基于數字孿生的管道數字化平臺建設要點

劉銀亮，劉晨，姚思家，解新保

（昆侖數智科技有限責任公司）

0 引言

隨著“德國數字化戰略2025”“美國智能制造”等戰略的提出，國家積極鼓勵利用新技術進行企業數字化轉型。數字化轉型已經成為各行各業企業變革的方向，在石油行業里，“數字孿生”是管道數字化技術的重要應用［1］。

2020年4月7日，國家發改委和中央網信辦聯合發布了發改高技〔2020〕552號《關于推進“上云用數賦智”行動培育新經濟發展實施方案》［2］，把“數字孿生”創新計劃列入其中作為數字化轉型支撐技術，并提出開展數字孿生創新計劃的工作舉措。2020年8月，國資委下發《關于加快推進國有企業數字化轉型工作的通知》，將數字孿生技術作為數字化轉型的基礎和關鍵技術［3］。2021年4月，工信部發布了《“十四五”智能制造發展規劃》（征求意見稿）［4］提出加快創新網絡建設、開展智能制造示范工廠建設、大力發展智能制造裝備和深化推進標準化工作4個方面，多次涉及數字孿生體。

1 數字孿生體技術發展及概念

1.1 數字孿生體概念

數字孿生由密歇根大學Grieves教授提出，并且提出DTP（數字孿生原型）、DTI（數字孿生實例）等概念。指出信息鏡像模型，揭示了物理產品和虛擬產品二元性的含義［5］。使用虛擬產品代替物理產品的能力，體現了信息鏡像模型的價值。數字孿生技術在當時主要被應用在航天和軍事領域。

北京航空航天大學的陶飛團隊提出了數字孿生通用抽象模型五維模型的概念，強調了與新技術結合、普適工業互聯、智能服務等需求［6］。中國電子信息產業發展研究院提出數字孿生定義，強調數據是基礎、模型是核心、軟件是載體［7］。國際標準化組織ISO制定了制造業領域的數字孿生標準，提出了數字孿生體定義，強調數字孿生體是制造系統元素的數字表示，并且能夠在制造元素與對應數字表示之間以合適的速率保持一致［8］。

1.2 數字孿生級別

數字孿生級別是根據物理實體與虛擬實體數據的映射情況、模型算法的研發情況、應用服務業務的支持情況而定。安世亞太科技公司提出數字孿生體的成熟度模型，認為數字孿生經過數化、互動、先知、先覺和共智等過程［9］。

1.3 數字主線

數字孿生體的關鍵技術是數字主線，有學者也稱數字線程。USAF（美國空軍）利用數字主線技術（3D數字化）進行戰斗機數字化設計取代了紙質藍圖，并將設計數據、工程數據、制造數據直接連接，從而減少了工程變更。

綜上所述，各家都提出了自己對數字孿生體的認識，其中共同特點是都有數據、模型和應用服務，并且需要結合大數據、人工智能等IT技術實現。

2 管輸企業數字化情況

管道是線性方式存在的，它的特點是線長、點多、環境復雜多樣，需要解決的應用問題、解決方案、支撐的數據都有著自身的特性。國內管輸企業在經過管道數字化、自動化發展之后，逐步提出了智能化的目標。同時提出了基于大數據、云計算、物聯網等新IT技術的智慧管網頂層設計，實現管道的可視化、網絡化、智能化管理，具有全方位感知、綜合性預判、一體化管控、自適應優化的能力［10］。

在感知層面國內管道按照數據傳輸路徑主要分為兩種：一種是從管道伴行光纜上傳數據的SCADA（數據采集與監視控制系統）系統，另外一種是利用供應商網絡或衛星網絡進行數據上傳的物聯網采集系統。

在專業分析應用層面，各企業按照所轄管道運行特點或特定業務問題，不同程度進行了地質災害監測、管道智能防腐監測、油氣泄漏檢測、站場閥室周界防護、管道挖掘監測、視頻安防監控、無人機巡檢監測、天氣自然災害監測預警等系統的應用。

