基于監(jiān)測(cè)數(shù)據(jù)的油氣管道預(yù)警技術(shù)

(東北石油大學(xué)，黑龍江大慶 163318)

0 引言

隨著石油與天然氣開采力度的加大，管道運(yùn)輸已成為油氣資源的重要運(yùn)輸方式。在長(zhǎng)期服役過程中，管道會(huì)受到環(huán)境載荷的作用而產(chǎn)生腐蝕、老化等損傷；部分管道鋪設(shè)在地質(zhì)災(zāi)害頻發(fā)的地帶，地質(zhì)滑坡、泥石流等災(zāi)害很容易引起管道的基礎(chǔ)沉降；此外，人為破壞也是管道產(chǎn)生損傷的重要因素。因此，為保障管道在服役期間安全運(yùn)行，對(duì)其進(jìn)行健康監(jiān)測(cè)就顯得十分必要和重要。

管道健康監(jiān)測(cè)系統(tǒng)一般由傳感器系統(tǒng)、數(shù)據(jù)采集與傳輸系統(tǒng)、數(shù)據(jù)處理與預(yù)警系統(tǒng)等組成。具體流程為：首先在管道重要部位布置傳感器進(jìn)行實(shí)時(shí)監(jiān)測(cè)，獲得應(yīng)變、位移、溫度等數(shù)據(jù)；然后對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行實(shí)時(shí)處理，以便對(duì)管道進(jìn)行健康評(píng)估與安全預(yù)警。其中，基于監(jiān)測(cè)數(shù)據(jù)的預(yù)警技術(shù)至關(guān)重要，如通過設(shè)置預(yù)警指標(biāo)和控制限，將海量監(jiān)測(cè)數(shù)據(jù)與這些安全閾值進(jìn)行對(duì)比，以判斷是否存在異?；虺?，從而對(duì)管道的安全狀態(tài)進(jìn)行評(píng)定。

預(yù)警技術(shù)總體可分為基于模型的預(yù)警技術(shù)(如有限元模型預(yù)警)和基于數(shù)據(jù)的預(yù)警技術(shù)。本文重點(diǎn)探討基于監(jiān)測(cè)數(shù)據(jù)的預(yù)警技術(shù)，主要分為基于信號(hào)處理的預(yù)警技術(shù)、基于時(shí)間序列的預(yù)警技術(shù)、基于人工智能的預(yù)警技術(shù)等。

1 基于信號(hào)處理的預(yù)警技術(shù)

1.1 統(tǒng)計(jì)分析方法

基于統(tǒng)計(jì)分析的方法可以對(duì)異常監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)警，常見的統(tǒng)計(jì)方法有均值、相關(guān)性分析、殘差、控制圖等。

在土木結(jié)構(gòu)損傷預(yù)警中，Hilbert-Huang變換被用來處理結(jié)構(gòu)響應(yīng)信號(hào)，再通過自回歸模型進(jìn)行擬合，利用待識(shí)別工況的殘差與完好結(jié)構(gòu)的殘差的方差之比來進(jìn)行預(yù)警，大于1則表明出現(xiàn)異常[1]。

互信息理論可用于管道腐蝕等相關(guān)因素分析。張河葦?shù)萚2]以管道大數(shù)據(jù)為基礎(chǔ)，采集數(shù)據(jù)并建立相關(guān)性分析模型來表示管道腐蝕和其他因素的互信息，進(jìn)而確定相關(guān)性最強(qiáng)因素，為事故預(yù)防提供依據(jù)。

