周巍

中海廣東天然氣有限責(zé)任公司

0 引言

油氣管道作為中國(guó)能源輸送的大動(dòng)脈，承擔(dān)著人們?nèi)粘Ｉ詈蜕鐣?huì)生產(chǎn)的基礎(chǔ)能源供應(yīng)［1］。截至2020年底，中國(guó)國(guó)內(nèi)油氣長(zhǎng)輸管道總里程累計(jì)達(dá)14.5×104km［2］，且呈大口徑、壓力高、距離長(zhǎng)、網(wǎng)絡(luò)化的發(fā)展趨勢(shì)。隨著城市建設(shè)步伐加快，管道高后果區(qū)的數(shù)量急劇增加，加大了管道事故風(fēng)險(xiǎn)率。高后果區(qū)是指管道泄漏后可能對(duì)公眾和環(huán)境造成較大不良影響的區(qū)域，其危害后果可歸納為人員傷亡、環(huán)境污染和設(shè)施破壞三大類(lèi)，依據(jù)以上三類(lèi)可將事故后果形式分為人口密集型、環(huán)境破壞型和重要設(shè)施型［3］。依據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》進(jìn)行了識(shí)別項(xiàng)細(xì)分，包括人口密集型3項(xiàng)、環(huán)境敏感型2項(xiàng)及重要設(shè)施型1項(xiàng)。

目前，中國(guó)對(duì)高后果區(qū)的研究大多專注于管理辦法和判別方法的研究，盡管能有效提高高后果區(qū)的管理水平，但不能起到提前預(yù)測(cè)災(zāi)害并防止災(zāi)害發(fā)生的作用。因此，基于國(guó)內(nèi)先進(jìn)的AI智能技術(shù)及5G通信技術(shù)，結(jié)合紅外熱源探測(cè)技術(shù)、物聯(lián)網(wǎng)傳感技術(shù)等，提出一種高后果區(qū)預(yù)警與監(jiān)管系統(tǒng)，可有效預(yù)測(cè)災(zāi)害的降臨。

1 技術(shù)基礎(chǔ)

1.1 視覺(jué)AI技術(shù)

視覺(jué)AI技術(shù)又稱為機(jī)器視覺(jué)技術(shù)，該技術(shù)涉及人工智能、神經(jīng)生物學(xué)、計(jì)算機(jī)科學(xué)、圖像處理、模式識(shí)別等諸多領(lǐng)域。視覺(jué)AI主要用機(jī)器模擬人類(lèi)視覺(jué)，從圖像或視頻中提取專業(yè)信息并進(jìn)行加工處理，最終達(dá)到替代人類(lèi)視覺(jué)的目的。隨著視覺(jué) AI技術(shù)的發(fā)展，該技術(shù)在中國(guó)已廣泛應(yīng)用于電網(wǎng)、林業(yè)、環(huán)保、國(guó)家邊海防、智慧城市等諸多領(lǐng)域。

1.2 紅外熱源探測(cè)技術(shù)

紅外熱源探測(cè)技術(shù)起步于20世紀(jì)70年代。自然界中凡是溫度超過(guò)絕對(duì) 0 ℃的物體都能產(chǎn)生熱輻射，不同物體或同一物體不同部位熱輻射能力不同。紅外熱源探測(cè)技術(shù)利用物體與背景環(huán)境的輻射差異以及景物本身各部分輻射的差異，通過(guò)接收物體發(fā)射的紅外熱輻射，將被測(cè)目標(biāo)物體表面的紅外輻射轉(zhuǎn)變成可視化的“熱圖像”，熱圖像能夠呈現(xiàn)景物各部分的輻射起伏，從而顯示出景物的熱能分布狀態(tài)。

1.3 物聯(lián)網(wǎng)傳感技術(shù)

