近年来，随着中国经济的发展，天然气需求迅猛增长，中国天然气管网得到大规模的发展，相继建设了陕京管道、涩宁兰管道、西气东输管道、中缅管道、中亚油气管道、中俄东线管道等重大工程，逐步形成“西气东输、海气登录、就近供应”的新格局，相继建成“西北、西南、东北、海上”四大战略能源通道，随着天然气配套基础设施的持续完善及天然气价格改革的到位，天然气作为清洁能源的优势，将对我国经济发展、国计民生发挥越来越重要的重要。
与此同时一场技术革命正在兴起，随着工业IT、DT技术的发展、存储技术的进步，大数据云时代的悄然来临。大数据分析逐渐吸引了越来越多人的关注。大数据俨然成为人们获得新的认知、创造新的价值的源泉，也是发现事物规律的重要方法。大数据与传统数据的主要区别在于，它是实时性、在线性、高速性规模海量且形式不定。大数据分析能找出过去事件的特征规律、预测可能出现情况及概率、制定相应的预防措施，找出最优化的解决方案，实现最安全高效的目标。
1 长输管道设备管理现状需求
随着天然气行业的大发展，新技术大量应用，包括Scada系统、EAM系统、在线仿真系统、PIS系统、各类UCS系统以及System1等各类在线监测系统在油气管道行业的大量应用，加上生产运行所产生的各类基础数据、失效维修数据以及各类科技文献以及互联网资源等，实时的非结构化的数据以指数级的速度在积累增加（一个站场为每年至少会产生上百TB的数据，而且还在不断增加），现代化管输生产过程的大数据获取及累计为管道生产带来了一定的帮助指导，同时也带来了新的挑战，导致大量的数据无法实现其真实作用。如何能从大数据中合理的提取有效信息，对日益增多的数据进行专业化并行处理，如何能“变废为宝”在大量的数据中挖掘有用信息，进行专业化分析，让平时大量的死数据量化、可视化。如何能让数据指导企业生产运行，科学精准决策，进而降低运维成本成为了管道企业新的难题。因此大数据分析应用将是管道行业发展的重要趋势之一。
油气管道资产高度密集、工艺系统复杂、设备种类多数量巨大，且长期在高压、高速状态下连续运行。且随着科技的进步，技术的发展，站场的设备更加大型化、自动化、智能化、复杂化，设备更加精密复杂，对人员素质的要求越来越高，大量设备故障难以靠检查、监控来提前发现，设备状态劣化趋势难以发现，设备突发故障造成的损失不断增加，设备维修维护存在一定的不足及过剩，设备维修维护成本逐步攀升。因此建立设备管理大数据分析模型，优化配置维修资源，制定定制化、针对性的运维方案，追求设备最高的可靠性、最合理的维修策略，用最小的成本维持最大的生产力是各管道企业设备管理的焦点核心。
2基于“大数据监测分析”的设备管理
设备管理的基于大数据监测分析技术是近年来的学术热点，这一技术在一定程度上可以避免对复杂系统进行机理分析，随着时频分析理论及BP神经网络（图1）等大数据建模方式的逐步成熟，从海量信息中多维度、深层次挖掘出来的信息知识及规律越来越具有可靠性、可用性。随着信息技术的发展以及信息化的逐步深入，随着材料学以及监测科学技术的发展，为油气管道提供了大量的可选择的监测设备及技术，使得“大数据多尺度监测分析”逐步适用于油气管道企业的设备管理及预测决策，保障天然气长输管道的安全、高效运行。
图1 BP神经网络模型
2.1数据仓库建设及数据预处理
天然气长输管道系统是一个多变复杂连续的系统，由众多子系统构成，包括“压缩机系统、工艺分离系统、计量系统、空冷系统、燃料气系统、供电系统、阴极保护系统、排污放空系统、仪表气系统、水处理系统、供热系统以及ESD系统等等组成”。随着传统管理到信息化管理的转型，为便于各个方面的管理辅助建设有各类信息化系统包括“scada系统、UCS系统、EAM系统、远程在线监测系统、PPS系统、在线仿真系统、PCM系统、PIS系统、计量监测系统、HSE管理系统、ERP系统以及人员管理系统等等”，大量的数据来源用途多样，数据格式不同，数据调用转换率极低，数据二义性严重，存在大量数据孤岛，亟需开展数据仓库建设，解决专业数据存储和企业应用集成-EAI，消除数据孤岛，实现生产系统各数据交换和集中存储、建成大数据分析平台。
