基于监测数据的油气管道预警技术

(东北石油大学，黑龙江大庆 163318)

0 引言

随着石油与天然气开采力度的加大，管道运输已成为油气资源的重要运输方式。在长期服役过程中，管道会受到环境载荷的作用而产生腐蚀、老化等损伤；部分管道铺设在地质灾害频发的地带，地质滑坡、泥石流等灾害很容易引起管道的基础沉降；此外，人为破坏也是管道产生损伤的重要因素。因此，为保障管道在服役期间安全运行，对其进行健康监测就显得十分必要和重要。

管道健康监测系统一般由传感器系统、数据采集与传输系统、数据处理与预警系统等组成。具体流程为：首先在管道重要部位布置传感器进行实时监测，获得应变、位移、温度等数据；然后对监测数据进行实时处理，以便对管道进行健康评估与安全预警。其中，基于监测数据的预警技术至关重要，如通过设置预警指标和控制限，将海量监测数据与这些安全阈值进行对比，以判断是否存在异常或超限，从而对管道的安全状态进行评定。

预警技术总体可分为基于模型的预警技术(如有限元模型预警)和基于数据的预警技术。本文重点探讨基于监测数据的预警技术，主要分为基于信号处理的预警技术、基于时间序列的预警技术、基于人工智能的预警技术等。

1 基于信号处理的预警技术

1.1 统计分析方法

基于统计分析的方法可以对异常监测数据进行预警，常见的统计方法有均值、相关性分析、残差、控制图等。

在土木结构损伤预警中，Hilbert-Huang变换被用来处理结构响应信号，再通过自回归模型进行拟合，利用待识别工况的残差与完好结构的残差的方差之比来进行预警，大于1则表明出现异常[1]。

互信息理论可用于管道腐蚀等相关因素分析。张河苇等[2]以管道大数据为基础，采集数据并建立相关性分析模型来表示管道腐蚀和其他因素的互信息，进而确定相关性最强因素，为事故预防提供依据。

控制图基于正常状态下预警指标的统计特性，确定样本点的均值和控制限，在同一幅图中绘制未知数据，当数据落在界限外则发出预警。Ogaja等[3]将累积和控制图用于结构振动频率异常的检测，证明了该方法可以识别频率的微小变化。管道结构监测数据在异常情况下方差不变但均值偏移，伊廷华等[4]提出了基于控制图的GPS异常波动数据检验方法。为了提高GPS异常监测数据识别精度，基于关联负选择的识别算法，利用监测数据建立关联模型并选择关联度的概率标准差作为预警阀值。除了休哈特图，还可以根据自组织理论建立临界控制图，选取异常数据计算残差并进行统计，建立控制限并对残差取绝对值，剔除较小数据同样能进行异常预警[5]。

1.2 小波分析方法

小波分析是指对信号进行多尺度细化，以自动适应时频信号的分析要求，从而聚焦到信号的任意细节。

由于结构损伤会引起结构响应的能量在各个频带内重新分布，因此通过小波分解后的能量变化可以将基于频带内能量的相对变化和能量比偏差作为结构损伤的预警指标，该方法不但对结构损伤具有敏感性，而且具有更好的噪声鲁棒性[6]。王超等[7]以结构健康状况作为基准状态，同时对环境激励下的结构动力响应信号进行小波分解,得到其能量分布，定义能量分布变化偏差和能量分布变化方差两个预警指标，当结构健康状态发生改变时预警指标将会增加。丁幼亮等[8]将结构在动力响应下的特征参数作为损伤是否产生的依据，利用小波技术提取能量信号组成特征值，通过损伤前后能量相对百分比的变化来实现预警。

不仅小波技术能够用于结构损伤预警，小波包能量谱也可用于结构预警。由于小波包能量谱能够敏感地表征结构损伤，并且随着分解程度的增加对损伤的敏感程度也增加，因此可将结构动力响应做有限次的小波分解，基于小波分解得到状态方程和输出方程，选取前几个能量较大的频带，并将各频带的能量比作为预警指标，基于能量比的变化即可判断结构损伤[9]。