物聯(lián)網(wǎng)即“物物相連”的互聯(lián)網(wǎng)，其本質(zhì)仍是互聯(lián)網(wǎng)的一種。物聯(lián)網(wǎng)是指把任何物體與互聯(lián)網(wǎng)連接起來(lái)，進(jìn)行信息交換和通訊，以實(shí)現(xiàn)智能化識(shí)別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)。本文提及的傳感器包括擴(kuò)音器、可燃?xì)怏w檢測(cè)儀、拾音器及高清攝像機(jī)，這幾類(lèi)傳感器均與邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)相連接并采用5G通信實(shí)現(xiàn)入網(wǎng)，進(jìn)行數(shù)據(jù)交互［4］。

2 高后果區(qū)預(yù)警系統(tǒng)設(shè)計(jì)

2.1 預(yù)警系統(tǒng)架構(gòu)設(shè)計(jì)

高后果區(qū)預(yù)警系統(tǒng)主要由后端監(jiān)控中心軟件系統(tǒng)和前端監(jiān)測(cè)站構(gòu)成。在后端監(jiān)控中心，當(dāng)用戶導(dǎo)入3D GIS（三維地理信息系統(tǒng)）數(shù)據(jù)及管網(wǎng)信息數(shù)據(jù)后，系統(tǒng)可自動(dòng)標(biāo)注出管網(wǎng)高后果區(qū)，并根據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》自動(dòng)對(duì)高后果區(qū)域進(jìn)行層級(jí)劃分，管網(wǎng)用戶可依據(jù)劃分結(jié)果確定前端監(jiān)測(cè)站的安裝位置。

前端監(jiān)測(cè)站主要由邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)、基礎(chǔ)立桿系統(tǒng)、光伏供電系統(tǒng)、物聯(lián)網(wǎng)傳感器系統(tǒng)組成，其中物聯(lián)網(wǎng)傳感器系統(tǒng)又包含了高清可視化傳感器、環(huán)境異常熱源探測(cè)器、可燃?xì)怏w檢測(cè)傳感器、語(yǔ)音對(duì)講傳感器等，構(gòu)成了可視、可聽(tīng)、可言的立體化智能監(jiān)測(cè)站［5］，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

2.2 5G通信系統(tǒng)

隨著城市5G基站的全面覆蓋，5G正逐步取代4G通信成為主流通信模式，且5G通信支持向下兼容，當(dāng) 5G通信鏈路斷開(kāi)后，通信模式可自動(dòng)切換至4G或者更低級(jí)的通信模式?；?G通信的優(yōu)點(diǎn)，選用 5G通信作為前端監(jiān)測(cè)站與后端監(jiān)控中心數(shù)據(jù)交互的橋梁。

2.3 AI識(shí)別模型

2.3.1 AI識(shí)別模型部署

隨著視覺(jué) AI技術(shù)及物聯(lián)網(wǎng)傳感技術(shù)的融合發(fā)展，AI識(shí)別模型從部署模式上主要分為兩類(lèi)：

一類(lèi)是將AI識(shí)別模型部署于后端監(jiān)控中心。該方案的優(yōu)點(diǎn)在于后端監(jiān)控中心硬件資源方便擴(kuò)容，模型所需硬件資源容易滿足；但隨著數(shù)據(jù)源的數(shù)量增長(zhǎng)或者系統(tǒng)長(zhǎng)時(shí)間運(yùn)行，AI識(shí)別模型所用硬件資源將消耗殆盡，故采用消耗硬件資源來(lái)提高AI計(jì)算能力的方法適用性較弱。

另一類(lèi)則是將AI識(shí)別模型部署于前端監(jiān)測(cè)站，其核心思想是將計(jì)算節(jié)點(diǎn)邊緣化，優(yōu)點(diǎn)是將計(jì)算節(jié)點(diǎn)分布式部署，減輕監(jiān)控中心的計(jì)算壓力。該方案提出伊始，以CPU（中央處理器）為核心的物聯(lián)網(wǎng)終端設(shè)備尚無(wú)法支撐AI分析模型的運(yùn)作，其主要問(wèn)題在于芯片的計(jì)算能力不足，導(dǎo)致AI識(shí)別模型的計(jì)算速度較慢，不具有實(shí)用價(jià)值。但隨著技術(shù)的發(fā)展，具備更高算力的NPU（嵌入式神經(jīng)網(wǎng)絡(luò)處理器）芯片（如華為海思芯片算力可達(dá)8.0 TOPS；1 TOPS代表處理器每秒鐘可進(jìn)行 8×1012次操作）的出現(xiàn)為AI識(shí)別模型提供了良好的硬件環(huán)境［6-7］。

邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)的 AI計(jì)算平臺(tái)采用瑞芯微RK3399芯片，其計(jì)算能力可達(dá)3.0 TOPS，若接入1臺(tái)1 080 P高清視頻設(shè)備時(shí)，視覺(jué)AI處理響應(yīng)時(shí)間可低至20 ms以內(nèi)；若同時(shí)接入8臺(tái)1 080 P高清視頻設(shè)備，視覺(jué)AI處理響應(yīng)時(shí)間可低至800 ms以內(nèi)。

2.3.2 AI識(shí)別模型邏輯架構(gòu)

油氣管道高后果區(qū)的主要威脅源有油氣泄漏、違規(guī)挖掘、違法施工、非法開(kāi)采以及大型機(jī)械作業(yè)等。本文將高后果區(qū)油氣管道周?chē)藛T、挖掘機(jī)、地勘機(jī)、定向鉆機(jī)、重型卡車(chē)等作為識(shí)別分析重點(diǎn)。同時(shí)，搭載可實(shí)時(shí)識(shí)別油氣管道周?chē)惓嵩吹臒嵩刺綔y(cè)儀，避免因油氣泄漏發(fā)生火災(zāi)。［8-10］。

識(shí)別模型分為硬件支持層、業(yè)務(wù)數(shù)據(jù)層、AI模塊層和數(shù)據(jù)輸出層（見(jiàn)圖2）。

圖2 識(shí)別模型

硬件支持層主要由 AI處理器、AI加速器和數(shù)據(jù)采集器組成，其中AI處理器和AI加速器為視覺(jué)AI識(shí)別模型提供了基礎(chǔ)運(yùn)行環(huán)境；數(shù)據(jù)采集器主要包含高清可視化傳感器、環(huán)境異常熱源探測(cè)器、可燃?xì)怏w檢測(cè)傳感器、語(yǔ)音對(duì)講傳感器等物聯(lián)網(wǎng)傳感器，該類(lèi)傳感器為高后果區(qū)安全監(jiān)測(cè)提供了基礎(chǔ)數(shù)據(jù)來(lái)源。

業(yè)務(wù)數(shù)據(jù)層主要由基礎(chǔ)特征庫(kù)和專業(yè)數(shù)據(jù)庫(kù)構(gòu)成，基礎(chǔ)特征庫(kù)主要用于存儲(chǔ)高后果區(qū)的基礎(chǔ)管理數(shù)據(jù)；專業(yè)數(shù)據(jù)庫(kù)主要用于存儲(chǔ)AI訓(xùn)練所用的數(shù)據(jù)模型和大量的特征庫(kù)［11-12］，該類(lèi)數(shù)據(jù)主要為后期機(jī)器自動(dòng)學(xué)習(xí)提供基礎(chǔ)數(shù)據(jù)源，提高威脅源識(shí)別準(zhǔn)確率。AI自主訓(xùn)練的業(yè)務(wù)邏輯如圖3所示。

圖3 AI自主訓(xùn)練業(yè)務(wù)邏輯

AI模塊層主要由熱源探測(cè)模塊、定向鉆機(jī)識(shí)別模塊、大型車(chē)輛識(shí)別模塊、挖掘機(jī)識(shí)別模塊、地勘機(jī)識(shí)別模塊和人員識(shí)別模塊組成。熱源探測(cè)模塊的數(shù)據(jù)源主要由環(huán)境異常熱源探測(cè)器提供，該探測(cè)器主要采用業(yè)界主流的紅外熱源探測(cè)儀，可探測(cè)出環(huán)境內(nèi)所有物體的溫度。定向鉆機(jī)識(shí)別模塊、大型車(chē)輛識(shí)別模塊、挖掘機(jī)識(shí)別模塊、地勘機(jī)識(shí)別模塊及人員識(shí)別模塊的數(shù)據(jù)源主要由高清可視化傳感器提供，AI識(shí)別模型可在視頻或圖像數(shù)據(jù)中識(shí)別出威脅目標(biāo)。AI模塊層中的各識(shí)別模塊均相互獨(dú)立，互不影響，識(shí)別結(jié)果由邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)中DBUS模塊統(tǒng)一協(xié)調(diào)處理。DBUS模塊綜合底層各模塊的信息以及人機(jī)交互信息，將數(shù)據(jù)反饋到數(shù)據(jù)輸出層［13］。