在業務管理層面，管輸企業根據自身業務管理特點，先后經過“十二五”“十三五”信息化建設高峰期，逐步建立了符合自身業務管理的信息化系統，主要包括：工程建設管理系統、管道完整性管理系統、管道生產管理系統、管道ERP（企業資源計劃系統）等［11］。

3 數字孿生體設計

參考數字孿生體技術發展，對管道資產情況進行分析。管道資產通常經過設計、采辦、建設、運行等階段，不同階段對應的數字孿生體的類型也不同（見圖1）。

圖1 數字孿生體類型與管道資產階段關系

通過對管道生命周期進行分析，不同階段的數字孿生體特點不同，但在針對具體業務應用和業務問題時，需要明確多個數字孿生體或不同類型孿生體之間的聚合關系和孿生體場景。在建設和運行階段形成數字孿生體的聚合，產生多種聚合關系類型，如層級、關聯和對等聚合等。

3.1 管道孿生聚合關系

3.1.1 總體層級關系

結合管道物理實體對象和長輸管道業務現狀，管道實體按照層級關系可劃分為：管網、管道和站場、站場設備和線路設施。

3.1.2 管網孿生體關系

管網孿生體的每個層級都又有層級、關聯和聚合等關系。管網孿生體組成主要包括：管網、子管網、管線、站場和管段。其主要關系是：管網包含管線、管線聚合管段和管段關聯站場等（見圖2）。

圖2 管道實體層次劃分

3.1.3 管道孿生體關系

管道孿生體主要包括：管道、站場、線路及附屬設施、周邊環境、第三方設施、安全防護與監測系統等。主要關系包括：站場閥室關聯管段、站場包含進出站口、站列關聯收發球筒、線路包含附屬設施、線路關聯第三方設施、線路包含傳跨越等。

3.1.4 站場孿生體關系

站場孿生體主要包括：站場、進出站口、管道線路、功能區、設備設施、工藝管段、工藝管段焊口、管道組件等。主要關系包括：站場包含設備、站場包含功能區、站場包含工藝管段等。

3.1.5 設備孿生體關系

設備孿生體主要包括：臺套設備、單體設備、零部件、備品備件。主要關系包括：臺套設備包含單體設備、單體設備聚合零部件、單體設備關聯備件。

3.2 數字孿生體場景

數字孿生體場景是指在某一個階段將多種類型孿生體進行組合，形成相互影響和相互作用集合。例如，某天然氣管道首站工藝運行場景，主要工藝流程包括：進站壓力表和進站溫度計、過濾分離器、流量計、壓縮機、空冷器、出站溫度計和出站壓力表。對應由各種設備設計數據組成的孿生原型（如：某型號壓力表），產生孿生實例（某站進站壓力表，表溫度，表型號等），多個孿生實例形成孿生聚合體（如5臺過濾分離器聚合體），將主要工藝流程設備組合形成站場工藝運行的孿生環境，這個孿生環境的場景可以服務于站場生產運行等業務。

在數字孿生體場景下，通過分析各種算法模型從而解決業務需求，達到預期效果。例如：在輸氣管道中，壓氣站工作產生的能耗費用會對整個管道的能耗費用產生直接影響，必須對壓氣站的能耗進行優化，從而要求準確掌握壓氣站中各臺壓縮機的特性，建立模型對壓縮機的綜合效率進行優化。從20世紀 60年代，國內外學者紛紛提出運用變轉速二次擬合法、神經網絡等多種方法進行數學和大數據算法建模，分析壓縮機特性曲線的變化規律。主要模型有利用物理公式和經驗的機理模型以及利用數據驅動的大數據模型，通過分析模型，達到對壓縮機性能優化。

4 平臺設計

通過對數字孿生技術應用的梳理可知，數字孿生技術主要包括三方面：數據、模型、應用（服務）。

數據是基礎。數據的應用關鍵在于精準映射，通過數據感知、數據建模，將數據與物理實體之間進行映射。模型是核心。面向物理實體和邏輯對象建立機理模型或數據驅動的大數據模型，關鍵在于利用軟件定義模擬或監測物理空間的真實狀態和規則［7］。應用（服務）是數字孿生體的載體。通過數據流動、模型定義，將功能服務化，實現物理空間和虛擬空間的狀態、輔助決策和持續優化等業務應用功能［7］，解決業務問題。

