智慧管道站場設備狀態監測關鍵技術概述

陳五星

摘 要 本文以“全數字傳輸、全智能運行、全生命周期管理”為背景，探討了物聯網、大數據、云計算、人工智能等信息技術在智能管道站設備狀態監測中的應用。為適應新的狀態監測要求和模式，提出并研究了智能管線站設備狀態監測的四項關鍵技術：信息傳感技術、數據存儲技術、數據挖掘與智能分析技術、可視化顯示技術。在此基礎上，設計了設備狀態監測平臺的框架，該框架由四層組成：智能傳感層、數據存儲層、智能診斷層和可視化層。研究結果為智能管道關鍵設備的狀態監測提供了技術手段。

關鍵詞 智慧管道;設備;狀態監測;物聯網;大數據;人工智能

1管道智慧化發展歷程

中國石油、煤氣管道的信息化經歷了從數字化到智能化的發展過程。1980年到1990年，依靠大型計算機完成石油和天然氣管道數據處理數字化;1990年，基于“數字地球”核心技術的發展，構建了SCADA系統和GIS系統的數字管線;2000年以后，SCADA自動控制系統進入成熟應用的數字管線成熟階段;2008年11月，IBM提出了“智能地球”的建議;2009年8月，設立“中國認知”中心。2010年7月，中國石油管道公司與國家工信部攜手在廊坊成立“兩化融合暨物聯網創新應用中心”油氣管道產業的傳統管理向信息和知識管理的轉變取得了顯著的進步。2017年6月15日，中國石油確立了東海燃氣管道“完全數字傳輸、智能操作、全生命周期管理”的建設理念。到目前為止，中國石油將以東線中國燃氣管道為出發點，進入智能管道建設階段。

智能管道定義：基于標準統一和管道數字化，綜合數據集成目的、感知交互可視化、系統集成與互聯、準確供應匹配、智能高效操作、可控預測和早期警告“端云+大數據”系統架構提供智能分析和決策支持，整合管線可視化、聯網和智能管理管線的全生命周期數據，最終形成一個全面認識的智能石油氣管道網絡。在自動預測，智能優化和自我調整能力管線管理中，“智能”的廣泛應用實現了管道運行和管理的標準化，科學化，精密化，智能化，其經濟，環境和社會利益是不可估量的[1]。

2智慧管道站場設備狀態監測需求

目前，在中國遠程油氣管道裝置的狀態監測技術中，主要問題如下：①與遠程管線站設備總量相比，覆蓋在線狀態監測技術的設備不夠完善，需要手動定期檢查多個設備的狀態信息。同時，現有的在線監測技術仍然在設備檢測中具有盲區，狀態參數不足夠豐富，突發預警作用不明顯。②遠程管線裝置的現狀監視技術處于設備實時狀態信息的顯示存儲階段，設備狀態信息的利用率低，故障警報識別是采用閾值設定模式的階段的主要階段?；谌斯ぶ悄芗夹g的智能故障診斷和趨勢分析技術的應用很少。③設備狀態信息的可視化程度不高，通常以文本或表格形式保存并顯示。難以直觀地獲得設備狀態的實時歷史信息，并且在比較分析之后難以顯示多參數。因此，遠程管線裝置的現狀監測技術不能滿足智能管線構建的智能操作和全生命周期管理的需要。

今后，智能管線站的設備狀態信息不僅包括設備本身的監控信息，還包括水泵、壓縮器單元的振動、轉速、效率、其他機組工作信息、壓力和流量管線操作數據等。利用網絡、人工智能、人工智能等技術和高度的傳感器，實時監控管道重要設備的操作信息和環境信息，通過網絡系統進行收集和集成。通過對數據的智能分析、挖掘和決策，實現了對整個站場設備狀態的智能監控和視覺顯示，并智能地預測了潛在風險，預警最終智能化智能管線設備實現了智能管線設備的管理，提供了監測、預防保護和生命周期管理。

