描述

工業管道中的流體泄漏會對環境和人類健康產生嚴重且具有潛在破壞性的影響。

流體泄漏的最重要影響之一是可能污染土壤和水源。許多工業流體，如石油和化合物，都是有毒的，會對它們接觸到的生態系統產生破壞性影響。例如，石油泄漏會污染土壤和水，導致依賴這些資源的動植物死亡。這種泄漏的清理過程也可能既昂貴又耗時，會對受影響地區造成長期影響。

除了環境影響外，流體泄漏還會對人類造成嚴重的健康風險。某些工業流體（例如化學品和氣體）在吸入或攝入時可能有害。即使少量的這些物質也會導致嚴重的健康問題，包括呼吸系統問題、皮膚刺激，甚至癌癥。

流體泄漏還會對管道本身造成損壞，從而導致使用它們的工業設施進行昂貴的維修和停機。在某些情況下，泄漏甚至會導致爆炸或火災，這可能會造成進一步的破壞并使工人和附近社區處于危險之中。

總的來說，工業管道中的流體泄漏是一個嚴重的問題，具有深遠的影響。工業設施必須采取措施防止泄漏并妥善維護管道，以最大程度地減少對環境和人類健康造成危害的可能性。這可以包括定期檢查和維護，以及實施安全規程和培訓工人如何處理潛在泄漏。通過主動解決這個問題，我們可以幫助保護我們的星球并確保我們社區的安全。

作為工業管道中流體泄漏問題的建議解決方案，我們建議使用人工智能 (AI) 和機器學習。通過這種方法，流量傳感器數據用于使用機器學習算法檢測管道中的泄漏，機器學習算法分析流量的變化并識別可能指示泄漏的正常模式的偏差。這種人工智能技術有可能顯著提高我們檢測和響應工業管道中流體泄漏的能力，有助于防止未檢測到的泄漏造成損害。此外，機器學習的使用允許這些系統隨著時間的推移而改進，在檢測泄漏方面變得更加準確和可靠。通過利用這些技術，我們可以更有效地保護環境和人類健康，

硬件要求

• 種子 Wio 終端
• 水流傳感器

軟件要求

• 邊緣脈沖
• 開發環境

硬件設置

本項目使用的開發板為Seeed Wio Terminal 。我們之所以在這個項目中使用這個開發板，是因為它是一個完整的系統，配備了屏幕+開發板+輸入/輸出接口+外殼。

?

我們使用了 DFRobot水流傳感器來檢測水流狀態。

?

它通過使用磁性轉子和霍爾效應傳感器測量流過它的液體的速率。當液體流過傳感器時，磁性轉子會旋轉，旋轉速度會隨著流速的變化而變化。然后霍爾效應傳感器將輸出一個脈寬信號。

?

這是流程設置，非常簡單。兩根管道連接到流量傳感器的入口和出口。我們將收集數據

• 沒有流量的時候
• 有流量的時候
• 有泄漏時

?

軟件設置

要為 Edge Impulse 設置 Seeed Wio 終端，您可以按照本指南進行操作。但我們正在使用另一種方法來收集數據。在我們的方法中，數據以 CSV 文件的形式收集并上傳到 Edge Impulse。然后我們照常進行 TinyML 模型生成。

1. 數據收集

我們有輸出 PWM 信號的水流傳感器。因此，我們沒有從傳感器收集模擬值，而是使用方程式計算流量，并將其收集為時間序列數據。我們收集了無流量、正常流量和泄漏的流量，這些流量似乎可以通過模型區分。

要為您的項目收集數據，請執行以下步驟：

• 將DataCollection.ino上傳到 Wio 終端。
• 將 Wio 終端插入計算機。
• 在計算機中運行SerialDataCollection.py 。
• 按下按鈕 C 開始錄音。
• 當您有足夠的數據時，再次按下按鈕 C 停止記錄。
• 停止錄制后，它會在您的計算機上生成一個 CSV 文件。根據流態命名。
• 使用“數據采集”選項卡將 CSV 文件上傳到 EdgeImpulse 。

?

上傳 CSV 文件后，我們將整個數據分成 6s 長度的樣本。

?

?

?

然后我們將整個數據集拆分為訓練和測試數據集。現在我們有了一個干凈的數據集來開始模型訓練。

2. 沖動設計

脈沖是一種機器學習管道，它獲取原始數據，進行信號處理以提取特征，然后使用學習塊對新數據進行分類。

?

這里我們使用時間序列數據作為輸入塊。我們使用原始數據作為處理塊。由于我們必須將液體流分類為不同的狀態，因此我們使用分類作為學習模塊。現在我們有一個脈沖，它將流量作為輸入并將流量分為三類之一。

現在移至“原始數據”選項卡。我們可以更改比例軸等參數，但我們保持原樣并繼續生成特征。

?

?

特征分離得很好，類之間沒有重疊，這表明我們有一個很好的模型生成數據集。那么，讓我們繼續訓練模型。

3. 模型訓練與測試

轉到分類器選項卡。這里我們有3個參數要修改。首先，保持設置不變并訓練模型一次。在我們的例子中，它輸出了一個訓練準確率為 30% 的模型。所以我們多次調整參數，直到達到令人滿意的訓練精度。這些是我們的神經網絡設置。

?

在以 0.002 的學習率對模型進行 70 個周期的訓練后，我們得到了一個訓練精度為 100% 且損失為 0.12 的輸出模型。

?

現在我們有了一個運行良好的模型。讓我們用一些以前看不見的數據來測試它的性能。導航到Model Testing和Classify All 。這是結果。

?

驚人的！我們得到了 100% 的測試準確率。因此我們的模型已準備好部署。

4.部署

在“部署”選項卡中，構建一個Arduino 庫。如果愿意，您可以使用 EON Compiler 啟用優化，但這完全是可選的。

?

構建將輸出一個包含模型和一些示例的 zip 文件。使用Sketch > Include Library > Add.ZIP library將庫添加到Adruino IDE

?

修改位于File > Examples > Your Project Name > static_buffer > static_buffer.ino 的 static_buffer.ino以進行動態推理。

?

最終輸出

部署后，現在我們有一個由 Wio 終端、流量傳感器和 AI 模型組成的系統，可以檢測管道中可能存在的泄漏。三種輸出模式如下所示。

?

?

?

?

?

?