段明偉 劉志軍 王沂沛 畢禎哲 欒奕 高雨晴 張磊 藺文楠

國家管網(wǎng)集團北方管道沈陽(yáng)檢測技術(shù)分公司

摘要：為高效準確對比分析兩次管道內檢測數據，基于最長(cháng)公共子串（LCS）算法，研究明確了數據對齊流程。將該數據對齊方法應用于實(shí)際案例，結果發(fā)現：管道閥門(mén)、三通、法蘭對齊比例達到100%，環(huán)焊縫對齊比例達99%以上，金屬損失類(lèi)缺陷對齊比例達80%以上。對于存在改線(xiàn)換管的管道，該方法能實(shí)現準確識別并跳過(guò)改線(xiàn)區域，以避免數據誤對齊。通過(guò)引入缺陷“簇”概念，提高了數據對齊中一對多、多對一、多對多的準確性。

關(guān)鍵詞：管道內檢測；數據對齊；LCS算法；缺陷“簇”

國家市場(chǎng)監管總局要求長(cháng)輸管道定期檢驗中優(yōu)先使用內檢測技術(shù)。隨著(zhù)超高清漏磁內檢測器的推廣應用，每百公里長(cháng)輸管道產(chǎn)生的內檢測數據達到十萬(wàn)條以上，海量?jì)葯z測數據深度對比分析變得越來(lái)越復雜，不同檢測運營(yíng)商采用各種內檢測器對同一條管道開(kāi)展多次內檢測更加劇這種情況。建立可靠的模型算法進(jìn)行內檢測數據對齊分析，及時(shí)預測和發(fā)現管道腐蝕風(fēng)險，對管道安全運行具有重要意義。

1  數據對比技術(shù)現狀和提升途徑

1.1  技術(shù)現狀

國外油氣管道內檢測數據對比技術(shù)發(fā)展較早，主要內檢測運營(yíng)商均開(kāi)展了油氣管道內檢測數據對比研究。一些學(xué)者通過(guò)應用回歸樹(shù)算法和內檢測比對分析軟件，研究了腐蝕缺陷的生長(cháng)模型[1]；有人以?xún)葯z測數據自動(dòng)對齊來(lái)代替人工對齊的方法，用于標識未能對齊的異常點(diǎn)和分析腐蝕增長(cháng)情況[2]。

國內學(xué)者通過(guò)研究球閥、彎頭、焊縫與基線(xiàn)對齊方法以及缺陷對齊算法，將對齊結果與基線(xiàn)偏差精確到0.01 m[3]；通過(guò)計算兩次內檢測數據分布的KL散度，利用Pearson相似系數獲得兩次內檢測數據對齊結果的評價(jià)系數曲線(xiàn)，證明了對齊算法模型的可行性[4]。

1.2  提升途徑

（1）通過(guò)標準化內檢測特征數據庫，識別具備更多細節的管道組件，包括較短節、閥門(mén)、法蘭等附近比較復雜的環(huán)焊縫，將管道劃分成更多細小管段，從根本上提升對齊比例。

（2）LCS（Longest Common Subsequences，最長(cháng)公共子串）算法是將兩個(gè)給定字符串分別刪去零個(gè)或多個(gè)字符，但不改變剩余字符的順序后得到的長(cháng)度最長(cháng)的相同字符序列�；�于該算法，實(shí)現管段拆分方案的最優(yōu)化，提升數據對齊的性能和準確性。

（3）通過(guò)試錯法識別改線(xiàn)換管的管段，跳過(guò)該管段以避免數據誤對齊。

（4）引入缺陷“簇”的概念，對于缺陷對齊中的一對多、多對一、多對多等復雜情況，提高其準確性和可靠性。

2  數據對齊算法

通過(guò)對不同內檢測數據進(jìn)行標準化清洗處理，建立統一標準化的內檢測特征數據庫。特征數據庫中的特征點(diǎn)包括閥門(mén)、三通、環(huán)焊縫、彎頭、法蘭、金屬損失等。將特征點(diǎn)分為三類(lèi)，一類(lèi)特征點(diǎn)包括閥門(mén)、三通；二類(lèi)特征點(diǎn)為管節劃分組件，包括環(huán)焊縫、彎頭、法蘭；三類(lèi)特征點(diǎn)包括除一類(lèi)、二類(lèi)外的其他特征點(diǎn)。