4.1 數據是基礎

若要實現物理實體與虛擬實體一一映射，需要全面的數據支撐，要求包括從設計、采購、建設各個階段產生的數據，在以上關系基礎上進行關聯整合，作為工程交付內容給管道運行期應用。在運行期，物理實體還會產生運行期動態數據，主要包括：傳感器監測數據、業務管理數據。

根據定義，數字孿生體可提供對應層級的數據。從管輸企業對管道管理的數據需求考慮，結合管道業務以及數字主線概念，管道數字孿生體的數字主線主要分為兩個方面：水平主線和垂直主線。

水平主線：主要解決從設計、施工到運維整個生命周期的數據傳遞及共享問題。涉及多個時間段，需要多階段數據整合。這些數據主要是靜態的基礎參數，是隨實物資產一同交付的數據資產，主要存在設計平臺或工程施工建設管理系統中。垂直主線：物理傳感器設備監測、專業計算和業務管理等數據的結合，解決運行期數據上傳匯總，需要多源數據集成加載。主要包括：管道實體的運行監測數據、專業分析計算數據、各種業務管理數據。這些數據是隨著管道運營期間的生產活動實時產生。

兩條主線的數據不是相對獨立的，對于復雜問題需要將水平主線數據與垂直主線數據融合關聯，并進行數據的組織管理，體現數字孿生體層級和聚合關系，達到模型計算的輸入要求，實現支撐應用的基礎作用。管道數字孿生體模型信息與數據（主要包括資產交付數據、運行監測數據、專業分析數據、管理數據）要進行融合打通，數據需要進行集成、存儲、管理，并按統一標準提供接口服務。

基于以上分析，在搭建平臺時需要考慮：

一是建立以數字孿生體為中心的數據標準。數據從兩個方向進行融合的前提條件是建立統一的數據標準。數據標準的建立需要以數字孿生體為中心進行標準制定。因此對物理實體的數據劃分不光需要考慮單個物理實體的屬性，更應該考慮數字孿生體的組合關系，包括：層級、關聯、對等聚合，從而可以支持上層應用場景的數據服務。

二是以數字孿生體為中心的多階段數據整合與管理。針對設計、采辦、施工逐個階段進行數據采集，需要針對相同實體對各階段數據進行屬性對齊更新和屬性整合，最終能夠達到準確的實體交付數據。

三是數字孿生體運行涉及多源數據集成。如物聯網監測設備的采集系統、自動化數據采集系統、多個信息管理系統等數據。因此，受到通信協議、數據格式、編碼等因素的影響，需要多系統與移交的實體數據進行集成關聯，形成以統一孿生體實體為中心的運行期多業務、多源數據的集成。

4.2 模型是核心

模型定義了物理實體中各種運行、管理等規則。模型并非是將所有物理世界的規則一次性的全部建立，而是一個逐步完善的過程，要根據不同的業務問題進行逐步建模分析處理。通常依靠對管道業務及油氣儲運專業知識的研究和積累，利用已知的數學、物理、化學等機理公式針對業務問題進行建模分析。例如在設備故障診斷的場景中，壓縮機故障診斷需要利用幅值域分析、時域分析、頻域分析等分析方法，對壓縮機系統測量信號進行分析［12］。這些方法都是基于對設備運行原理的了解和長期運維經驗積累。這種建模方法的特點是利用已知的知識進行分析預測，結果是可解釋的。

另外，隨著各種傳感器檢測技術的發展使數據類型更加多樣化，對于海量數據的處理分析技術也突飛猛進，使利用數據驅動進行建模分析成為可能。因此出現了利用基于大數據處理的機器學習和深度學習建模分析算法。例如在設備故障診斷的場景中，國內外學者多次提出利用神經網絡和支持向量機等數據驅動的人工智能算法對閥門故障及壓縮機性能進行診斷識別［13-15］。采用這種方法的前提是采集足夠多的樣本數據，以數據驅動的方式利用神經網絡深度學習的算法進行模擬預測，由于神經網絡算法內部為“黑盒”，對分析結果的成因解釋便成為難題。

