【数字化】智能化管道关键技术进展

能源情报2019-01-28 09:21:22

商务合作、交易线索、投稿邮箱 eipress@qq.com; 微信:energyinsider


能源情报圈QQ群(377701955),实名成员超过1000人,付费进群。微信群单独申请。



文/蔡永军 王继方 王潇潇 李莉 陈国群 张海峰,中国石油管道科技研究中心 中国石油管道工程有限公司东南亚项目经理部 

 

2017 年国家发布了《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划(2018‐2020 年)》等一系列文件,表明人工智能已上升为国家战略。国家发改委发布的《中长期油气管网规划》也明确提出,提升科技支撑能力,加强“互联网+”、大数据、云计算等先进技术与油气管网的创新融合。智慧管道建设,将实现油气行业能量流与信息流重构,管理模式和运营机制重塑。

 

智慧管道系统在设计阶段体现为能够自动采用实践得到的最优经验进行设计;施工阶段即能够获得自动焊接、自动检测及完善的施工技术资料;运行阶段则表现为能够优化管输计划,自动下达调度指令,自动判断事故原因,辅助应急决策。 

 

1 总体架构设计

 

智慧管道从体系架构上参考物联网、云计算及人工智能的结构,采用“端+云+大数据”的实现方式,总体可分为感知层、传输层、数据层、算法层及应用层。其中,感知层是通过各种感知手段,实现管道本体、设备设施、周边环境、管理人员以及储备物资数据的智能采集和处理,是智能化管道建设的数据基础;传输层对所有数据进行加密传输,实现网络互联互通,打破信息孤岛;数据层通过云平台,进行数据的清洗、转化及存储,实现数据的全面统一;算法层采用人工智能和大数据分析技术,实现智能识别和分析;应用层的各种业务平台采用智能算法提供的结果,对管道运行进行预警预测,辅助决策,制订维修维护策略,实现智能化运行(图 1)。

 

 

 

2  架构各层级解析 

 

2.1  感知层

 

传统管道行业使用的 SCADA 系统仅关注流程工业的压力、流量、温度等数据,且仅能通过指令对设备进行流程切换。这些数据只满足流程工业控制要求,未能对相关数据进行深入分析,其数量和类型不足以进行智能判断。智慧管道的基础是智能感知,需要满足全面信息感知、信息前端处理及集成化设计三个特点。 

 

2.1.1  全面信息感知 

 

针对管道线路风险类型,如:第三方破坏、地质灾害、腐蚀防护等开展信息感知,可得泄漏监测、光纤预警、管体应变及地质灾害体监测、腐蚀阴极保护远传等基于现有感知类型的监测措施,这些信息感知手段可解决技防的部分监控需求。新建站场的压缩机、输油泵等大型旋转机械,虽已安装振动监测装置,但流量计、阀门等仍缺少感知手段,尚未实现设备的自诊断和自校准。因此,现有感知数据类型和数量均无法满足智慧管道大数据决策分析的需求。

 

管道安全防护需全面感知威胁管道安全运行的各项因素,智慧管道可达到“空天地人管”全方位感知。利用卫星遥感实现地质灾害自动识别和地貌变迁智能分析,可进行地质灾害长周期分析预测;利用无人机航拍实现空间大尺度线路巡护,解决山区和地貌复杂区域巡护难题;利用深部位移、降水等传感器监测地质及自然环境;利用具有 GPS 位置信息的智能终端,实现管道维护人员实时受控状态,智能调配人员巡检;利用应变、壁厚、振动等传感器实现管道的线路感知,实时预警管体安全状况。管道全方位感知是智能决策的基础,管道站场设备需进行多源异构数据的融合监测,实现设备信息的全面感知,才可做到控制信息确认、设备异常监测及故障诊断。 

 

此外,某些监测信息虽可利用公共监测数据,但是公共数据的网格密度低,数据离散度大,不能表征管道周边的真实情况。以气象数据为例,山区气象数据受地形地貌影响变化频繁,公共数据无法覆盖管道路由区域的环境变化。因此,对于目标管段应自建监测点,对其进行环境、诱发因素及管道的综合监测,为智慧管道建设打下数据基础。