控制圖基于正常狀態(tài)下預(yù)警指標(biāo)的統(tǒng)計(jì)特性，確定樣本點(diǎn)的均值和控制限，在同一幅圖中繪制未知數(shù)據(jù)，當(dāng)數(shù)據(jù)落在界限外則發(fā)出預(yù)警。Ogaja等[3]將累積和控制圖用于結(jié)構(gòu)振動(dòng)頻率異常的檢測(cè)，證明了該方法可以識(shí)別頻率的微小變化。管道結(jié)構(gòu)監(jiān)測(cè)數(shù)據(jù)在異常情況下方差不變但均值偏移，伊廷華等[4]提出了基于控制圖的GPS異常波動(dòng)數(shù)據(jù)檢驗(yàn)方法。為了提高GPS異常監(jiān)測(cè)數(shù)據(jù)識(shí)別精度，基于關(guān)聯(lián)負(fù)選擇的識(shí)別算法，利用監(jiān)測(cè)數(shù)據(jù)建立關(guān)聯(lián)模型并選擇關(guān)聯(lián)度的概率標(biāo)準(zhǔn)差作為預(yù)警閥值。除了休哈特圖，還可以根據(jù)自組織理論建立臨界控制圖，選取異常數(shù)據(jù)計(jì)算殘差并進(jìn)行統(tǒng)計(jì)，建立控制限并對(duì)殘差取絕對(duì)值，剔除較小數(shù)據(jù)同樣能進(jìn)行異常預(yù)警[5]。

1.2 小波分析方法

小波分析是指對(duì)信號(hào)進(jìn)行多尺度細(xì)化，以自動(dòng)適應(yīng)時(shí)頻信號(hào)的分析要求，從而聚焦到信號(hào)的任意細(xì)節(jié)。

由于結(jié)構(gòu)損傷會(huì)引起結(jié)構(gòu)響應(yīng)的能量在各個(gè)頻帶內(nèi)重新分布，因此通過小波分解后的能量變化可以將基于頻帶內(nèi)能量的相對(duì)變化和能量比偏差作為結(jié)構(gòu)損傷的預(yù)警指標(biāo)，該方法不但對(duì)結(jié)構(gòu)損傷具有敏感性，而且具有更好的噪聲魯棒性[6]。王超等[7]以結(jié)構(gòu)健康狀況作為基準(zhǔn)狀態(tài)，同時(shí)對(duì)環(huán)境激勵(lì)下的結(jié)構(gòu)動(dòng)力響應(yīng)信號(hào)進(jìn)行小波分解,得到其能量分布，定義能量分布變化偏差和能量分布變化方差兩個(gè)預(yù)警指標(biāo)，當(dāng)結(jié)構(gòu)健康狀態(tài)發(fā)生改變時(shí)預(yù)警指標(biāo)將會(huì)增加。丁幼亮等[8]將結(jié)構(gòu)在動(dòng)力響應(yīng)下的特征參數(shù)作為損傷是否產(chǎn)生的依據(jù)，利用小波技術(shù)提取能量信號(hào)組成特征值，通過損傷前后能量相對(duì)百分比的變化來實(shí)現(xiàn)預(yù)警。

不僅小波技術(shù)能夠用于結(jié)構(gòu)損傷預(yù)警，小波包能量譜也可用于結(jié)構(gòu)預(yù)警。由于小波包能量譜能夠敏感地表征結(jié)構(gòu)損傷，并且隨著分解程度的增加對(duì)損傷的敏感程度也增加，因此可將結(jié)構(gòu)動(dòng)力響應(yīng)做有限次的小波分解，基于小波分解得到狀態(tài)方程和輸出方程，選取前幾個(gè)能量較大的頻帶，并將各頻帶的能量比作為預(yù)警指標(biāo)，基于能量比的變化即可判斷結(jié)構(gòu)損傷[9]。

1.3 信息融合方法

信息融合是指按照一定準(zhǔn)則對(duì)多個(gè)傳感器獲得的信息進(jìn)行處理與分析，以完成目標(biāo)跟蹤、目標(biāo)識(shí)別、狀態(tài)評(píng)估等功能而進(jìn)行的信息處理過程。