由于天然气长输管道系统低于跨度大，设备设施所处的环境不同，输气生产同时也受到气候、温度、日照等自然因素影响，因此长输油气管道设备设施的大数据往往具有多尺度、多维度的特性。从大数据的长期输出的信息来看，设备设施的状态一般具有随着时间的推移不断呈现出非线性劣化的特征。因此可以利用小波变换、希尔伯特黄变换等时频分析法，研究输入输出数据在不同时间环境维度下的关系，找出最具有知识含量的数据分析处理方式，提高数据利用效果和效率。
2.2设备大数据分析基准模型建立
设备大数据分析基准模型需要利用设备的各类设计数据、运行数据、经验数据，通过简单机理分析与成熟完备的故障库（数据）相结合，利用BP神经网络、蒙特卡罗树搜索等，建立的出可以反映出设备输入输出关系的模型。其目的在于建立设备参数间的对应准则，为设备的状态监控提供参考信息。在设备运行过程中，通过监测获得的信息与基准模型提供的参考信息进行比较构成残差序列。当系统正常时残差序列在某种意义上接近于0，当系统运行异常时，残差将发生显著改变。
图2 数据模型及算法流程
大数据分析基准模型数据要保证真实性，保证样本足够多，而且还需要个数据之间要有较强的一致性，因此只有在大量的同类设备设施长时间稳定运行时才能实现。天然气长输管道在国内已经发展成熟，各大管道各种设备数量巨大，长期稳定运行积累的数据足以支持基准模型的建立。“共性”的基准模型与“个性”的设备基础数据、评价检测数据以及实时的在线监测数据进行验证，通过系统的不断学习，不断优化修正，在基准模型的基础上，可逐步勾画出任何一个设备“生命曲线、轨迹”（如图3），可以实现设备的故障的预测，最终针对单台设备的定制化的维修维护策略。
图3 设备潜在故障P-F间隔示意图A—故障开始发生点 P—能检测到的潜在故障点 F—失效发生点
2.3设备大数据监测分析应用
长输管道设备管理核心目标“提高设备可靠性、减少失效时间、规避运行风险，降低运维成本、延长生命周期”。如何能实现这些目标，就需要实时在线的检测数据及EAM系统记录数据形成的故障库，结合各设备基准模型，利用不断优化调整的设备“共性”而又“个性”设备的一系列动态的“生命轨迹”，预测设备故障发生的时间阶段（偶发故障无法预测，此类故障频率与维护成本无关，多为设计缺陷、安装质量所致），找出设备维修成本、故障损失费用与故障频率之间的关系。同时利用层次分析法（如图4），通过建立多层次的分析结构模型，对设备的各影响因素进行权重分配计算，分析结合设备在工艺系统中的重要程度，结合以可靠性为中心的维修 （Reliability Centered Maintenance)管理理念，形成按照设备不同级别可确定具体的维保项目和周期，形成针对设备的定制化的检查、维修、维护策略，作业计划及备件采购计划。设备动态的“生命轨迹、劣化曲线”比较宏观客观，能为公司设备管理整体的宏观决策，但还不足以实现各类设备失效、故障的精准预测（图5）。
图 4 某设备层次分析权重计算结果 图5维修成本与故障频率的关系
在设备运行过程中，系统通过scada、UCS、system1等在线监测系统以及各类包括超声波检测、腐蚀检测等各类分析评价等获得的信息与设备大数据分析基准模型信息相较的残差数列异常波动时，预测设备状态将出现变化，设备失效发生点即将到来。通过对稳态残差与动态残差的融合，形成数据的信息粒，通过大数据处理并行处理分析，预知预测出设备可能发生的故障，结合EAM系统建立的标准故障库，开展失效原因分析，系统能分析到引发设备故障的最基本的原因，分析到可维修、可更换及可购买的最小的零部件的维修更换（图6），继而实现设备的预知维修。
图6 空压机插座烧毁故障树
当系统判断出需要开展预知维修时，则通过在EAM系统自动建立通知单，制定运维执行方案，甚至转化成可以直接执行的操作内容，对工器具、备品备件需求及人员技能需求、工作量进行预测，通过与公司业务流程及人员在岗情况结合，最终形成大量可量化、可执行的信息（可以输出文字、音频及视频），最终行程可直接执行的操作票指配给相关运维人员，实现设备的预知维修。同时结合在线仿真系统，提出运行调整方案，通过Scada系统结合无线射频RFID技术等对设备进行操作，工艺系统进行调整。通过不断开展分析汇总，经过一系列持续的周而复始的PDCA循环，不断实时动态优化修正设备特定规律，调整优化运维策略，实现整个系统的自主学习，进而指导后期的设计选型、更新改造，明确操作运维人员的技能培训需求及方向，实现企业的生产运行更加科学的决策（图7），实现在安全的前提下，以最低的运维成本，实现最大的生产力。
