天然氣管道高后果區(qū)智能預(yù)警系統(tǒng)設(shè)計(jì)

王新栩，王凡立，單童，葉朝偉

(浙江浙能天然氣管網(wǎng)有限公司，浙江 杭州 310000)

0 引言

管道是輸送石油、天然氣的主要方式之一，是推動(dòng)經(jīng)濟(jì)發(fā)展、造福民生的能源動(dòng)脈[1]。截至2021年，我國油氣管道總里程已經(jīng)超過17×104km，預(yù)計(jì)到2025年，我國管道總里程將達(dá)到24×104km。

在里程數(shù)快速增加的同時(shí)，油氣管道帶來的安全事故也在與日劇增。一方面是由于管道建設(shè)過程中會(huì)穿過地理環(huán)境、地質(zhì)條件復(fù)雜的區(qū)域，這些區(qū)域地質(zhì)災(zāi)害比較頻繁，嚴(yán)重威脅管道安全；另一方面是隨著城市化建設(shè)快速發(fā)展，管道沿線的人口密度在不斷增加，頻繁的人類活動(dòng)同樣威脅著管道的安全，同時(shí)，管道發(fā)生泄漏、爆炸后造成的損失也會(huì)急劇增大。

為了方便管理油氣管道，人們引入了高后果區(qū)的概念，它是指油氣管道泄漏失效后可能造成嚴(yán)重人員傷亡或環(huán)境破壞的區(qū)域，根據(jù)管道沿線不同的人口密度將高后果區(qū)分為不同等級(jí)。針對(duì)高后果區(qū)的管道采取針對(duì)性的管控措施，對(duì)管道管理者及整個(gè)社會(huì)都有重大的意義和影響[2-4]。

目前，在研究高后果區(qū)時(shí)，我國學(xué)者主要關(guān)注高后果區(qū)的管理和判別方法，盡管這類研究有助于提高高后果區(qū)的管理水平，但并不能對(duì)可能發(fā)生的事故、風(fēng)險(xiǎn)進(jìn)行有效的預(yù)測(cè)。本文以AI智能識(shí)別技術(shù)和紅熱外源探測(cè)技術(shù)為基礎(chǔ)，提出一種高后果區(qū)視頻預(yù)警系統(tǒng)，可以有效監(jiān)測(cè)管道周圍的第三方活動(dòng)，防止管道被破壞。

1 設(shè)計(jì)基礎(chǔ)

1.1 計(jì)算機(jī)視覺技術(shù)

計(jì)算機(jī)視覺是人工智能的重要發(fā)展方向，廣泛應(yīng)用于安防、金融、醫(yī)療等多個(gè)領(lǐng)域[5-6]。計(jì)算機(jī)視覺技術(shù)以圖像信息為輸入，通過深度學(xué)習(xí)計(jì)算來感知外界環(huán)境信息。在安防領(lǐng)域，該技術(shù)的應(yīng)用極大地改善了人與環(huán)境的交互方式，突破了人員監(jiān)控的局限，以機(jī)器替代人工實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)作業(yè)環(huán)境的長時(shí)間、不間斷地安防監(jiān)控等。

1.2 物聯(lián)網(wǎng)傳感技術(shù)

隨著計(jì)算機(jī)信息技術(shù)和網(wǎng)絡(luò)技術(shù)的快速進(jìn)步，物聯(lián)網(wǎng)技術(shù)已廣泛應(yīng)用于社會(huì)生產(chǎn)的方方面面，各行業(yè)也在不斷挖掘物聯(lián)網(wǎng)技術(shù)的內(nèi)在潛力[7]。物聯(lián)網(wǎng)技術(shù)是一門復(fù)雜學(xué)科，其不單指某一項(xiàng)技術(shù)，而是不同技術(shù)的融合，將設(shè)備以數(shù)字化方式與世界相連，設(shè)備也可嵌入傳感器和其他硬件，通過一定協(xié)議連接互聯(lián)網(wǎng)進(jìn)行通訊和控制。本文提及的傳感器技術(shù)包括聲光報(bào)警器、防水音柱、云臺(tái)高清攝像機(jī)和太陽能控制器等，這些傳感器均與AI邊緣計(jì)算設(shè)備相連接并采用4G無線網(wǎng)絡(luò)接入互聯(lián)網(wǎng)，與管理后臺(tái)進(jìn)行數(shù)據(jù)交互和設(shè)備控制。

1.3 視頻直播技術(shù)

傳統(tǒng)的視頻監(jiān)控系統(tǒng)一般采用臺(tái)式機(jī)作為監(jiān)控終端，需在指定地點(diǎn)且有專用網(wǎng)絡(luò)設(shè)備支持的情況下才能對(duì)作業(yè)環(huán)境進(jìn)行監(jiān)控，大大限制了監(jiān)控系統(tǒng)的應(yīng)用范圍和靈活性。而與傳統(tǒng)視頻監(jiān)控相比，移動(dòng)終端以其隨機(jī)、靈活等優(yōu)點(diǎn)能夠滿足用戶隨時(shí)獲取監(jiān)控信息的需求，因而有極大的優(yōu)勢(shì)[8-9]。本文利用視頻直播技術(shù)實(shí)現(xiàn)對(duì)現(xiàn)場(chǎng)環(huán)境的監(jiān)控，并將其接入管理平臺(tái)上進(jìn)行統(tǒng)一管理。

