CN105303045A - 一种长输管道线性数据关联规则挖掘方法 - Google Patents

Abstract

本发明涉及油气管道领域，公开了一种长输管道线性数据关联规则挖掘方法，以解决现有技术中无法充分利用大数据所蕴含的信息为管道管理提供支持的技术问题，该方法包括：明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；对所述挖掘对象中的数据进行数据准备过程，具体包括：①对每个连续型数据属性进行离散化处理；②对同一类别的不同标识符进行统一；对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。达到了从所提供长输管道的大量数据发现规则和知识的技术效果。

Description

一种长输管道线性数据关联规则挖掘方法

技术领域

本发明涉及油气管道领域，尤其涉及一种长输管道线性数据关联规则挖掘方法。

背景技术

目前对于管道完整性数据来说，数据主要的利用手段就是通过现有的信息系统的功能界面，数据的应用主要是通过建立数据的关联支持管理业务流程的开展。特别是由于管道具有广大的空间上线状分布的特点，目前基于数据对齐技术的发展，能够提供数据的多角度综合展示。但是主要的数据分析方式仍然是简单的分类统计。如某段管道高后果区的长度统计，长度随时间变化的展示等。信息系统面向具体业务活动的特点会对完整性数据的多角度深入分析和价值的最大化造成障碍，其中的历史数据也难以得到有效利用。如何充分发挥数据的作用，体现数据的价值，已经成为完整性数据管理急需解决的问题。

目前油气管道完整性管理活动中已经积累了多种类的丰富的完整性数据，管道完整性数据的利用主要包括数据的查询、数据的展示、数据的分析。其中数据的查询仅基于业务流程需要或基于空间位置等建立了数据之间联系，例如在线路中多采用管线+桩+偏移量的方式查询管道某个具体位置的设备设施数据或环境数据。数据的展示仅侧重每一类数据所描述对象自身的情况，及其在绝对的时间、空间维度上的发展变化，但是并不涉及多个存在相同属性的数据的共性，故而，存在着无法充分利用大数据所蕴含的信息为管道管理提供支持的技术问题，也导致所提供的长输管道数据不够精确的技术问题。

发明内容

本发明提供一种长输管道线性数据关联规则挖掘方法，以解决现有技术中无法充分利用大数据所蕴含的信息为管道管理提供支持的技术问题。

本发明实施例提供一种长输管道线性数据关联规则挖掘方法，包括：

明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；

对所述挖掘对象中的数据进行数据准备过程，具体包括：对每个连续型数据属性进行离散化处理；以及，对同一类别的不同标识符进行统一；

对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。

可选的，在基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则之后，所述方法还包括：

基于所述关联规则进行规则阐述，以针对所述长输管道中的第一管道位置生成管道管理建议，并基于所述管道管理建议建立发现规则的数据库，其中，所述第一管道位置为所述长输管道中的任一管道位置。

可选的，所述管道长度为160公里，所述长输管道数据种类包括：建设单位、钢管规格、防腐层类型、管厂、内检测缺陷类型、土壤电阻率、土壤腐蚀类型、冻土类型，所述建设单位的属性范围包括：C1、C2、C3、C4、C5、C6，所述钢管规格的属性范围包括：813×11mm、813×12.5mm、813×14.2mm、813×16mm、813×17.5mm，所述防腐层类型的属性范围包括：三层结构的聚乙烯、双层环氧粉末、环氧粉末、煤焦油磁漆，所述管厂的属性范围包括：M1、M2、M3、M4、M5、M6，所述内检测缺陷类型的属性范围包括：凹陷、内部金属腐蚀、外部金属腐蚀、环焊缝异常、螺旋焊缝异常，所述土壤电阻率的属性范围与所述土壤腐蚀类型对应，所述土壤腐蚀类型包括：弱腐蚀、中等-弱腐蚀、中等腐蚀、中等-强腐蚀、强腐蚀，所述冻土类型包括：冻土类型包括多年冻土、季节性冻土；

