基于多源異構(gòu)數(shù)據(jù)融合分析的長輸管道泄漏預(yù)測

周漢權(quán) 張紀(jì)波 陳金忠 馬義來

（1.中國特種設(shè)備檢測研究院；2.中國石油大學(xué)（北京）機械與儲運工程學(xué)院）

近年來，隨著我國經(jīng)濟的飛速發(fā)展，對油氣等能源的需求也在不斷增加，新建的管道數(shù)量和里程迅速增長，形成了多渠道或跨區(qū)域的全國性油氣管網(wǎng)。 長輸油氣管道分布范圍廣，新舊管線并存，管道周邊環(huán)境復(fù)雜多樣［1，2］。 為保證長輸管道長期平穩(wěn)輸送, 油品輸送管道的泄漏檢測至關(guān)重要。 目前，由于長輸管道經(jīng)過路徑的大部分是偏僻的山區(qū)或人員稀少的地方，在巡檢人員不足的情況下，早預(yù)防、早發(fā)現(xiàn)成為首要目標(biāo)，這樣既能減少經(jīng)濟損失，又能減少環(huán)境污染［3］。

長輸管道數(shù)據(jù)的來源途徑多種多樣，數(shù)據(jù)類別、組織架構(gòu)和存儲方式亦不同。 如管道基本信息、基礎(chǔ)地理數(shù)據(jù)、內(nèi)檢測數(shù)據(jù)、內(nèi)檢測分析成果數(shù)據(jù)、外檢測數(shù)據(jù)及管道周圍環(huán)境數(shù)據(jù)等分散在不同的檢測業(yè)務(wù)系統(tǒng)中，共同構(gòu)成長輸管道的多源異構(gòu)數(shù)據(jù)網(wǎng)絡(luò)，這些海量雜亂的數(shù)據(jù)嚴(yán)重影響數(shù)據(jù)清洗階段的進程和數(shù)據(jù)質(zhì)量，對后期數(shù)據(jù)對齊與融合更會產(chǎn)生較大障礙［4］，因此，首先需開展多源異構(gòu)數(shù)據(jù)對齊實現(xiàn)多源異構(gòu)數(shù)據(jù)的標(biāo)準(zhǔn)化，建立不同數(shù)據(jù)間通信的規(guī)范接口，奠定數(shù)據(jù)融合工作的基礎(chǔ)。

目前，國內(nèi)外不同內(nèi)檢測服務(wù)商對漏磁檢測數(shù)據(jù)的采集、傳輸及存儲方式等差異較大，不同設(shè)備檢出的數(shù)據(jù)無法直接進行比對，在缺乏內(nèi)檢測數(shù)據(jù)標(biāo)準(zhǔn)情況下，實現(xiàn)不同設(shè)備檢出的多批次內(nèi)檢測數(shù)據(jù)進行管理和數(shù)據(jù)挖掘存在巨大困難，主要表現(xiàn)在不同檢測商對數(shù)據(jù)的處理方式不同，如漏磁當(dāng)量對缺陷深度的量化模型中，兩輪以上漏磁檢測數(shù)據(jù)對齊受限，從而發(fā)現(xiàn)“活”缺陷的難度較大，不利于分析缺陷的演化過程，缺陷致因分析困難［5］。 為此，筆者以管道內(nèi)檢測數(shù)據(jù)為例，針對內(nèi)檢測數(shù)據(jù)采集內(nèi)容與數(shù)據(jù)特征，建立包含漏磁場信號、里程信號、鐘點方位信號、內(nèi)外壁信號、采集時間、溫度、壓力、陰保及坐標(biāo)等一體化的標(biāo)準(zhǔn)數(shù)據(jù)格式， 形成內(nèi)檢測數(shù)據(jù)總體規(guī)范，降低因硬件和數(shù)據(jù)處理方式不同而導(dǎo)致檢測數(shù)據(jù)對比分析的差異性。