1.3 信息融合方法

信息融合是指按照一定准则对多个传感器获得的信息进行处理与分析，以完成目标跟踪、目标识别、状态评估等功能而进行的信息处理过程。

信息融合技术也可以用于管道异常预警，其中如何对来自不同传感器的信息进行融合与处理是评价管道健康的关键[10]。我国的压力钢管由于设计、安装、技术手段、安全管理等方面原因，经常处于异常运行状态。黄波等[11]通过调研管道受损情况，提出将应力、位移、加速度等参数作为钢管运行状态的特征量，通过D-S证据理论将特征量按照有无趋势性和有无突变两类进行融合，当信息融合识别表明趋势性可信度很大时，运行状态出现异常。李传坤等[12]基于信息融合技术，充分利用化工管道温度、压力等数据源进行融合，以反映工况变化并进行滤波处理，通过平行坐标图进行最优报警限分析，为异常工况识别打下基础。针对确定型和不确定型异常工况，应用专家系统和神经网络等技术进行异常识别，基于统计过程监控方法[13]可以避免诊断结果的不确定性。

部分埋地管道途经人口密集区域，这就给管道安全评价带来困难，白桦[14]基于Vague集理论的多源信息融合方法，建立多信息源多级融合模型，对埋地管道进行了损伤评价与健康预警。D-S证据理论还可以与小波技术相结合，丁幼亮等[15]基于D-S证据理论对环境激励下识别的小波包能量谱进行多源信息融合，利用改进后的小波能量谱计算健康和损伤状态下的能量比的变化，通过试验证明联合小波包分析和信息融合技术能够提高预警效果。

综上所述，利用控制图、残差等统计分析方法对监测数据进行处理，通过设置控制限对异常数据进行预警的方式相对比较成熟；而基于小波技术与小波包能量谱定义的损伤预警指标进行管道结构的损伤预警，是目前的研究热点之一，涌现出许多新的信号处理方法，可为管道安全预警提供借鉴。相比较而言，利用信息融合技术对管道进行异常预警的研究较少，它主要通过D-S证据理论，同时结合模糊理论、小波技术等用于损伤、异常预警；但多传感器信息融合由于其自身的优越性，必将成为管道预警的重要技术。

2 基于时间序列的预警技术

2.1 自回归移动平均模型

时间序列分析是复杂系统建模与预测的一类重要方法，基本思想是依据时间序列进行空间构建，重新构建训练样本，选择合适的逼近函数进行参数确定，最后根据确定的预测器构建预测模型并进行序列分析。自回归移动平均(ARMA)模型由自回归 (AR) 模型和移动平均(MA)模型组成，是时间序列分析的重要方法。

胡泽文等[16]通过分析带有时间戳的故障运行信息，基于样本自相关函数和偏自相关函数对给定的时间序列进行模型识别，分别对MA模型和AR模型进行均值和方差估计，基于均方误差最小得到最佳预测值，进而提出ARMA时间序列故障预测模型。由于时间序列分析在数据处理方面有较强的可操作性，肖汉斌等[17]基于时间序列分析提出了损伤预警算法，结合监测数据用于结构状态的预测、识别与报警；Nair等[18]通过对振动信号建立ARMA模型，基于AR模型提取损伤特征参数，实现了基于时间序列算法的ASCE基准结构损伤识别与定位。

环境因素会对响应信号造成影响，刁延松等[19]基于AR模型对监测数据进行建模，考虑温度的影响建立结构动力响应方程，通过因子分析并转化为因子模型，最终得到去除环境影响的动力响应特征参数，并利用标准控制图进行损伤预警。另外,通过构造损伤前后的AR模型系数之间的欧氏距离，由标准差控制图也可以进行损伤判断。Fugate等[20]提出了基于控制图的统计过程控制方法，利用未损坏结构建立AR模型并将残差作为损伤敏感特征，通过控制图监控均值和方差来建立控制范围。

