2021年6月28日星期一
WrapSense是Direct-C、TrackWise和TWI的InnovateUK合作项目，旨在研究、开发和验证油气泄漏检测的新技术。该技术基于一种新型、高灵敏度的纳米复合涂层材料，能够检测直接接触到的哪怕是最轻微的液态碳氢化合物浓度。这使得它成为一种检测泄漏的高效技术狗万
和航空航天应用程序。
后传感器的安装和成功网络研讨会演讲这篇新闻稿总结了三个月的曝光测试结果。
初步测试数据2021年3月
天气变量和WrapSenseLD数据从1月1日开始记录了3个月圣一月至三十一日圣3月。下图(图1)显示了10 × 1m WrapSenseLD传感器的数据。陡峭的斜率表示传感器通过暴露于碳氢化合物(类似于小规模测试)进行测试，适用于传感器0到传感器4。其余传感器(S5到S9)未测试。
图1所示。WrapSenseLD三个月数据
同样，下图(图2a-2d)显示了记录的天气变量。一月份及二月上半月录得较冷的气温，其后至三月中，气温转为温和。过去几周气温上升超过了20°C。相对湿度似乎在一天开始时开始达到100%的饱和，然后在一天中急剧下降到80%、70%甚至60%。此外，有几次降雨主要发生在冬季和三月中旬的大部分时间。最后，平均风速在20公里每小时左右，有些事件超过40公里每小时。
图2 a。温度记录- 3个月
图2 b。相对湿度记录- 3个月
图2 c。风速记录- 3个月
图2 d。雨的记录- 3个月
WrapSenseLD的性能评估
为了评估传感器在环境暴露下的性能，提出了以下方法:
- 通过自相关获取WrapSense数据的周期性(如果有的话)
- 通过自相关得到天气数据的周期性
- 在WrapSense和天气数据之间执行周期性数据的相互关系
- 对非周期性数据进行延迟响应关联
互相关是一种测量矢量x和矢量y的移位(滞后)拷贝之间的相似性的技术，它是滞后[6]的函数。其中，y向量是x向量的副本，它被称为“自相关”。相反，对于自变量向量x和y，则表示为“相互关联”。
为了比较整个WrapSenseLD传感器的数据，对被测传感器进行了后处理，消除了由于传感器暴露而导致的电压增加。这是通过减去测试后的电压值来完成的，即测试前的电压值。下图(图3)显示了Sensor 4的后处理示例:
图3。传感器4标准化的例子
WrapSenseLD自相关
在Matlab中使用“xcorr”函数实现自相关。由于自相关值是对称的，所以只表示正滞后。图4显示了被测传感器(S0到S4)的自相关值。可以观察到，自相关值明显每0.87天达到峰值。相反，未测试传感器(S5-S9右)的自相关结果不明显。然而，未测试传感器的平均周期是0.95天。自相关结果表明，传感器的数据是日周期的。
图4。WrapSense测试传感器的自相关性
图5。WrapSense未经测试的传感器自相关
天气数据自相关
利用相同的互相关函数，得到各气象变量的自相关值。下图6显示了温度、湿度、降雨和风速的结果和周期性值。对于温度序列，很明显，温度随昼夜周期(周期等于0.9994天)逐日振荡。第0 ~ 18天为二次循环;这可能表明由于季节的变化，温度发生了变化。全年的数据将提供温度的季节性循环。相对湿度的周期为0.9994天。与温度变量不同的是，由于季节的影响，湿度似乎没有二次循环。可以推断，自相关因子在-0.2和+0.4之间不断振荡。
此外，研究结果表明，风速和降雨都不是周期变量。降雨数据的自相关值在任何滞后的一天都接近于零。同样，风速自相关在滞后日随机振荡，没有明确的周期识别。
图6。天气数据自相关
WrapSenseLD和天气数据互相关
在操作互相关函数之前，需要对数据进行同步，以获得相同的矢量长度。WrapSenseLD数据大约每70分钟记录一次，而天气数据每15分钟采样一次。同步是使用Matlab中的“同步”函数执行的“时间表”数据类型。下图显示了WrapSenseLD传感器8在2月26日至3月5日的温度和湿度数据示例。值得注意的是，为了更好地表示，这个系列是在不同的垂直轴上绘制的。用于分析的数据是通过减去整个数据集的平均值来处理的;这个过程被应用到WrapSenseLD，温度和湿度数据。
图7。WrapSense和温度-时间序列
对于温度的互相关，很明显WrapSense的性能是不同步的。这意味着峰值温度(通常在下午2点左右)与传感器电压下降相关，峰值之间有一个较小的延迟。然而，值得注意的是，温度上升的开始，例如上午9点左右，并不一定与传感器电压下降的开始相关。
图8。WrapSense和湿度-时间序列
相比之下，WrapSenseLD与相对湿度的电压相互关系与白天发生的湿度下降是同步的。电压信号的形状与相对湿度相似。例如，湿度的特征是急剧下降(通常在上午9点左右)，然后在白天稳定回升，在夜间稳定。这种行为反映了电压信号的急剧下降，稳定的恢复和稳定。
虽然已经确定了一些性能差异，但还需要进一步分析。例如在3月4日，尽管温度变化温和，没有湿度下降，电压信号还是增加了。为了获得整体行为，我们调查了相互关联的因素，如图9和10所示。
图9。WrapSense和温度交叉相关
图10。WrapSense和湿度交叉相关
图9显示了温度的互相关值，图10显示了湿度。互相关周期分别为1.21天和1.19天。很明显，相关性是周期性的，值在+/- 0.4的常数带上振荡。
非周期变量的延迟响应
从天气的自相关结果来看，降雨量和风速不是周期性变量。为了评估可能的延迟响应，我们提出了以下方法:
- 计算传感器移动日平均值
- 评估信号在非周期事件之前和之后3天的响应
- 验证传感器日平均值的显著变化
选取每小时雨量超过0.3mm的降雨事件，所选取的降雨事件如下表所示:
图11显示了Event #5的结果;上面部分表示归一化传感器的电压信号，下面显示相应的降雨事件。可以观察到，传感器的平均值持续振荡基于温度和湿度的影响，但似乎没有被降雨事件改变。平均值仍然遵循以前的趋势。
图11。雨事件#5和延迟响应分析
最后，很难评估风速对传感器性能的影响，因为这些是非周期性和挥发性的，这意味着传感器将接触空气，而不是水或冷凝。从安装的角度来看，传感器能够承受40公里每小时的风速，而不影响完整性(传感器仍在工作)和可检测性。
Wrapsense项目由InnovateUK项目编号105611资助