1 檢測數(shù)據(jù)標(biāo)準(zhǔn)化

原始內(nèi)檢測數(shù)據(jù)標(biāo)準(zhǔn)化格式規(guī)范總體準(zhǔn)則如下：

a. 原始數(shù)據(jù)采用二進制格式進行存儲，并將其劃分為文件頭和主數(shù)據(jù)文件。 文件頭包含檢測數(shù)據(jù)內(nèi)容、格式及長度等信息，便于快速檢索和定位主數(shù)據(jù)文件；主數(shù)據(jù)文件包含不同內(nèi)檢測設(shè)備采集的檢測數(shù)據(jù)，主要包含軸向、徑向、周向漏磁信號、內(nèi)外壁識別信號、超聲信號、變形信號、陰保信號、里程輪、陀螺儀姿態(tài)及碼盤等數(shù)據(jù)，并按照時序進行順序存儲，每個文件存儲最大幀數(shù)不超過十萬幀，實現(xiàn)文件的分割，便于計算機對數(shù)據(jù)的處理。

b. 設(shè)備性能參數(shù)和檢測器運行參數(shù)須通過文本文件記錄，作為配置文件，方便動態(tài)修改可變參數(shù)——管道規(guī)格、管材、輸送介質(zhì)、設(shè)備采集數(shù)據(jù)類型（等時采集、等距采集）、各里程輪規(guī)格及坐標(biāo)系等。

c. 其他數(shù)據(jù)，包含時間、定位點及其坐標(biāo)等也應(yīng)記錄完整。

1.1 多源異構(gòu)數(shù)據(jù)對齊

經(jīng)過標(biāo)準(zhǔn)化后的多源異構(gòu)數(shù)據(jù)具備統(tǒng)一的格式，有利于數(shù)據(jù)的進一步處理，結(jié)合多個數(shù)據(jù)源的互補信息來提高數(shù)據(jù)分類的準(zhǔn)確性，發(fā)現(xiàn)數(shù)據(jù)源之間的關(guān)聯(lián)關(guān)系， 挖掘管道數(shù)據(jù)潛在價值，數(shù)據(jù)對齊是對多源異構(gòu)數(shù)據(jù)融合最直接的數(shù)據(jù)處理手段，筆者以地理空間數(shù)據(jù)對齊和多批次內(nèi)檢測數(shù)據(jù)對齊為例，分別闡述實現(xiàn)數(shù)據(jù)對齊的主要流程。

1.1.1 內(nèi)外檢測空間數(shù)據(jù)對齊

長輸油氣管道有著跨越長、鋪設(shè)環(huán)境復(fù)雜等特點，獲取管道走向和特征坐標(biāo)（含高程）是準(zhǔn)確定位管道的重要數(shù)據(jù)。

目前，國內(nèi)管道特征坐標(biāo)主要采集方式有通過直接開挖測繪和通過漏磁內(nèi)檢測搭載慣性導(dǎo)航單元進行管道基線測量兩種，再通過后期數(shù)據(jù)匹配加慣導(dǎo)姿態(tài)解析算法獲得管道中各個特征點坐標(biāo)。 在不具備搭載慣性導(dǎo)航系統(tǒng)和無法開挖所有特征點直接進行測繪的情況下，直接獲得內(nèi)檢測分析的特征坐標(biāo)存在瓶頸，筆者采用一種折中的管道特征坐標(biāo)求解方法來獲取管道特征的地理信息， 在實際工程實踐中具有良好的表現(xiàn)。其算法的主要思路是依托管道內(nèi)檢測分析成果數(shù)據(jù)， 結(jié)合高精度地面動態(tài)測量技術(shù)方式RTK（Real-Time Kinematic，實時動態(tài)）獲取管道基線坐標(biāo)，采取合適的算法來解算管道各個特征點的地理坐標(biāo)（圖1）。

圖1 管道特征坐標(biāo)采集解算流程

本算法需要準(zhǔn)備管道特征點里程數(shù)據(jù)和管中心坐標(biāo)數(shù)據(jù)（該數(shù)據(jù)可根據(jù)埋深數(shù)據(jù)加地面高精度測繪求解得到）。

對內(nèi)檢測結(jié)果數(shù)據(jù)表單按照里程由小至大依次排列，對管道RTK 坐標(biāo)按照管道路由進行排序， 構(gòu)成RTK 坐標(biāo)集合， 并建立關(guān)鍵特征點，在RTK 坐標(biāo)點集合中存在坐標(biāo)映射表，從特征表中選取任一特征點，通過映射表和特征的里程數(shù)據(jù)查找位于RTK 點集中所處的里程位置關(guān)系，即特征點上下游所對應(yīng)最近的RTK 坐標(biāo)點，該特征點位于這兩點構(gòu)建的線段上，那么已知兩個RTK 點的坐標(biāo)和該特征點距離其中一個RTK 點的距離，通過定比分點公式便可求解出該特征點的具體坐標(biāo)。結(jié)合RTK 地面測繪提取內(nèi)檢測特征點坐標(biāo)軟件界面如圖2 所示。

