天然氣管道高后果區智能預警系統設計

王新栩，王凡立，單童，葉朝偉

(浙江浙能天然氣管網有限公司，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，是推動經濟發展、造福民生的能源動脈[1]。截至2021年，我國油氣管道總里程已經超過17×104km，預計到2025年，我國管道總里程將達到24×104km。

在里程數快速增加的同時，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過程中會穿過地理環境、地質條件復雜的區域，這些區域地質災害比較頻繁，嚴重威脅管道安全；另一方面是隨著城市化建設快速發展，管道沿線的人口密度在不斷增加，頻繁的人類活動同樣威脅著管道的安全，同時，管道發生泄漏、爆炸后造成的損失也會急劇增大。

為了方便管理油氣管道，人們引入了高后果區的概念，它是指油氣管道泄漏失效后可能造成嚴重人員傷亡或環境破壞的區域，根據管道沿線不同的人口密度將高后果區分為不同等級。針對高后果區的管道采取針對性的管控措施，對管道管理者及整個社會都有重大的意義和影響[2-4]。

目前，在研究高后果區時，我國學者主要關注高后果區的管理和判別方法，盡管這類研究有助于提高高后果區的管理水平，但并不能對可能發生的事故、風險進行有效的預測。本文以AI智能識別技術和紅熱外源探測技術為基礎，提出一種高后果區視頻預警系統，可以有效監測管道周圍的第三方活動，防止管道被破壞。

1 設計基礎

1.1 計算機視覺技術

計算機視覺是人工智能的重要發展方向，廣泛應用于安防、金融、醫療等多個領域[5-6]。計算機視覺技術以圖像信息為輸入，通過深度學習計算來感知外界環境信息。在安防領域，該技術的應用極大地改善了人與環境的交互方式，突破了人員監控的局限，以機器替代人工實現對現場作業環境的長時間、不間斷地安防監控等。

1.2 物聯網傳感技術

隨著計算機信息技術和網絡技術的快速進步，物聯網技術已廣泛應用于社會生產的方方面面，各行業也在不斷挖掘物聯網技術的內在潛力[7]。物聯網技術是一門復雜學科，其不單指某一項技術，而是不同技術的融合，將設備以數字化方式與世界相連，設備也可嵌入傳感器和其他硬件，通過一定協議連接互聯網進行通訊和控制。本文提及的傳感器技術包括聲光報警器、防水音柱、云臺高清攝像機和太陽能控制器等，這些傳感器均與AI邊緣計算設備相連接并采用4G無線網絡接入互聯網，與管理后臺進行數據交互和設備控制。

1.3 視頻直播技術

傳統的視頻監控系統一般采用臺式機作為監控終端，需在指定地點且有專用網絡設備支持的情況下才能對作業環境進行監控，大大限制了監控系統的應用范圍和靈活性。而與傳統視頻監控相比，移動終端以其隨機、靈活等優點能夠滿足用戶隨時獲取監控信息的需求，因而有極大的優勢[8-9]。本文利用視頻直播技術實現對現場環境的監控，并將其接入管理平臺上進行統一管理。

2 高后果區智能視頻預警系統設計

高后果區智能視頻預警系統可實現對管線附近的監控目標、行為方式進行實時預警，業務人員可根據預警信息所提供的精確的位置、圖像、視頻等數據，展開相關工作部署，并存儲相關數據以及生成相應的統計表單。

2.1 預警系統架構設計

該系統由前端預警設備和后端信息管理平臺兩部分組成，系統架構設計如圖1所示。

圖1 預警系統架構設計

前端預警設備由數據采集模塊、AI邊緣計算設備、傳感器模塊和通信模塊組成。其中數據采集模塊主要包括云臺攝像機和太陽能控制器；AI邊緣計算設備實現對實時視頻進行AI分析；傳感器模塊則由聲光報警器和防水音柱組成，可對現場環境的一些違規行為進行告警；通信模塊為整個前端設備提供4G網絡信號。

后端信息管理平臺實現信息管理、業務核查及處理、視頻查看和設備管理等功能，用戶可在GIS頁面查詢到前端設備部署位置，并可對每條預警信息進行喊話驅離和設備告警等手段提醒現場施工人員。