信息融合技術(shù)也可以用于管道異常預(yù)警，其中如何對(duì)來自不同傳感器的信息進(jìn)行融合與處理是評(píng)價(jià)管道健康的關(guān)鍵[10]。我國(guó)的壓力鋼管由于設(shè)計(jì)、安裝、技術(shù)手段、安全管理等方面原因，經(jīng)常處于異常運(yùn)行狀態(tài)。黃波等[11]通過調(diào)研管道受損情況，提出將應(yīng)力、位移、加速度等參數(shù)作為鋼管運(yùn)行狀態(tài)的特征量，通過D-S證據(jù)理論將特征量按照有無趨勢(shì)性和有無突變兩類進(jìn)行融合，當(dāng)信息融合識(shí)別表明趨勢(shì)性可信度很大時(shí)，運(yùn)行狀態(tài)出現(xiàn)異常。李傳坤等[12]基于信息融合技術(shù)，充分利用化工管道溫度、壓力等數(shù)據(jù)源進(jìn)行融合，以反映工況變化并進(jìn)行濾波處理，通過平行坐標(biāo)圖進(jìn)行最優(yōu)報(bào)警限分析，為異常工況識(shí)別打下基礎(chǔ)。針對(duì)確定型和不確定型異常工況，應(yīng)用專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)等技術(shù)進(jìn)行異常識(shí)別，基于統(tǒng)計(jì)過程監(jiān)控方法[13]可以避免診斷結(jié)果的不確定性。

部分埋地管道途經(jīng)人口密集區(qū)域，這就給管道安全評(píng)價(jià)帶來困難，白樺[14]基于Vague集理論的多源信息融合方法，建立多信息源多級(jí)融合模型，對(duì)埋地管道進(jìn)行了損傷評(píng)價(jià)與健康預(yù)警。D-S證據(jù)理論還可以與小波技術(shù)相結(jié)合，丁幼亮等[15]基于D-S證據(jù)理論對(duì)環(huán)境激勵(lì)下識(shí)別的小波包能量譜進(jìn)行多源信息融合，利用改進(jìn)后的小波能量譜計(jì)算健康和損傷狀態(tài)下的能量比的變化，通過試驗(yàn)證明聯(lián)合小波包分析和信息融合技術(shù)能夠提高預(yù)警效果。

綜上所述，利用控制圖、殘差等統(tǒng)計(jì)分析方法對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理，通過設(shè)置控制限對(duì)異常數(shù)據(jù)進(jìn)行預(yù)警的方式相對(duì)比較成熟；而基于小波技術(shù)與小波包能量譜定義的損傷預(yù)警指標(biāo)進(jìn)行管道結(jié)構(gòu)的損傷預(yù)警，是目前的研究熱點(diǎn)之一，涌現(xiàn)出許多新的信號(hào)處理方法，可為管道安全預(yù)警提供借鑒。相比較而言，利用信息融合技術(shù)對(duì)管道進(jìn)行異常預(yù)警的研究較少，它主要通過D-S證據(jù)理論，同時(shí)結(jié)合模糊理論、小波技術(shù)等用于損傷、異常預(yù)警；但多傳感器信息融合由于其自身的優(yōu)越性，必將成為管道預(yù)警的重要技術(shù)。

2 基于時(shí)間序列的預(yù)警技術(shù)

2.1 自回歸移動(dòng)平均模型

時(shí)間序列分析是復(fù)雜系統(tǒng)建模與預(yù)測(cè)的一類重要方法，基本思想是依據(jù)時(shí)間序列進(jìn)行空間構(gòu)建，重新構(gòu)建訓(xùn)練樣本，選擇合適的逼近函數(shù)進(jìn)行參數(shù)確定，最后根據(jù)確定的預(yù)測(cè)器構(gòu)建預(yù)測(cè)模型并進(jìn)行序列分析。自回歸移動(dòng)平均(ARMA)模型由自回歸 (AR) 模型和移動(dòng)平均(MA)模型組成，是時(shí)間序列分析的重要方法。