圖2 管道特征點坐標(biāo)解算界面

基于對齊的內(nèi)外檢測空間地理坐標(biāo)，將外檢測數(shù)據(jù)距離參考點的距離、方位、特征類型及特征尺寸等信息經(jīng)合適的比對方法，完成與內(nèi)外檢測數(shù)據(jù)和空間數(shù)據(jù)的數(shù)據(jù)對齊。

1.1.2 多批次內(nèi)檢測特征數(shù)據(jù)對齊

由于多批次內(nèi)檢測數(shù)據(jù)間存在信息孤島，制約著后期不同內(nèi)檢測數(shù)據(jù)的比對與共享，無法充分利用和挖掘內(nèi)檢測數(shù)據(jù)，因此不能為決策者提供多維度數(shù)據(jù)參考依據(jù)和更多有效信息。

筆者提出多批次內(nèi)檢測數(shù)據(jù)對齊的總體思路，對齊的總體準(zhǔn)則應(yīng)遵循“由大到小”、“整體到局部”和“空間到點位”，將對齊管道按照明顯特征點進行分段，形成數(shù)據(jù)對齊單元，由對齊單元匹配進一步劃分為更小的對齊單元，最后匹配管道特征。 在數(shù)據(jù)對齊前對整個特征數(shù)據(jù)按照里程由小到大排列，形成有序的里程特征表單；選取易于識別的參考點作為對齊基準(zhǔn)點［6］，建立基礎(chǔ)特征對齊映射表，進而實現(xiàn)特征對齊，包含里程、特征點（三通、彎頭及閥門等）、長短管節(jié)數(shù)量與長度和環(huán)焊縫數(shù)量與其他資料的對齊，再結(jié)合缺陷鐘點方位和距離前后參考點位置信息，進一步實現(xiàn)對缺陷數(shù)據(jù)的對齊功能，最終實現(xiàn)多批次內(nèi)檢測數(shù)據(jù)的綜合對齊［7］。

在完成數(shù)據(jù)對齊的基礎(chǔ)上，根據(jù)特征點坐標(biāo)生成管道特征高程圖，基于已對齊的內(nèi)檢測數(shù)據(jù)判斷管道區(qū)域缺陷參數(shù)的具體原因和位置，完成對管道的致因分析，根據(jù)管道缺陷壁厚等數(shù)據(jù)的發(fā)展趨勢，識別出活性缺陷，充分發(fā)揮內(nèi)檢測成果的價值，為后期數(shù)據(jù)評價的及時性和準(zhǔn)確性奠定基礎(chǔ)， 也能為管道運營單位提供決策參考，對保障管道安全運行、提高管道安全管理和完整性管理水平具有重要意義［6］。

打通多批次和多維度內(nèi)檢測數(shù)據(jù)間的信息通道，實現(xiàn)內(nèi)檢測數(shù)據(jù)的全面共享和聯(lián)動，通過對齊的多批次內(nèi)檢測數(shù)據(jù)，可及時發(fā)現(xiàn)管道新增缺陷、缺陷腐蝕程度和活性缺陷，為管道安全管理、 運營維護和剩余壽命預(yù)測提供了可能性，也使內(nèi)檢測數(shù)據(jù)分析管理和對齊平臺從基礎(chǔ)數(shù)據(jù)分析層面提升到管理決策層面［8］。

1.2 多源異構(gòu)數(shù)據(jù)融合

多源異構(gòu)數(shù)據(jù)融合主要有3 個步驟：數(shù)據(jù)預(yù)處理、數(shù)據(jù)融合和數(shù)據(jù)呈現(xiàn)［9］。

1.2.1 數(shù)據(jù)預(yù)處理

管道檢測數(shù)據(jù)存在以下問題：

a. 由于數(shù)據(jù)采集與傳輸過程中可能存在傳感器失效、傳輸系統(tǒng)故障等意外，管道檢測數(shù)據(jù)不可避免地存在數(shù)據(jù)缺失、重復(fù)及錯誤等問題；

b. 受到數(shù)據(jù)采集設(shè)備精度的制約與環(huán)境條件的影響，管道檢測時存在的噪聲會直接影響數(shù)據(jù)的準(zhǔn)確性；

c. 不同數(shù)據(jù)采集傳感器所采集的數(shù)據(jù)間具有復(fù)雜的非線性關(guān)系，數(shù)據(jù)特征間具有高度相關(guān)性，存在信息冗余，需要降維處理［9］。

