馮慶善

中國石油管道分公司

【摘要】隨著(zhù)管道管理技術(shù)的進(jìn)步和信息科技的發(fā)展，管道管理逐步邁入大數據時(shí)代，管道大數據的形成將從本質(zhì)上改變對管道的風(fēng)險認知和管理模式，使管道安全管理投入更有針對性。雖然當前基于大數據可以基本實(shí)現管道本體缺陷的風(fēng)險識別和管理變革，但如何挖掘和利用好大數據，提升第三方損傷、打孔盜油及地質(zhì)災害等風(fēng)險的識別和管理水平還有待進(jìn)一步探索。解決好限制管道大數據發(fā)展和應用的各種因素也是需要思考的問(wèn)題。

【關(guān)鍵詞】管道 大數據 風(fēng)險 占率

1 前言

管道安全及經(jīng)濟性是管道管理的核心。在不同的環(huán)境和技術(shù)基礎條件下，方式與方法不同，技術(shù)需求也隨之變化。傳統管理者習慣于在無(wú)法全面、系統知曉管道本體狀態(tài)和周邊環(huán)境因素的條件下，期望借鑒對管道的一般認知、積累的有限經(jīng)驗和被評估管道的有限數據，類(lèi)比測算出管道可能存在的泄漏風(fēng)險因素和位置，以相對明晰管道可能存在的風(fēng)險狀態(tài)。這種模式經(jīng)過(guò)幾十年的發(fā)展， 形成了較為成熟的技術(shù)，應用效果也頗為顯著(zhù)[1] [2][3]。很多專(zhuān)家在此方面不斷修正評估模型和算法，使得在有限認知條件下對風(fēng)險預測的準確性得到持續提高[4]。然而，隨著(zhù)技術(shù)的發(fā)展，管體的部分數據已經(jīng)非常系統和全面，形成了能夠對管體部分風(fēng)險因素近乎全面認知的大數據，使得對管道本身風(fēng)險從“黑箱”識別評估轉變?yōu)椤巴该鳌钡娜�面掌握。雖然對數據存在一定的置信度等問(wèn)題，但足以改變對管道安全狀態(tài)的判定，而不是傳統意義的評定。對此，作者相關(guān)論文對大數據風(fēng)險評估認知等進(jìn)行了論述[5]，但對于如何利用大數據來(lái)識別第三方損傷、打孔盜油及地質(zhì)災害等管道環(huán)境風(fēng)險卻探討甚少。為此作者就國外利用大數據防范恐怖襲擊等做法來(lái)探討如何應對管道環(huán)境風(fēng)險，保證本質(zhì)安全水平，以期引起相關(guān)專(zhuān)家的注意并討論。

2 大數據對環(huán)境風(fēng)險管理的相關(guān)分析

大數據正在促使管理理念發(fā)生變革，傳統的管理理念和方式將在變革中遭遇沖擊。大數據的魅力在于它能夠讓企業(yè)在無(wú)邊界的數據中，發(fā)現提升管理和效益的機遇。比如，基于本體內外檢測等形成的大數據很容易判定本體缺陷的狀態(tài)，從而將管道本體風(fēng)險的評價(jià)轉變?yōu)楸倔w狀態(tài)的判定，這是管道本體數據所體現出來(lái)的價(jià)值。然而，對于環(huán)境風(fēng)險，如果能夠基于大數據實(shí)現從風(fēng)險評估到狀態(tài)判定的轉變，將極大地減少運行成本和事故，提升本質(zhì)安全。

由于當前處于基于社交媒體和數字化記憶的大數據時(shí)代，亞馬遜能夠監視人們的購物習慣，谷歌監視網(wǎng)民的網(wǎng)頁(yè)瀏覽習慣，微博似乎什么都知道，包括我們的社交關(guān)系網(wǎng)，使得人們不僅擔心無(wú)處不在的“第三只眼”，而且擔心隱私被二次利用。維克托•邁爾-舍恩伯格和肯尼思•庫克耶在《大數據時(shí)代》[6]以及吳軍在《數學(xué)之美》[7]中論述了大數據如何通過(guò)數據統計、識別而實(shí)現對隱私或習慣的“了解”。