图 7 大数据监测分析流程
3大数据监测分析后期展望
在大数据迅猛发展的浪潮下，随着长输管道信息化到数字化化的转变、管道运行大数据思维理念的不断提升，长输管道的大数据分析将不断逐步成熟完善，不断向着移动端、云端、虚拟现实VR/AR以及深度人工智能AI方向发展，设备管理解决方案也不断向个性化、定制化发展，由目前寻找探索的“共性”不断延伸至设备管理的“个性”。
后期管输企业设备管理可以形成云端黑匣子解决方案，通过开发建设各类大数据监测系统，完成数据采集储存，同时所有的数据分析处理、模型建立以及数据解决方案全部可以置于云端托管，在云端形成“黑匣子”解决方案，随后分析处理后的各类信息转化成可视化、可量化、可执行的操作指令信息（文字、音频、视频信息），并推送到业务相关人员的终端（PC、移动端、邮件等等），后期可结合VR/AR虚拟现实技术，相关人员按照系统推送的指令完成设备的预知维修维护（图8），同时指导公司针对运维人员开展针对性、定制性的培训。对于社会依托较好管网成熟发达的站场，甚至于可以利用社会上共享资源，引进有资质受认可的专业的运维队伍，将管输企业的设备运维业务推向市场引入竞争机制，相关操作运维指令推送发布到固定的运维人群（此类人员需要在企业注册，具备资质认证，不同的工作任务发布推送的人员范围不同），最终通过系统在线整理分析，结合报价、能力等各类情况，最终指配置到最合适的人员，完成设备预知维修维护。
图8 企业云端黑盒解决方案
4大数据监测分析应用需解决的问题
随着科技的进步发展，高性能的计算机、海量的数据存储、数据融合(data blending)技术不断成熟完善，随着云时代的到来，开放、便捷、简单、低成本更加专业化的计算服务已经出现，处理数据的速度呈指数增长，技术能够解决的问题终将不会成为问题。从目前长输管道设备管理现状以及大数据分析技术发展情况来看，长输管道大数据监测分析技术发展和应用仍然存在一定的瓶颈。
首先是数据分析软件方面：虽然大数据处理软件已经丰富（EMC Greenplum、IBM SmartCloud Enterprise、惠普Vertica、Oracle Big Data Appliance以及微软Big Data Solution），但是长输管道大数据起步较晚，针对油气行业简单易用效果较好的解决方案很缺乏，目前存在“采集的数据多、贡献的数据少”的困境。管道行业大数据解决方案的开发，需要跨学科多部门的专家配合协作，需要长输管道专家与专业的软件编程工作人员通力协作，从数据标准建设、数据采集、数据处理、模型建立、业务流程建立到系统的运维及系统不断优化，最终才能实现业务与数据的结合，才能从信息和数据的海洋中汲取“知识”。
其次是大数据安全方面：大数据的本质是开放与共享，但是天然气长输管道行业关系国计民生，大量的生产运行数据都是受限保密，存在一定的“闭关锁国”。长输管道大数据监测分析势必要使用大量的在线远程监测系统，大量的计算储存功能云端化，而且核心设备数据的分析处理一定程度要依托国外厂家，同时大数据处理必然会用到大量的外部网络资源及第三方的软件，“开源”与“封闭”之间如何取舍平衡，也是需管输企业考虑的问题。
参考文献
【1】张孝桐，宝钢的设备管家体系。
【2】王兵，谈大数据监测在海洋油气设备管理中的应用[J]，电子测试，2014年03期。
【3】刘继伟，基于大数据的多尺度状态监测方法及应用，“华北电力大学”，2013年。
【4】常屹，基于大数据分析模式的设备全寿命周期管理研究[J]，中国电力企业管理，2015年。
【5】王亚峰，“大数据”助力设备全生命周期管理[J]，中国煤炭报，2015年。
【6】王硕，大数据时代下的设备管理新模式[J]，中国民用航空，2016年12期。