 

2.1.2  前端智能处理 

 

智能感知与传统传感方法最重要的区别在于是否在传感前端进行信息的实时加工处理,管道行业现有的监测手段仍停留在信息后处理阶段,即将采集到的信息传输到服务器段进行分析处理。SCADA 系统传感器只能满足流程工业的过程控制,缺少实时数据分析处理,无法进行故障预警。站场输油泵、压缩机虽配备振动等状态监测传感器,但是仅依靠简单的阈值触发故障报警停机,尚未进行故障原因分析。此外,SCADA 系统数据不经过本地分析,直接上传调控中心,调度员依靠经验和调度规则对实时产生的海量数据进行分析判断,工作强度很高。 

 

管道运行过程中不断产生数据,这些数据主要是低密度、低价值数据,无须实时采样、存储、并传输到数据中心。切实可行的办法是对这些数据进行就地处理,只存储和上传结果信息,避免海量数据拥塞数据中心,并将这些初步结论作为调度人员辅助判断的依据。如:无人机拍摄的视频采用机载芯片进行就地处理和比对,只实时上传新增的占第三方施工、占压等信息。 

 

2.1.3  集成化设计及防护 

 

管道线路没有通信、供电措施,线路传感必须具有微功耗的特性。智能感知设备须实现传感、采集、处理、传输及供电一体化,并考虑其油气环境使用条件,部分传感器还须满足防爆要求。管道覆盖区域广泛,通常地处高寒区域、高温高湿区域、低日照区域等特殊环境,且在野外敷设,维护困难,所有传感器还须具备长周期、免维护的使用属性,因此,必须进行可靠性分析,保障传感系统长期连续可用。 

 

此外,现有传感系统虽能满足流程工业的要求,但均无法进行故障自诊断、自恢复。真正的智能传感器除实现通信、供电一体化设计和具有智能前段处理能力外,还必须具有自我补偿和自我校准功能。 

 

2.2  传输层 

 

工业领域物联网的成熟应用主要集中在物流领域,通过 RFID 芯片和二维码实现物品信息的自动采集,将物品和人的信息接入网络,实现万物互联。智慧管道传输层要满足多种感知手段下不同通信方式的数据传输,必须解决多网互连、安全入侵防护及身份认证问题。 

 

2.2.1  多网互联 

 

管道空间分布广,光通信能够实现站场数据长距离、大容量的传输要求,但无法实现线路监测大规模监测点的随处接入。现今,公众通信模式已实现大数据量随时、随地快速接入和传输,如:4G 通信可进行高清视频等大数据量无线网络传输。对于缺少公众通信的偏远地区,以天通一号卫星为代表的移动通信卫星已实现数据和语音通信的全区域覆盖,监测数据自动传输技术已经成熟。基于成本和使用环境的要求,智慧管道的传输层必然是多种通信方式的混合组网,首先要实现互联互通,消灭信息孤岛。 

 

2.2.2  安全入侵防护 

 

通信最重要的环节是网络数据安全和防入侵。常用的安全认证机制是硬件加密,采用U‐KEY 存储密钥,使被窃数据无法解密,从而在根源上保护敏感信息和凭证。在物理层设置安全保护,即便入侵者获得对设备的物理访问权,也能有效防止信息被篡改,此设备需要具备加密、认证、时间戳、缓存、代理、防火墙、连接丢失等功能。 

 

由于加解密系统相对复杂,参照智能电网数据安全方式的作法,可采用安全接入代理的方式汇集各种不同传输方式获取的数据,再统一加密认证接入专用内部网络。对采取有线方式与内部网络接入的数据应建立专用加密通道,制定固定 IP,进行终端身份认证和安全准入,针对各类无线通信数据的安全接入,应设置加密机制,实现专用 APN 专网。所有与内网接入的加解密都使用硬件加密方式实现,采用国家密码管理局认可的密匙加密算法硬件安全加密卡实现数据加解密。 

 

2.2.3  身份认证 

 

