CN111611677A

CN111611677A - 用于管道运行和完整性管理的风险计算建模系统和方法

Info

Publication number: CN111611677A
Application number: CN202010113889.XA
Authority: CN
Inventors: 杜书勇
Original assignee: Individual
Current assignee: Individual
Priority date: 2019-02-22
Filing date: 2020-02-24
Publication date: 2020-09-01

Abstract

提供了一种用于管道运行和完整性管理的风险计算建模系统和方法，所述系统存储从管道运行系统获得的现场数据，从在线检查装置获得的在线数据以及来自在线检查装置的外部伴行设备上的摄像机的外部数据。该系统对在线数据和现场数据进行数据处理，以生成用于风险建模的输入数据，并运用该输入数据对管道进行风险建模，以预测管道不同部分及整体的多种失效风险，并据此来支持管道操作系统和在线检查装置对不同位点实施风险监控。

Description

用于管道运行和完整性管理的风险计算建模系统和方法

相关申请的交叉引用

本申请根据35U.S.C.§119要求的优先权是基於2019年2月22日提交的题为“管道的风险计算建模系统和方法”的美国专利临时申请号62/809,115，在此通过引用并将其明确合并在此。

本申请根据35U.S.C.§119要求的优先权是基於作为对2019年4月2日提交的标题为“管道的智能化数据采集系统和方法”的PCT专利申请号PCT/US2019/025438的部分申请的继续，在此通过引用明确地并入本文。所述PCT专利申请根据35U.S.C.§119要求的优先权是基於2018年4月2日提交的题为“管道化的智能数据采集系统和方法”的美国临时专利申请号62/651,520，在此通过引用明确地并入。

技术领域

本发明涉及管道的运行操作,及具体地用于管道完整性和风险管理的系统和方法。

背景技术

长距离输送管道横跨城市、国家、乃至跨越洲际对不同产品进行运输。在美国,将近300万英里的各种管道输送了近三分之二的全国能源需求。无论是在人烟稀少地带，还是在人口稠密地区，都有纵横交错的管道运输网络。管道运输产品包括天然气、原油、石油精炼产品以及其他危险液体。管道运输产品均属易燃易爆危险物品，因此提高管道运输的安全性和可靠性不仅可以确保“国民经济动脉”的畅通无阻，而且还可以消除隐患,降低风险,避免由于管道故障而对人民生命财产、公共设施、生活和自然环境造成严重破坏或伤害。

管道风险模型是管道运营风险评估的基础部分。风险模型是运营商风险管理系统的核心。管道风险模型及其产生的结果是美国和国际上许多管道完整性计划的核心。风险模型是管道系统的简化表示，代表重要风险因素之间的关系，使用可用信息和数据关系进行风险评估的一组算法或规则。

管道行业早在1980年代中期就开始应用风险建模来支持风险评估和决策，以规划维护和资本项目，并致力于制定行业标准和建议措施，例如API推荐措施(RP)1160-管理危险液体管道的系统完整性，以及ASME B31.8S━管理天然气管道的系统完整性。

美国联邦管道安全完整性管理(IM)法规要求管道运营商使用风险评估。风险模型应支持风险分析，风险管理决策，并帮助运营商评估和量化各种风险缓解活动和选择的效果。

然而，基于管道检查和故障失效调查结果，美国交通运输部的管道和有害物质安全管理局(PHMSA)和国家运输安全委员会(NTSB)已确定了由管道运营商为其完整性管理(IM)程序执行风险评估。

操作人员应选择最佳模型方法，然后使用关于每个管道段的风险因素或威胁的最佳信息来充实模型，并随时间改进该数据。

当前，已经开发了90多种应用的风险评估方法。可以基于模型输入，输出的性质以及用于将输入转换为输出的算法的性质，对管道风险分析中使用的风险模型进行分类。下面给出了风险模型类别的划分：

定性模型

相对评估或指数模型

定量系统模型

概率模型

基于美国交通运输部的管道和有害物质安全管理局(PHMSA)的定义，风险模型通过结合管道意外威胁的而失效可能性及其失效后果相关的输入，来描述整个管道的系统风险。

用于构成风险评估中风险的概念定义由以下公式给出：

风险＝可能性×后果

因此，风险被定义为根据事件的可能性(或发生频率)和事件后果的大小来衡量潜在损失的方法。

对于输送危险液体和天然气管道系统，最希望避免的事件就是发生在管道或管道系统中任何部位的故障失效，及其导致气体或有害液体的泄漏。可能性是由于威胁影响管道而导致故障的概率或频率，结果是由于管道故障而对不同受体类别(例如，人身安全，环境，财产)的影响的严重性。

风险分析考虑了管道沿线的每个区段所有潜在和现有威胁及造成的失效可能性。因此，风险建模和分析应包括三个关键要素：

1.识别威胁；

2.确定由于威胁而失败的可能性；

3.评估由于管道故障而导致的后果。

显然，识别威胁是风险建模的基石和基础。

然而，根据Rick Kowalewski关于“项目评估：管道完整性管理”的报告(2013年10月31日)的数据，2002年至2012年有1355起重大危险液体管道事故，其中824起是腐蚀和材料失效造成的事故，占总数的60％；其余40％的事故是由于开挖损坏，人为失误，自然力量等引起的，在2002年至2012年的821次输气管道重大事故中，其中有420起事故约51％是由腐蚀和材料失效引起的，其余的49％是由挖掘破坏，人为错误，自然力量等引起。

如果我们将“腐蚀和材料失效”视为与时间有关的威胁，则仍然有约40到50％的因为与时间无关的风险因素引起的重大事故。换句话说，外力破坏，人员伤亡，经济和环境不利影响都给管道故障失效带来不确定性和模糊性。因此，我们需要足够的数据，完整的数据，准确的数据和及时的数据来识别威胁，并找到一种机制来处理导致管道故障的未知或不确定的风险因素。

因此，系统解决办法应包括一种全面、彻底，更高效、更有效的管道系统的检测方法，对检测方法需要进行技术更新和创新。然后，基于技术创新和数据集成的新一代全系统解决方案或设计良好的框架可以克服现实管道世界中数据不足或不确定问题所带来的挑战，从而可以解决风险模糊和不确定性的问题。

发明内容

一方面，一种用于管道运行和完整性管理的系统，所述系统包括至少一个存储器，包括非暂时性存储器，用于存储从管道运行系统获得的现场数据和从在线检查车获得的在线数据；至少一个处理器，设置为对在线数据和现场数据进行数据处理，以生成用于风险建模的输入数据；使用所述输入数据执行所述管道的风险建模以预测所述管道处的多种失效模式状态之一的风险；和通过管道操作系统和在线检测装置启动对管道所述该部分的风险监控。

另一方面，一种用于管道运行操作和完整性管理的系统，包括至少一个存储器，包括一个或多个非暂时性存储器，用于存储从操作系统获得的现场数据，从在线检查车辆获得的在线数据以及来自外部伴行设备上的摄像机的外部数据；至少一个处理器，设置为使用从管道运行系统获得的现场数据，从在线检查车辆获得的在线数据以及来自外部伴行设备上的摄像机的外部数据生成一组输入值集合；使用风险建模分析来处理输入值的集合，以生成输出值集合，该输出值集合包括所述管道处的多种失效模式状态之一的风险预测；和通过管道操作系统和在线检测装置及其伴行器启动对管道所述该部分的风险监控。

在以上方面中的一个或多个方面中，所述多种失效模式状态包括渗漏，小泄漏，大泄漏，破裂和击穿。

在以上方面中的一个或多个方面中，所述至少一个处理器被设置为通过以下方式对所述管道进行风险建模：使用定义了多组转移函数的集群机来处理输入，其中，多组转移函数包括一组内部转移函数，该内部转移函数具有至少基于腐蚀的转移函数、基于应力的转移函数、和基于压力-缺陷的转移函数的三个子集。

在以上方面中的一个或多个方面中，所述集群机还包括所定义的多个事件的集群，其中，所述多个事件的集群至少包括：与运行操作相关的风险事件集群、随机风险事件集群、与时间相关的风险事件集群。

在以上方面中的一个或多个方面中，所述集群机M被定义为：

M＝<X,S,Y,δ_i,δ_e,δ_c,λ,T,O,R,ta>，其中X是输入值集合，S是序列状态集合，Y是一组输出值集合，δ_i是一组内部转移函数集合，δ_e是一组外部转移函数集合，δ_c是一组汇合转移函数集合，T是时变风险事件集群，O是与运行操作相关的风险事件集群，R是随机风险事件集群，λ是输出函数集合，ta是时间推进函数。

在以上方面中的一个或多个方面中，所述至少一个处理器被设置为将所述汇合转移函数集合定义为包括基于腐蚀的转移函数子集、基于应力的转移函数子集和基于压力-缺陷的转移函数子集。