ARMA模型除了能够结合控制图对管道异常数据进行预警，基于自组织临界理论[21]找出管道处于异常状态时的残差临界点，还可以组合灰色GM(1,1)模型分别对高频细节和低频信号进行预测，在提高预测效果的同时，为管道预警提供技术支持[22]。

2.2 卡尔曼滤波

卡尔曼滤波是指利用线性系统状态方程，通过系统的输入和输出数据进行系统的最优估计。

该技术可用于石油化工过程故障预警和预测工艺状态，能够削弱误差和噪声的影响，并且能够脱离对模型的依赖，有利于对异常工况实时预测，也能够快速应对突发的异常工况[23]。胡瑾秋等[24]提出灰色关联分析和卡尔曼滤波的石油化工管道联合预警方法，根据灰色关联分析得到预测样本和关联因素之间的回归方程，再基于卡尔曼滤波建立预测样本时间序列的回归模型，大大提高了预测结果的准确性。王杭州等[25]基于卡尔曼滤波和灰色系统理论，对化工过程异常工况发展趋势进行了有效预测。

由于受到地质灾害或基础沉降的影响，管道很容易产生变形破坏。基于卡尔曼滤波提取变形信息，应用双边累积和算法[26]建立预警模型，应用累积数据实时计算时间序列的均值和方差，通过定义平均运行长度来确定预警阈值，进而进行变形预警。

综上可见，基于监测数据的时间序列分析主要是通过建模完成，包括利用ARMA模型和卡尔曼滤波得到预测模型，其中ARMA模型的研究较为成熟，同时可与控制图、灰色关联分析等技术相结合，增强预警能力；另外，支持向量机、贝叶斯网络、矩阵分解、深度学习等基于机器学习的时间序列预测方法，为管道安全监测提供了另一有效工具[27-28]。

3 基于人工智能的预警技术

3.1 神经网络方法

人工神经网络是模拟人脑神经元的人工智能方法。

在获得监测数据后，可以通过神经网络技术对监测数据进行处理，从而实现预警。尹少平等[29]提出灰色神经网络，通过有限元软件进行建模，将排除故障信息的应力监测数据进行归一化处理，同时将和应力相关性较强的参数作为灰色神经网络的输入进行预测，使设立的报警阈值更为合理。神经网络技术还能够对管道泄漏进行预警，首先通过光纤预警系统提取振动信号；再利用傅立叶变换选取能量比作为特征向量；最后应用BP神经网络对威胁和损伤进行识别，具有很高的准确率[30-32]。

管道完整性评价对于保障管道的安全运行具有重要作用。基于管道监测数据，El-Abbasy等[33]采用人工神经网络模型对管道状态进行预测，给出了油气管道的衰退曲线。韩小明等[34]基于人工神经网络，将管道监测数据进行归一化处理，分为威胁数据和评价数据，通过神经网络训练与学习来评价管道的状态与潜在威胁。20世纪90年代提出的自适应神经模糊推理系统[35]也可用于管道、桥梁等结构的安全评估和预警，通过建立评估指标体系并进行分级，利用相应的模糊规则进行安全评估。王彬等[36]基于径向基函数(RBF)神经网络，设计相应的算法，可以将管道等结构安全评估预警指标进行模糊推理，再输入神经网络并通过专家评估数据进行训练，从而使评估预测结果更准确。

3.2 支持向量机模型

支持向量机(SVM)是一种有监督的学习模型，类似于径向基函数网络，可用于模式分类和非线性回归。

基于SVM函数逼近理论，选取恰当的损失函数和经验风险，尉询楷等[37]分别采用支持向量回归模型和递归神经网络模型对时间序列进行了预测建模，且前者具有较高的准确度。Zhang等[38]基于故障报警准确性较差这一情况，利用支持向量机对在线监测数据进行特征提取，得到不同故障的敏感特性参数，通过应用于实际故障诊断，证明了SVM对故障有较好的预警能力。