管道行业地理位置分散,远程操作需要进行身份认证。传统身份认证采用密码、硬件加密狗等方式,近年来又相继加入人脸识别、指纹识别等生物识别技术。上述技术方法均为基于中心数据库比对的身份认证技术,一旦中心数据库被篡改,非法身份就无法被识别。区块链技术是一种去中心化的加密验证方法,具有不可篡改性,是全新的分布式基础架构与计算方式,其核心原理是利用块链式数据结构验证与存储数据、利用分布式节点共识算法生成和更新数据、利用密码学方式保证数据传输及访问安全、利用由自动化脚本代码组成的智能合约进行编程和数据操作。此技术通过去中心化身份认证,避免了中心数据库被攻击和篡改造成地非法入侵。未来可以将区块链技术应用于管道计量数据的电子交接认证,授权用户身份验证,智能合约等高数据可靠性应用。 

 

2.3    数据层 

 

构建智慧管道的关键是获得数据样本驱动智能算法的实现。建设数据中心包含对数据进行标准化、清洗转化、存储及样本标记。 

 

2.3.1  数据标准化 

 

流程工业的压力、温度、流量等变送器已经形成相关工业标准,数据接口、数据格式也已统一。但设备状态监测、泄漏监测、应力应变监测、周界防护等众多新型管道安全监测技术尚未形成国家标准、行业标准或产业联盟团体标准。对数据电气接口和数据传输协议的厂家无法以统一标准进行规范及约束,制约了彼此间的互连互通,不便于大规模管网系统的统一组网。 

 

智慧管网建设,首先,统一传感器电气接口、数据编码方式及数据汇聚方式,将所有数据按照统一标准接入数据中心;其次,规范各种感知手段的应用场景、规范传感器的安装位置、数量及安装方式,由此可统一标记不同位置的传感器信息,进入大数据平台进行分析。线路上同一位置安装的各类传感设备,可共用一套供电和通信接口。例如:线路上阴保电位远传、智能视频等可共享通信和供电,建立管道线路一体化监测装置。 

 

2.3.2  数据的清洗转化 

 

数据中心的首要目标是数据全面统一,即:所有归档数据必须按照统一标准采集、统一格式传输、统一维度存储、统一标准对齐。数据获取过程中,由于传感器故障、传输异常等原因会造成数据重复、错误或丢失,必须对获取的数据进行清洗,删除重复信息、纠正错误,并提供数据一致性验证,整理为可加工、使用的数据。 

 

2.3.3  数据存储的组织 

 

管道行业数据具有数量多、类别多、实时产生等特点,要实现海量数据存储须采用云存储技术,将大量存储空间通过网络进行整合,实现分布式存储和调用。智慧化管道获得的数据非常多样化,以设备为例:采集的数据除传统的温度、压力、流量等流程工业数据,还包括振动、热力、图像、视频、日志文件、出厂文本信息及地理、环境信息等,这些信息共同构成设备全生命周期的状态信息,包括结构化数据和非结构化数据,需要建立数据结构进行存储和组织。 

 

数据本身只是数字,如果脱离了采集时间、地点、采集单元(人)等基础信息,其价值将大幅降低。数据作为一个量值或文本,所反映的信息是静态的。如果实现将这些数据关联,进行动态分析,得出有意义结果,必须对数据进行结构化存储,将这些数据和数据生产者、时间、位置、类型之间建立关系,同样字段可作为数据的内容、数据的标签或数据的描述,只有对这些数据按照一定存储结构建立关系,才能进行大数据分析,进而挖掘各种实体间的管理关系。 

 

智慧管道的数据存储结构可参照知识图谱的数据管理模式进行组织,知识图谱在逻辑上分为模式层与数据层。数据层主要由一系列事实组成,知识将以事实为单位进行存储;模式层构建于数据层之上,是知识图谱的核心,通常采用本体库进行管理。本体是结构化知识库的概念模板,通过本体库形成的知识库不仅层次结构较强,且冗余程度较小(图 2)。 

 

 

2.3.4  数据标记及样本生成 

 

现代人工智能基于机器学习或深度学习,须通过大量数据对算法进行训练从而让机器获得知识,基于这些知识形成预警预报信息。数据是训练的前提,但其本身不是样本,只有经过标记的数据才能成为有效样本。 

