管道內檢測數據對齊研究及應用

胡 朋 武要峰 丁 姍 周漢權

（中國特種設備檢測研究院 北京 100029）

隨著我國油氣管道基礎設施安全管理數字化、網絡化、智能化的快速發展，利用人工智能、物聯網、大數據等先進技術將海量的管道數據進行深度挖掘和充分利用，是當前管道安全管理研究的一個熱點方向。管道完整性管理是智慧管道建設的基礎，而內檢測數據是管道完整性管理和大數據管理的主要數據支撐[1-2]。為了深度挖掘數據價值和提高管道數據的利用水平，管道運行單位、內檢測服務商及科研院所逐步開展兩輪及多輪內檢測數據對齊和應用的研究工作。本文通過整合某天然氣管道兩輪內檢測數據，建立對齊算法模型和軟件平臺，同時結合人工復核和修正，將檢測里程、環焊縫、彎頭、閥門、三通、套筒等基礎特征和金屬損失缺陷進行對齊和比對，從而獲取更準確的管道基礎信息和金屬損失缺陷的變化情況及缺陷形成的原因。并通過案例說明了該方法的適用性，能夠大大提高內檢測數據對齊的效率和準確率[3-4]，對滿足管道風險控制和安全管理的實際需求和提升管道本質安全水平具有重要的意義[5]。

1 內檢測數據的搜集和整理

管道多輪內檢測數據對齊和分析的效果取決于其數據的完整性和準確性。現階段，各管道運行單位現存的內檢測資料相對獨立，多是不同檢測單位不同時期提交的檢測報告，沒有統一的數據管理系統及標準。國內尚未有統一的團體標準體系，各檢測單位的設備性能、缺陷的量化能力、提交的報告格式等都有所差異。經驗發現，搜集多輪內檢測相關的資料和報告，通過對設備性能指標的評估分析和報告內容的轉化處理，可以實現多輪內檢測數據的比對工作。

某長輸天然氣管道分別于2014年1月和 2019 年10月進行了漏磁內檢測作業，管道信息見表1，兩輪內檢測數據統計見表2。

表1 管道信息表

表2 兩輪內檢測數據統計信息表

2 內檢測數據對齊方法

2.1 數據對齊算法模型

內檢測數據的對齊實質上是建立同一條管道的不同批次內檢測數據間的關聯關系。由于同一特征在不同數據中的里程、尺寸、類型、分類、編碼等信息差異較大，無法在量上和描述上通過簡單相等來建立映射關系，因此需借助數據間的內在聯系，根據特征的詳細信息、與前后特征的關聯信息、分布規律等來建立自動對齊模型，實現數據的初步匹配，并檢查對齊結果的可信度。下一步結合人工復核修正，實現多批次內檢測數據的最終對齊工作。

相對熵（Relative Entropy)，也稱KL散度（Kullback-Leibler Divergence)，可以衡量2個隨機分布之間的距離，當2個隨機分布相同時，它們的相對熵為0，當2個隨機分布的差別增大時，它們的相對熵也會增大。

設p(x)、q(x)是離散隨機變量x中取值的2個概率分布，則p對q的相對熵用式（1）表示：

對于離散分布的KL散度見式（2）：

式中：

x——分布變量；

p——數據的真實分布；

q——數據的理論分布；

DKL——概率分布p和q差別的非對稱性的度量；

H（p，q)——p、q的交叉熵；

H（p)——p的信息熵。

根據相鄰管節長度差、特征名稱編碼分布、位置分布、尺寸大小及分布等管道特征參數來建立不同批次內檢測概率分布函數，通過計算某一個劃分的DKL值，不斷迭代來獲得不同變量間DKL最小值，從而確立不同批次特征的關聯關系。

2.2 數據對齊流程

首先需要對管道按照一定的特征進行劃分，一般按管節來分段處理和對齊易于實現。多批次內檢測數據對齊流程如下：

1）內檢測數據的標準化。建立不同特征類型的分類標準和規范編碼，在不丟失數據精度的前提下，使得同類特征在不同檢測數據間具有一致性描述和處理方式，即數據的標準化，包含建立不同批次字段與標準字段之間的映射和同一標準字段在不同批次數據間的轉換規則等。

2）內檢測數據自動對齊軟件。根據特征分布規律和特有屬性，如特征名稱（三通、彎頭、閥門等）、里程、管節長度、數量、特征尺寸、分布規律、位置等信息，進行多參數迭代計算各種屬性在每個劃分上的KL散度，直至收斂，內檢測數據對齊軟件見圖1。

圖1 內檢測數據對齊軟件界面

3）人工復核和修正。通過以上模型得到的匹配結果還需要進一步結合一些非結構化數據進行人工復核和修正，獲取準確的映射關系。人工復核數據時遵從由大到小、從整體到局部的規則，按照明顯特征點將數據進行分段，形成數據對齊單元，再將對齊單元進行匹配進一步劃分對齊小單元，從而復核到每一個特征點。

3 內檢測數據對齊和比對

采用自主開發的數據對齊軟件，結合人工復核和修正的方法，實現了某長輸天然氣管道2019年和2014年兩輪內檢測數據的成功對齊，極大地提高數據對齊的效率和準確率。通過分析管道基礎特征及金屬損失的對齊和比對結果，可以掌握檢測時間區間內管體結構及缺陷的變化。