2.1  一類(lèi)特征對齊

根據標準化內檢測特征數據庫，分別識別兩組內檢測數據中的一類(lèi)特征點(diǎn)，根據里程分布將兩組數據中相同的一類(lèi)特征點(diǎn)對齊，將對齊的一類(lèi)特征點(diǎn)設置為錨點(diǎn)，基于錨點(diǎn)將管道劃分多個(gè)管段，并定義為一級管段。

2.2  二類(lèi)特征對齊

根據標準化內檢測特征數據庫，識別一級管段中的二類(lèi)特征點(diǎn)，采用管節拆分算法，對兩組內檢測數據中上述二類(lèi)特征點(diǎn)進(jìn)行對齊，管段拆分算法步驟如下：

（1）基于LCS算法，查找兩組內檢測數據中對齊的兩個(gè)一級管段的序列中最長(cháng)公共子序列，將兩組內檢測數據按照檢測時(shí)間分別定義為基準數據和對齊數據，最長(cháng)公共子序列存在于基準數據中的序列（x0，x1，x2....xi）和對齊數據中的序列（y0，y1，y2....yj）中，最長(cháng)公共子序列的長(cháng)度C[i，j]為：

（2）對找到的最長(cháng)公共子序列中所包括的二類(lèi)特征點(diǎn)逐個(gè)對齊，使用里程偏差閾值函數計算對齊數據二類(lèi)特征點(diǎn)的里程估值范圍 t：

t = k（M1±△m） （2）

式中：k為基準數據和對齊數據中二類(lèi)特征點(diǎn)所在一級管段的長(cháng)度比；M1為基準數據二類(lèi)特征點(diǎn)距上游已對齊一級特征點(diǎn)或二類(lèi)特征點(diǎn)的距離；Δm為基準數據二類(lèi)特征點(diǎn)的里程偏差范圍。

（3）如果對齊數據二類(lèi)特征點(diǎn)距上游已匹配特征點(diǎn)的距離M2∈t，則認為該二類(lèi)特征點(diǎn)對齊成功，將該對齊二類(lèi)特征點(diǎn)作為最新的節點(diǎn)數據，導入里程偏差閾值函數進(jìn)行更新訓練；若未對齊，則在里程估值范圍內，找出兩組內檢測數據中最接近k×M1的相同類(lèi)型的二類(lèi)特征點(diǎn)，將該點(diǎn)作為最新的節點(diǎn)數據，導入里程偏差閾值計算函數，進(jìn)行更新訓練。通過(guò)以上方法將對齊的二類(lèi)特征點(diǎn)設置為錨點(diǎn)，將各個(gè)一級管段劃分為多個(gè)細小二級管段。

2.3  三類(lèi)特征對齊

（1）對當前二級管段內的缺陷進(jìn)行“簇”劃分（集群劃分），有兩種劃分方法。一種是相鄰缺陷邊界間距小于3倍壁厚，另一種是相鄰缺陷邊界軸向間距小于兩缺陷中最小長(cháng)度且周向間距小于兩缺陷中最小寬度。

（2）以劃分的二級管段為單位，對二級管段內剩余的特征點(diǎn)及缺陷依次進(jìn)行對齊處理，特征點(diǎn)對齊重復二類(lèi)特征對齊中的方法，并設置角度閾值，缺陷對齊采用“簇”劃分方法進(jìn)行對齊。

3  應用示例

某長(cháng)輸管道全長(cháng)193 km，2013年和2021年分別進(jìn)行兩次漏磁內檢測，期間實(shí)施2次改線(xiàn)換管。采用提升后的對齊算法和對齊分析軟件對兩次內檢測結果進(jìn)行數據對齊。