在以上方面中的一个或多个方面中，所述至少一个处理器还被设置为将从所述针对管内在线检测装置的外部伴行设备获得的地理数据接收并存储到存储器中，其中，该伴行器在管道外部，并设置为确定在线检查设备的地理数据并生成传送到智能网关的信息，包括地理数据、和从伴行器中的摄像机接收的视频数据并将其存储在所述存储器中。

在以上方面中的一个或多个方面中，所述至少一个处理器还被设置为将地理数据与来自管内在线检查设备的在线数据相关联，以确定在线数据沿管道长度的位置。

在以上方面中的一个或多个方面中，所述至少一个处理器还被设置为对管道在线数据，现场数据和管道外部数据执行数据处理，以生成用于风险建模的输入数据。

在以上方面中的一个或多个方面中，所述管道内部在线检查设备包括励磁及相关器件，所述励磁及相关器件被设置为在所述管线中产生磁场信号。

在以上方面中的一个或多个方面中，在所述管道外部的所述伴行器被设置为检测来自管道内部在线检查设备的磁场信号；确定包括管内在线检查设备的位置信息在内的地理数据；和生成包含地理数据的相关信息传送到智能网关。

在以上方面中的一个或多个方面中，所述管内在线检查设备包括被设置为与所述管壁相互作用以检测来自所述智能网关的非常低或超低频信号的天线，其中，所述非常低或超低频信号还包括地理数据。

在上述方面中的一个或多个方面中，所述管内在线检查设备包括多个压力传感器，所述多个压力传感器被设置在环绕所述管内检测车及所述管道内壁圆周附近的不同位置上。

在上述方面中的一个或多个方面中，所述管内在线检查设备被设置为基于来自所述多个压力传感器的两个或更多个压力读数之间的差值大于预定阈值来确定所述管道中的泄漏。

附图说明

图1A示出了用于管道运输的运行操作系统的的示例性实施例。

图1B示出了用于管道的智能化集成检测体系的的示例性实施例。

图1C示出了智能化集成检测体系的输出数据集的的示例性实施例。

图2A示出了用于具有多个状态的管道风险建模的有限状态机的示例性实施例。

图2B示出了具有输入和输出的群集机的示例性实施例。

图3示出了用于支持运行操作和完整性管理的风险计算建模系统的过程的示例性实施例。

图4示出了风险计算建模系统的结构的示例性实施例。

图5A示出了分阶段动态风险建模生命周期的示例性实施例。

图5B示出了风险计算建模系统的工作流程图的示例性实施例。

图6A示出了智能化集成检测体系及其检查设备协作的示例性实施例。

图6B示出了内部智能数据采集设备进行泄漏检测的压力测试的横截面的示例性实施例。

图7示出了中央处理单元的结构和工作流程的示例性实施例。

图8示出了用于预测风险后果严重性水平的的框架的示例性实施例。

具体实施方式

本文使用词语“示范”或“实施例”来表示“用作示例，实例或说明”。本文中描述为“示范”或“实施例”的任何实现或方面不一定是被解释为比本公开的其他方面优选或有利。同样地，术语“方面”不要求本文公开的所有方面包括所讨论的特征，优点或操作模式。显然，可自动调节的自行驱动在线检测车可以解决这些挑战。

现在将参考附图详细描述实施范例。在以下描述中，阐述了许多具体细节以便提供对本文描述的各方面的理解。然而，对于本领域技术人员显而易见的是，可以在没有这些特定组件中的一些或全部或具有替代组件的情况下实践这些和其他方面。另外，为了不使本文公开的方面模糊，可以省略在此呈现的过程方法中的公知步骤。类似地，可以从本文给出的附图和描述中省略设备中众所周知的组件，以免模糊本公开的各方面。

本实施例中展示的风险计算建模系统是基于对管道检测方法进行技术更新和创新之上的多层次，多阶段，面向数据，事件驱动，动态循环的全系统管道解决方案，本实施例中还包括智能化集成检查机制的建立，具有11元组结构的集群机，用于管道的动态事件驱动风险建模，数据挖掘，机器学习和AI技术以及离散事件系统规范(DEVS)模拟。

图1A示出了用于管道运输的运行操作系统的的示例性实施例。在该示例中，运行操作系统包括管道监督控制和数据采集(SCADA)系统130。SCADA系统130监视并控制管道运输。例如，SCADA系统可以沿着管道的外部长度监视和控制现场仪器134，包括流量，压力和温度计。这些现场仪表沿着管线的长度安装在某些特定位置，例如注入或输送站，泵站(液体管线)或压缩机站(天然气管线)和截止阀站。然后，由这些现场仪器测量的信息被收集在本地远程终端单元(RTU)131中，该本地远程终端单元131使用诸如卫星信道，微波或蜂窝网络之类的通信系统将现场数据实时传输到中央SCADA系统服务器132。因此，SCADA系统130在沿管线长度的离散点处提供一些实时现场数据。

SCADA系统130还可以从通常称为“主控制室”的地方远程控制和操作管道运行。在这个中心，现场数据被整合到一个中央数据库中。沿着管线从多个RTU131接收数据。通常会发现沿管道的每个站点都安装了RTU。主控制室中的SCADA系统接收现场数据，并通过一组屏幕或人机界面将其显示给管道操作员，以显示管道的运行状况。例如，操作员可以监控管线的液压状况，并通过SCADA系统向现场发送操作命令(打开/关闭阀，打开/关闭压缩机或泵，更改设定点等)。

然而，SCADA系统130对于泄漏检测和风险建模不是理想的。SCADA系统可能未检测到仅释放少量(<1.5％流量)的针孔泄漏。如果没能发现，这种针孔泄漏可能会累积成大量泄漏。即使管道泄漏量在SCADA检测极限之内，有时管道泄漏也会被管道操作人员误解为机泵故障或其他问题。因此，对于当今的管道运营商而言，小泄漏、尤其针孔泄漏是一个具有挑战性的问题，因为它们很难被发现并且对环境和公共安全构成巨大威胁。通常，警报事件处理，紧急停机，管道泄漏检测和批次跟踪等管道操作的决策主要基于操作员的经验或是否具有不同建模和有限预测准确性的高级管道应用工具的经验。

传统上，风险模型通过组合与管道意外泄漏的可能性和后果方面相关的输入来提供整个管道系统中风险的表示。通常，风险评估方法的选择取决于管道运营过程中收集的检查信息、知识和组织以及附加信息。

在“候选管道风险模型的关键性审查”报告中，Smitha Koduru，Riski Adianto，Jason Skow(由C-FER Technologies2016年12月发布)进行了一项针对17家管道运营商的调查收到了13种风险模型。从调查中获得的主要经验是，定量风险模型尚未取代定性模型用于基于风险的指数评分的定性模型，并且缺乏公认的定量风险评估标准。该报告指出，在审查了涵盖6000多种科学期刊的34个工程和技术数据库之后，共审查了70种出版物，只有八份出版物描述了定量风险模型系统解决方案，其他62份出版物则涉及失效后果或对不同威胁的失效频率的方法。

定量风险分析(QRA)似乎是管道完整性管理操作的最常见决策方法。QRA基本上使用概率来量化风险可能性，并使用可测量的参数来量化后果：

P_t＝1-∏(1-P_i)

Pt：管道的总故障概率

Pi：由于威胁i而导致的管段失效概率

风险分析模型可以广泛地分类为诸如蒙特卡洛模拟的结构可靠性方法，诸如故障树方法和贝叶斯网络的概率模型以及模糊逻辑模型。但在使用定量风险分析(QRA)的过程中，由于数据不足或不确定，在估计管道故障失效概率时不可避免地会引入各种各样的不确定性。

普遍认为，不确定性仍然存在于任何模型结果中，并且输入数据通常是比计算方法具有更大不确定性的来源。具有更多数据的解决方案可能会成为赢家。即使是数据量较小的较弱模型，也比数据量较少的较复杂模型要好。

因此，设计具有鲁棒性的下一代管道风险模型的一般原则应该包括以下内容：

1.获得更准确的数据和其他数据点，以克服传统风险建模及方法的模糊性。

2.识别所有威胁包括评估潜在的威胁及其交互迭加作用以及增加风险的方式，并确定所有风险驱动因素。

3.尝试使用最完整和准确的可靠数据，并结合针对过去事件的根本原因进行分析。

4.考虑非正确的操作因素，包括人机交互和人为表现对可能发生故障性的重要相关性或对故障后果的重大影响。

5.考虑到天气，地震，自然力量等随机风险事件(因素)以及开挖破坏等第三方威胁。

6.考虑各种场景以捕获所有可能的广谱后果，包括严重后果的异常值。

7.根据事件、泄漏和历史故障失效以及其他历史信息验证风险模型，确保使用可追溯和可验证的信息和数据。

理想的状况就是通过建立一个集成的检测机制来实现上述7个基本原则，以将各种主要类型的管道检测手段合并为更全面，基于风险的检测方法体系，该检测方法体系允许管道操作员应用各种检测数据，现场仪器采集数据，管道特性，事件和年度报告，以不断改进其管道完整性管理项目。