所述关联规则具体包括：

在所述冻土类型为多年冻土、所述土壤电阻率位于56～396、所述土壤腐蚀类型为弱腐蚀时，确定出内检测缺陷类型为外部金属腐蚀的支持度为12％、置信度为65％；

在所述管厂的属性为M2时，确定出所述内检测缺陷类型为：内部金属腐蚀的支持度为17％、置信度为49％；

在所述管厂的属性为M3、建设单位为C3时，确定出所述内检测缺陷类型为：内部金属腐蚀的支持度为14％、置信度为60％；

在所述管厂的属性为M4时，确定出所述内检测缺陷类型为外部金属腐蚀的支持度为35％、置信度为57％；

在所述管厂的属性为M1时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为29％、置信度为48％；

在所述管厂的属性为M2时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为12％、置信度为45％；

在所述管厂的属性为M3时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为17％、置信度为40％；

在所述建设单位的属性为C5时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为16％、置信度为78％；

在所述土壤腐蚀类型为弱腐蚀时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为45％、置信度为48％；

在所述土壤腐蚀类型为中等腐蚀时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为33％、置信度为54％；

在所述冻土类型为季节性冻土时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为87％、置信度为53％；

在所述土壤腐蚀类型为中等腐蚀、所述冻土类型为季节性冻土时，确定所述内检测缺陷为：外部金属腐蚀的支持度为30％、置信度为56％；

在所述建设单位C5、所述冻土类型为季节性冻土时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为16％、置信度为78％；

在所述管厂属性为M4、所述冻土类型为季节性冻土时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为33％、置信度为59％。

可选的，在所述明确挖掘对象之后，所述方法还包括，针对所述长输管道进行数据对齐处理，其具体包括以下步骤：

建立管道的对齐数据库，具体包括：对具有地理空间坐标或里程的数据对象进行建模以及建立各个数据对象之间的关联关系；

在建立所述对齐数据库之后，将具有内检测里程的检测结果和被对齐的数据对象分别加入所述对齐数据库；

对所述对齐数据库中所包含的数据对象进行硬点选取和硬点对齐，其中所述对齐数据库中的数据对象包括两种，第一种数据对象为既具有内检测里程，同时具有地理空间坐标的对象，第二种数据对象为只具备内检测里程的对象；针对所述第一种数据对象基于坐标位置的相同或相差小于预设值实现硬点匹配；第二种数据对象通过内检测里程与管道里程实现硬点匹配；

进行数据分段拉伸校准，具体包括数据分段过程和数据拉伸校准过程，所述数据分段过程具体为：通过硬点的管理，任意两个硬点或硬点组合的匹配之间即为一个内检测数据段；所述数据拉伸校准过程的数据对齐的拉伸校准算法包括：如某些区间是改线段，则不需要进行对齐；如某些区间是测绘数据，则以测绘数据校准内检测数据，改变内检测数据绝对里程值；如某些区间是模拟数据，则以内检测数据校准基于线性参考和动态分段的数据；

实现所述管道焊缝的缺陷对齐。

可选的，所述实现所述管道焊缝的缺陷对齐，具体包括：

针对焊缝螺旋方向、环焊缝与上下游制管焊缝交点的相对时钟位置，进行参考环焊缝对齐与时钟方位对齐；

针对任一缺陷，基于时钟方位、缺陷特征与里程双容差的设置进行匹配及对齐；

针对螺旋焊缝的钢管，在缺陷对齐中，显示螺旋焊缝，辅助进行缺陷的对齐。

可选的，在所述实现所述管道焊缝的缺陷对齐之后，所述方法还包括：

将多个硬点的内检测里程与地理空间坐标在同一视图不同条带区域同时展示，动态切换和定位，展示匹配和对齐效果。

可选的，对齐的数据对象，包括线路的数据对象和站场的数据对象，所述线路的数据对象基于线性参考和动态分段的数据，所述站场的数据对象基于几何网络的站场数据模型。

可选的，所述拉伸校准算法中根据数据精度确定校准的方向。

可选的，所述视图包括：条带视图和列表视图，所述条带视图，在具有坐标信息的硬点对齐中使用；所述列表视图，在没有坐标信息的情况，根据列表中焊缝编号、特征组合，进行对齐。

本发明有益效果如下：

由于在本发明实施例中，首先明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；然后对所述挖掘对象中的数据进行数据准备过程，具体包括：对每个连续型数据属性进行离散化处理；以及，对同一类别的不同标识符进行统一；最后对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。也就是能够提取出管道位置的前项条件相同时，其其产生规则后继的条件概率，故而达到了从所提供长输管道的大量数据发现规则和知识的技术效果。也使所提供的规则和知识更加准确。