为了建立管道疲劳寿命预测模型，从而判断疲劳时限，杨柳春[39]基于二阶粒子群的优化向量机，通过归一化得到最优的惩罚因子和核函数，对带缺陷压力油气管道进行了疲劳寿命预测，结果表明精确度远优于BP神经网络方法。有些管道由于输送的是危险品，一旦遭受第三方破坏就会产生灾难性后果，因此需要对管道危险性进行预警。Mita等[40]基于主成分分析选取特征向量，利用支持向量机对信号进行分类，并通过试验证明了该方法的有效性。

目前，很多学者提出联合小波分析和支持向量机对基于时间序列的监测数据进行预测，具有更高的预测精度。孙洁娣等[41]提出基于局域均值分解包络谱熵及SVM相结合的方法，对天然气管道微小泄漏孔径进行了识别，结果表明灵敏度较高。

另外，模糊理论也可用于管道安全预警。谢丽婉[42-43]基于埋地聚乙烯管道，建立了模糊综合评价数学模型，通过将安全预警理论与风险矩阵相结合来确定管道的安全预警等级。

相对而言，基于人工智能的预警技术在实际工程应用中还远未达到成熟水平。利用神经网络、支持向量机、模糊理论以及专家系统等均可对管道异常进行预警，但目前应用于管道领域并不多见。随着大数据时代的到来[44]，人工智能技术在管道安全预警中的应用必将有广阔的发展前景。

4 结语

现代无损检测及监测技术为管道完整性管理提供了温度、压力、应变、振动等大量数据，在分析和挖掘这些数据的基础上，进行安全预警成为管道领域的研究热点之一。本文总结了基于监测数据的油气管道预警技术最新研究进展及其应用前景，其中基于统计分析、小波分析的预警技术较为成熟，已成功应用于管道结构监测数据异常、结构损伤等预警中；基于时间序列分析的预警技术通过对监测数据建立数学模型，并结合控制图技术对异常数据进行预警；神经网络、支持向量机等在管道异常数据预警的应用相对较少，可以联合其他人工智能算法提高预测精度。

油气管道实时预警技术今后的潜在发展方向将主要集中于以下几个方面。

(1)多种信号处理方法的相互结合以及多源信息融合的实时诊断有待于完善和提高。将小波分析方法与灰色系统理论、控制图等相结合，可以提高管道发展趋势的预测精度，同时新的信号分析方法，如内禀特征尺度分解、符号动力学滤波等为管道损伤特征提取技术注入了新的血液；而多传感器的信息融合估计为管道安全预警提供了更高的可信度，它可通过与遗传算法、神经网络等相结合来提高融合系统的鲁棒性，并保证系统的实时性处理。

(2)监测数据的急剧增加对传统的时间序列预测方法提出了严峻挑战，将其与在线学习方法有效结合，可望解决这一问题。除了机器学习方法中的回归分析，如贝叶斯网络、高斯过程等可以进行时间序列建模，通过在线算法不断更新模型参数，可以大大提高预测效率，如基于参数模型的在线时间序列预测算法ARMA-ONS。另外，可开展时间序列数据的可视化分析，如利用平行坐标图进行管道的异常检测。

(3)剩余寿命预测是油气管道安全预警的重要组成部分，在利用神经网络、支持向量机等基于数据驱动的人工智能算法进行寿命预测时，需要考虑随机因素对管道损伤动态发展的影响，可结合隐马尔可夫模型、灰色GM(1,1)模型、高斯过程回归等多种模型组合，进而提高剩余寿命的预测精度。

(4)开展以大数据为驱动的油气管道智能预警诊断技术研究。完整性管理为管道安全积累了各种数据，同时催生了“数据科学与工程”这一新兴研究方向。为进一步深入分析数据信息，将大数据中的机器学习、数据挖掘、深度学习等新技术应用到油气管道预警中，将是今后一段时间内的研究重点。需要注意的是，解读这些数据还需要结合力学理论、数值模拟等多种手段，在利用监测数据的同时，要与传统的基于模型的结构预警技术相结合，各取所长。