3.1  管道特征對齊結果

管道特征對齊結果如表 1所示。從表 1中可以看出，本文提出的對齊算法對不同內檢測商檢測的數據對齊比例很高，閥門(mén)、三通、法蘭都達到100%，比例最低的環(huán)焊縫達到99.35%。環(huán)焊縫未對齊的原因是管道改線(xiàn)增加閥門(mén)、三通數量，不同內檢測商對閥門(mén)、法蘭、彎頭區域環(huán)焊縫標記方式不同所致。

表 1 兩次內檢測管道特征對齊結果

3.2  缺陷對齊結果

兩次內檢測缺陷對齊結果如表 2所示。從表 2中可以看出，缺陷對齊比例較特征對齊比例有所降低，金屬損失類(lèi)缺陷對齊比例為84.21%。兩次內檢測缺陷報告的數量、內外部類(lèi)型相差較大，尤其是環(huán)焊縫異常數量變化明顯。主要原因包括：內檢測器識別模型能力不同、內檢測器精度不同、管道改線(xiàn)換管影響。此外，為處理管道小范圍內金屬損失集群的復雜情況，引入缺陷“簇”的概念，在對齊的26610個(gè)金屬損失缺陷中，發(fā)現對齊的金屬損失缺陷“簇”1819組。

表 2 兩次內檢測缺陷對齊結果

3.3  應用效果

基于LCS算法，對于管道特征對齊，兩次內檢測數據對齊可實(shí)現閥門(mén)、三通、法蘭對齊比例100%，管道環(huán)焊縫對齊比例99%以上。對于管道缺陷，因內檢測器識別能力、檢測精度差異，受管道運營(yíng)條件變化導致的缺陷增長(cháng)以及管道改線(xiàn)換管等因素的影響，管道缺陷對齊比例較特征對齊比例有所下降，但金屬損失類(lèi)缺陷的對齊比例仍可達到80%以上。

4  結論

（1）本文研究建立的內檢測數據對齊算法應用于實(shí)際管道，高效、準確地實(shí)現了管道特征和缺陷的對齊，可為有效預測管道腐蝕增長(cháng)變化以及管道檢驗評價(jià)提供數據支撐。

（2）數據對齊過(guò)程中，引入缺陷“簇”概念，提高了數據對齊中一對多、多對一、多對多的準確性，增加了識別和分析管道面積形缺陷成因的效率。但面臨大面積復雜的缺陷“簇”時(shí)，數據對齊效果有所下降，可采用人工干預的方法提高數據對齊算法的準確性。

（3）不同檢測運營(yíng)商內檢測器的識別能力、精度、置信度等參數會(huì )直接影響內檢測數據的質(zhì)量，也會(huì )對多次內檢測數據對齊結果產(chǎn)生影響，影響程度的關(guān)系有待進(jìn)一步研究。

參考文獻：

[1]GU B, KANIA R, SHARMA S, GAO M. Approach to assessment of corrosion growth in pipelines[C]. Calgary: 2002 4th International Pipeline Conference, 2002：1837-1847.

[2]DAN M R, DANN C. Automated matching of pipeline corrosion feature from in-line inspection date[J]. Reliability Engineering & System Safety, 2017, 162：40-50.

[3]楊賀，劉新凌，李強，等. 油氣管道多輪內檢測數據對齊算法研究及應用[J]. 管道技術(shù)與設備，2020(1)：21-24，28.

[4]孫鵬，謝裕喜，張勇，等. 管道內檢測數據對齊方法與應用[J].油氣儲運，2021，40(2)：151-156.

作者簡(jiǎn)介：段明偉，1987年生，工程師，碩士研究生畢業(yè)于河北大學(xué)應用化學(xué)專(zhuān)業(yè)，現從事檢驗檢測與評價(jià)工作。聯(lián)系方式：13998832692，duanmw@pipechina.com.cn。