因此，對管道進行數(shù)據(jù)預(yù)處理時，應(yīng)該從數(shù)據(jù)完整性、數(shù)據(jù)質(zhì)量、數(shù)據(jù)冗余度及環(huán)境噪聲等方面進行處理，一般處理方法有數(shù)據(jù)清洗和數(shù)據(jù)特征篩選。 數(shù)據(jù)清洗方法包括兩個方面：通過均值據(jù)類等方法對數(shù)據(jù)明顯異常的數(shù)據(jù)進行刪減；通過統(tǒng)計方法、數(shù)據(jù)轉(zhuǎn)換方法等手段，修正、剔除或替換檢測到的數(shù)據(jù)異常。 其中，管道的生產(chǎn)數(shù)據(jù)以時間序列為主，潛在的數(shù)據(jù)異常主要表現(xiàn)為由于傳感器故障、傳輸異常等原因?qū)е碌臄?shù)據(jù)缺失、重復(fù)或錯誤［10］。 另外，數(shù)據(jù)特征篩選根據(jù)特征類型進行分類處理，種類繁多，在此不再贅述。

1.2.2 數(shù)據(jù)融合

管道數(shù)據(jù)的類型和來源具有多樣化的特點，包含了管道內(nèi)檢測、外檢測、動態(tài)監(jiān)測、維保及空間地理信息等數(shù)據(jù)，這些數(shù)據(jù)間無法直接進行通信和交互操作，融合就能解決數(shù)據(jù)間無法交叉使用的問題，充分利用傳感器資源，合理支配與使用傳感器和人工觀測的信息，互補與冗余各種傳感器在空間和時間上的信息，依據(jù)不同優(yōu)化準(zhǔn)則或算法組合來對管道狀態(tài)進行更加準(zhǔn)確的解釋和描述，再對信息進行優(yōu)化組合后導(dǎo)出更多的有效信息。

管道多源異構(gòu)數(shù)據(jù)融合包含3 個層面的數(shù)據(jù)融合：數(shù)據(jù)層融合、特征層融合和決策層融合［11］，具體分述如下：

a. 數(shù)據(jù)層融合。在采集的管道原始數(shù)據(jù)層上進行融合，對各種傳感器的原始數(shù)據(jù)在未經(jīng)預(yù)處理之前就進行數(shù)據(jù)綜合與分析。 這樣，前述的管道原始檢測數(shù)據(jù)標(biāo)準(zhǔn)化就為數(shù)據(jù)層的融合奠定了基礎(chǔ)。

b. 特征層融合。特征層融合屬于中間層次的融合，如內(nèi)檢測數(shù)據(jù)分析得到管道的焊縫、彎頭、閥門、缺陷及凹陷等特征，還有外檢測破損處的檢測、陰保、開挖及空間地理等數(shù)據(jù)，將對這些特征數(shù)據(jù)進行綜合分析和處理。 特征層融合的優(yōu)點在于實現(xiàn)了信息壓縮，有利于實時處理，并且由于所提取的特征直接與決策分析有關(guān)，因而融合結(jié)果能最大限度地給出決策分析所需要的特征信息。

c. 決策層融合。 通過不同數(shù)據(jù)獨立的分析結(jié)論，初步得出對管道評價的初步結(jié)論，然后關(guān)聯(lián)處理進行決策層融合判決，獲得管道較為全面的聯(lián)合推斷結(jié)果。

1.2.3 數(shù)據(jù)呈現(xiàn)

管道數(shù)據(jù)呈現(xiàn)是在計算機系統(tǒng)中，將管道檢測、監(jiān)測、統(tǒng)計及決策等數(shù)據(jù)轉(zhuǎn)化成圖形化和表格化的形式，直觀可見地呈現(xiàn)出來。 在管道系統(tǒng)中，一般基于GIS（地理信息系統(tǒng)）平臺，建立管道全生命周期數(shù)據(jù)與位置坐標(biāo)的關(guān)聯(lián)，通過一定的數(shù)據(jù)處理和展現(xiàn)方式實現(xiàn)管道數(shù)據(jù)的可視化呈現(xiàn)。