2 高后果區(qū)智能視頻預(yù)警系統(tǒng)設(shè)計(jì)

高后果區(qū)智能視頻預(yù)警系統(tǒng)可實(shí)現(xiàn)對(duì)管線附近的監(jiān)控目標(biāo)、行為方式進(jìn)行實(shí)時(shí)預(yù)警，業(yè)務(wù)人員可根據(jù)預(yù)警信息所提供的精確的位置、圖像、視頻等數(shù)據(jù)，展開相關(guān)工作部署，并存儲(chǔ)相關(guān)數(shù)據(jù)以及生成相應(yīng)的統(tǒng)計(jì)表單。

2.1 預(yù)警系統(tǒng)架構(gòu)設(shè)計(jì)

該系統(tǒng)由前端預(yù)警設(shè)備和后端信息管理平臺(tái)兩部分組成，系統(tǒng)架構(gòu)設(shè)計(jì)如圖1所示。

圖1 預(yù)警系統(tǒng)架構(gòu)設(shè)計(jì)

前端預(yù)警設(shè)備由數(shù)據(jù)采集模塊、AI邊緣計(jì)算設(shè)備、傳感器模塊和通信模塊組成。其中數(shù)據(jù)采集模塊主要包括云臺(tái)攝像機(jī)和太陽能控制器；AI邊緣計(jì)算設(shè)備實(shí)現(xiàn)對(duì)實(shí)時(shí)視頻進(jìn)行AI分析；傳感器模塊則由聲光報(bào)警器和防水音柱組成，可對(duì)現(xiàn)場(chǎng)環(huán)境的一些違規(guī)行為進(jìn)行告警；通信模塊為整個(gè)前端設(shè)備提供4G網(wǎng)絡(luò)信號(hào)。

后端信息管理平臺(tái)實(shí)現(xiàn)信息管理、業(yè)務(wù)核查及處理、視頻查看和設(shè)備管理等功能，用戶可在GIS頁面查詢到前端設(shè)備部署位置，并可對(duì)每條預(yù)警信息進(jìn)行喊話驅(qū)離和設(shè)備告警等手段提醒現(xiàn)場(chǎng)施工人員。

2.2 通信模塊

基于高后果區(qū)實(shí)際情況，本文選用4G通信作為前端預(yù)警設(shè)備與后端信息管理平臺(tái)數(shù)據(jù)交互的橋梁。根據(jù)現(xiàn)場(chǎng)實(shí)際情況分析，在前端預(yù)警設(shè)備中加入外接天線，提高設(shè)備通信信號(hào)質(zhì)量。當(dāng)網(wǎng)絡(luò)信號(hào)出現(xiàn)波動(dòng)而導(dǎo)致斷開時(shí)，MQTT服務(wù)器會(huì)發(fā)送相應(yīng)的信號(hào)至后端信息管理平臺(tái)，且當(dāng)網(wǎng)絡(luò)信息自動(dòng)恢復(fù)時(shí)，會(huì)自動(dòng)消除相關(guān)網(wǎng)絡(luò)信號(hào)的告警。

2.3 AI邊緣計(jì)算設(shè)備

2.3.1 邊緣設(shè)備軟件架構(gòu)

油氣管道高后果區(qū)的主要威脅源包括油氣泄漏、違規(guī)挖掘、違法施工、違章占?jí)?、非法開采以及大型機(jī)械作業(yè)等[10-12]。本文將重點(diǎn)分析違規(guī)挖掘、違章占?jí)阂约按笮蜋C(jī)械作業(yè)等行為。

AI邊緣設(shè)備軟件的架構(gòu)如圖2所示。基礎(chǔ)設(shè)施層主要由太陽能控制器、云臺(tái)攝像機(jī)、聲光報(bào)警器和防水音柱組成，其中太陽能控制器可提供蓄電池狀態(tài)信息，云臺(tái)攝像機(jī)為AI識(shí)別及現(xiàn)場(chǎng)環(huán)境提供數(shù)據(jù)支撐，聲光報(bào)警器和防水音柱是作為現(xiàn)場(chǎng)發(fā)生情況后，可發(fā)出警示提醒相關(guān)人員，為高后果區(qū)安全監(jiān)測(cè)提供基礎(chǔ)保障。