3關鍵技術

3.1 信息智能感知技術

設備狀態信息的實時識別是智能管線裝置狀態監視的前端。以傳感器為核心的信息識別技術是實現將來所有互連的基本和決定性核心技術之一。Gartner 2014的技術趨勢報告顯示，在下一個5-10年，互聯網的事物技術將達到實際生產的高峰。到2020年，有2600000個裝置安裝在互聯網上。中國石油的遠程管線站有很多種類和裝置，包括500臺油泵單元、300臺壓縮機單元、數十萬個按鍵閥。智能管道的構建是從面向人類的系統向管道主體及管道裝置的風險管理及控制的智能轉換，管道站管理向“區域管理”及“無人”管理模式轉換、管道及設備實現保護轉換的“關鍵監測、智能巡邏檢查和預警前控制”需要更多的傳感技術，從而感知站泵、壓縮器、閥門、流量計等設備的全方位信息。

（1）壓縮機、泵機組狀態感知技術

目前，中國石油遠程管線的壓縮機和油泵單元配備振動、溫度和其他傳感器，以檢測單元的機械性能。為了在所有回合中掌握壓縮機和泵單元的機械性能和熱力學性能，需要紅外溫度測量，噪聲測量，電流-電壓波動監測，光譜測試等先進方法。實現了對壓縮機和泵單元的軸承、完全機械、電機、潤滑油系統等關鍵點的機械性能監測，通過流動、速度、溫度、壓力對能量頭、軸消耗功率、壓縮機和泵單元的可變效率進行熱力學性能監測介質組成測試。

（2）閥門狀態感知技術

作為車站最常用的設備，閥門主要起著切斷、調整管路的作用。閥漏、棒沾、振動，閥體就會損壞，這些故障會直接威脅管道的安全操作。目前，定期手動檢測的方法多用于識別不能滿足智能管道“區域管理”和站場“無人”管理模式的車站閥門故障。在智能管線建設過程中，通過設置傳感器，可以獲得閥門壓力差，中溫，流量，系統位置的信息，并通過DAMADICS等模擬平臺分析傳感信息。為實現閥門閉塞、泄漏、電氣及其他故障的識別及監視。

（3）流量計狀態感知技術

氣體輸送管線的超聲波流量計是管道輸送和交換切換的核心設備。大部分傳統管道都沒有在線監測流量計狀態。一般來說，設備管理員定期檢查的方法用于確保流量計故障診斷、維護的實時性和有效性。在智能管線的建設過程中，可以設置監控系統，可以感知壓力、溫度、天然氣組成以及超聲波流量計流量、聲速、信噪比，并且可以通過獨立的分析平臺分析監控參數，并且還可以自動診斷和校準流量檢測裝置

（1）異常狀態分析技術

對于在石油和燃氣管線站監測設備狀態的大規模數據，可以將大的數據挖掘技術引入設備異常檢測中。通過諸如分類、聚類、關聯分析等數據挖掘技術，可以發現設備數據信息之間的隱藏異常信息，并識別設備的異常狀態。

1）數據分類技術。數據分類技術是在信息數據庫中找到數據對象的共同背景，并根據特定的分類模型分成不同的分類。數據分類技術可以應用于確定設備監控的優先順序，例如在一定期間識別多個泵、壓縮器、閥門、流量計的運行穩定性狀態，并且可以找到用于密鑰監控的運行穩定性較差的裝置。根據需要進行維護工作。一般的數據分類技術包括NaiveBayes、KNN、C4.5、Decision Table、AdaBoost等。

2）聚類分析技術。聚類和分類相似，但是和分類的目的不同。集群是收集基于相似性分類的數據。聚類需要未知的分類。在檢測設備的異常狀態信息的處理中，例如，使用kmeans聚類算法來分析振動信息，例如軸承箱、軸承座、出口法蘭、泵腳和油泵單元的基本位置。通過計算不同位置的振動信息數據與初始聚類中心點之間的距離，將異常振動或振動超立的檢測點聚類化。共同的集群分析技術包括k-means、k-medoids、Klaman、BIRCH、DBScan、CURE等。