对2019年4月2日提交的标题为“管道的智能化数据采集系统和方法”的PCT专利申请号PCT/US2019/025438在此通过引用明确地并入。所述该专利申请描述了一种在线检测工具和基于特殊的通信基础设施和机制的实时定位系统，可获取高质量、高精度管道沿线的连续压力，流量和温度曲线，并结合标示沿途地理数据用以有效地改善管道故障的预测和诊断。

对2019年3月8日提交的标题为“管道的在线检查车的自适应系统结构和方法”的美国临时专利申请No.62/816,008,对于2019年9月30日提交的标题为“管道内检测车”的中国专利申请号201910938724.3在此通过引用明确地并入。所述该专利申请描述了一种自适应管道在线检测车。所述该在线检测车具有自适应结构、自动可调、自主驱动功能并配有可再生能源系统。

对2020年1月10日提交的标题为“管道检测工具的可再生动力系统和方法”的美国专利申请No.62/816,008,对2019年12月19日提交的标题为“管道内检测装置的可再生动力系统”的中国专利申请号20191134967.6在此通过引用明确地并入。所述该管道可再生、可充电动力系统用于管道在线检测装置的自适应控制、自主推进的功能操作。

图1B示出了用于管道的智能化集成检测体系100的的示例性实施例。该实施例类似于2019年4月2日提交的标题为“管道的智能化数据采集系统和方法”的PCT专利申请号PCT/US2019/025438，在此通过引用明确地并入。

智能化集成检测体系100包括在线检测设备111(例如机器人探测器或智能PIG)，无人驾驶飞机或外部伴行设备121，监控和数据采集(SCADA)系统服务器132，RTU系统131和智能网关102。在所述该实施例中，智能化集成检测体系100包括至少三个不同数据通道的智能化数据采集系统，该系统基于的特殊通信基础设施和机制提供实时定位。

如下所示：

从外部伴行设备121发送的信号122，所述信号携带实时视频信息和地理数据；

低频信号发生器103和收发器113产生带有地理数据114的低频信号；

在线检测设备111发射的磁信号112；

和智能网关102和RTU系统131之间通过网络连接的数据通信协议133。

智能网关102从伴行设备121接收地理定位数据。所述伴行设备121为诸如无人机或为跟踪在线检测设备111的其他种类车辆。由于在线检测设备111与智能网关102之间难以通过管道101进行双向通信，因此可以通过“地球模式”通信实现单向通信。

在线检测设备111包括传感器，以收集实时在线数据，例如沿管道线路的压力、温度和流量分布。在线检测设备111还可携带包括用于管道的非破坏性测试(NDT)的各种在线检测器件，包括漏磁(MFL)测试，超声波测试，电磁声换能器(EMAT)，导波超声测试(GWUT)和管道径向探测仪。所述类型的探测器件可以检测泄漏、变形、破裂、腐蚀、缺、管径厚度变化、凹痕或其他缺陷。在线检测装置111因此沿著管道线路获得足够的和高精度的连续性、完整性数据。

在所述该示例中，所述伴行设备121在无人驾驶车辆(例如，无人驾驶飞机)中，可选地，由有人驾驶车辆或其他类型的车辆中携带实现。例如，对于海上管道，伴行设备121可以被设置在船或水下车辆中。所述伴行设备121被设置为向智能网关102报告在线检查设备111的位置。一方面，伴行设备121可以携带用于通过无线电网络，蜂窝网络，卫星网络或其他无线网络进行通信的无线收发器。伴行设备121还可以包括有线收发器接口，例如USB端口或其他类型的有线连接，以在无线连接到不智能网关102的情况下通过LAN，MAN和/或WAN与一个或多个其他设备通信。

所述伴行设备121跟随或跟踪管线101中的在线检测设备111。所述伴行设备121还配置检测来自在线检查设备111的磁场信号112的磁传感器137。所述在线检测设备111配置例如漏磁(MFL)模块中励磁器件138。所述励磁器件138在管道101中并通过泥土，空气和/或水将产生磁场信号112传递出去，与所述伴行设备121通信。

所述伴行设备121利用磁场信号112跟踪管线101中的在线检测设备111，并通过GPS 135确定其地理位置。所述伴行设备121周期性地传送消息以报告GPS坐标以及时间戳。根据时间戳和智能网关102传递的地理数据信息，所述在线检测设备111确定地理位置，然后可以将地理数据与各种测试数据相关联。因此，所述算法为在线检测装置111采集的数据确定了沿管道长度各位点的地理位置。

所述在线检测装置111有时可以针对不同的检查位点调整其速度和状态。响应于此，所述伴行设备121检测来自在线检测设备111的磁场信号112并调整其速度或方向。因此，所述伴行设备121被设置为通过利用来自在线检测设备111的信号112沿管线101跟踪在线检测设备111。

所述伴行设备121还可以配置摄像机136对管道101进行外部检查，以检测任何土壤位移、裂缝、管道损坏或来自天气或自然力的风险以及第三方威胁、例如潜在的挖掘破坏。所述伴行设备121因此可以通过同时进行附加监视来强化管线实时监控和完整性系统。

所述超低频(ULF)是ITU指定的300赫兹至3赫兹之间电磁波的频率范围。在磁层和地面上可以观察到ULF频带中的许多类型的波。使用该传导场通过地面进行的通信被称为“地球模式”通信。所述该通信首次在第一次世界大战中使用，信号传输设备被称为“功率蜂鸣器”，是一种机电设备，可以在700赫兹的频率下产生700赫兹的高压直流电脉冲。所述该频带还可以用于矿山中的通信，因为它可以穿透地球。有试验报告了包括ULF和VLF(3-30kHz)带宽在内的0.83-8.76kHz的频率上进行的尝试，并取得了一些成功，证明了地下管道和电缆可以在某些方向上有助传导，因此信号衰减可能小于预期。

在所述实施例中，智能网关102配置有低频信号发生器103和收发器113，所述器件被设置为利用来自伴行设备121的地理数据来产生低频(ULF或VLF)调制ULF或VLF信号。所述地理数据包括来自所述伴行设备121的GPS的位置信息，例如纬度，经度，海拔等。所述智能网关102通过所述“地球模式”通信信号114将地理数据发送到所述在线检测设备111。

在所述在线检测装置111上安装了一个或多个天线以有效地与管道的内壁相互作用并检测“地球模式”通信信号114。所述通信信号114由在线检查设备111中通信器和GPS定位该模块进行实时处理。所述在线检测设备111可以响应于通信时间延迟和包括纬度，经度和海拔的地理数据来确定其地理位置。在停止状态期间，所述在线检查设备111可以最有效地并且更准确地确定其位置来接收“地球模式”通信信号114。因此，可以确定在线检测装置111在管道101中进行测量的位置。然后，在线检测装置111将其位置与管道的测量数据相关联。在本文引用的PCT申请号PCT/US2019/025438智能化数据采集系统中有更详细地描述。

所述实施例中，所述在线检测装置111配置有可再生动力系统，所述该可再生动力系统包括基于压力的发电机和/或热电发电机，于2019年12月19日提交的标题为“管道内检测装置的可再生动力系统”的中国专利申请号20191134967.6，在此通过引用明确地并入。于2020年1月10日提交的标题为“管道内检测装置的可再生动力系统和方法”美国专利申请第16/739,459号也有更详细地描述。

所述在线检测装置111还包括自适应检测车，其具及有承载定位辊和检查装置托架的自调节承载架，以及用于自动调节驱动速度的自适应驱动涡轮。于2019年9月30日提交的标题为“管道内检测车”的中国专利申请号201910938724.3在此通过引用、明确地并入。美国临时专利专利申请No.62/816,008于2019年3月8日提交的题为“管道的在线检查车辆的自适应系统结构和方法”通过引用并入本文。

在所述实施例中，在线检测设备111是SCADA系统的补充，因为来自在线检测设备111的数据和测量值与现有的管道监控和数据采集(SCADA)系统或及其操作系统兼容。

在所述实施例中，可再生动力系统143和自适应在线检查车142，智能在线检测设备141被设置为具有自动调节、自适应和自推进特征，在管道内巡航对管线进行更智能、更准确，更有效、高效和完整地检测。

