场站输油管道风险智能评估系统研究

刘觉非，裴峻峰，胡建启，韩 烨，翟云峰，白嘉伟，别锋锋，彭 剑

(1.中国石化 长输油气管道检测有限公司，江苏 徐州 221008；2.常州大学 机械工程学院，江苏 常州 213164；3.机械工业上海蓝亚石化设备检测所有限公司，上海 201518)

场站输油管道失效和泄漏容易造成环境污染，甚至会引起火灾或爆炸，造成经济损失和人员伤亡。风险评估分析是保证场站输油管道、设备安全可靠运行的重要技术手段。基于风险的检验(RBI)技术是各类设备广泛应用的风险评估方法，其在场站输油管道、设备检测中应用起步较晚，尚未形成成熟的评估体系。文中对RBI技术在场站输油管道、设备检测中的应用进行研究，基于白沙湾输油站输油管道实际运行和检测数据，通过灰色关联分析方法(GRA)分析出各参数对风险影响的关联程度和关联值，通过排序选取关联度值较大的参数作为关键参数，将关键参数作为风险智能评估系统的输入参数，选用支持向量机学习方法进行了场站输油管道风险智能评估系统的开发。

1 多参数对风险程度影响的灰色关联分析方法

1.1 灰色关联度分析方法原理

灰色关联分析方法是一种多种因素关联程度分析方法，通过分析各参数与主参数之间的曲线关系，进而判断出它们之间联系的紧密性[1]。使用灰色系统进行分析时，通常采用子参数与主参数之间的相似程度作为衡量的标准，被评价的方案与理想方案越接近，方案就被认为越优越，反之则可能成为被淘汰的对象[2]。

1.2 灰色关联度计算步骤及方法

灰色关联分析法提供各因子的关联度值计算方法和关联度值大小排序方法，计算步骤包括：①确立母列和子列。②数据无量纲化处理。③计算关联系数。④计算关联度值并排序。⑤RBI风险评估系统参数灰色关联分析。其中前2个步骤在灰色关联分析之前进行，只是对已有数据的简单整理和处理。排序需要确定母列和子列，母列为排序的参考序列，子列为排序的比较序列。数据无量纲化处理采用归一化法，即将一列数据统一除以该列的最大值，这样计算会使一列里的所有数据都在(0，1)区间，从而去掉了数据的量纲。文中详细介绍计算的后面3个步骤。

1.2.1关联系数计算

按下面的公式计算灰色关联系数[3]：

(1)

式中，i为数据的列编号；k为数据的行编号；x0(k)为母列上的第k个值；xi(k)为子列上的第k个值；minimink|x0(k)-xi(k)|为对第i列母列上的第k个值与子列上的每个值做差值，并取绝对值的最小值；maximaxk|x0(k)-xi(k)|为对第i列母列上的值与子列上的每个值做差值，并取绝对值的最大值；ρ为调节系数，用来调节不同系数之间的差距，取值范围为(0,1)，ρ越大，各系数之间的差距越小，反之各系数之间的差距越大，一般取ρ=0.5。

1.2.2关联度值计算

关联度比较是系数之间的比较，每个系数都有1列数据。为方便进行比较，取1个因子对应的1列关联度值的平均值进行比较[4]，各因子的关联度值ri按下式计算：

(2)

计算出每个因子对应母列的关联度值，然后将它们按从大到小的顺序排列，就可以得到各因子相对母列的关联程度大小。

1.2.3关键参数及其灰色关联计算

依据GB/T 26610.1—2011《承压设备系统基于风险的检验实施导则 第1部分：基本要求和实施程序》[5]、GB/T 26610.2—2014《承压设备系统基于风险的检验实施导则 第2部分：基于风险的检验策略》[6]和GB/T 26610.3—2014《承压设备系统基于风险的检验实施导则 第3部分：风险的定性分析方法》[7]，RBI风险评估系统一般包含失效可能性计算模块和失效后果面积计算模块，每个模块里面都包含了若干的输入参数[8]，这些参数分为关键参数和非关键参数，灰色关联分析的目的就是找出2个模块所有参数中的关键参数。

按照GB/T 26610.4—2014《承压设备系统基于风险的检验实施导则 第4部分：失效可能性定量分析方法》[9]、GB/T 26610.5—2014《承压设备系统基于风险的检验实施导则 第5部分：失效后果定量分析方法》[10]和GB/T 30579—2014《承压设备损伤模式识别》[11]，失效可能性模块计算时的参数有51个。针对这51个参数进行灰色关联度值计算[12-13]，仅有清洁状态因子的灰色关联计算值(0.377 0)明显低于其他参数的灰色关联计算值(0.788 70～1.000 0)，这表明其他50个参数均与失效概率存在显著的关联度。针对白沙湾输油站输油管道的研究发现，RBI风险评估的关键参数有15个，其灰色关联度值计算结果见表1。