胡澤文等[16]通過分析帶有時(shí)間戳的故障運(yùn)行信息，基于樣本自相關(guān)函數(shù)和偏自相關(guān)函數(shù)對(duì)給定的時(shí)間序列進(jìn)行模型識(shí)別，分別對(duì)MA模型和AR模型進(jìn)行均值和方差估計(jì)，基于均方誤差最小得到最佳預(yù)測(cè)值，進(jìn)而提出ARMA時(shí)間序列故障預(yù)測(cè)模型。由于時(shí)間序列分析在數(shù)據(jù)處理方面有較強(qiáng)的可操作性，肖漢斌等[17]基于時(shí)間序列分析提出了損傷預(yù)警算法，結(jié)合監(jiān)測(cè)數(shù)據(jù)用于結(jié)構(gòu)狀態(tài)的預(yù)測(cè)、識(shí)別與報(bào)警；Nair等[18]通過對(duì)振動(dòng)信號(hào)建立ARMA模型，基于AR模型提取損傷特征參數(shù)，實(shí)現(xiàn)了基于時(shí)間序列算法的ASCE基準(zhǔn)結(jié)構(gòu)損傷識(shí)別與定位。

環(huán)境因素會(huì)對(duì)響應(yīng)信號(hào)造成影響，刁延松等[19]基于AR模型對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行建模，考慮溫度的影響建立結(jié)構(gòu)動(dòng)力響應(yīng)方程，通過因子分析并轉(zhuǎn)化為因子模型，最終得到去除環(huán)境影響的動(dòng)力響應(yīng)特征參數(shù)，并利用標(biāo)準(zhǔn)控制圖進(jìn)行損傷預(yù)警。另外,通過構(gòu)造損傷前后的AR模型系數(shù)之間的歐氏距離，由標(biāo)準(zhǔn)差控制圖也可以進(jìn)行損傷判斷。Fugate等[20]提出了基于控制圖的統(tǒng)計(jì)過程控制方法，利用未損壞結(jié)構(gòu)建立AR模型并將殘差作為損傷敏感特征，通過控制圖監(jiān)控均值和方差來建立控制范圍。

ARMA模型除了能夠結(jié)合控制圖對(duì)管道異常數(shù)據(jù)進(jìn)行預(yù)警，基于自組織臨界理論[21]找出管道處于異常狀態(tài)時(shí)的殘差臨界點(diǎn)，還可以組合灰色GM(1,1)模型分別對(duì)高頻細(xì)節(jié)和低頻信號(hào)進(jìn)行預(yù)測(cè)，在提高預(yù)測(cè)效果的同時(shí)，為管道預(yù)警提供技術(shù)支持[22]。

2.2 卡爾曼濾波

卡爾曼濾波是指利用線性系統(tǒng)狀態(tài)方程，通過系統(tǒng)的輸入和輸出數(shù)據(jù)進(jìn)行系統(tǒng)的最優(yōu)估計(jì)。

該技術(shù)可用于石油化工過程故障預(yù)警和預(yù)測(cè)工藝狀態(tài)，能夠削弱誤差和噪聲的影響，并且能夠脫離對(duì)模型的依賴，有利于對(duì)異常工況實(shí)時(shí)預(yù)測(cè)，也能夠快速應(yīng)對(duì)突發(fā)的異常工況[23]。胡瑾秋等[24]提出灰色關(guān)聯(lián)分析和卡爾曼濾波的石油化工管道聯(lián)合預(yù)警方法，根據(jù)灰色關(guān)聯(lián)分析得到預(yù)測(cè)樣本和關(guān)聯(lián)因素之間的回歸方程，再基于卡爾曼濾波建立預(yù)測(cè)樣本時(shí)間序列的回歸模型，大大提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性。王杭州等[25]基于卡爾曼濾波和灰色系統(tǒng)理論，對(duì)化工過程異常工況發(fā)展趨勢(shì)進(jìn)行了有效預(yù)測(cè)。