 

在学习中,先告诉人工智能某个数据是什么,才能通过算法进行学习,获得先验知识并对以后的数据进行分析和判断。因此,建设智慧管道,首先对现有系统获得的历史数据进行人工标记,并对实时产生的数据在其生成时按照一定规则自动标记,将数据转化为样本;其次,将经过标记的数据进行机器学习,获得智能算法,从而实现信息的自动分类和识别。 

 

2.4    算法层 


人工智能研究的主要目标是使机器能够胜任通常需要人类智能才能完成的复杂工作。当代人工智能浪潮的主要特点是以云计算为硬件基础,大数据为技术手段,依靠深度学习或机器学习演化出的人工智能算法。人工智能在语音识别、计算机视觉(图像识别)、自然语言处理、电商、自动驾驶等行业领域均已实现较成熟应用,而在制造领域,人工智能的行业应用主要集中在基于智能图像的自动质检,尚未形成成熟的管道行业智能运行技术方案。智慧管道在算法层开发数据挖掘算法、图像识别算法、智能预测及优化算法等,为应用层实现智能化提供算法内核。 

 

2.4.1  数据挖掘算法 

 

(1)大量数据简单堆积无法自然产生结果,必须按照一定维度进行分析和挖掘,通过算法搜索隐藏于数据中的信息。专业分析通常是数据分析,如阴极保护电位分析,通常是运行效果分析;区域分析维度,如站场或者单体设备的运行分析,通常属于故障诊断范畴;时间维度的数据分析,如一段时间内各种参数的变化规律,通常指大维度系统运行诊断和故障调查。

 

(2)由于阴极保护数据各站相互跨接,某个管段杂散电流干扰会对多个管段造成影响,因此一条管线的数据必须进行综合分析,通常需要连续分析某个较长时间段内整个管道阴极保护电位的历史信息。这些数据信息密度低,人工处理难度较大。通过数据挖掘算法进行阴极保护数据专业分析,能够识别干扰来源,并制订响应防护措施。 

 

同一类型的数据,例如阴极电位、泵地运行可以反映此类设备的运行情况,深入分析可获得维修维护策略。利用人工智能对专业数据进行分析,可以将专业人员从大量复杂的数据处理中解放出来,利用大量运行数据,挖掘出潜在的、尚不明确原因的故障信息。 

 

(3)单个设备的变动会通过介质对其他设备产生影响,例如一个调节阀动作,会造成泵出口压力波动,管线压力振荡等。某区域内所有数据间均具有相关性,因此,对此区域所有生产运行数据进行综合分析,有助于查找真实故障原因。

 

现有 SCADA 系统对报警信息进行分级,由调度员处理。这些报警信息大部分不造成停输,因此只将其存档,并未进行深入地原因分析。如果对这些区域运行数据进行深入挖掘,可获得故障链,进而确定连锁反应的真实原因。通过区域维度数据对比分析,可以发现不同管理模式、运行人员、维护策略之间的优劣,最终获得最佳运行策略。 

 

(4)管道水力系统具有压力连锁的特性,且各站间使用电连接进行跨接。一个故障或者事故的信息会在此时间点向其他节点扩散,例如:管道发生打孔盗油等泄漏事件,泄漏产生的压力波动会向上下游传播,通过分析这个时间点的流体参数信息就可获得泄漏的位置信息。 

 

电网波动、地震等会造成同一时间较大范围内系统故障,单个节点故障也会在系统内传播,造成所在系统的连锁反应。因此按照时间维度分析数据,可以深度挖掘出管网系统内各种连锁逻辑关系,更好地制定管道优化运行策略。在事故调查和确认时,通过分析事故发生时刻的各种数据,可以最终定位管道异常事件的初始原因。 

 

2.4.2  图像识别算法 

 

(1)现阶段,图像智能识别是人工智能最成熟的应用之一,管道行业的智能图像分析旨在实现从建设期检测信号识别到运行期管道沿线人员活动和地貌变迁识别。图像获取手段涉及航空遥感、无人机及专用检测设备等,由于图像特征各异,需要对不同图像数据建立相应样本集并训练各自算法。 