表1 白沙湾输油站输油管道评估关键参数及灰色关联度值

基于表1列出的15个关键参数及其灰色关联度计算结果进行的失效后果面积分析表明，失效后果面积分析涉及6个关键参数，其灰色关联度计算结果见表2。

表2 失效后果面积分析关键参数灰色关联计算结果

2 支持向量机智能分析原理

2.1 最优超平面

支持向量机是一种带监督功能的学习方法。在训练点种类已知情况下，通过支持向量机可以计算得到各训练点和各类别间的对应关系，计算后系统可以将训练集按照不同的类别分开[14]。支持向量机的工作原理是找到一个超平面，从而使得该超平面与最近的样本点之间的间隔最大，这个超平面也被称为最优超平面[15-16]，见图1。图中最优超平面右上区域中的圆点表示一元向量，最优超平面左下区域中的圆点表示二元向量。

图1 支持向量机最优超平面

支持向量机模型不同于传统的回归模型。支持向量机的机器学习引入了隔离带观点，可以提高向量机模型处理未知样本的能力，极大提高模型的泛化能力，从而减小因为过拟合造成的泛化精度不高问题[7]。最优超平面就是间距最大的超平面，在空间中超平面数学表达式如下：

WTx+b=1

(3)

式中，W为超平面的法向量，决定超平面的方向；b为位移量，决定超平面到原点的距离；T为转置符。

2.2 支持向量机训练

假设超平面能够实现样本的正确分类，即训练样本(xi，yi)满足下列条件：

WTxi+b≥1(yi=1)

(4)

WTxi+b≤-1(yi=-1)

(5)

通过(4)和式(5)计算的最优超平面间隔γ表达式如下：

(6)

采用拉格朗日对偶方法求解超平面最大间隔，得到表达式如下：

(7)

式中，L为超平面最大间隔，α为拉格朗日乘子。经由拉格朗日方程计算出变量α、W、b，进而得到如下方程：

(8)

由式(8)得到式(4)成立的3个必要条件为：αi≥0、yif(xi)-1≥0、αi[yif(xi)-1]=0。

此时，支持向量机训练完成，对于任意的训练样本(xi，yi)，若αi=0，则其不会在式(8)中的求和项中出现，因此不会影响支持向量机的训练；若αi>0，则αiyif(xi)-1=0，则样本一定在边界上，是一个支持向量。

3 场站输油管道风险智能评估系统软件开发

3.1 软件开发流程

场站输油管道风险智能评估系统(SPRAS1.0)开发计算流程见图2。

图2 场站输油管道风险智能评估系统开发计算流程

此流程考虑了关键参数的影响，采用支持向量机机器学习[9]方法获取关键参数与失效可能性及失效后果面积之间的关系，从而实现对管道失效可能性与失效后果的智能诊断。

使用场站输油管道风险智能评估系统时，只需向系统输入与失效可能性相关的15个关键参数(表1)和与失效后果面积相关的6个关键参数(表2)，就可通过支持向量机机器学习计算出关键参数的失效可能性和失效后果面积，进而得到风险评估结果。

SPRAS1.0场站输油管道风险智能评估系统输出结果示例见图3。

图3 场站输油管道风险智能评估系统输出结果示例

3.2 软件系统验证

以RBI风险评估系统评定结果为参考[5]，对开发的场站输油管道风险智能评估系统SPRAS1.0系统的正确性进行验证。验证的白沙湾输油站管道包含2部分：①2018-09在白沙湾输油站接收检测的20根管线。②白沙湾输油站在2015～2016年间检测的40根管线。从这60根管道中选取28根管道进行训练，剩余的32根管道进行测试。

所有32根管道的失效可能性相对误差为0.004 3%～6.360 0%(其中失效可能性相对误差小于0.1%的管道有15根，管道的失效可能性相对误差介于0.1%～1.0%的有9根)，失效后果面积相对误差为0～0.5%(其中31根管道的失效后果面积相对误差为0)。应用风险智能评估系统计算的部分测试结果与RBI风险评估系统计算的结果比较见表3。

表3 用2个分析系统计算出来的测试管道部分精度比较

表3中的测试结果表明，智能评估系统计算的平均精度达到99.5%，由此验证了智能评估系统的正确性。

4 结语

场站输油管道风险评估涉及参数众多，在研发场站输油管道风险智能评估系统时，需要判断各参量对风险的影响程度，确定智能诊断系统输入的关键参数。介绍了应用灰色关联分析技术筛选关键参数的方法，应用支持向量机的机器学习方法进行场站输油管道风险智能评估计算的方法，以及应用这2种方法开发的风险智能评估系统SPRAS1.0。SPRAS1.0开发的管道基础数据采自白沙湾输油站，此评估系统目前仅适用于白沙湾输油站，这种开发思路和实践可作为其它场站输油管道智能风险评估系统研发时的参考。