3）關聯規則分析技術。關聯規則分析技術具有設備故障診斷和推論的優點。例如，在復雜管線站的多類型裝置的大規模系統操作過程中，可以通過關聯規則分析來發現裝置之間的耦合關系。例如，在閥門、泵、壓縮機等的一部分發生故障的情況下，其他部件或其他設備的故障是聯動的原因。因此，通過設備狀態信息的相關分析，當單個故障發生時，可以迅速推斷其他潛在故障，從而提高智能管線裝置的狀態監測和故障診斷能力。通用相關規則解析技術為Apriori、FP-growth。

（2）智能診斷技術

為滿足智能管線站無人監管、智能化運行維護和區域化管理的需要，應將故障診斷從傳統診斷轉變為智能診斷聰明人。診斷技術可以模擬人腦的思維邏輯，以便對大型復雜設備進行實時、深層次和預測性的錯誤評估，以便智能管線站故障自動檢測、隱患預警等監測。預計起飛時間這個目前對設備故障智能診斷技術的研究主要基于兩個方面：基于專家系統的智能診斷技術和基于機器學習的智能診斷技術。

1）基于專家系統的故障智能診斷技術

專家系統是早期人工智能的一個重要分支，它典型地將知識表示和知識合理化技術應用于人工智能中。綜合數據庫獲取知識。知識庫存儲專家的知識，專家系統中的問題求解過程是通過知識庫中的知識來模擬專家的方式因此需要大量的專家知識，了解專家系統的準確性后杠。根據功能和應用領域，專家系統可分為監測型、診斷型、預測型、解釋型、調試型、維護型、規劃型、施工型、控制型等。被分割的這個采用監控專家系統完成實時監控任務，包括對站場工藝和設備異常狀態信息的監控;診斷專家系統能根據輸入信息推斷設備可能發生的故障，并能對泵、壓縮機、發動機、車輪、軸承、防過載系統、潤滑油系統等關鍵部件進行故障診斷。使用、識別關鍵閥門堵塞、泄漏、電氣干擾、零流量表運行、輸出指標異常等干擾;預測專家系統能處理過去和現在的情況，可用于泵和壓縮機的振動和噪聲、能量頭、波功率、可變效率等機械性能，剩余運行時間與閥門安全及流量高度預測掛起時間包括故障診斷的代表系統旋轉機械故障診斷系統EXPLORE-EX，水輪機故障診斷專家系統TUBMAC，等等專家系統開發工具主要有GensymG2，CLIPS，Prolog，Jess、MQL4等。

2）基于機器學習的故障智能診斷技術

在人工智能領域，知識獲取已成為傳統專家系統的“瓶頸”，一方面很難用準確的規則描述專家的知識經驗，另一方面獲取知識的工作量很大，同時專家系統自學習能力差，不能從求解過的問題中自動學習新的知識并積累經驗。而機器學習是解決知識獲取的主要途徑，是人工智能最前沿的研究領域，機器學習通過構造智能學習及讓機器自身達到獲取知識的能力，使其在實際問題中不斷總結經驗，調整、豐富、完善系統知識。因此，對于智慧管道設備的故障智能診斷，機器學習可以彌補傳統專家系統的“瓶頸”問題，同時當智能診斷系統具備自學習的能力時，通過設備狀態信息的不斷變化學習新知識，完善自身故障診斷系統，真正實現智慧管道的設備智能化診斷。機器學習主要用來處理分類和回歸兩大問題，對于設備智能診斷技術，機器學習涉及了基于分類問題的設備故障識別技術和基于回歸問題的設備狀態趨勢預測技術。

4結束語

目前，中國石油提出了“全數字傳輸，全智能操作，全生命周期管理”的智能管道構建模式。為了提高智能管線對車站設備狀態進行智能監控的必要性，智能管線站裝置基于諸如互聯網、大數據、云計算、人工智能等高級信息技術在狀態監測過程中研究了重要技術。

參考文獻

[1] 張海峰，蔡永軍，李柏松，等.智慧管道站場設備狀態監測關鍵技術[J].油氣儲運，2018，37（8）：841-849.

[2] 李遵照，王劍波，王曉霖，等.智慧能源時代的智能化管道系統建設[J].油氣儲運，2017，36（11）：1243- 1250.

[3] 鄭洪龍，黃維和.油氣管道及儲運設施安全保障技術發展現狀及展望[J].油氣儲運，2017，36（1）：1-7.