作者在《“樹(shù)生”事故致因理論模型》一文中[8]，提出應該在具備大數據的基礎上，用“樹(shù)生”事故分析模型分析事故，風(fēng)險分析從內因分析出發(fā)，確定缺失因素量對失效因素量的“占率”是核心思想。換言之，在管道的全生命周期中，當某一點(diǎn)已經(jīng)具備事故發(fā)生的因素比率越高，其發(fā)生事故的概率也就越高。與傳統分析方法不同的是，此方法是對具體的點(diǎn)或具備相同數據特征的群，通過(guò)分析具備泄漏的條件判定泄漏的概率，而傳統的方法是借鑒事故發(fā)生的概率這一表面現象來(lái)類(lèi)比評價(jià)某類(lèi)事故發(fā)生的可能性�；�于上述理論，對于環(huán)境風(fēng)險，由于導致事故發(fā)生的因素復雜，即使基于大數據，傳統的風(fēng)險評估方法也較難實(shí)現對風(fēng)險的預測和判定，需要改變對此類(lèi)風(fēng)險事故的致因分析， 找出導致事故的因素，分析出“占率”，從而作為數據挖掘規則，辨別和判定管道狀態(tài)。

從管道防第三方施工損傷和防打孔盜油的需求考慮，如果能夠利用可能存在的大數據來(lái)防范管道第三方損壞，即是否可以從大數據中識別出可能的第三方損傷或打孔盜油，比如識別和收集管道中心線(xiàn)附近的手機信號強度，附近路口的交通變化和特征，以及規劃、施工報批或施工車(chē)輛動(dòng)態(tài)等大量數據，統計管道開(kāi)挖和開(kāi)孔設備購置等數據，然后按照一定的規則進(jìn)行統計挖掘，則有可能識別出部分管道區域存在的第三方施工損傷風(fēng)險。

其實(shí)，當前很多管道管理者善于通過(guò)識別管道附近是否有交叉道路，道路是否偏僻，地面是否易于開(kāi)挖，附近是否有可疑房屋，是否常有可疑車(chē)輛出入等多條信息識別出潛在的打孔盜油的區域， 并成功阻止了較多的打孔盜油事件發(fā)生。這種做法雖然是基于個(gè)人對管道的了解和經(jīng)驗判斷，但足以說(shuō)明如果利用信息技術(shù)手段，收集更多相關(guān)數據， 則能夠更好的識別出可能的打孔盜油事件，實(shí)現對打孔破壞從事后被動(dòng)應對轉變?yōu)橛行ьA防和提前阻止。

大數據將會(huì )改變管道企業(yè)對地質(zhì)災害的管理模式。當前管道企業(yè)對地質(zhì)災害的管理多為基于對管道路由可能存在的地質(zhì)災害風(fēng)險進(jìn)行專(zhuān)業(yè)化識別，評估其狀態(tài)并決策是否治理，但很難識別出沒(méi)有跡象的滑坡或水毀等地質(zhì)風(fēng)險。多年來(lái)發(fā)生的滑坡或水毀的事故案例表明，造成這些風(fēng)險的因素是可以統計和識別的。比如，對沿山溝河道附近敷設的管道，在附近發(fā)生較多施工而改變河道流通能力等條件下，極易發(fā)生水毀漂管。因此，當有足夠的信息統計出管道在山溝河床敷設、河道被填埋侵占、高強度降雨等數據基礎上，將很容易判定出水毀的地點(diǎn)和可能發(fā)生的概率。

3 大數據應用的限制

大數據固然能夠協(xié)助分析人和環(huán)境因素可能對管道造成的傷害，但涉及到人和部分環(huán)境因素數據的保密和高成本問(wèn)題等都將嚴重影響大數據的應用�；�于當前的認知，主要從如下三個(gè)方面探討。

3.1 數據來(lái)源限制

對人活動(dòng)所帶來(lái)的影響分析必須基于和人各種活動(dòng)相關(guān)的海量數據分析，如何獲得關(guān)系人的海量數據，哪些數據能夠對管道企業(yè)開(kāi)放，是否涉嫌隱私等都是限制數據來(lái)源的關(guān)鍵因素。在大數據應用日益重要的今天，數據資源的開(kāi)放共享程度已經(jīng)成為制約大數據及促使管理變革的主要障礙。在保證隱私不被侵犯的情況下，推進(jìn)數據開(kāi)放將會(huì )帶來(lái)更多的價(jià)值，為大數據發(fā)展打牢基礎，這是實(shí)現基于大數據預防人為損壞管道的關(guān)鍵。比如，建立開(kāi)放的城市規劃、交通、社會(huì )治安和施工管理信息等數據，則能夠較容易地實(shí)現識別可能存在的施工損傷。