附图说明

图1为本发明实施例中长输管道线性数据关联规则挖掘方法的流程图；

图2为本发明实施例中长输管道线性数据关联规则挖掘方法中对管道内检测里程与地理空间坐标进行双向校准的流程图；

图3为本发明实施例对管道内检测里程与地理空间坐标双向校准时焊缝缺陷对齐的示意图；

图4为本发明实施例对管道内检测里程与地理空间坐标双向校准时的条带视图的示意图；

图5为本发明实施例大于管道内检测里程与地理空间坐标双向校准时的列表视图的示意图；

图6为本发明实施例中建立站场完整性管理数据库的流程图；

图7为本发明实施例中站场元素的示意图；

图8为本发明实施例中站场完整性数据的示意图。

具体实施方式

本发明提供一种长输管道线性数据关联规则挖掘方法，以解决现有技术中所提供的长输管道数据不够准确的技术问题。

本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：

首先明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；然后对所述挖掘对象中的数据进行数据准备过程，具体包括：对每个连续型数据属性进行离散化处理；以及对同一类别的不同标识符进行统一；最后对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。也就是能够提取出管道位置的前项条件相同时，其其产生规则后继的条件概率，故而达到了从所提供长输管道的大量数据发现规则和知识的技术效果。也使所提供的规则和知识更加准确。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

第一方面，本发明实施例提供一种长输管道线性数据关联规则挖掘方法，请参考图1，包括：

步骤S101：明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；

步骤S102：对所述挖掘对象中的数据进行数据准备过程，具体包括：对每个连续型数据属性进行离散化处理；以及，对同一类别的不同标识符进行统一；

步骤S103：对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。

步骤S101中，主要的挖掘对象例如如表1所示：

表1

当然，在具体实施过程中，可以仅仅采用上述部分数据进行挖掘，也可以采用上述全部数据进行挖掘，本发明实施例不作限制。

步骤S102中，对每个连续性数据属性进行离散化处理具体为：采用概念层次的理论，对于无法量化的属性进行属性离散化处理。

其中，概念分层方法是一种数据预处理的方法，具体过程如下：

建立相关数据集RDS(RelevantDataSet)的方式，在一次发现过程中首先使用查询从数据库中找出任务相关对象，组成RDS。关联关系按其抽象概念层自顶向下逐步细化，挖掘过程则按任务相关对象的抽象概念层自顶向下依次进行。

概念分层示例：

缺陷(结构性缺陷(裂纹、变形、……)，体积型缺陷(球面腐蚀、平底腐蚀、……)，......)

地质灾害(冻胀融沉、滑塌(热融滑塌)，水毁(河沟水毁、坡面水毁、台田地水毁)，.......)。

这是因为，过于详细的属性，会导致支持度和置信度的数值过低，无法发现合适的规则，但过于笼统的属性，又无法发现某些细微的规则。

步骤S103中，假设某管道长度约160公里，进行了管道内检测、沿线土壤测试、沿线冻土区的识别。其中内检测得到了管道本体缺陷的信息，沿线土壤测试得到了土壤电阻率和土壤主要腐蚀类型信息，沿线冻土识别得到了冻土类型信息。在数据准备过程中，考虑管道本体自然属性，对各种数据采用一致的参考系进行整合，实现了数据进行关联规则挖据的基本条件。经过整合，得到带有以上各种属性的记录11329条。格式如表2所示：

表2

建设单位共6家，分别以字母C1～C6表示，钢管规格包括813×11mm、813×12.5mm、813×14.2mm、813×16mm、813×17.5mm共5种。防腐层类型概念分层，3PE(加强级、普通级、加强级保温、普通级保温)、双层环氧粉末、环氧粉末(普通、双层、保温)、煤焦油磁漆。管厂共6家，分别以M1～M6表示。内检测缺陷类型概念分层包括凹陷、内部金属损失(普通，长)、外部金属损失(普通、长)、环焊缝异常、螺旋焊缝异常共5种。土壤电阻率按照土壤腐蚀类型包括弱腐蚀、中等-弱腐蚀、中等腐蚀、中等-强腐蚀、强腐蚀共5种类型。冻土类型包括多年冻土、季节性冻土共2种类型，在具体实施过程中，管道大数据中，数据有概念层次，管段的风险评价结果有“高”、“中”“低”的三级分类，也有“高”、“中高”、“中”、“中低”、“低”更详细的五级分类。在属性的处理中，根据数据种类、其他属性的范围进行筛选。这是因为，过于详细的属性，会导致支持度和置信度的数值过低，无法发现合适的规则，但过于笼统的属性，又无法发现某些细微的规则。最终挖掘出的关联规则例如如表3所示：