通过在智能化数据采集系统144中与无人机或其他外部伴行设备121和智能网关102协同工作，该智能化集成检测体系100综合协同各主要类型的管道检测手段，融合多个数据采集通道和数据来源，以汇集各种大量位点管道数据或属性(例如，管道外部和管道内部的)数据集合151、152，153，大大降低数据不确定性和系统模糊性。

所述智能化集成检查机制的经常化以及管道内外主要类型的检测技术的协同配合还可以降低由随机风险事件引起的管道故障失效机会。

利用所述在管道检测技术及工具中的创新，可以收集、融合、集成来自不同渠道和来源的多个数据集合，以创建用于管道风险建模的大数据基础。例如，可以使用地理数据将来自基於管内检查车142的内部数据与来自伴行设备121的摄像机的管道外部数据进行结合。

但是，石油和天然气管道的交互威胁矩阵和故障树模型表明系统的超级复杂而无法有效使用定量风险分析模型来对各种威胁和风险驱动因素及其交互迭加建模。

充分利用计算机超强的处理能力可能会对管道风险建模方面的带来重大进步，因此应考虑更多的引入、利用计算机资源。使用人工智能方法进行风险计算建模是一种处理风险建模系统的复杂性和处理超大型数据集所面临挑战的有利解决方案。

图灵机是一种计算数学模型，可以看作有限逻辑数学过程的终极强大逻辑机器。图灵机可以正式定义为七元有序组M:

M＝<Q，Γ，b，Σ，δ，q₀，F>

Q是非空有穷状态集合；

Г是非空有穷带字母表；

b∈Г为空白符，也是唯一允许出现无限次的字符；

是非空有穷输入字母表，其中不包含特殊的空白符

q₀∈Q是起始状态；

是最终状态或接受状态；

是转移函数，其中L,R表示读写头是向左移还是向右移,

最初的磁带内容最终在F的状态停止则被M接受。

在图灵机的基础上，计算机科学的自动机理论和离散数学最终得以形成。自动机理论及其有限状态机已用于离散事件动态系统(DEDS)的建模中。离散事件动态系统(DEDS)是离散状态的事件驱动系统，其状态演化完全取决于随时间推移异步离散事件的发生。依照其离散状态空间和事件驱动状态转换机制的特性，可以将管道风险建模系统视为离散事件动态系统(DEDS)。

所述该示例中，描述了七个状态：两个初始状态：“正常”201表示管道的一个位置处于正常状态，“环缝”202表示管道的一个焊接位置潜在地可存有软化和脆性或其他风险。作为威胁或风险驱动因素的两个过渡状态“被腐蚀”203和“裂纹”204。可将渗漏205，小泄漏206，大泄漏207这三个失效状态中任何被发现的一个视为最终状态。所述此图向我们显示，状态与事件之间存在大量可能的交互作用和组合。尽管所述图2A不是描述具有所有因果关系矩阵的完整图形，但足以正确地说明风险事件驱动的状态转换机制，和风险、威胁、失效的驱动因素、事件及其在管道运行中的相关性和交互作用。但是，这种有限状态机模型显然因过多的因果组合和相互作用而面对状态和事件爆炸的问题。

Bernard P.Zeigler定义的离散事件系统规范(DEVS)是一种离散事件系统形式化模型，用于离散事件系统(DES)的组成建模和仿真。在Bernard P.Zeigler，HerbertPraehofer，Tag Gon Kim所著的“建模与仿真理论”一书中描述了(Academic Press，2000年第2版)DEVS层次化和模块化特点，可利用所述该方法对复杂的离散事件系统进行建模、设计、分析和仿真。与图灵机类似，离散事件系统规范(DEVS)是具有八元组的结构，其定义为：

M＝<X,S,Y,δ_int,δ_ext,δ_con,λ,ta>

其中：

X是输入值的集合，

S是一组状态,

Y是一组输出值,

δ_int:S->S是内部转移函数,

δ_ext,:Q×X->S是外部转移函数,

δ_con,:Q×X->S is是汇合转移函数,

ta:S->R⁺ _0,∞,and R⁺ _0,∞并且R+0，∞是具有0和∞的正实数的集合

(Q＝{(s,e)|s∈S,0≤e≤ta(s)}是总状态集,

e是自上次转换以来经过的时间)

λ:S->Y是输出函数

在DEVS离散事件系统形式化模型中，仿真器模型的仿真允许对不同仿真器替代设计的可靠性和性能进行定量分析。

DEVS可以使用离散事件抽象概念对复杂的动态系统进行建模，该抽象事件概念对于通信协议、自动化制造系统中的零件运动或过程控制系统中的逻辑进行建模非常适用。尽管如此，但DEVS可能并不完全适合管道风险系统建模，因为DEVS无法满足所有场景和不确定性的要求。

作为有限状态机和DEVS离散事件系统形式化模型的扩展版本，集群机是由风险事件集群驱动的有限状态机。

此处展示的集群机具有11个元组的结构，用于对管道动态风险系统进行建模：

M＝<X,S,Y,δ_i,δ_e,δ_c,λ,T,O,R,ta>

其中：

X:是输入值的集合

-X_v∈X,是一组输入变量及其输入值,

-X_c∈X是一组输入参数及其具有的恒定值,S:是一组状态

-S_i:S_i∈S,是一组初始状态,

-S_t:S_t∈S,是一组转移状态,

-S_f:S_f∈S,是一组失效状态,

-s_e:s_e∈S_f,s_e是一组失效状态之中的一个最终状态

Y:是一组输出值,

δ_i:S->S_,是内部转移函数的集合,

-δ_ic:δ_ic∈δ_i,基于腐蚀的转移函数子集,

-δ_is:δ_is∈δ_i,基于应力的转移函数子集,

-δ_ip:δ_ip∈δ_i,基于压力-缺陷的转移函数子集,

δ_e:Q×X->S是外部转移函数的集合,

δ_c:Q×X->S是汇合转移函数的集合,

T:是与时间相关(时变)风险事件集群,

O:是与运行操作相关的风险事件集群,

R:是随机风险事件集群,

λ:S->Y是输出函数的集合,

ta:S->R⁺ _0,∞,并且R+0，∞是具有0和∞的正实数的集合,ta是时间推进函数(Q＝{(s,e)|s∈S,0≤e≤ta(s)}是总状态集,

e是自上次转换以来经过的时间)

δ_＝δ_i∪δ_e∪δ_c,δ转移函数的总集合,

T＝{(X_t,δ_t)|X_t∈X,δ_t∈δ},

O＝{(X_o,δ_o)|X_o∈X,δ_o∈δ},

R＝{(X_r,δ_r)|X_r∈X_t,δ_r∈δ}

所述实施例中的集群机包括三个风险事件集群：T、O、R。所述这些风险事件集群可以被映射转换内部、外部或汇合的转换函数以及对应输入变量及其值的集合。

图2B示出了具有输入210和输出220的管道动态风险系统进行建模群集机的示例性实施例。在所述实施例中，集群机的输出220中的失效模式状态集合S_f包括五个失效模式状态：渗漏221，小泄漏222，大泄漏223，破裂224和击穿225。每个失效模式状态都可能成为最终结束状态Se。一旦确定结束状态，则可以启动系统关闭。尽管在所述实施例中示出了五个失效模式状态，但在其他实施方式中可以定义更少或更多的失效模式状态。

欧洲燃气管道事故数据库中关于管道模式的最常见定义包括三个级别：

小泄漏-孔尺寸小于20毫米(或d/D<＝0.2)；

大泄漏-孔尺寸为20-80毫米(或d/D>0.2)；

破裂-孔的尺寸大于80毫米(或d/D≈1)；

(其中，d/D：泄漏孔的尺寸与管道直径的比率)

然而，有提交给PHMSA的研究报告称：在2010年至2013年间，陆上输气管道总共464个失效事故事件，研究表明：泄漏：30％，破裂：38％，击穿：20％，其他：12％。击穿被列为一种重要失效模式。

渗漏221是微小且缓慢的泄漏状态，其比小泄漏要轻得多。例如，小泄漏可定义为孔尺寸小于20mm-5mm，而渗漏应该是小于5mm的孔尺寸，还可以将其视为管道失效的关键点或者管道破裂的阈值点。破裂224绝对被认为是最严重的故障模式或应该结束状态Se，这是管道故障的最坏情况。

如图2B所示，系统输入210中的输入状态集合214包括初始状态S_i215和过渡状态S_t216。初始状态S_i215可以包括例如正常，焊接和弯曲/扣带。转移状态S_t216可以包括例如腐蚀，破裂，凹陷，缺陷和变形。更多附加的和/或替代的初始状态S_i215和过渡状态S_t216也可以在这里实现。