3.1 基礎特征的對齊和比對

管道基礎特征主要包括檢測里程、環焊縫、彎頭、閥門、三通、套筒等，對齊統計結果見表3。

表3 兩輪內檢測基礎特征的對齊統計表

基礎特征的對齊和比對發現：

1）兩輪內檢測里程基本一致，微小的里程差主要是由于25 624.8 m至25 729.7 m段和56 445.9 m至56 453.4 m段改線和換管所致。

2）第二輪和第一輪內檢測焊縫數量分別為10 158個和10 073個，數量相差了85個。對齊的焊縫數量為10 064個，未對齊的焊縫數量為94個。相比第一輪，焊縫數量增多和局部未對齊原因如下：（1）改線或換管段焊縫數量總計30個：里程從25 624.8 m至25 729.7 m段焊縫數量共22個，里程從56 445.9 m至56 453.4 m段焊縫數量共8個；（2）閥門附近焊縫數量總計48個，由于兩輪內檢測11個閥門前后附近管段特征的標注方式不一樣導致焊縫無法對齊，其中第二輪均標注焊縫，第一輪未標注焊縫；（3）其他類型焊縫數量共計16個，疑似是焊縫漏標或誤標等原因導致焊縫未對齊。

3）第二輪和第一輪內檢測彎頭數量分別為424個和419個，數量相差了5個。對齊的彎頭數量為416個，未對齊的焊縫數量為8個。相比第一輪，彎頭數量增多和局部未對齊原因如下：里程從25 624.8 m到25 729.7 m段換管處彎頭數量為2個，其他類型的為6個，疑似是漏標或誤標等原因所致。

4）第二輪和第一輪內檢測的閥門數量都為11個，完全對齊。

5）第二輪和第一輪內檢測三通數量分別為24個和18個，數量相差了6個。對齊的數量為18個，未對齊的數量為6個。新增的三通為25 624.8 m到25 729.7 m段換管處的6個封堵三通。

6）第二輪和第一輪內檢測套筒數量分別為8個和0個。新增的8個套筒是由于第一輪B型套筒補強修復了8處缺陷。

3.2 金屬損失缺陷的對齊和比對

依據兩輪內檢測漏磁報告提供的缺陷信息，對齊統計結果見表4。

表4 兩輪內檢測金屬損失缺陷的對齊統計表

金屬損失的對齊和比對發現：

1）第二輪金屬損失缺陷總數量為3 015處（5.0%壁厚以上），第一輪金屬損失缺陷總數量為784處（10.0%壁厚以上），第二輪內檢測金屬損失缺陷檢出數量多于第一輪；2）兩輪內檢測全部金屬損失缺陷的全線分布規律相似，40 km、90 km和100 km附件管段缺陷較多，如圖2所示；3）兩輪內檢測全部對齊金屬損失缺陷里程和鐘點分布比對圖如圖3所示。

圖2 兩輪內檢測全部金屬損失缺陷里程和鐘點分布比對圖

圖3 兩輪內檢測全部對齊金屬損失缺陷里程和鐘點分布對齊圖

依據兩輪內檢測設備的精度和置信度及報告閾值來設置評定金屬損失缺陷變化的閾值，將兩輪內檢測的金屬損失缺陷分類成活性缺陷點、非活性缺陷點、新增缺陷點及其他缺陷點4種類型[6]，具體信息見表5。

表5 兩輪內檢測金屬損失缺陷類型分類原則表

兩輪內檢測全部金屬損失缺陷總數量為3 015個，依據表5缺陷分類原則可將金屬損失缺陷分類成活性缺陷點為11個、非活性缺陷點為493個、新增缺陷點為221個、其他缺陷點為2 290個，具體信息見表6。兩輪內檢測對齊活性金屬損失缺陷里程和程度分布比對圖，如圖4所示。

圖4 兩輪內檢測活性金屬損失缺陷里程和程度分布比對圖

表6 兩輪內檢測全部金屬損失缺陷類型統計表

對漏磁檢測數據判讀的時候并不能準確區分金屬損失類型，可以通過比對兩輪金屬損失缺陷的增大程度，來確定是否與時間相關的腐蝕缺陷，也就是表6中的活性金屬損失缺陷。活性缺陷隨著時間的增長而使管壁減薄加劇，影響管道未來的完整性。金屬損失生長速率的計算方法見式（3）。

式中：

RML——金屬損失的生長速率，mm／a；

ΔMLd——金屬損失深度在Δt時間內的增量，%壁厚；

WT——管道壁厚，mm；

Δt——本次檢測與上一輪檢測日期間隔，a（年份）。

兩輪內檢測11處活性金屬損失缺陷的生長速率見表7。根據兩輪內檢測比對計算結果發現，該管道上有11處活性金屬損失缺陷有明顯的增長，金屬損失程度最大增長為32%，最大生長速率為 0.45 mm／a。

表7 活性金屬損失生長速率計算表

4 總結

通過整理兩輪內檢測報告，建立對齊算法模型，采用軟件對齊和人工復核修正的方式，可以大大提高數據對齊的效率和準確度。依據兩輪內檢測數據對齊和比對的分析結果，形成管道全部特征的信息對齊列表，對活性缺陷、新增缺陷、新增外接金屬物等重點關注特征進行梳理，可以預判管體缺陷的變化趨勢和掌握外接物的新增情況等，從而優化管道完整性管理和風險評估的關鍵數據。此外還可以深度挖掘對齊后數據價值，結合不同類型的數據，建立統一的數據管理平臺實施異常監管，逐步滿足管道生命周期數據庫管理的需求。