2.2 通信模塊

基于高后果區實際情況，本文選用4G通信作為前端預警設備與后端信息管理平臺數據交互的橋梁。根據現場實際情況分析，在前端預警設備中加入外接天線，提高設備通信信號質量。當網絡信號出現波動而導致斷開時，MQTT服務器會發送相應的信號至后端信息管理平臺，且當網絡信息自動恢復時，會自動消除相關網絡信號的告警。

2.3 AI邊緣計算設備

2.3.1 邊緣設備軟件架構

油氣管道高后果區的主要威脅源包括油氣泄漏、違規挖掘、違法施工、違章占壓、非法開采以及大型機械作業等[10-12]。本文將重點分析違規挖掘、違章占壓以及大型機械作業等行為。

AI邊緣設備軟件的架構如圖2所示。基礎設施層主要由太陽能控制器、云臺攝像機、聲光報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信息，云臺攝像機為AI識別及現場環境提供數據支撐，聲光報警器和防水音柱是作為現場發生情況后，可發出警示提醒相關人員，為高后果區安全監測提供基礎保障。

圖2 AI邊緣設備軟件架構圖

基礎數據層包括視頻流數據、音頻數據和狀態數據。視頻流數據主要用于AI識別和進行現場直播；音頻數據用以播放語音、警告現場存在的一些違規行為；狀態數據是蓄電池的電壓和電量的狀態，確保使用人員可隨時獲知設備運行狀態。

服務層主要包含AI識別和設備控制兩類服務。通過在設備中部署相應的深度學習算法識別特定的目標或行為，實時監測現場環境告警信息，避免了人員需時刻盯著現場視頻，業務模式實現了由被動監管向主動核查的轉變；設備控制服務是作為應急手段，當使用人員核查現場告警信息后，可通過管理平臺發出相應的警告信息，阻止現場施工人員的違規操作。

2.3.2 AI模型訓練及部署

本文采用邊緣計算的方式部署AI算法模型，減輕監控中心的計算壓力。在離線訓練階段，首先利用海量的、經過預處理后的圖像數據來訓練深度學習算法模型，使其具備識別對應目標的能力；在現場部署階段，根據具體業務需求決定模型是否需經過裁剪，再將算法模型部署在AI邊緣設備上，以實時視頻幀作為模型的輸入，經過大量復雜的計算后，得到識別結果；在日常運行過程中，系統會產生大量的經過人工核查后的數據，該批數據又可反饋至樣本數據庫中，用以優化、訓練算法模型，不斷提高模型檢測能力，進一步提升本系統的可靠性。模型訓練及部署流程如圖3所示。

圖3 AI模型訓練及部署流程

3 系統應用

3.1 工作流程

高后果區預警系統業務流程如圖4所示，具體流程如下：

圖4 AI模型訓練及部署流程

(1)前端設備通電后，AI邊緣設備自動啟動相關服務，并立刻上傳設備信息至服務器；

(2)啟動云臺攝像機及初始化AI識別程序，為AI識別做好準備；

(3)云臺攝像機采集實時視頻，并將數據傳輸至AI邊緣設備，AI邊緣設備對數據進行編解碼后，送入AI識別程序開始識別，并將識別結果送至邏輯分析模塊；

(4)邏輯分析模塊判斷是否出現相關威脅，并將判斷結果發送至服務器；

(5)設備控制模塊根據提前設置的告警等級，決定觸發某一種警告方式。

3.2 工程應用

將系統設備在某管道附近的挖掘施工區域現場進行24 h不間斷監測，發現挖掘機存在越界施工行為后，系統自動將該行為保存下來并發出報警信息，工作人員接收到該信息后，立刻趕往現場阻止該挖掘機的野蠻施工，如圖5所示。

圖5 挖掘機越界施工判斷圖

4 結語

本文提及的預警系統可應用于油氣管道高后果區安全監控，能對越線施工、違章占壓等異常狀況進行準確的預警，能及時有效地檢測、響應、處理突發威脅，有效提升了高后果區的安全管理能力，具備一定的推廣價值。