表3

规则1说明与揭示：某管道途经冻土类型为多年冻土，土壤电阻率为(56～396)，土壤为弱腐蚀的情况下，外部金属腐蚀易发生。管道的外部金属腐蚀是影响管道安全的重要因素之一，其成因复杂，但普遍认为土壤腐蚀性、冻土类型属于重要关联因素，考虑长输管道途经土壤性质的复杂多变，很难实现全线检测，采用关联规则挖掘技术对样本开展分析，可以得到管道外部腐蚀和土壤腐蚀性等相关数据的关联规则。采用以上规则，可以实现指导管道外部金属腐蚀的防护工作开展的目的。

规则2说明与揭示：说明管厂M2生产的钢管的缺陷类型中49％为内部金属腐蚀。内部金属腐蚀还可能与管道运营中的温度、压力、介质理化性质有关。而从规则6可知，管厂M2生产的钢管，在季节性冻土中的缺陷类型，45％为外部金属腐蚀。基于此，可考虑外部环境是腐蚀的主要成因。

规则8说明建设单位C5建设的管道发生的缺陷中78％为外部金属腐蚀。规则13的前项条件说明建设单位为C5且所处环境冻土类型为季节性冻土的管道缺陷78％为外部金属腐蚀。规则8与规则13的支持度、置信度都一致，可知建设单位为C5的管道所处环境的冻土类型全部为季节性冻土。

规则12表明所处环境冻土类型为季节性冻土，并且土壤腐蚀类型为中度腐蚀的管道缺陷中56％为外部金属腐蚀，这一置信度高于规则10和规则11中得到的置信度值，说明季节性冻土和中度腐蚀土壤的影响发生了一定程度的叠加。在管道运营过程中对季节性冻土、中度腐蚀环境的管段的外腐蚀状况应加强管理。

作为一种可选的实施例，在基于步骤S103基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则之后，所述方法还包括：基于所述关联规则进行知识发现，并建立所述知识发现的数据库。

作为一种可选的实施例，在基于步骤S103由频繁项集生成满足最小信任度阈值的关联规则之后，所述方法还包括：

基于所述关联规则进行规则阐述，以针对所述长输管道中的第一管道位置生成管道管理建议，并基于所述管道管理建议建立发现规则的数据库，其中，所述第一管道位置为所述长输管道中的任一管道位置。具体来讲，也就是是说对每一次的挖掘形成的关联规则，进行规则阐述，进而建立发现规则的数据库，把这种知识和经验管理，然后通过信息化的方法，发送给管道管理人员。形成知识的有效积累和传递。

例如，上述表3中的规则1，经过专家分析，形成规则阐述：某管道途经冻土类型为多年冻土，土壤电阻率为(56～396)，土壤为弱腐蚀的情况下，外部金属腐蚀易发生。在具有类似条件的管道处，可以采集外检测或内检测进行重点观察，避免腐蚀开裂等危害管道安全的情况发生。

又例如，上述表3中的规则2说明与揭示：说明管厂M2生产的钢管的缺陷类型中49％为内部金属腐蚀。内部金属腐蚀还可能与管道运营中的温度、压力、介质理化性质有关。而从规则6可知，管厂M2生产的钢管，在季节性冻土中的缺陷类型，45％为外部金属腐蚀。基于此，可考虑外部环境是腐蚀的主要成因。从而开展针对外部环境的改善工作。

作为一种可选的实施例，在所述明确挖掘对象之后，所述方法还包括，针对所述长输管道进行数据对齐处理，请参考图2，其具体包括以下步骤：

步骤S201：建立管道的对齐数据库，具体包括：对具有地理空间坐标或里程的数据对象进行建模以及建立各个数据对象之间的关联关系；

步骤S202：在建立所述对齐数据库之后，将具有内检测里程的检测结果和被对齐的数据对象分别加入所述对齐数据库；

步骤S203：对所述对齐数据库中所包含的数据对象进行硬点选取和硬点对齐，其中所述对齐数据库中的数据对象包括两种，第一种数据对象为既具有内检测里程，同时具有地理空间坐标的对象，第二种数据对象为只具备内检测里程的对象；针对所述第一种数据对象基于坐标位置的相同或相差小于预设值实现硬点匹配；第二种数据对象通过内检测里程与管道里程实现硬点匹配；