多次內(nèi)檢測數(shù)據(jù)的累積形成海量空間點類型矢量數(shù)據(jù)，在GIS 系統(tǒng)中面臨海量管道特征點數(shù)據(jù)的顯示問題,若要顯示全部特征點,采用傳統(tǒng)的方法速度緩慢且壓蓋嚴(yán)重。 近來出現(xiàn)的聚合顯示技術(shù),較好地解決了顯示速度和可讀性的問題,但該技術(shù)具有不能很好地按分布的密度進行聚合點的顯示、在更海量的數(shù)據(jù)應(yīng)用中效率不高等缺陷。 因此，在實現(xiàn)特征顯示時采用基于網(wǎng)格密度的海量空間點聚合顯示算法, 能較好地解決數(shù)據(jù)分布問題,提升了算法效率，達到多源異構(gòu)數(shù)據(jù)在GIS 系統(tǒng)的可視化展現(xiàn)的目的。

1.2.4 多源異構(gòu)數(shù)據(jù)融合應(yīng)用案例

某油氣管道內(nèi)/外檢測數(shù)據(jù)綜合融合應(yīng)用界面如圖3 所示，基于管道內(nèi)檢測里程數(shù)據(jù)和管道地理空間坐標(biāo)信息，實現(xiàn)管道內(nèi)、外壁腐蝕數(shù)據(jù)與陰保數(shù)據(jù)的對齊，進一步完成其他多源異構(gòu)管道數(shù)據(jù)的融合。 針對所開發(fā)的內(nèi)外檢測融合系統(tǒng)， 通過近6 輪的系統(tǒng)測試和在5 個項目中的“實戰(zhàn)演練”，數(shù)據(jù)融合系統(tǒng)運行良好，融合數(shù)據(jù)的綜合可視化呈現(xiàn)為決策直觀的把控管道現(xiàn)有狀態(tài)， 為全面分析決策系統(tǒng)提供底層數(shù)據(jù)和依據(jù)，同時奠定了管道大數(shù)據(jù)分析中心數(shù)據(jù)基礎(chǔ)和系統(tǒng)驅(qū)動。

圖3 多源異構(gòu)數(shù)據(jù)融合可視化展示界面

1.2.5 數(shù)據(jù)融合展望

基于兩輪內(nèi)檢測數(shù)據(jù)以及兩輪內(nèi)檢測周期內(nèi)產(chǎn)生的外檢測、高后果區(qū)識別、風(fēng)險評價、陰保系統(tǒng)運行和環(huán)焊縫隱患排查治理數(shù)據(jù)，結(jié)合歷史監(jiān)測、修復(fù)及評價等其他數(shù)據(jù)，針對目標(biāo)管道開展內(nèi)檢測信號校核、 內(nèi)外檢測數(shù)據(jù)質(zhì)量評價、數(shù)據(jù)對齊、新增缺陷判別、腐蝕生長分析、缺陷成因分析、陰極保護有效性評價和高后果區(qū)適用性專項評價，同時依據(jù)特種設(shè)備管理要求，完成管道使用評價。

1.3 數(shù)據(jù)模式及安全

長輸管道數(shù)據(jù)融合過程會涉及管道大量的隱私與機密，如管道的坐標(biāo)信息，一旦泄露會使管道數(shù)據(jù)安全及其企業(yè)隱私受到威脅，因此需要注重管道數(shù)據(jù)融合過程的安全性，提高大數(shù)據(jù)的安全應(yīng)用效率。 采用邏輯代數(shù)進行安全控制，結(jié)合基于語義安全策略， 通過本體映射與合并，實現(xiàn)對管道數(shù)據(jù)融合的安全保護，在數(shù)據(jù)融合過程中通過數(shù)據(jù)模型的轉(zhuǎn)換， 可以形成融合訪問策略。 該策略可以對融合的數(shù)據(jù)進行安全處理，對于無法滿足安全策略的數(shù)據(jù)進行刪除以彌補數(shù)理邏輯中的不確定性。 另外，在對地理坐標(biāo)的處理上一般采用對坐標(biāo)偏移加密，并在網(wǎng)絡(luò)傳輸層進一步通過報文加密傳輸來保證坐標(biāo)信息的安全性。