由于受到地質(zhì)災(zāi)害或基礎(chǔ)沉降的影響，管道很容易產(chǎn)生變形破壞?；诳柭鼮V波提取變形信息，應(yīng)用雙邊累積和算法[26]建立預(yù)警模型，應(yīng)用累積數(shù)據(jù)實(shí)時(shí)計(jì)算時(shí)間序列的均值和方差，通過定義平均運(yùn)行長(zhǎng)度來確定預(yù)警閾值，進(jìn)而進(jìn)行變形預(yù)警。

綜上可見，基于監(jiān)測(cè)數(shù)據(jù)的時(shí)間序列分析主要是通過建模完成，包括利用ARMA模型和卡爾曼濾波得到預(yù)測(cè)模型，其中ARMA模型的研究較為成熟，同時(shí)可與控制圖、灰色關(guān)聯(lián)分析等技術(shù)相結(jié)合，增強(qiáng)預(yù)警能力；另外，支持向量機(jī)、貝葉斯網(wǎng)絡(luò)、矩陣分解、深度學(xué)習(xí)等基于機(jī)器學(xué)習(xí)的時(shí)間序列預(yù)測(cè)方法，為管道安全監(jiān)測(cè)提供了另一有效工具[27-28]。

3 基于人工智能的預(yù)警技術(shù)

3.1 神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)元的人工智能方法。

在獲得監(jiān)測(cè)數(shù)據(jù)后，可以通過神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行處理，從而實(shí)現(xiàn)預(yù)警。尹少平等[29]提出灰色神經(jīng)網(wǎng)絡(luò)，通過有限元軟件進(jìn)行建模，將排除故障信息的應(yīng)力監(jiān)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，同時(shí)將和應(yīng)力相關(guān)性較強(qiáng)的參數(shù)作為灰色神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行預(yù)測(cè)，使設(shè)立的報(bào)警閾值更為合理。神經(jīng)網(wǎng)絡(luò)技術(shù)還能夠?qū)艿佬孤┻M(jìn)行預(yù)警，首先通過光纖預(yù)警系統(tǒng)提取振動(dòng)信號(hào)；再利用傅立葉變換選取能量比作為特征向量；最后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)威脅和損傷進(jìn)行識(shí)別，具有很高的準(zhǔn)確率[30-32]。

管道完整性評(píng)價(jià)對(duì)于保障管道的安全運(yùn)行具有重要作用。基于管道監(jiān)測(cè)數(shù)據(jù)，El-Abbasy等[33]采用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)管道狀態(tài)進(jìn)行預(yù)測(cè)，給出了油氣管道的衰退曲線。韓小明等[34]基于人工神經(jīng)網(wǎng)絡(luò)，將管道監(jiān)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，分為威脅數(shù)據(jù)和評(píng)價(jià)數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練與學(xué)習(xí)來評(píng)價(jià)管道的狀態(tài)與潛在威脅。20世紀(jì)90年代提出的自適應(yīng)神經(jīng)模糊推理系統(tǒng)[35]也可用于管道、橋梁等結(jié)構(gòu)的安全評(píng)估和預(yù)警，通過建立評(píng)估指標(biāo)體系并進(jìn)行分級(jí)，利用相應(yīng)的模糊規(guī)則進(jìn)行安全評(píng)估。王彬等[36]基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)相應(yīng)的算法，可以將管道等結(jié)構(gòu)安全評(píng)估預(yù)警指標(biāo)進(jìn)行模糊推理，再輸入神經(jīng)網(wǎng)絡(luò)并通過專家評(píng)估數(shù)據(jù)進(jìn)行訓(xùn)練，從而使評(píng)估預(yù)測(cè)結(jié)果更準(zhǔn)確。