3 預(yù)警系統(tǒng)應(yīng)用及結(jié)果分析

3.1 預(yù)警系統(tǒng)AI識(shí)別過(guò)程

視覺(jué)AI主要識(shí)別流程如下：

（1）系統(tǒng)開(kāi)機(jī)啟動(dòng)，完成自檢并啟動(dòng)實(shí)時(shí)偵測(cè)；

（2）AI識(shí)別模塊迅速進(jìn)入工作狀態(tài)，協(xié)調(diào)運(yùn)算資源，做好運(yùn)算準(zhǔn)備；

（3）高清可視化傳感器實(shí)時(shí)采集視頻、圖像數(shù)據(jù)，并交付至AI識(shí)別模塊（其中AI識(shí)別模塊含挖掘機(jī)、重型卡車(chē)、地勘機(jī)、定向鉆機(jī)、行人智能分析模塊）；

（4）啟動(dòng)機(jī)器學(xué)習(xí)算法對(duì)目標(biāo)進(jìn)行分析，并將分析結(jié)果上傳至DBUS模塊；

（5）當(dāng)發(fā)現(xiàn)威脅源時(shí)，AI識(shí)別模塊啟用熱源探測(cè)功能，迅速巡視油氣管道周?chē)欠翊嬖诋惓嵩?，并?shí)時(shí)監(jiān)測(cè)高后果區(qū)可燃?xì)怏w濃度，將結(jié)果上傳至后端監(jiān)控中心；

（6）系統(tǒng)啟動(dòng)機(jī)器自動(dòng)學(xué)習(xí)功能，自動(dòng)優(yōu)化及更新 AI識(shí)別模塊［14-15］。

AI識(shí)別過(guò)程邏輯詳見(jiàn)圖4。

圖4 AI識(shí)別過(guò)程邏輯

3.2 應(yīng)用結(jié)果分析

目前該預(yù)警系統(tǒng)已成功應(yīng)用于燃?xì)夤艿栏吆蠊麉^(qū)的安全監(jiān)控，共計(jì)部署60多個(gè)高后果區(qū)前端站，預(yù)警次數(shù)達(dá)1 000次以上。以單個(gè)監(jiān)控站點(diǎn)為例，2020年10月至2021年7月的預(yù)警數(shù)據(jù)統(tǒng)計(jì)見(jiàn)表1。

表1 AI預(yù)警統(tǒng)計(jì)表

已部署應(yīng)用的預(yù)警系統(tǒng)有效避免了 19次違規(guī)施工給燃?xì)夤艿缼?lái)的威脅；避免了11次因人類(lèi)異?；顒?dòng)給燃?xì)夤艿肋\(yùn)行帶來(lái)的可能后果。因此，基于視覺(jué) AI的管道高后果區(qū)預(yù)警系統(tǒng)在油氣管道高后果區(qū)的安全監(jiān)控上具有較好的實(shí)際應(yīng)用價(jià)值［16］。

4 結(jié)束語(yǔ)

本文提及的預(yù)警監(jiān)測(cè)系統(tǒng)應(yīng)用于油氣管道高后果區(qū)安全監(jiān)控管理，能對(duì)第三方人為破壞、燃?xì)庑孤┑犬惓顩r進(jìn)行準(zhǔn)確的監(jiān)測(cè)預(yù)警，能及時(shí)監(jiān)測(cè)、響應(yīng)、處置各種威脅源，有效提升高后果區(qū)的安全管理能力，具備一定的推廣價(jià)值。