步骤S204：进行数据分段拉伸校准，具体包括数据分段过程和数据拉伸校准过程，所述数据分段过程具体为：通过硬点的管理，任意两个硬点或硬点组合的匹配之间即为一个内检测数据段；所述数据拉伸校准过程的数据对齐的拉伸校准算法包括：如某些区间是改线段，则不需要进行对齐；如某些区间是测绘数据，则以测绘数据校准内检测数据，改变内检测数据绝对里程值；如某些区间是模拟数据，则以内检测数据校准基于线性参考和动态分段的数据；

步骤S205：实现所述管道焊缝的缺陷对齐。

步骤S201中，在建立对齐数据库时，管道线路部分的数据对齐基于线性参考和动态分段的数据库，管道站场的工艺管网数据对齐基于几何网络的站场完整性数据库。也即是，对齐的数据对象，包括线路的数据对象和站场的数据对象，所述线路的数据对象基于线性参考和动态分段的数据，所述站场的数据对象基于几何网络的站场数据模型。

步骤S201中，对齐数据库中线路部分采用线性参考和动态分段，站场部分采用几何网络，分别建立各要素关联关系。利用这种关联关系，实现一维内检测里程(M)与三维地理空间坐标(X、Y、Z)的定位及实时动态转换。即同一管道位置即可通过内检测里程来定位，同时也能动态获取对应的地理空间坐标进行定位，反之亦然。

步骤S203中，硬点具体举例如下：

1)单一要素作为硬点，例如设备类是指内检测可检测出的管线附属物，在管线上位置相对固定且数量适中，例如：阀门、三通、弯头、球阀、闸阀、法兰、封堵口等都可以作为硬点，位置经常性变化或数量较多或较少的设备不易作为硬点，如：Marker点、补口失效、支架等。这种硬点采用：单点匹配，即针对单个管道要素进行关联匹配，实现如既具有内检测里程同时也有测绘的地理空间坐标的阀门的匹配。

2)组合要素作为硬点，例如多类特征组合作为分段标识，例如：连续上下弯、连续短管节、焊缝与钢管组合及缺陷组合。这种硬点采用：组合匹配，即实现不同要素多个对象组合的匹配，同样建立在组合匹配算法上，包括设置相对距离、相识度设置；实现如已知相对距离的组合在里程与地理空间坐标的配对。

步骤S203中，硬点匹配具有以下特征：

1)单点匹配和组合匹配：分别针对单个管道要素和不同要素多个对象组合的匹配；

2)在硬点匹配的方法上，在原有硬点匹配的结果中，采用时钟方位和缺陷的对齐方法，达到不同检测方法得到结果的缺陷级别的对齐。

步骤S203中，第二种数据对象通过绝对里程实现硬点匹配，具体包括以下步骤：

1、以发球筒或上一个对应点为起点沿管道输送方向向后查找新的对应点；

2、从对应起始点开始沿管道输送方向，在施工安装记录和内检测信息中依次取焊缝进行匹配，检查其下游的施工钢管与内检测钢管之间的长度差，小于0.5m为对齐，同时记录两个焊缝之间的对应关系。在钢管长度差超过0.5m而小于1m时，应利用其它信息如为变壁厚点辅助判断是否对应。

3、重复第2步，到收发球筒，则对齐结束；到弯头短节等硬点，则重新从第1步开始；

4、在对齐段之间，进行焊缝的对齐。

步骤S104中，在数据分段过程中系统能够形成当前内检测系统的数据分段表，并能够根据硬点匹配的结果自动更新。每一个区间段都是独立、且统一的。系统能够批量设置也能够单独设置每个区间段的特征，并能快速定位到任一分段或区段组合。

所述拉伸校准算法中根据数据精度确定校准的方向。

步骤S204中，拉伸校准算法具体包括：

1)识别改线段，对于改线段，不进行对齐；

2)识别原始数据是否测绘数据。如是则以测绘数据校准内检测数据，改变内检测数据绝对里程值。以硬点的测绘地理空间坐标的精度为准，校准硬点的检测里程。如硬点由地理空间坐标计算的三维里程为120.24，内检测里程为121.36。则硬点的地理空间坐标不变，内检测里程校准为120.24。如原始数据不是测绘数据，为精度较低的数据，例如模拟数据，手持GPS数据，则以内检测数据校准PIDM数据。