系统输入210还包括三个离散的事件集群：与时间相关的风险事件集群211，与操作相关的风险事件集群212和随机风险集群213。与时间相关的风险事件集群211可以包括例如内部腐蚀、外部腐、，破裂和疲劳。与操作相关的风险事件集群212包括压力、温度和介质/流量。随机风险集群213可以包括例如正确非的操作、自然灾害威胁(例如天气、地震)和第三方威胁(例如故意破坏、意外挖掘损坏)。更多附加的和/或替代风险事件可以包括在事件集群中。更多的附加和/或替代事件集群也可以包括在系统输入210中。

集群机的工作原理与计算机原理相同，它根据一组称为转移函数的规则从目前状态确定下一个状态。因此，针对各种状态和事件之间可能的交互、迭加和组合，集群机可以枚举、计算、确定各种可能的从初始状态到最终状态的转移路径(管道失效路径)。

作为人工智能(AI)的一部分，机器学习是一种数据科学技术，它允许处理设备使用现有数据来预测未来的行为、结果和趋势。所述预测基于学习过程和检测模式。由于该智能化集成检测体系100综合协同各主要类型的管道检测手段，融合多个数据采集通道和数据来源，以汇集各种大量位点管道数据点或属性的广泛数据集，因此机器学习或AI是研究和发现不同种类管道失效机制的理想工具。失效机制的学习基于建立的大数据基础以及从初始状态到最终状态的可能转换路径，所述失效路径可以从状态和事件之间可能的交互、迭加和组合的模拟仿真中得出结论。

图3示出了用于支持运行操作和完整性管理的风险计算建模系统的过程的示例性实施例。因为图灵机是控制由计算机执行的数据操作的中央处理单元(CPU)的一般示例，所以风险计算建模系统300的中央处理单元302是集群机的物理结构形态和设备上的具体实现，尽管其他风险建模技术也可以在这里实现。图7更详细地说明中央处理单元302的结构和处理过程。

风险计算建模系统300将来自不同数据源和通道的数据集整合为系统输入301。所述数据集还可以包括历史数据，例如从沿管道内部的在线检查工具获得的在线数据，例如泄漏、变形、缺陷、破裂、腐蚀、缺陷、压力、温度、流速、厚度变化、凹痕或其他数据。在线数据与来自伴随设备121的地理数据相关联以进行集成。历史数据还可包括来自伴随设备121的摄像机的管道的外部数据。操作数据包括在沿管线的离散点处从操作系统(例如，SCADA)获得的现场数据系统130)。地理信息系统(GIS)数据和工程数据也可被包括进输入数据集。系统输入301可能包括其他数据，例如已知的挖掘，第三方风险，自然力风险，地面位移，天气风险或泄漏。

中央处理单元302包括风险建模机321，该风险建模机321有称为失效机制学习机322和模拟器323的两个支持组件。风险建模机321使用通信耦合到一个或多个存储器324的一个或多个处理电路325实现。在一方面，存储器324可包含一个或一个以上非暂时性处理器可读存储器，其存储指令由一个或一个以上处理电路325利用其所述的一个或一个以上功能在这里执行。

中央处理单元的系统输出303是威胁和风险驱动因素的集合以及与失效模式状态相关的预测。系统输出303中的结果和发现可以支持诸如泄漏检测器304和风险监控器305之类的两个设备，以通过提高预测和诊断的准确性来防止管道发生故障失效，从而将诸如管道运行操作系统341和管道完整性管理系统351之类的两个分立系统融合在一起。

例如，在实际应用中，通过处理历史数据，操作数据以及GIS和工程数据以生成风险计算建模中心处理单元302的系统输入。所述风险计算建模中心处理单元302对系统输入301进行风险分析以生成系统输出303。所述风险计算建模中心处理单元302可以生成包括失效模式状态预测的输出，诸如故障威胁在管道的某一部分上泄漏的风险。管线运行操作系统341然后可以发起对管线的该部分的风险监视，并且请求在线检查车针对管线的该部分进行附加检查。

图4示出了风险计算建模系统400的结构的示例性实施例。

风险计算建模系统400用于管线运行操作和完整性管理，并且包括基于系统规范和简化的多层架构。在一个实施例中，所述多层包括数据连接层410，检查接口层420，中央风险建模层430以及监督控制和监视层440。

在数据连接层410，来自外部和内部的数据与风险建计算模系统400集成在一起。来自相关工业图书馆以及来自完整性管理条例的文献和检查规则的外部资源的数据被模块化并分别作为数据集存储在故障失效事件数据服务器411和完整性管理数据服务器412中。历史检查数据存储在历史数据服务器413上，所述历史检查数据包括来自智能化集成检测体系100的对管道101的检测数据，例如来自在线检测装置111和配套伴行设备121的数据。

操作数据包括关于管线的运行操作数据，并且大部分由包括SCADA操作系统生成并存储在运行操作数据服务器414上。

关于管道材料，加工，制造和管道工程建设的数据被存储在制造和工程数据服务器415上。与结构和操作参数的设计要求有关的数据，以及沿著管道路线和管道分段的地理和地面信息也被模块化并存储到设计&地数据服务器416中。可以使用大数据解决方案将非结构化数据存档或存储到NoSQL数据库中，以在数据服务器上进行数据挖掘。尽管在此示出了不同的服务器，但是多个数据集可以存储在一个或多个数据服务器上，例如，在不同的数据库中。一个或多个服务器各自包括用于存储数据的存储设备。可以在数据连接层410中定义和实现更多附加或替代的数据集。数据连接层410因此包括来自多个来源源的数据。

在检查接口层420处，构建数据源连接和数据通道组件交互。来自检测调度器421的检查指令被发送到检测设备，例如在线检测设备422。作为智能化集成检测体系100的组件，在线检测设备422、智能化数据采集系统423和来自摄像机424或来自伴行设备121的其他数据，并将它们的输出数据集进行解释、组合并存储到历史数据服务器413中。

在中央风险建模层430处，风险建模机431，模拟器432和故障机制学习机433作为中央处理单元302。数据输入既包括来自检查接口层420的新检测数据集又包括来自数据连接层410的历史数据集和故障事件数据集。

在监督控制和监视层440处，风险监视器441和泄漏检测器442通过接收、处理和可视化来自中央风险建模层430的分析预测、发现和结论与SCADA系统和操作系统443上的实时瞬态模型(RTTM)进行交互以防止管道故障。

图5A示出了分阶段动态风险建模生命周期500的示例性实施例。

首先，检测阶段510由智能化集成检测体系100中的多通道检测设备共同驱动。来自在线检测设备111的实时数据在收集过程中与相应地理信息相映射、标示，将采集到的数据有效地解释为相应的属性，以形成范围广泛的、多维的数据集。

第二，数据处理阶段520对来自不同来源的数据进行分组、集成和运算操作管理，这些数据既可以是历史数据，也可以是来自运行操作系统130的新近收集的现场数据，并且将数据分类，划分为不同风险事件驱动聚类，以进行建模需求。

第三，风险建模阶段530基于数据分组、数据重新采样和数据挖掘技术，利用DEVS、图论和失效机制学习进行的仿真是基于机器学习原理，该原理将于图7中做进一步描述。风险建模530生成风险预测和行动建议措施。

第四，利用来自风险建模阶段530的结果和预测，操作和完整性管理阶段540启动维护、维修、风险监测、泄漏检测以及新的检查计划和调度安排以启动进行下一轮风险管理周期。

因此，该风险计算建模系统是多阶段、多层次、基于检查、面向数据、事件驱动，动态循环的全系统解决方案。

图5B示出了风险计算建模系统的工作流程图的示例性实施例，更详细地解释了分阶段的动态风险建模生命周期500。

检测阶段510包括检查请求和计划调度511，外部伴行设备和视频检测512，智能在线检测513，智能数据采取514，压力测试515和数据解释516。

数据处理阶段520包括管道数据分段521，数据对齐522和威胁识别523。

在第三阶段，风险建模530包括数据挖掘531，失效机制学习532，风险建模/预测533，仿真模拟/验证和确认534以及试验/失效路径测试535。此阶段在图7做进一步描述解释。

在第四阶段540，来自风险建模阶段530的关于威胁和风险驱动因素507的分析结果，洞察发现和预测结论被输入到风险监视器541、检漏仪542，RTTM(实时瞬变模型)和SCADA系统543中以进行支持监视、控制、对风险脆弱点的操作监视以及检测可能在严重故障失效之前的渗漏或可能发生的严重故障。关于威胁和风险驱动因素507的结果也被传输到检查请求和调度511，以进行管道完整性管理项目的应用，并启动下一轮周期。