2 基于多源異構(gòu)數(shù)據(jù)的泄漏預(yù)測方法

傳統(tǒng)的管道泄漏預(yù)測是基于物理模型實現(xiàn)的，這種方式主要是通過分析管道泄漏相關(guān)的因果關(guān)系，經(jīng)大量的實驗和理論研究來建立影響管道泄漏相關(guān)因素的物理模型，在之前的數(shù)據(jù)獲取存在局限性時，這是一種有效的管道泄漏預(yù)測方法，但存在自身的局限性：模型中影響因子的涵蓋不全面；模型參數(shù)受實驗和研究成果的直接影響，導(dǎo)致整個模型預(yù)測結(jié)果與真實結(jié)果和管道實際泄漏預(yù)測均存在較大的差異。 大數(shù)據(jù)時代，將擁有更多獲取數(shù)據(jù)的途徑和更加全面的海量管道數(shù)據(jù)， 這些數(shù)據(jù)逐漸累積形成管道大數(shù)據(jù)，即“樣本=總數(shù)據(jù)”， 則數(shù)據(jù)的處理方向也應(yīng)該由傳統(tǒng)探索管道因果關(guān)系向挖掘管道數(shù)據(jù)關(guān)聯(lián)的思維方式轉(zhuǎn)變。 因此，基于多源異構(gòu)數(shù)據(jù)的管道泄漏預(yù)測方法，是一種基于大數(shù)據(jù)思維的全新數(shù)據(jù)處理方式，通過挖掘融合的管道數(shù)據(jù)間的關(guān)聯(lián)關(guān)系，通過合適的預(yù)測方式能夠更加有效地完成對管道的泄漏預(yù)測。

2.1 支持向量機理論（SVM）

SVM 算法主要以統(tǒng)計學(xué)的基本原理為基礎(chǔ)，并在VC 維理論和結(jié)構(gòu)風(fēng)險最小化原理的基礎(chǔ)上所建立，這種算法可以在小樣本的復(fù)雜性與學(xué)習(xí)之間找到一種折中的學(xué)習(xí)預(yù)測方法，在多源異構(gòu)的管道數(shù)據(jù)處理上，SVM 算法較其他算法的應(yīng)用優(yōu)勢主要表現(xiàn)在3 個方面［12］：

a. SVM 算法可應(yīng)用于小樣本問題，在有限樣本數(shù)量下找到最佳規(guī)律；

b. 對于非線性問題來說，SVM 算法具有很強的學(xué)習(xí)預(yù)測能力，再加入核函數(shù)后，可以將樣本從低緯度空間映射到高緯度空間中，然后在高緯度空間中建立一個超平面，進而將非線性問題轉(zhuǎn)化為一個線性問題，在多源異構(gòu)的多維管道內(nèi)外檢測數(shù)據(jù)面前，支持向量機算法的無視維度無疑是管道數(shù)據(jù)分類的最佳算法；

c. SVM 算法在對數(shù)據(jù)進行求解中屬于一個凸優(yōu)化過程，可以避免使用貝葉斯分類等算法容易產(chǎn)生的局部優(yōu)化問題［13］。

2.2 BP 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)生物學(xué)研究成果的基礎(chǔ)上發(fā)展起來的一種模仿人腦信息處理機制的網(wǎng)絡(luò)系統(tǒng)［14］。 對于處理管道漏磁信號的判別中，BP 神經(jīng)網(wǎng)絡(luò)特有的優(yōu)勢是自適應(yīng)性強，具有非線性處理能力和并行處理能力。將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于漏磁缺陷識別是一種智能識別結(jié)構(gòu)損傷的方法， 可以有效提高缺陷判別的精確性和準(zhǔn)確度。 為此，在漏磁信號判別中，BP 神經(jīng)網(wǎng)絡(luò)是應(yīng)用較多的神經(jīng)網(wǎng)絡(luò)技術(shù)。