3.2 支持向量機(jī)模型

支持向量機(jī)(SVM)是一種有監(jiān)督的學(xué)習(xí)模型，類似于徑向基函數(shù)網(wǎng)絡(luò)，可用于模式分類和非線性回歸。

基于SVM函數(shù)逼近理論，選取恰當(dāng)?shù)膿p失函數(shù)和經(jīng)驗(yàn)風(fēng)險(xiǎn)，尉詢楷等[37]分別采用支持向量回歸模型和遞歸神經(jīng)網(wǎng)絡(luò)模型對(duì)時(shí)間序列進(jìn)行了預(yù)測(cè)建模，且前者具有較高的準(zhǔn)確度。Zhang等[38]基于故障報(bào)警準(zhǔn)確性較差這一情況，利用支持向量機(jī)對(duì)在線監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征提取，得到不同故障的敏感特性參數(shù)，通過應(yīng)用于實(shí)際故障診斷，證明了SVM對(duì)故障有較好的預(yù)警能力。

為了建立管道疲勞壽命預(yù)測(cè)模型，從而判斷疲勞時(shí)限，楊柳春[39]基于二階粒子群的優(yōu)化向量機(jī)，通過歸一化得到最優(yōu)的懲罰因子和核函數(shù)，對(duì)帶缺陷壓力油氣管道進(jìn)行了疲勞壽命預(yù)測(cè)，結(jié)果表明精確度遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)方法。有些管道由于輸送的是危險(xiǎn)品，一旦遭受第三方破壞就會(huì)產(chǎn)生災(zāi)難性后果，因此需要對(duì)管道危險(xiǎn)性進(jìn)行預(yù)警。Mita等[40]基于主成分分析選取特征向量，利用支持向量機(jī)對(duì)信號(hào)進(jìn)行分類，并通過試驗(yàn)證明了該方法的有效性。

目前，很多學(xué)者提出聯(lián)合小波分析和支持向量機(jī)對(duì)基于時(shí)間序列的監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，具有更高的預(yù)測(cè)精度。孫潔娣等[41]提出基于局域均值分解包絡(luò)譜熵及SVM相結(jié)合的方法，對(duì)天然氣管道微小泄漏孔徑進(jìn)行了識(shí)別，結(jié)果表明靈敏度較高。

另外，模糊理論也可用于管道安全預(yù)警。謝麗婉[42-43]基于埋地聚乙烯管道，建立了模糊綜合評(píng)價(jià)數(shù)學(xué)模型，通過將安全預(yù)警理論與風(fēng)險(xiǎn)矩陣相結(jié)合來確定管道的安全預(yù)警等級(jí)。

相對(duì)而言，基于人工智能的預(yù)警技術(shù)在實(shí)際工程應(yīng)用中還遠(yuǎn)未達(dá)到成熟水平。利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊理論以及專家系統(tǒng)等均可對(duì)管道異常進(jìn)行預(yù)警，但目前應(yīng)用于管道領(lǐng)域并不多見。隨著大數(shù)據(jù)時(shí)代的到來[44]，人工智能技術(shù)在管道安全預(yù)警中的應(yīng)用必將有廣闊的發(fā)展前景。

4 結(jié)語

現(xiàn)代無損檢測(cè)及監(jiān)測(cè)技術(shù)為管道完整性管理提供了溫度、壓力、應(yīng)變、振動(dòng)等大量數(shù)據(jù)，在分析和挖掘這些數(shù)據(jù)的基礎(chǔ)上，進(jìn)行安全預(yù)警成為管道領(lǐng)域的研究熱點(diǎn)之一。本文總結(jié)了基于監(jiān)測(cè)數(shù)據(jù)的油氣管道預(yù)警技術(shù)最新研究進(jìn)展及其應(yīng)用前景，其中基于統(tǒng)計(jì)分析、小波分析的預(yù)警技術(shù)較為成熟，已成功應(yīng)用于管道結(jié)構(gòu)監(jiān)測(cè)數(shù)據(jù)異常、結(jié)構(gòu)損傷等預(yù)警中；基于時(shí)間序列分析的預(yù)警技術(shù)通過對(duì)監(jiān)測(cè)數(shù)據(jù)建立數(shù)學(xué)模型，并結(jié)合控制圖技術(shù)對(duì)異常數(shù)據(jù)進(jìn)行預(yù)警；神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等在管道異常數(shù)據(jù)預(yù)警的應(yīng)用相對(duì)較少，可以聯(lián)合其他人工智能算法提高預(yù)測(cè)精度。