 

(2)在管道施工期进行射线和超声检测、运行期进行内检测的过程中,均会产生大量图像信息。利用人工智能可对管道内检测和 X射线片进行自动解读和分析,并人工标记现有管道检测数据,利用机器学习获得检测数据的智能判断算法,实现施工过程焊缝及施工质量地自动判断。内检测方法众多,漏磁、超声等各种传感方式的图像也不尽相同,须针对不同内检测数据选择相应算法,训练出与之相匹配的识别程序。外检测数据智能识别算法则采用离线数据训练,取得满意数据分析程序后再嵌入终端设备,实现 X射线图像和 AUT 全自动超声图像的自动判读,避免人工判读造成的误判。 

 

(3)管道沿线的卫星遥感图像可实现地质灾害识别、占压识别及河道变迁的大尺度趋势分析。遥感图像的智能解译主要包括管道路由自动定位,地质体高度、坡度、斜度等图像特征地智能提取。通过自动对比相同区域不同时期遥感图像的差异,可实现对地质体大尺度长周期的趋势分析,从而对潜在地质灾害进行预警预报。 

 

(4)目前,管道沿线已安装大量视频监控设备,其目的是起到配合事故调查和取证的作用,仍主要依靠人工监视,存在不同程度地漏报。管道沿线视频设备的监控对象主要为车辆和人员活动,智能视频可自动识别出可能对管道造成破坏的工程装备(挖掘机、打桩机、植树机等),以及人员在管廊带的违规作业行为。同时,在智能工地应用中,摄像头还可以自动识别出不安全行为(如未佩戴安全帽等)、不安全状态(如物体倾斜等),实现作业过程安全监管。通过智能摄像头的行为识别可降低人工图像监控的劳动强度,扩大视频监控覆盖范围,提高应用水平。 

 

2.4.3  智能预测及优化算法 

 

管道行业是一个多目标系统,需要综合考虑资源、市场、设备能耗、管输收益、设备配置等多种因素,从而制订安全高效的运行方案。管道运行过程中 SCADA 系统及各种监测系统均会产生大量生产数据,这些数据沉淀在数据仓库中没有发挥作用。通过人工智能算法可实现各种设备、能耗、输量、气质、用户等历史运行信息地深度挖掘,优选出满足资源市场需求的最低能耗运行方案,给出最优资源调配路径和设备开机策略。人工智能利用已有生产数据,进行全局最优化,向运行人员提供运行参考,将作为智慧管道的重要应用。 

 

2.4.4  资源智能调度 

 

智能物流是物联网和人工智能的成熟应用,人员、物资及车辆都采用 RFID 芯片、二维码、身份识别芯片、巡检仪接入网络,结合 GPS 位置信息实现对物资和人员的识别与跟踪。

 

信息系统能够实时更新各种资源的数量和位置信息,实现了信息流和资产流的统一。

 

智慧管道在建设中可科学调配钢管和施工机具,运行中可实时调配应急资源,并实时显示各类资源进场进度,将近距离范围的人员、装备及物资优先调配到现场,节约资源配置费用。资源智能调度将实现人员、装备及物资地实时受控,保证应急过程资源调配可视。 

 

2.4.5  信息智能检索 

 

管道保护工作需要定期和政府相关部门进行交流,取得工程审批信息,并通过管道沿线信息员得知管道周围施工信息。智慧管道则可利用人工智能技术自动获取各类网站、微博、微信等社交媒体信息,结合管道路由,通过智能语义识别,实现管道沿线施工信息及人为活动地预测分析。例如:通过项目审批部门主动公开的安评、环评等建设项目公示,确定管道沿线是否存在潜在施工活动、出现可能的管道交叉地点与开工时间。人工智能还可以针对行业内其他企业的产品动态、新闻动态、年报数据、网站数据等进行全面抓取和汇总分析,为管道安全运行提供决策支持。 

 

2.4.6  知识管理与共享 

 