BP 神經(jīng)網(wǎng)絡(luò)判別漏磁信號的過程如下：

a. 針對漏磁信號的峰谷值、峰谷間距和峰谷值/峰谷間距的比值3 個波形特征，在BP 神經(jīng)網(wǎng)絡(luò)的輸入層中選擇3 個神經(jīng)元，分別對應(yīng)漏磁信號的波形特征；

b. 在BP 神經(jīng)網(wǎng)絡(luò)的輸出層選擇2 個神經(jīng)元，分別與裂紋缺陷和孔洞缺陷相對應(yīng)；

c. 選好神經(jīng)元后，確定目標(biāo)的輸出向量；

d. 將漏磁信號輸入BP 神經(jīng)網(wǎng)絡(luò)， 觀察網(wǎng)絡(luò)輸出向量即可判定缺陷的類型［15］。

2.3 D-S 證據(jù)理論

D-S 證據(jù)理論的思想是對根據(jù)事件發(fā)生的后果，探求事件發(fā)生的原因［16］。

D-S 證據(jù)理論具有主觀不確定性診斷問題的獨特優(yōu)勢，本質(zhì)是能將相互交叉的不確定數(shù)據(jù)信息和不同目標(biāo)模式類別按照一定規(guī)則進行分配，從而增加模式類別的準(zhǔn)確性，提高了模式識別的準(zhǔn)確率。 由于分類模型相互影響，使得各工況模式數(shù)據(jù)具有不同程度的交叉，如果僅用單一傳感器提供的信息進行泄漏檢測，就會產(chǎn)生誤報和漏報的現(xiàn)象。 為此，在對具有不確定性和兩種模式之間存在交叉影響數(shù)據(jù)的模式識別中，D-S 具有比較大的優(yōu)勢［17］。

管道泄漏預(yù)測工作的流程如圖4 所示。 該流程的詳細(xì)步驟為：對管道進行漏磁檢測和超聲檢測，獲得管道缺陷檢測信號并對原始信號進行預(yù)處理和特征提??； 利用支持向量機多類分類方法，用管道缺陷信號特征作為輸入?yún)?shù)，輸出層分別表示6 種不同的金屬缺陷類型，可以實現(xiàn)缺陷的定性分析； 在對管道缺陷進行定量分析時，為每個缺陷類型分別建立BP 神經(jīng)網(wǎng)絡(luò), 此時的輸入量仍然是管道缺陷檢測信號的特征量，輸出則為缺陷尺寸的特征，這樣就能實現(xiàn)每個網(wǎng)絡(luò)只完成一種缺陷類型的定量識別，提高識別的準(zhǔn)確性；用D-S 證據(jù)理論將通過漏磁檢測和超聲檢測所得到的缺陷尺寸特征進行融合，就能讓不同的檢測方法互為補充， 提高缺陷定量識別的精度，最終達到有效預(yù)測管道泄漏的目的。

圖4 管道泄漏預(yù)測流程

3 結(jié)束語

筆者對長輸管道多源異構(gòu)數(shù)據(jù)實現(xiàn)管道泄漏預(yù)測全壽命周期數(shù)據(jù)的部分標(biāo)準(zhǔn)化方法進行研究，在空間地理坐標(biāo)對齊的基礎(chǔ)上進一步實現(xiàn)管道內(nèi)外檢測數(shù)據(jù)的綜合對齊，對多源異構(gòu)數(shù)據(jù)融合總體流程進行總結(jié)， 并以管道大數(shù)據(jù)為基礎(chǔ)，分析管道泄漏預(yù)測時所常用的支持向量機理論、BP 神經(jīng)網(wǎng)絡(luò)算法和D-S 證據(jù)理論泄漏預(yù)測算法，最后整理提出針對長輸管道數(shù)據(jù)處理由檢驗/檢測數(shù)據(jù)到管道泄漏預(yù)測的整體流程，為管道從業(yè)人員提供一套系統(tǒng)化的數(shù)據(jù)處理方法，對比常用的依據(jù)標(biāo)準(zhǔn)采用定量或半定量的分析失效可能性的方法，基于多源異構(gòu)數(shù)據(jù)的泄漏預(yù)測的總流程和方法來處理數(shù)據(jù)，可大幅減少傳統(tǒng)管道處理數(shù)據(jù)方式的工作量，提高數(shù)據(jù)處理的效率和精準(zhǔn)度，同時建立起管道腐蝕泄漏事故早期預(yù)測模型。

由于很難收集到大量的管道泄漏樣本數(shù)據(jù)，因此基于大數(shù)據(jù)實現(xiàn)管道泄漏預(yù)測還主要依賴于非監(jiān)督學(xué)習(xí)和物理模型相結(jié)合的方式開展，在下一步工作中需要不斷提升非監(jiān)督學(xué)習(xí)模型的量化參數(shù)， 加強管道泄漏相關(guān)性數(shù)據(jù)的收集，完善和豐富預(yù)測模型的預(yù)測參數(shù)。