An exploration of acoustic gas leak and anomaly detections suitability for autonomous inspections in industrial plants

Abstract

I dag blir mange feil i industrianlegg funnet av kvalifiserte arbeidere som utfører manuelle inspeksjoner og bruker hørselen for å oppdage skadede maskiner eller lekkasjer. Equinor har begynt overgangen til inspeksjoner utført av autonome roboter i stedet og ønsker å utforske akustiske muligheter. I den sammenheng undersøker denne oppgaven to mulige retninger: å spesialisere roboten til å oppdage gasslekkasjer, som har det høyeste skadepotensialet, eller å gjenkjenne lydanomalier, som er lyder som avviker fra det normale. Et datasett med komprimert luft brukes, og en håndfull maskinlæringsmodeller er valgt for hver tilnærming. Modeller fra beslutningstre familien brukes for gasslekkasjedeteksjon og "One-Class Classifiers" for anomalideteksjon. Gjennom flere eksperimenter viste begge tilnærmingene lovende resultater, og gasslekkasjedetektoren peker mot at det kan være mulig å gjenkjenne lekkasjer uavhengig av bakgrunnsstøy eller lekkasjetype. Anomalidetektoren klassifiserte 90% av uregelmessighetene riktig i møte med data med lite støy og 70% ved høy. Det er også vist at å se på et signals gjennomsnittlige effekt mellom 20-24 kHz er konstruktivt for å klassifisere lekkasjer i det brukte datasettet. Til slutt konkluderes det med at gasslekkasjetilnærmingen er den mest lovende og bør være hovedfokus for påfølgende arbeid.

Today, many faults in industrial plants are found by skilled workers doing manual inspections and using hearing to detect damaged machines or leaks. Equinor has begun the transition to autonomous robot inspections instead and wishes to examine acoustic options. This thesis explores two directions: to specialize the robot to detect gas leaks, since it has the highest damage potential, or to recognize sound anomalies, which are sounds that deviate from the normal. A compressed air leak dataset is used, and a handful of machine learning models are chosen for each approach. The tree-based family is selected for gas leak detection and One-Class Classifiers for anomaly detection. Through several experiments, both approaches showed promising results, with the gas leak detector indicating it might be possible to recognize leaks regardless of background noise or leak type. The anomaly detector classified 90% of anomalies correctly with the least noisy data and 70% on the hardest. It is also exhibited that looking at a signal's average power between 20-24 kHz is effective in classifying leaks in the auditory hearing range in this dataset. In the end, it is concluded that the gas leak approach is the most promising and should be the main focus of any succeeding work.