Skip to main content

AutoPIN

Undetected corrosion damage can lead to incalculable economic and environmental costs during the operation of industrial pipelines. For cost reasons, the early detection of such damage (predictive maintenance) is usually performed by passively operated robots, which are routed through the pipeline system during its normal operation. Such robots, however, record huge amounts of data. In this project, methods of machine learning and signal processing, among others, were adapted to achieve the fully automatic analysis of this sensor data.

Description

Die Inspektion von Rohrleitungssystemen erfolgt heutzutage unter Einsatz von Inline-Inspektionswerkzeugen, welche im laufenden Betrieb durch die Rohrleitung geschleust werden können. Dabei entsteht eine Fülle von Sensordaten, deren manuelle Auswertung derzeit mit einem hohen personellen und zeitlichen Aufwand verbunden ist. Um diese Kosten zu reduzieren, soweit möglich die Genauigkeit der Auswertung zu verbessern und somit die Wettbewerbsfähigkeit enorm zu steigern, sollen Teile der Verarbeitungskette durch Einsatz von modernen Methoden des maschinellen Lernens automatisiert werden.

 

Die wesentlichen Entwicklungsziele beinhalten ein neues Verfahren zur automatischen Sensorkalibrierung und die automatische Segmentierung von Leitungsdefekten sowie sonstigen Anomalien. Um die Fehlsegmentierung von im Grunde unbedenklichen Signalverläufen zu reduzieren, sollen weiterhin diverse Leitungseigenschaften und Störobjekte (z.B. Ventile) zur Abgrenzung gegenüber tatsächlichen Defekten explizit berücksichtigt und modelliert werden. Das Ziel ist eine Reduktion des manuellen Arbeitsaufwands um 80% und von Detektionsfehlern für Fehler 1. Art und 2. Art um 70% bzw. 50%.

Team
Research area
Networks and Vision
Begin
End