圖2 AI邊緣設(shè)備軟件架構(gòu)圖

基礎(chǔ)數(shù)據(jù)層包括視頻流數(shù)據(jù)、音頻數(shù)據(jù)和狀態(tài)數(shù)據(jù)。視頻流數(shù)據(jù)主要用于AI識(shí)別和進(jìn)行現(xiàn)場(chǎng)直播；音頻數(shù)據(jù)用以播放語音、警告現(xiàn)場(chǎng)存在的一些違規(guī)行為；狀態(tài)數(shù)據(jù)是蓄電池的電壓和電量的狀態(tài)，確保使用人員可隨時(shí)獲知設(shè)備運(yùn)行狀態(tài)。

服務(wù)層主要包含AI識(shí)別和設(shè)備控制兩類服務(wù)。通過在設(shè)備中部署相應(yīng)的深度學(xué)習(xí)算法識(shí)別特定的目標(biāo)或行為，實(shí)時(shí)監(jiān)測(cè)現(xiàn)場(chǎng)環(huán)境告警信息，避免了人員需時(shí)刻盯著現(xiàn)場(chǎng)視頻，業(yè)務(wù)模式實(shí)現(xiàn)了由被動(dòng)監(jiān)管向主動(dòng)核查的轉(zhuǎn)變；設(shè)備控制服務(wù)是作為應(yīng)急手段，當(dāng)使用人員核查現(xiàn)場(chǎng)告警信息后，可通過管理平臺(tái)發(fā)出相應(yīng)的警告信息，阻止現(xiàn)場(chǎng)施工人員的違規(guī)操作。

2.3.2 AI模型訓(xùn)練及部署

本文采用邊緣計(jì)算的方式部署AI算法模型，減輕監(jiān)控中心的計(jì)算壓力。在離線訓(xùn)練階段，首先利用海量的、經(jīng)過預(yù)處理后的圖像數(shù)據(jù)來訓(xùn)練深度學(xué)習(xí)算法模型，使其具備識(shí)別對(duì)應(yīng)目標(biāo)的能力；在現(xiàn)場(chǎng)部署階段，根據(jù)具體業(yè)務(wù)需求決定模型是否需經(jīng)過裁剪，再將算法模型部署在AI邊緣設(shè)備上，以實(shí)時(shí)視頻幀作為模型的輸入，經(jīng)過大量復(fù)雜的計(jì)算后，得到識(shí)別結(jié)果；在日常運(yùn)行過程中，系統(tǒng)會(huì)產(chǎn)生大量的經(jīng)過人工核查后的數(shù)據(jù)，該批數(shù)據(jù)又可反饋至樣本數(shù)據(jù)庫中，用以優(yōu)化、訓(xùn)練算法模型，不斷提高模型檢測(cè)能力，進(jìn)一步提升本系統(tǒng)的可靠性。模型訓(xùn)練及部署流程如圖3所示。

圖3 AI模型訓(xùn)練及部署流程

3 系統(tǒng)應(yīng)用

3.1 工作流程

高后果區(qū)預(yù)警系統(tǒng)業(yè)務(wù)流程如圖4所示，具體流程如下：

圖4 AI模型訓(xùn)練及部署流程

(1)前端設(shè)備通電后，AI邊緣設(shè)備自動(dòng)啟動(dòng)相關(guān)服務(wù)，并立刻上傳設(shè)備信息至服務(wù)器；

(2)啟動(dòng)云臺(tái)攝像機(jī)及初始化AI識(shí)別程序，為AI識(shí)別做好準(zhǔn)備；

(3)云臺(tái)攝像機(jī)采集實(shí)時(shí)視頻，并將數(shù)據(jù)傳輸至AI邊緣設(shè)備，AI邊緣設(shè)備對(duì)數(shù)據(jù)進(jìn)行編解碼后，送入AI識(shí)別程序開始識(shí)別，并將識(shí)別結(jié)果送至邏輯分析模塊；

(4)邏輯分析模塊判斷是否出現(xiàn)相關(guān)威脅，并將判斷結(jié)果發(fā)送至服務(wù)器；

(5)設(shè)備控制模塊根據(jù)提前設(shè)置的告警等級(jí)，決定觸發(fā)某一種警告方式。

3.2 工程應(yīng)用

將系統(tǒng)設(shè)備在某管道附近的挖掘施工區(qū)域現(xiàn)場(chǎng)進(jìn)行24 h不間斷監(jiān)測(cè)，發(fā)現(xiàn)挖掘機(jī)存在越界施工行為后，系統(tǒng)自動(dòng)將該行為保存下來并發(fā)出報(bào)警信息，工作人員接收到該信息后，立刻趕往現(xiàn)場(chǎng)阻止該挖掘機(jī)的野蠻施工，如圖5所示。

圖5 挖掘機(jī)越界施工判斷圖

4 結(jié)語

本文提及的預(yù)警系統(tǒng)可應(yīng)用于油氣管道高后果區(qū)安全監(jiān)控，能對(duì)越線施工、違章占?jí)旱犬惓顩r進(jìn)行準(zhǔn)確的預(yù)警，能及時(shí)有效地檢測(cè)、響應(yīng)、處理突發(fā)威脅，有效提升了高后果區(qū)的安全管理能力，具備一定的推廣價(jià)值。