油氣管道實(shí)時(shí)預(yù)警技術(shù)今后的潛在發(fā)展方向?qū)⒅饕杏谝韵聨讉€(gè)方面。

(1)多種信號(hào)處理方法的相互結(jié)合以及多源信息融合的實(shí)時(shí)診斷有待于完善和提高。將小波分析方法與灰色系統(tǒng)理論、控制圖等相結(jié)合，可以提高管道發(fā)展趨勢(shì)的預(yù)測(cè)精度，同時(shí)新的信號(hào)分析方法，如內(nèi)稟特征尺度分解、符號(hào)動(dòng)力學(xué)濾波等為管道損傷特征提取技術(shù)注入了新的血液；而多傳感器的信息融合估計(jì)為管道安全預(yù)警提供了更高的可信度，它可通過與遺傳算法、神經(jīng)網(wǎng)絡(luò)等相結(jié)合來提高融合系統(tǒng)的魯棒性，并保證系統(tǒng)的實(shí)時(shí)性處理。

(2)監(jiān)測(cè)數(shù)據(jù)的急劇增加對(duì)傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法提出了嚴(yán)峻挑戰(zhàn)，將其與在線學(xué)習(xí)方法有效結(jié)合，可望解決這一問題。除了機(jī)器學(xué)習(xí)方法中的回歸分析，如貝葉斯網(wǎng)絡(luò)、高斯過程等可以進(jìn)行時(shí)間序列建模，通過在線算法不斷更新模型參數(shù)，可以大大提高預(yù)測(cè)效率，如基于參數(shù)模型的在線時(shí)間序列預(yù)測(cè)算法ARMA-ONS。另外，可開展時(shí)間序列數(shù)據(jù)的可視化分析，如利用平行坐標(biāo)圖進(jìn)行管道的異常檢測(cè)。

(3)剩余壽命預(yù)測(cè)是油氣管道安全預(yù)警的重要組成部分，在利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等基于數(shù)據(jù)驅(qū)動(dòng)的人工智能算法進(jìn)行壽命預(yù)測(cè)時(shí)，需要考慮隨機(jī)因素對(duì)管道損傷動(dòng)態(tài)發(fā)展的影響，可結(jié)合隱馬爾可夫模型、灰色GM(1,1)模型、高斯過程回歸等多種模型組合，進(jìn)而提高剩余壽命的預(yù)測(cè)精度。

(4)開展以大數(shù)據(jù)為驅(qū)動(dòng)的油氣管道智能預(yù)警診斷技術(shù)研究。完整性管理為管道安全積累了各種數(shù)據(jù)，同時(shí)催生了“數(shù)據(jù)科學(xué)與工程”這一新興研究方向。為進(jìn)一步深入分析數(shù)據(jù)信息，將大數(shù)據(jù)中的機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、深度學(xué)習(xí)等新技術(shù)應(yīng)用到油氣管道預(yù)警中，將是今后一段時(shí)間內(nèi)的研究重點(diǎn)。需要注意的是，解讀這些數(shù)據(jù)還需要結(jié)合力學(xué)理論、數(shù)值模擬等多種手段，在利用監(jiān)測(cè)數(shù)據(jù)的同時(shí)，要與傳統(tǒng)的基于模型的結(jié)構(gòu)預(yù)警技術(shù)相結(jié)合，各取所長(zhǎng)。