3)在任意两个硬点间，根据数据种类，确定校准方向后，利用硬点的准确里程，通过线性拉伸算法，校准硬点检测里程范围内的所有要素。

4)以内检测检测要素的数量为准，在任意两个硬点间，根据检测要素的校准里程值创建地理空间坐标，从而精确标定管道的走向。

4)依次类推，按管道走向顺利依次完成2个硬点间的双向校准，从而实现全线的内检测里程与地理空间坐标的双向校准与拟合。

步骤S205中，可以首先在硬点分段基础上，实现两种数据中焊缝的对齐，实现内检测数据、外检测数据等业务活动产生的结果数据与管道本体数据的配准。

然后对缺陷在两种数据之间对齐，其具体包括：

针对焊缝螺旋方向、环焊缝与上下游制管焊缝交点的相对时钟位置，进行参考环焊缝对齐与时钟方位对齐；

针对任一缺陷，基于时钟方位、缺陷特征与里程双容差的设置进行匹配及对齐；

针对螺旋焊缝的钢管，在缺陷对齐中，显示螺旋焊缝，辅助进行缺陷的对齐。

如图3所示，为一焊缝缺陷对齐的示意图。

在具体实施过程中，双向校准和拟合由以下步骤实现：

1)以硬点的地理空间坐标的精度为准，校准硬点的检测里程；如硬点由地理空间坐标计算的三维里程为120.24，内检测里程为121.36，硬点的地理空间坐标不变，内检测里程校准为120.24；

2)在硬点校准后，进行里程拉伸。在任意两个硬点间，利用硬点内检测的校准里程，通过线性拉伸算法，校准硬点检测里程范围内的所有要素，例如硬点已经配置后,两个硬点间的其他要素,例如阀门,补口等可不用对齐,直接拉伸里程即可；

3)拉伸后，进行缺陷对齐，缺陷对齐主要参考焊缝螺旋方向、环焊缝与上下游制管焊缝交点的相对时钟位置。这种对齐后，可以根据多次内检测结果，分析缺陷变化情况，从而做出管道运行参数或者寿命等预测，进一步发挥检测结果的作用。

4)以内检测检测要素的数量为准，在任意两个硬点间，根据检测要素的校准里程值创建地理空间坐标，从而精确标定管道的走向。例如：针对管道埋地后不易测量的情况,其地理空间数据大多为建设期获取,可能存在缺失,这时可用配准后的数据,用内检测发现的阀门等硬点,更新设备设施数据。

在具体实施过程中，在基于步骤S205实现所述管道焊缝的缺陷对齐之后，所述方法还包括：将多个硬点的内检测里程与地理空间坐标在同一视图不同条带区域同时展示，动态切换和定位，展示匹配和对齐效果。

举例来说，所述视图包括：条带视图和列表视图，所述条带视图，在具有坐标信息的硬点对齐中使用；所述列表视图，在没有坐标信息的情况，根据列表中焊缝编号、特征组合，进行对齐。

如图4所示，为一条带视图的示意图，用户可以自定义配置条带视图的带数如2条带、3条带等。每一条带对应APDM1的基准数据或者不同批次的内检测数据。

Y轴可表示任意要素的属性或缺陷的特征，如：焊缝的类型、钢管信息的防腐层、缺陷的时钟方位、缺陷深度等等。如下图：Y轴表示时钟方位。

在具体实施过程中，阀门、焊缝、缺陷等硬点以里程对齐完成以后，可以自由切换至列表对齐视图，在列表对齐视图可以通过属性验证数据对齐的准确性，如图5所示，为一列表对齐视图的示意图。

在具体实施过程中，请参考图6，站场完整性管理数据库可以通过以下方式获得：

步骤S601：将站场元素分为在线要素和离线要素，所述在线要素指的是与站场的线路存在连接关系的要素，所述离线要素指的是与所述站场的线路不存在连接关系的要素；

步骤S602：将所述在线要素划分为简单节点要素、复杂节点要素、简单边要素和复杂边要素；

步骤S603：将所述离线要素划分为点要素、线要素、多边形要素，进而将所述站场元素划分为多个要素。

如图7所示，为站场类元素划分为多个要素的示意图。

步骤S601中，在线要素指的是位于管道上或者依附于管道的要素为在线要素，例如为：钢管、焊缝、防腐层等等等；离线要素指的是不在站内工艺管道正上方或不依附于工艺管道的要素，例如为：污水池、区域阴保等等。