3.2 雜散數據的影響

《大數據的時(shí)代》[6]中也指出：“數據量的大幅增加會(huì )造成結果的不準確，一些錯誤的數據會(huì )混進(jìn)數據庫�！睌祿�量的增大，也會(huì )帶來(lái)規律的喪失和嚴重失真。此外，來(lái)源不同的各種信息混雜在一起會(huì )加大數據的混亂程度。統計學(xué)者和計算機科學(xué)家指出，巨量數據集和細顆粒度的測量會(huì )導致出現“錯誤發(fā)現”的風(fēng)險增加。如果雜散的數據經(jīng)常造成第三方損傷管道的預警頻繁誤報或識別率低，將會(huì )失去其應用價(jià)值。

3.3 因素的不關(guān)聯(lián)性

大數據意味著(zhù)更多的信息，但同時(shí)也意味著(zhù)更多的虛假關(guān)系信息。海量數據帶來(lái)顯著(zhù)性檢驗的問(wèn)題，將使我們很難找到真正的關(guān)聯(lián)。有可能基于大數據的全數據分析、模糊計算和重關(guān)聯(lián)而得不到應有的因果特性。如果能夠得到較好的關(guān)聯(lián)性，延伸維克托•邁爾-舍恩伯格的說(shuō)法，則可以實(shí)現被預知的可能性——基于數據的預測能夠預測可能存在的第三方損傷或即將發(fā)生的打孔盜油行為。所以在完整性管理的基礎上[9]，深入分析事故致因、導致事故因素關(guān)系和占率，將是解決關(guān)聯(lián)性的基礎。

4 結束語(yǔ)

管道大數據的形成還處于起始階段，在大數據方面的探索將是今后一個(gè)時(shí)期的焦點(diǎn)。作者在管道大數據及其對管道安全管理等帶來(lái)的轉變等方面的思考僅是初步探索。但基于大數據條件下的管道安全管理是未來(lái)的發(fā)展趨勢，也必將帶來(lái)管道安全管理變革和相關(guān)技術(shù)進(jìn)步。提前研究如何推進(jìn)大數據條件下的管道安全管理，促成可能的數據共享和數據關(guān)聯(lián)模式，會(huì )使我們在提升管道安全管理水平中占得先機。◢

參考文獻：

[1] Peter Tuft, Nader Yoosef-Ghodsi, John Bertram. Benchmarking Pipeline Risk Assessment Processes, IPC 2012- 90045, September 24- 28, 2012, Calgary, Alberta, Canada.

[2] 曹云. 系統工程風(fēng)險評估方法的研究進(jìn)展[J].中國工程科學(xué)，2005，7（6）：88-95.

[3] 張華兵，程五一，周利劍,等. 管道公司管道風(fēng)險評價(jià)實(shí)踐[J]，油氣儲運，2012，31（2）：96-98.

[4] 戴聯(lián)雙，張俊義， 張?chǎng)�，�? RiskScore管道風(fēng)險評價(jià)方法與應用[J]，油氣儲運，2010，29（11）：818- 821

[5] 馮慶善，基于大數據條件下的管道風(fēng)險評估方法思考. 油氣儲運，2014，33（5）：457-461.

[6] Viktor Mayer-Schonberger & Kenneth Cukier. Big data：a revolution that will transform how we live，work and think [M].Boston：Houghton Mifflin Harcourt Publishing Company，2013.

[7] 吳軍，數學(xué)之美，人民郵電出版社，ISBN 978- 7-115-28282-2

[8] 馮慶善，“樹(shù)生”事故致因理論模型，油氣儲運，2014，33（2）：115-120，128.

[9] 馮慶善，王學(xué)力，李保吉，等. 長(cháng)輸油氣管道的完整性管理[J]. 管道技術(shù)與設備，2011（6）：1-5.

（作者：馮慶善，高級工程師，1974年生，2010年博士畢業(yè)于北京航空航天大學(xué)材料學(xué)專(zhuān)業(yè),現主要從事管道完整性技術(shù)研究與管理工作。）

《管道保護》2015年第3期（總第22期）