来自风险建模阶段530的关于威胁和风险驱动因素507的分析结果、洞察发现和预测结论将作为外部或内部检查的指令传输到外部伴行设备和视频检测512、智能在线检测513、智能数据采取514，触发对一些关键位置、重点威胁的详细检查和数据收集。机器学习中的模式识别之类的见解发现可以与检测设备集成在一起，以使它们对问题识别更加敏锐、敏感和智能化。

当前在管道完整性管理中，关于气体和液体管道的规则都要求进行风险分析和数据集成评估。实际上，这是最常见的问题和挑战，因为出于各种原因，数据通常以不同的格式收集，并且没有通用的标识符，因此几乎不可能进行有效的集成。智能化集成检测体系100中的不同检测设备的协同工作可以帮助克服管道工业面临的挑战和困难。

图6A示出了智能化集成检测体系600及其检查设备协同工作的示例性实施例。

基本上，图5中在线检测513和智能数据采集514的传感器和测试设备可以被安装并携带在自适应检测车，以构建成为智能化集成在线检测设备611，所述该设备配备有可再生和可充电的动力系统，用于在线检测的自行推进的和自适应控制。

在线检测设备611可以在管道601内自适应地制导航行并由诸如无人机621的伴行设备引导。设备之间的通信结构由无线信号622，智能网关通信器602，低频信号发生器603和收发器613，以及具有地理数据的消息信号614。

在线检测装置611和外部检测装置621之间的交互共同工作产生在线检测装置611的管道内部探测数据集和外部检查装置621的外部数据集及其之间的公共管线位置。管道内部和外部可以使用共同地理信息对数据集进行映射、标示，包括在检查和数据收集过程中沿管道位置的通用标识符。这种映射、标示可以提高数据质量，并可以进行有效的数据集成。

例如，在具有地面位移的位置604处，土壤运动可能导致管道变形622。管内检测设备611和外部检测设备(例如，无人机621上的摄像机)都可以从不同的角度检测到管道变形622。在线检测设备611和无人机621在不同的检测方位通道(管道内部和外部)收集数据，并产生多个数据集。来自管道的与相同变形604有关的内、外测量的多个数据集可以使用标示的地理信息被整合，然后被处理以用于风险建模和风险评估。

大约40％-50％的重大事故是由与时间无关的事件或随机风险事件所引起，这给预测管道的故障失效带来巨大的不确定性。对于随机风险事件，例如第三方/机械损坏，挖掘，故意破坏，与天气有关的因素和外力，无人机频繁进行外部检查、以及在线检测设备611和外部检查设备621进行的联合检查就可能更快、更及时地发现潜在问题，就可以降低由随机风险事件引起的管道故障失效机会，以帮助克服系统风险的不确定性。此外，由智能化集成检测体系600收集的与时间无关或随机风险事件的数据可以有效地用于基于集群机方法的风险建模，以大大改善风险建模系统的适用性和准确性。

ASMEB31.8S规范提出压力测试可以作为三种管道完整性评估方法之一。在此规范的压力测试过程中，测试压力为最大允许工作压力(MAOP)的1.25至1.5倍。要使管道充满水或其他流体/气体，可能需要几天的时间才能获得这样测试压力。压力测试一英里管道的成本在150,000美元到500,000美元之间。由于在线检查的成本较低，每英里的成本只达5000美元，因此实际中使用在线检查工具评估管道里程超过总量的92％。凭借其成本有效的优势，智能化集成检测体系600的在线检测设备611可以执行图5所示的实时压力测试515。在线检测装置611可以执行强度测试和泄漏测试，图6B做出了更详细地解释。

图6B示出了管道内部智能数据采集设备进行泄漏检测的压力测试的横截面的示例性实施例。所述实施例中，内部检测装置611上配置安装了12个压力传感器6110、6111、6112、613、6114、6115、6116、6117、6118、6119、6120、6121。传感器环绕在线检测装置611布置并放置在其管道601的内壁附近。在正常条件下，沿管线601内壁的压力分布应近似均匀。因此，任何两个压力传感器之间的压力差相对较小。

在所述示例中，管线601上有一个泄漏点6011。由于泄漏点6011位于压力传感器6111和6112之间，因此在压力传感器6111和6112处测量的压力值应低于在压力传感器6113、6110测量的压力值。传感器之间的压力差随距泄漏点6011的距离的增加而增加。因此，最大压力差应在压力传感器6112和6118之间或压力传感器6111和6117之间。与正常操作条件相比，对角的两个压力传感器(例如，在6111和6117之间或在6112和6118之间)压力测值差距相对较大。

在使用中，在线检测装置611在沿著管道的长度在大致相同的位置处收集在围绕管道601的内壁的周长且邻近多个位点处的压力读数。当围绕圆周的不同位点处的两个或多个压力读数之间的差值大于预定阈值时，则确定泄漏。来自伴行设备621的地理信息可以沿著管道的长度提供泄漏点的位置。此外，两个或多个压力读数之间的差值可以指示泄漏的大小，例如，针孔泄漏，小泄漏，大泄漏或破裂。通常，泄漏的大小会随著两个或多个压力读数之间的差异增加而增加。因此，围绕管道601的内壁的压力稳定性测试可以检测泄漏并且甚至沿著管道的长度识别泄漏的位置。

理论上，由于沿给定长度的管道与流体平均速度的摩擦而产生压力损失。在流体动力学中，Darcy━Weisbach方程是一个经验模型：

每单位长度的压力损失Δp/L(单位：Pa/m)是以下参数和变量的函数：

ρ，流体的密度(kg/m3)；

D，管道的水力直径(m)；

ν，平均流速(m/s)；

f_D，达西摩擦系数(也称为流量系数λ)。

当在线检测装置611沿管道进行轴向移动时，其测量到不同位置处的压力值以验证经验方程式并帮助建立新的压力方程式模型。

压力循环数据用作预测疲劳裂纹增长的机制。在线检测设备611收集的压力数据还可以在下面验证和修改此类“工作压力循环”模型：

P_X,站之间任意点的压力

P₁＝工作期间上游站产生的压力，psig

P₂＝运行期间下游站的吸气压力，psig

K＝psi/头英尺

L₁＝上游英里里程，英里

L₂＝下游的英里里程，英里

L_X＝位置X的英里数，英里

h₁＝上游海拔，英尺

h₂＝下游海拔，英尺

hx＝位置X的高程，英尺。

该方法用于确定泵站之间选定位置的压力循环。

裂纹增长模型可用于评估压力循环诱导的增长对管道中可能残留的缺陷的影响。由压力循环谱引起的裂纹扩展速率使用巴黎定律方程建模：

其中“a”是裂纹深度，

“N”是压力循环数，

是每个周期的裂纹扩展量(da)，

ΔK是给定压力周期的应力强度因子。

常数“C”和指数“n”表示适用于特定材料和环境的疲劳裂纹扩展速率。

图1C示出了智能化集成检测体系100的输出数据集。智能数据采集设备111携带多个传感器，这些传感器被配置为检测以下一项或多项：径向位移、压力、温度、流量和声学，以收集不同数据集。因此，如图5B所示，智能数据采集514和压力测试515可以沿著管道路线建立足够的和高精度的连续数据文档，从而显著提高RTTM/SCADA系统543和泄漏检测器542的灵敏度，有效性和可靠性。因此，所述该系统可以有效地提高泄漏预测和检测的机率，并准确地确定泄漏位置，包括微小或针孔泄漏。

基于多个数据收集通道、数据集成和实时压力测试的融合，来自风险计算建模系统的输出结果和发现均可用于支持泄漏检测监控和风险监测，以通过提高管道运行系统监控的准确性，敏感性和可靠性来防止管道的故障和失效，从而将管道运行和完整性管理系统融合为一体。

图7示出了用于风险计算建模系统400的中央处理单元的结构和工作流程的示例性实施例。风险建模机710包括两个支持组件，称为模拟器720和故障机制学习机730。

集群机(具有风险事件集群的有限状态机)是用于对管道的风险动态系统建模的11元组结构。它定义了三组函数(内部，外部和汇合)和三组风险事件。内部转移函数集分为三个函数子集：基于腐蚀、基于应力和基于压力-缺陷的转移函数。

每个风险事件都可以被映射转换为内部、外部或汇合的转换函数以及对应输入变量及其值的相应集合。集群机(Cluster Machine)与8元组DEVS结构不同，但是它也可以被映射转换为DEVS形式结构一组原子模型和耦合模型。图7中的模拟器720可以在集群机或DEVS的形式下进行建模。

