Machine Learning based Acoustic Anomaly Detection of Gas Leakages in Industrial Environments
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3037794Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Sammendrag
Målet med denne masteroppgaven var å utvikle en akustisk gasslekkasjedetektor basert på maskinlæring. Gasslekkasjer kan være frustrerende for industrielle anleggseiere da de fører til energiforbruk, høyere kostnader, økt sikkerhetsrisiko for arbeidere og forårsaker forurensning. Dagens gassdeteksjonssystem er basert på gassmonitorer. Gassmonitorer fungerer imidlertid dårlig på å oppdage små lekkasjer og har spesielt problemer på utendørsanlegg. Ettersom mange gasser stiger og kan tas bort med vinden, kan konsentrasjonen av gass i luften være for lav til å utløse alarmene. Derfor er det av stor verdi for bransjer som arbeider med gasser å finne en bedre metode for tidlig deteksjon av lekkasjer. Ettersom det avgis lyd fra lekkasjene når gassen kommer ut av dens komprimerte beholder, er bruk av akustiske anomalideteksjonsteknikker mulig. En tradisjonell signalbehandlingsmetode kalt Root-Mean-Square (RMS)-metoden har blitt eksperimentert med under et fordypningsprosjekt gjennomført høsten 2021, som ikke ga tilfredsstillende resultater. I løpet av dette masteroppgaveprosjektet ble det utført et eksperiment som benyttet de mer moderne maskinlæringsmetodene K-means clustering, Deep Neural Networks (DNN) og Gradient Boosting (GB). Klassifikasjonsmodeller er utviklet for hver av de ulike metodene ved å trene og teste modellene på et datasett bestående av lydopptak fra signaler med og uten gasslekkasjer. Signalene i datasettet ble behandlet ved bruk av signalbehandlingsteknikker, og bakgrunnsstøy med frekvenser under 4000Hz ble fjernet ved hjelp av et Butterworth-filter. For Deep Neural Network metoden ble to modeller utviklet ved å bruke programmeringsbibliotekene PyTorch og FastAI. For gradient boosting metoden ble det utviklet to modeller, en med XGBoost-varianten og en med Catboost-varianten. Ulike kombinasjoner av lyd-elementer ble brukt som input til modellene. En evaluering av modellene indikerte at K-means ikke klarte å skille lekkasjer fra ikke-lekkasjer på en tilstrekkelig god måte. Begge DNN-modellene og begge GB-modellene presterte derimot tilstrekkelig, med en nøyaktighet på 89.32\% og over. Resultatene av den eksperimentelle studien indikerte at et system basert på opptak fra retningsstyrte mikrofoner og maskinlæringsmetoder er mulig for deteksjon av gasslekkasjer. Oppgaven fungerer dermed som et konseptbevis for bruk av akustiske anomalideteksjonsteknikker for deteksjon av gasslekkasje i støyfulle industrimiljøer. The objective of this master thesis was to provide a proof of concept for an acoustic gas leakage detector based on machine learning, and to develop the software part of such a detection system. Gas leakages can be frustrating for industrial plant owners as they lead to energy consumption, higher costs, increased safety risks for workers, and cause pollution. The gas detection systems of today are based on gas monitors. However, gas monitors do not perform well on detecting small leakages and especially have trouble on outdoor plants. As some gases rise upwards and can be taken away with the wind, the concentration of gas in the air could be too low for tripping the alarms. Therefore, finding a better method for early detection of leakages is of great value to industries dealing with gases. As sound is emitted from the leakages when the gas exits its compressed container, the use of acoustic anomaly detection techniques is possible. A traditional signal processing method called the Root-Mean-Square (RMS) method was experimented with during a specialization project conducted during the fall of 2021, and did not produce satisfactory results. During this master thesis project, an experiment was conducted, utilizing the more modern machine learning methods K-means clustering, Deep Neural Networks and Gradient Boosting. Classification models has been developed for each of the different methods by training and testing the models on a dataset consisting of audio features from signals with and without gas leakages. The signals in the dataset were processed by use of signal processing techniques, and background noises with frequencies below 4000Hz were removed using a Butterworth filter. For the deep neural network method, two models were developed using the PyTorch an FastAI programming libraries. For the gradient boosting method, two models were developed, one with the XGBoost variant and one with the Catboost variant.Different combinations of audio features were used as input to the models. A performance evaluation of the models indicated that K-means did not separate the leakages from the non-leakages successfully. Both neural network models and both gradient boosting models performed adequately, as evident by accuracy scores of 89.32% and above. The results of the experimental study indicated that a system based on recordings from directional microphones and classification by machine learning methods is feasible for gas leakage detection. Based on the literature review of related work in the field of acoustic detection, as well as the promising results of the experimental study, the thesis has managed to serve as a proof of concept for the use of machine learning based acoustic anomaly detection techniques for gas leakage detection in noisy industrial environments.