以上兩種建模方法均有優缺點，有學者提出將大數據、機理模型和人工分析相結合的復雜系統數學建模方法。這種方法比較復雜，需要對具體問題結合大數據算法，對過程機理進行逐個影響因素分析，建立多個子模型，對不同子模型選取適合的模型進行分析（見圖3）。

圖3 復雜設備診斷問題

模型不僅需要數據作為輸入，同時還需要結合模型開發技術。模型算法技術中包括知識驅動的機理模型和數據驅動的大數據模型。對于大數據模型的應用可以考慮利用開源框架（如 TensorFlow、百度飛槳等）的基礎算法，并在此基礎上結合業務特征。另外，對于算法和業務結合，逐步建立典型案例，需要對案例信息進行知識提煉，利用知識管理技術逐步進行知識驅動的機理模型庫的建立。因此需要從平臺角度考慮對算法框架、知識管理等功能的支撐。

基于以上分析，在搭建平臺時需要考慮：

1）通用基礎算法框架

數據驅動的大數據模型、機理模型兩種建模模型方式，為了提高解決實際業務問題的效率和效果，可以在通用的、成熟的基礎框架上進行業務問題算法研發。因此管道數字化平臺搭建時可以考慮集成多個基礎模型算法框架，為業務算法研發提供支撐。

2）建立解決業務問題的算法模型知識庫

在形成大數據和機理模型后，需要及時總結業務場景及算法模型，作為案例進行信息提煉形成知識，逐步建立算法模型知識庫。

4.3 應用（服務）是載體

應用（服務）在宏觀戰略層面是以管輸企業的戰略目標進行規劃，支撐企業數字化轉型。在戰略目標的規劃下，解決具體業務問題。業務問題的提出，需要對應層級數字孿生體的數據（包括水平主線移交數據和垂直主線實時數據）和對應問題的分析模型算法結合形成對應的應用進行支持。對于復雜業務問題需要進行分解，并且確定他們之間的關聯關系。最終利用各種建模技術建立模型，輸入數據，輸出分析結果。

管輸企業提出了本質安全、高效運營的戰略目標。針對本質安全的戰略目標，提出了線路本體腐蝕預測、地災監測等業務問題。針對高效運營目標，提出了針對設備運行效率優化等業務問題。在開發應用的過程中參考相應階段，結合數據與模型分析解決業務問題，梳理、明確數字孿生體應用場景以及應用功能設計。并利用分析結果對實際物理實體進行優化，從而實現數字孿生體的業務價值。逐步完善多層級、多種組合關系的孿生應用，最終形成孿生業務生態。

基于以上分析，在搭建平臺時需要考慮：

1）應用統一規劃，逐步開發實施

從業務角度對應用進行整體規劃，按照企業戰略目標進行業務問題的優先級劃分，整合后臺數據，按照優先級進行業務問題研究及模型建立，逐步進行應用的開發和實施。

2）業務應用具備敏捷開發模式，快速響應業務問題

業務問題是按照企業戰略目標和優先級進行解決，根據不同的業務問題進行逐步建模分析處理。同時對應的業務應用也是逐步建立，并隨著戰略目標的變化進行維護更新。需要平臺具備敏捷開發模式迭代更新的能力，進行快速發布部署，最終達到與業務需求相匹配的應用模式。

5 管道數字化平臺框架

5.1 功能框架

通過對數字孿生體技術發展趨勢分析，對數字孿生體概念理解提出平臺設計思路，在此基礎上提出功能框架，主要包括：數據、模型、應用（服務）。

數據主要功能：數據標準管理、數據質量控制、多源數據集成、多階段數據整合與管理、數據服務。

模型主要功能：通用算法框架（數據驅動的大數據模型、知識驅動的機理模型）、模型算法知識庫、模型算法服務。

應用（服務）按照企業總體的戰略目標規劃應用，總體分為線路管理應用、生產運行管理應用、設備管理應用。然后根據業務問題逐步確定具體應用，是一個循序漸進逐步積累的過程，最終形成數字孿生體應用生態（如圖4）。