管道业务知识包括法律法规、标准规范、体系文件、操作指南、作业指导书、设备说明书、个人日常处置经验等,这些知识分布在各个数据库中,一部分已实现信息化,另一部分还作为经验停留在管理人员脑中。且其分布零散,规模宏大,无法达到全体操作人员在全部知识领域均具有统一且较高技术水平的理想状态。因此很多工作的处置,均依赖具体操作人员的经验和水平,操作效果不可控。 

 

在智慧管道建设过程中,可以利用人工智能的知识图谱技术,建立管道行业现有知识图谱,对其进行系统学习,最终实现自动语意表达和问题答录。对于管道行业已知问题,只需对其进行描述,系统即可自动给出相关规定和建议措施,从而将专家知识变为全体员工均可达到的知识服务水平,提高全员操作管理技能。 

 

2.5  应用层

 

基于网络开展管道行业的智能系统应用,使用各种手持移动端、桌面 P端及专用设备等进行业务应用布局。为适应总部机关、技术专家及基层员工需求,部署智慧工地、设备管理、预警预报、资源智能调度及知识管理等模块。 

 

2.5.1  智能工地

 

智能管道智慧管网的基础是数字化建设、数字化移交,管道施工过程数据的自动采集是管道全智能化运行的保证。智能工地模块将通过施工人员身份确认、物料智能调配、违章行为提示、机械作业状态及作业环境异常监测,最终实现施工过程数据自动采集和安全监管。 

 

2.5.2  设备管理

 

输油泵、压缩机组、阀门等设备的运行状态是决定管道生产运行的关键,近年来出现

了以 RCM、RBI 为代表的预防性维修方法,其核心原理是通过监测管道关键设备的振动、温度、流量、电压、电流等信息,采用多源异构数据分析,实现设备运行异常实时预警,自动推送维修工单进行预知性维修,保证管道关键设备地正常运行。 

 

2.5.3  预警预报

 

通过全面感知技术可实现对管道本体、地质灾害及周边环境地全面监测,以监测数据为基础,开发专业数据分析软件,实现对管道沿线第三方破坏、自然与地质灾害等异常事件的实时监测和预警预报,确保管道安全。 

 

2.5.4  资源智能调度

 

管道巡护人员管理是保证巡线质量的重要因素,现有巡检管理系统仅为单纯跟踪系统,无法进行效果评价。采用人工智能算法,可自动判断停留时间及行为模式,实现巡护效果的智能评价。在物资装备的库存和在途管理方面,结合设备健康管理平台对储备物资采购清单进行智能推送,实现企业储备物资优化。 

 

2.5.5  数据挖掘

 

基于人工智能开发专业数据图形化展示工具,并根据专家经验规则,深入分析长期沉淀在管道数据仓库中大量的专业系统运行数据,对管道运行进行准确有效地趋势预测。 

 

2.5.6  知识管理

 

管道有效运营需要整合并获取大量政策、资源、技术及市场信息,这些信息源于政府、行业监管机构、研究所、大学及供应商等不同行业机构,仅依靠自然传播会耗费较长时间。因此,进行自动归纳抽取,智能推送,及时全面获取行业信息,提高其更新速度非常必要。 

 

3 结论

 

构建智慧管道的核心思路包括在建设期通过智能制造,设计期利用运行过程最佳案例比选,自动推送最佳路由和最优工程设计方案,实现所有设计资料数字化、智能化;施工期将人机料接入互联网,实现设计、施工过程信息自动采集;运行期通过统一标准的物联网实现对管道本体、关键设备、自然环境、资源市场、社会环境及运行人员的全面感知,利用大数据和人工智能技术实现运行过程风险可控、能耗最优、自动执行、智能推送运行方案。建立管道全生命周期最优化运行策略,进行设备地优化配置和预防性维修。 

 

智慧管道具有“数据全面统一,感知交互可视,系统融合互连,供应精准匹配,运行智能高效,预测预警可控”的特征,为管道运营提供智能分析和决策支持,实现管道的可视化、网络化、智能化管理。智慧管道建设过程应贯彻“全数字化移交,全智能化运行,全生命周期管理”的理念,旨在最终实现“全面感知、自动预判、智能优化、自我调整”四大功能。 

 


Copyright © 温县电话机虚拟社区@2017