de identificación de máquina + actividad, el enfoque multi-posición para el entrenamiento del modelo obtiene un mejor rendimiento que el enfoque de una sola posición presentado anteriormente para actividades que muestran un comportamiento consistente y una alta energía (entre 6% y 11% absoluto) con un aumento general del 3% absoluto en la precisión de la clasificación. Para el modo de detección de amenazas, el enfoque propuesto obtiene una reducción absoluta del 8% en la tasa de falsas alarmas con un aumento general del 4.5% absoluto en la precisión de la clasificación.
Descripción
Presentamos un nuevo sistema de vigilancia de integridad de tuberías para la detección y clasificación de amenazas en largos gasoductos. El sistema se basa en un monitoreo acústico distribuido con reflectometría en dominio de tiempo óptico sensible a la fase (OTDR) y reconocimiento de patrones para la clasificación de eventos. La propuesta incorpora un enfoque multi-posición en un sistema de clasificación de patrones basado en el Modelo de Mezcla Gaussiana (GMM) que opera en un escenario de campo real con un procedimiento experimental exhaustivo. El objetivo es aprovechar la disponibilidad de datos relacionados con vibraciones en posiciones cercanas a la que realmente produce la principal perturbación para mejorar la robustez de los modelos entrenados. El sistema integra dos tareas de clasificación: (1) identificación de máquina + actividad, que identifica la máquina que está trabajando sobre el gasoducto junto con la actividad que se está llevando a cabo, y (2) detección de amenazas, que tiene como objetivo detectar amenazas sospechosas para la integridad del gasoducto (independientemente de la actividad que se esté llevando a cabo). Para el modo de identificación de máquina + actividad, el enfoque multi-posición para el entrenamiento del modelo obtiene un mejor rendimiento que el enfoque de una sola posición presentado anteriormente para actividades que muestran un comportamiento consistente y una alta energía (entre 6% y 11% absoluto) con un aumento general del 3% absoluto en la precisión de la clasificación. Para el modo de detección de amenazas, el enfoque propuesto obtiene una reducción absoluta del 8% en la tasa de falsas alarmas con un aumento general del 4.5% absoluto en la precisión de la clasificación.