实验721可以使用已知的一组内部转换函数来模拟可能的风险和故障失效状态。其实验结果721被记录为事件案例，并存储在故障事件数据服务器703上。实际上，已经有许多基于压力-缺陷的函数被提出。ASME B31G针对有缺陷的管道的破裂压力方程便是可以在此风险建模系统中应用的模型：

p:有缺陷的管道的破裂压力,MPa；

当

当

σ＝SMYS+68.95MPa作为管道的流动应力,MPa；

D：管径，mm；

t：管壁厚度，mm；

d：缺陷深度，mm；

l：缺陷长度，mm；

M：危险因素

SMYS：指定的最小屈服应力

用于计算烃类输送管道中的剩余强度的最著名的过渡函数是ASMEB31G和RSTRENG模型：

ASME B31G模型:

RSTRENG模型:

p是具有主动腐蚀缺陷的管道的破坏压力；

D：管径，mm；

t：管壁厚度，mm；

L：缺陷长度；

y：缺陷深度；

YS：屈服强度

还有更多的转移函数用于与基于腐蚀、裂纹和压力-缺陷的转移函数相关的管道建模。可以在模拟器720中实现和建模，设置具有不同风险原因事件及其变量值以用于实验721的多个转移函数，并对其进行建模，并结合过去事件的根本事件(原因)分析以生成更多事件和数据案例。

与诸如交互威胁因素矩阵，用于交互威胁因素的故障树模型之类的传统风险建模方法不同，集群机可以实例化所有基于状态的风险-失效路径和风险事件驱动的转移函数。所有可能的路径的汇总也可以视为故障失效路径树，将其表示为图形G：

G＝(V,E,φ)

V：一组顶点(也称为节点或点)；

E：一组边(也称为链接或线)；

φ：E→{{x，y}|(x，y)∈V²∧x≠y}一个映射函数，将每个边映射到有序的一对顶点

模拟器720中的失效路径测试722枚举并模拟了从群集机导出的所有可能路径。此过程还会产生许多有用的结果作为具有大量数据集的故障失效事件案例。

失效机制学习机730作为风险建模机710和模拟器720的支持组件，学习风险事件驱动的状态转移机制并确定在集群机中定义的转移函数。失效机制学习机730基于人工智能和学习科学。所述学习科学在统计、数据挖掘和人工智能领域中起著关键作用，因此，所述失效机制学习机是一个基于数据挖掘和基于AI的学习机。

数据挖掘731是从庞大的数据集中发现风险威胁模式和失效模式的过程。这些巨大的数据集包括基于GPS位置和地理空间的管道特性，土壤的物理特性，来自不同数据源和收集渠道的检测和管道运行数据。应考虑建立与不同风险事件相关的威胁和管道故障失效的阈值。应当使用诸如聚类分析，统计分类，关联规则学习之类的数据挖掘方法来准备用于失效机制学习732的训练数据集。在数据挖掘731中识别的风险威胁模式和失效模式被分组到集群机中的不同状态子集中。

基本上，通过使用多种机器学习方法和AI模型，失效机制学习732学习风险事件驱动的状态转移机制，并尝试确定集群机中从上一状态到下一状态的转移函数。学习过程732基于数据挖掘731中的训练数据集，故障失效事件数据服务器703中的数据集和运行操作数据服务器704中的操作数据集。

作为人工智能(AI)的一部分，机器学习是一种数据科学技术，允许计算机使用现有数据来预测未来的行为，结果和趋势。这些预测基于学习过程和检测模式。包括分类和回归的监督学习可用于学习基于训练数据集将输入映射到输出的功能。这是一种用于具有示例输入输出数据对条件的方法，可以从历史数据集中获得输入输出数据对。无监督学习算法获取仅包含输入的一组数据，并在数据中查找结构，例如数据点的分组或聚类。

根据来自“石油管道失效预测模型”的报告，基于管道事故的历史数据开发出了回归分析和人工神经网络(ANN)模型。这两个模型能够令人满意地预测由于机械、运行操作、腐蚀、第三方损坏和自然灾害引起的管道失效，回归模型的平均有效性为90％，ANN模型的平均有效性为92％。

M.Lavouni等人的文章“神经网络在油气管道安全评估中的应用调查”(IEEE工程解决方案计算机智能研讨会，2014年，第95-102页)发现神经网络在管道安全领域已广泛用于预测失效的可能性，失效的原因，金属缺陷的分类以及管道上金属缺陷的检测和大小确定。

自举法(Bootstrap)是一种无需假设一个特定的理论分布，一种重要的估计统计量方差进而进行区间估计的统计方法。它的基本思想是通过从原始数据集中进行替换进行采样，从观察到的数据中生成样本。使用实验721中的经验模型和重新采样数据集，可以提高自举回归模型和ANN模型的准确性。

因此，可以将在实验721和失效路径测试722中产生的研究结果及其失效事件和案例用到失效机制学习机730中，以学习事件驱动的状态转换机制并确定在集群机中定义的转移函数。

对于识别出的每个风险威胁，风险建模过程711试图对其建立风险模型。就群集机而言，该过程首先是根据来自故障失效事件数据服务器703的情况来确定具有相应状态转移的可能故障失效路径。基于事件或原因以及输入数据集，失效机制学习机730还通过提供准确的状态和转移函数来支持该过程。

所建模型应该由验证过程723进行验证。可以基于学习机730中的失效机制学习过程732在威胁风险建模711过程中的多个可用模型进行比较。

确认过程724进行所建模型有效性测试以验证该模型是否反映了各种各样的场景和全范围应用案例和条件。测试可以是多个原子模拟仿真或耦合模拟仿真。预测712是风险建模711和建模机710的系统运行计算输出结果。所述结果可以是针对集群机中一个或多个故障模式状态(S_f∈S)的一组故障概率或风险评分。

图8示出了用于预测风险后果严重性水平的的框架的示例性实施例。所述图中风险后果计算有系统输入801和系统输出803两部分。所述系统输入801包括后果影响因子集合802和失效模式状态及其风险概率集合816。所述后果影响因子集合802包括受体子集821，分散因子子集822和产品危害子集823。

基于失效模式状态及其风险概率集合816的渗漏811、小泄漏812、大泄漏813、破裂814和击穿815的概率输入来估计风险后果。所述风险概率集合来自图7中预测712的输出数据。

所述系统输出803作为风险后果评估结果的风险分数与风险严重性级别紧密相关：渗漏831的后果应相对较轻，但是破裂834的后果要比与小泄漏832、大泄漏量833、以及击穿穿835的后果严重得多。所有影响因子集合802也可以在此风险建模系统中加以预先定义，对其指数值进行模块化，并随实际情况而变化调整。

受体因子集合821包括诸如人口密度，环境考虑因素，高价值区域等因素。分散因子集合822包括天气，地形，表面流动阻力，释放的体积，紧急响应和产品特性。

产品危害因子集合823包括急性危害特征和慢性危害特征。某些产品危害物因子823实际上几乎是完全急烈性质的，例如天然气。但是气体和液体管道的输送产品均应根据其可燃性(Nf)，反应性(Nr)和毒性(Nh)进行评估，这些是急烈性危害。慢性危害特征还包括水生毒性，哺乳动物毒性，环境持久性，可燃性，腐蚀性和反应性。

具有失效机制学习机的所述多层风险计算建模框架实际上是针对所有有效定量风险模型的开放结构。仿真模拟器和故障失效机制学习机都可以实施不同的风险模型并对其进行实验和学习，然后在建模机中进行验证和比较。此外，所述风险计算建模系统还对风险分析和评估的新方法和算法保持开放。

在本文的一个或多个方面，一种处理电路或单元包括至少一个处理装置，例如微处理器，微控制器，数字信号处理器，微计算机，神经网络，AI处理器，量子处理器，现场可编程门阵列，可编程逻辑设备，状态机，逻辑电路，模拟电路，数字电路和/或基于电路和/或操作指令的硬编码来操纵信号(模拟和/或数字)的任何设备。本文所使用的存储设备是非暂时性存储器，并且可以是内部存储器或外部存储器，并且该存储器可以是单个存储设备或多个存储设备。存储器可以是只读存储器，随机存取存储器和/或任何存储信息的非暂时性存储设备。通常，处理电路，单元或设备被配置为响应于存储在存储设备中的指令来执行本文描述的一个或多个功能。

如在此可以使用的，术语“可操作于”或“可配置于”或“被设置为”表示元件包括电路，指令，模块，数据，输入，输出等中的一个或多个，以执行所描述的或必要的相应功能中的一个或多个，并且还可以包括推断耦合至一个或多个其他项以执行所描述的或必需的相应功能。如本文中也可以使用的，术语“耦合”，“耦合至”，“连接至”和/或“连接”或“互连”包括节点/设备之间的直接连接或链接和/或节点/设备之间的间接连接。通过中间项目(例如，项目包括但不限于组件，元素，电路，模块，节点，设备，网络元素等)的节点/设备。如本文中可能进一步使用的，推断的连接(即，其中一个元素通过推断连接到另一元素的情况)包括以“连接到”相同的方式在两个项目之间进行直接和间接连接。