圖4 孿生平臺功能框架

5.2 技術框架

數字孿生體平臺的搭建，需要充分利用信息化新技術的支持，包括：物聯網、大數據、人工智能、知識圖譜等技術。

首先，數字孿生體的映射需要以數據為基礎。數據涉及到集成、存儲、處理等技術。集成涉及到多類型數據源，主要包括：信息系統接口、歷史文件導入、物聯網消息、自控系統接口、各種數據庫對接等。對于管道數據的集成主要考慮設計成果、工程建設采集數據、線路監測數據、SCADA采集數據、生產運行設備等管理數據。存儲涉及分布式文件存儲、分布式結構化數據存儲、分布式列示數據存儲和分布式圖數據存儲等存儲技術［16］。處理涉及到批處理、流處理、圖計算、內存計算、批流混合計算等技術［17］。

其次，數字孿生體場景的實現需要發揮模型的核心作用。模型涉及到數據驅動的人工智能算法和知識驅動的機理算法。人工智能算法主要包括：回歸與分類、聚類、協同過濾、降維、頻繁模式挖掘和神經網絡等人工智能算法模型［17］。機理算法主要包括：流體動力學機理、質量守恒、能量守恒、動量守恒、物性狀態方程等。除了模型之外還需要進行知識工程的建設，涉及知識表示、知識獲取、知識推理、知識集成和知識存儲等關鍵技術。

最后，數字孿生體場景的應用是將數據和模型結合進行功能實現解決問題的載體。由于管道業務特點，針對具體業務問題是逐步發現，并建立數據和模型的數字孿生體場景應用。因此在技術支持方面，需要有敏捷開發、微服務等框架的支持，保證對數字孿生體場景的應用生命周期管理（如圖 5）。

圖5 孿生平臺技術框架

6 進一步研究方向

本文針對長輸管道管網、管線、站場、設備實體進行數字孿生關系分析，提出長輸管道的水平數字主線和垂直數字主線，在通用智能分析算法框架上搭建管道專業算法并逐步建立算法模型知識庫，應用統一規劃逐步開發實施快速響應業務問題的平臺思路。當前，在數據、模型、應用（服務）仍存在需要進一步研究的方向：

一是數據需要進一步細化。長輸管道行業對于數字孿生體實體層級的劃分需要進一步細化明確。各種數字孿生體之間的關系在基礎類型的會有具體變化。對應數據分類、屬性、采集項的明確工作更為艱巨，需要業務專家和管理專家支持協調。并且對于物理實體的數據采集工作，也涉及到采集成本、網絡傳輸等諸多技術問題需要解決。

二是模型需要針對業務建立，逐步積累知識庫。由于長輸管道線性長距離分布，同一業務問題在不同地區的影響因素不同，從而分析模型和算法的建立會產生差異，因此模型建立需要考慮多種方式不同影響因素，并進行評估。另外逐步形成一個企業級模型知識庫，對已有經驗進行積累，是一個漫長的過程。

三是應用（服務）需要以數字孿生體為中心結合管道數據與模型，快速響應業務。雖然現階段有各種建模技術，但針對具體應用場景的落地，需要大量工作。模型知識的積累方面，雖然知識圖譜技術已廣泛應用，但并不能生搬硬套到工業模型上。因此，對于管道數字化平臺搭建的重點是以管道實體為中心，從業務問題與孿生場景對應的數據整理、模型研發、應用搭建三方面考慮，最終形成對管道運行的優化方案，作用在物理實體上。

綜上所述，目前的數字孿生驅動管道數字化平臺建設還有諸多研究課題亟需探索，且有巨大的應用前景，本文按照數據、模型、應用（服務）提出了管道數字化平臺的功能框架及技術框架，為管輸數字化平臺搭建提供參考與借鑒。