如本文中可以使用的，术语“基本上”和“大约”提供了其相应术语和/或项目之间的相对性的工业上可接受的公差。这种行业接受的公差范围从小于百分之一到百分之五十，并且对应于但不限于频率，波长，组件值，集成电路工艺变化，温度变化，上升和下降时间和/或热噪声。项目之间的相关性范围从几个百分点到数量级差异。

如本文中所使用的，术语“包括”，“包含”，“具有”，“具有”，“包括”，“包含”或其任何变型旨在表示非排他性包含，使得过程，包括一系列元素的方法，物品，组合物或设备不仅仅包括所列举的那些元素，还可以包括未明确列出或此类过程，方法，物品，组合物或设备所固有的其他元素。除了没有特别叙述的以外，在本发明的实践中使用的上述结构，布置，应用，比例，元素，材料或组件的其他组合和/或修改可以改变或特别地适于特定的环境，制造规格，设计参数或其他操作要求，而不背离相同的一般原则。

此外，除非特别声明，以单数形式提及元件并不旨在表示“一个且仅一个”，而是“一个或多个”。除非另有明确说明，否则术语“一些”是指一个或多个。本领域普通技术人员已知或以后将知道的，贯穿本公开内容所描述的各个方面的元素的所有结构和功能等同物均通过引用明确地并入本文，并且意在由权利要求书涵盖。此外，无论在权利要求书中是否明确记载了这种公开，本文所公开的任何内容都不旨在献给公众。

在不脱离本公开的情况下，可以在不同的系统和设备中实现本文描述的本公开的各种特征。应当注意，本公开的前述方面仅是示例，并且不应被解释为限制本公开。本公开的各方面的描述旨在是说明性的，而不是限制权利要求的范围。这样，本教导可以容易地应用于其他类型的装置，并且许多替代，修改和变化对于本领域技术人员将是显而易见的。

在前述说明书中，已经参考特定示例描述了某些代表性方面。然而，在不脱离权利要求的范围的情况下，可以进行各种修改和改变。说明书和附图是说明性的，而不是限制性的，并且修改旨在被包括在权利要求的范围内。因此，权利要求的范围应由权利要求本身及其合法等价物确定，而不是仅由所描述的示例确定。例如，在任何装置权利要求中记载的部件和/或元件可以以各种排列被组装或以其他方式可操作地配置，并且因此不限于权利要求中记载的特定配置。

Claims

1.一种用于管道运行和完整性管理的系统，所述系统包括：

至少一个存储器，包括非暂时性存储器，用于存储从管道运行系统获得的现场数据和从在线检查车获得的在线数据；

至少一个处理器，设置为：

对在线数据和现场数据进行数据处理，以生成用于风险建模的输入数据；

使用所述输入数据执行所述管道的风险建模以预测所述管道处的多种失效模式状态之一的风险；和通过管道运行操作系统和在线检测装置启动对管道所述该部分的风险监控。

2.根据权利要求1所述的系统，其中，所述多种失效模式状态包括渗漏，小泄漏，大泄漏，破裂和击穿。

3.根据权利要求1所述的系统，其中，所述至少一个处理器被设置为通过以下方式对所述管道进行风险建模：

使用定义了多组转移函数的集群机来处理输入，其中，多组转移函数包括一组内部转移函数，该内部转移函数具有至少基于腐蚀的转移函数、基于应力的转移函数、和基于压力-缺陷的转移函数的三个子集。

4.根据权利要求3所述的系统，其中，所述集群机还包括所定义的多个事件的集群，其中，所述多个事件的集群至少包括：与运行操作相关的风险事件集群、随机风险事件集群、与时间相关的风险事件集群。

5.根据权利要求4所述的系统，其中，所述集群机M被定义为：

M＝<X,S,Y,δ_i,δ_e,δ_c,λ,T,O,R,ta>，其中X是输入值集合，S是序列状态集合，Y是一组输出值集合，δ_i是一组内部转移函数集合，δ_e是一组外部转移函数集合，δ_c是一组汇合转移函数集合，T是与时间相关的风险事件集群，O是与运行操作相关的风险事件集群，R是随机风险事件集群，λ是输出函数集合，ta是时间推进函数。

6.根据权利要求5所述的系统，其中，所述至少一个处理器还被设置为：

将从所述针对管内在线检测装置的外部伴行设备获得的地理数据接收并存储到存储器中，其中，该伴行器在管道外部，并设置为确定在线检查设备的地理数据并生成传送到智能网关的信息，包括地理数据、和从伴行器中的摄像机接收的视频数据并将其存储在所述存储器中。

7.根据权利要求6所述的系统，其中，所述至少一个处理器还被设置为：

将地理数据与来自管内在线检查设备的在线数据相关联，以确定在线数据沿管道长度的位置。

8.根据权利要求7所述的系统，其中，所述至少一个处理器还被设置为：

对管道在线数据，现场数据和管道外部数据执行数据处理，以生成用于风险建模的输入数据。

9.根据权利要求1所述的系统，其中，所述管道内部在线检查设备包括励磁及相关器件，所述励磁及相关器件被设置为在所述管线中产生磁场信号。

10.根据权利要求9所述的系统，其中，在所述管道外部的所述伴行器被设置为：

检测来自管道内部在线检查设备的磁场信号；

确定包括管内在线检查设备的位置信息在内的地理数据；和

生成包含地理数据的相关信息传送到智能网关。

11.根据权利要求10所述的系统，其中，所述管内在线检查设备包括被设置为与所述管壁相互作用以检测来自所述智能网关的非常低或超低频信号的天线，其中，所述非常低或超低频信号还包括地理数据。

12.根据权利要求11所述的系统，所述管内在线检查设备包括多个压力传感器，所述多个压力传感器被设置在环绕所述管内检测车及所述管道内壁圆周附近的不同位置上。

13.根据权利要求12所述的系统，其中，所述管内在线检查设备被设置为基于来自所述多个压力传感器的两个或更多个压力读数之间的差值大于预定阈值来确定所述管道中的泄漏。

14.一种用于管道运行操作和完整性管理的系统，包括：

至少一个存储器，包括一个或多个非暂时性存储器，用于存储从操作系统获得的现场数据，从在线检查车辆获得的在线数据以及来自外部伴行设备上的摄像机的外部数据；至少一个处理器，设置为：

使用从管道运行系统获得的现场数据，从在线检查车辆获得的在线数据以及来自外部伴行设备上的摄像机的外部数据生成一组输入值集合；

使用风险建模分析来处理输入值的集合，以生成输出值集合，该输出值集合包括所述管道处的多种失效模式状态之一的风险预测；和通过管道操作系统和在线检测装置及其伴行器启动对管道所述该部分的风险监控。

15.根据权利要求14所述的系统，其中，所述至少一个处理器被设置为使用所述风险建模分析来处理所述一组输入值，以通过以下方式生成所述输出值集合：

使用所述集群机M被定义为：M＝<X,S,Y,δ_i,δ_e,δ_c,λ,T,O,R,ta>处理输入值集合，其中X是输入值集合，S是序列状态集合，Y是一组输出值集合，δ_i是一组内部转移函数集合，δ_e是一组外部转移函数集合，δ_c是一组汇合转移函数集合，T是时变风险事件集群，O是与运行操作相关的风险事件集群，R是随机风险事件集群，λ是输出函数集合，ta是时间推进函数。

16.根据权利要求15所述的系统，其中，所述至少一个处理器被设置为确定所述状态集合S，其中，所述状态集合S包括初始状态的子集，转移状态的子集以及失效模式状态的子集。

17.根据权利要求16所述的系统，其中，所述至少一个处理器被设置为针对与时间相关的(时变)风险事件集群、与操作相关的风险事件集群和随机风险事件集群中的每个风险事件都可以定义成为对应的一组转移函数集合和一组输入变量及其输入值集合。

18.根据权利要求17所述的系统，其中，所述至少一个处理器被置设为定义所述失效模式状态集合，包括渗漏，小泄漏，大泄漏，破裂和击刺。

19.根据权利要求18所述的系统，其中，所述至少一个处理器被设置为将所述汇合转移函数集合定义为包括基于腐蚀的转移函数子集、基于应力的转移函数子集和基于压力-缺陷的转移函数子集。

20.根据权利要求12所述的系统，其中，所述至少一个处理器还被设置为：

将从伴行器获得的地理数据接收并存储到存储设备中，其中，该伴行器在管道外部，并设置为确定管内在线检查设备的地理数据并生成包括地理数据信息传送到智能网关；

将地理数据与来自管内在线检查设备的在线数据相关联，以确定在线数据沿管道长度的位置；

和接受来自伴行器中的摄像机的视频数据并将其存储在存储器中。