步骤S602中，所述简单节点要素指的是抽象为单个点的要素，其通常为站场中不可再份的设备要素，例如为：弯头、三通等等；其中，针对每个简单节点要素，除了包含节点要素名称之外，还可以包括其参数信息，例如：偏移距离、偏移角度、设备编号、出厂日期、压力等级<主域>、标准<主域>、温度等级<主域>等等；

所述复杂节点要素指的是几何网络中以拓扑结构连接的边和点的集合所构成的要素，其中，这些边和点的集合以各种拓扑结构连接，并且这些拓扑结构只是复杂节点的内部网络，复杂节点要素例如为：储罐，储罐上配套的各种线路组成一个微型网络，其具有自身的内部拓扑和联通规则。针对每个复杂节点要素，除了包含节点要素的名称之外，还可以基本参数，用于描述设备位置、生产厂家、出厂日期等等；设计参数，例如压缩机的进出口等设计压力、温度等；运行参数，例如：实际中的压力、温度等等，以及失效属性、检测的属性等。其中，针对每个复杂节点要素可以存在一个编号，而针对每个复杂节点内部的每个设备也存在对应的设备编号，但是每个设备的编号需要继承其上一层的复杂节点要素的编号。

所述简单边要素指的是抽象为一条边的线路所对应的要素，其通常指的是站场中不可再分的边，例如为：一段没有属性发生变化的管道。

所述复杂边要素指的是：对应逻辑网络中成链式结构的一定数量且物理上不可分的边所对应的要素，例如：在站场中，一条管线从进入站场到某个设备，中间有出地点，变径点，或开孔连接的仪器仪表，将管线分成若干段，此时可采用复杂边要素描述，例如泵-罐的传输回路。

步骤S603中，点要素例如为：气体泄露监测指标，其可以包含X坐标、Y坐标、Z坐标、站场区域编号等参数；

线要素例如为：消防管道，其可以包含X坐标、Y坐标、Z坐标、站场区域编号等参数；

多边形要素例如为：区域阴保，其可以包含X坐标、Y坐标、Z坐标、站场区域编号等参数。

在通过上述方案对站场元素进行划分之后，就可以建立站场元素的几何网络，在几何网络中，采用设施源、汇和要素运行状态来建立网络边要素的流向。站场工艺管网的几何网络中，具有按照站场运行工艺流程周期性改变边要素流向的特性，需要按照工艺流程设置多个源和汇，以满足不同的路由。

可选的，在所述将所述离线要素划分为点要素、线要素、多边形要素之后，所述方法还包括：

将站场完整性数据划分为六类数据，具体为：核心要素数据、阴极保护数据、设备设施数据、风险评价数据、检测评价数据、维修维护数据，所述站场完整性数据用于用户对所述站场进行管理；

建立所述六类数据中的每类数据与所述多个要素之间的对应关系。

在具体实施过程中，针对管道可以将其分为多段，针对每段可以抽象出其所包含的站场元素，以及站场元素与站场完整性数据之间的对应关系。

在具体实施过程中，如图8所示，这六类数据又可以包含多种不同类型的数据，下面分别对其举例进行介绍，当然，在具体实施过程中，这六类数据各种包含的数据并不限于以下情况。

(1)所述核心要素数据具体包括：管道、管道系统、管道等级、网络、网络节点、网络弧段、路径；

(2)所述阴极保护数据包括：阴保电位、阴保电缆、阴保通电点、阴保电源、阴保电流；

(3)所述设备设施数据包括：加热炉、储罐、压缩机、三通、输油泵；

(4)所述风险评价数据包括：设施评级、储罐风险、工艺管道风险、地下储气库风险；

(5)所述检测评价数据包括：储罐检测、工艺管道检测、加热炉检测、卸料臂检测和评价；

(6)所述维修维护数据包括：储罐缺陷及修复、工艺管道缺陷及修复、阀门维修及改造、加热炉维修及改造、输油泵维修及改造、压缩机维修。

其中，阴极保护数据和设备设施数据，主要用于对相对静态的设备基础数据进行结构化处理，存储到表格中，实现对实体物理建模，满足完整性管理对基础数据的需求。风险评价数据则是包含对油气站场风险评价相关的技术，包括基于风险的检测(RBI)、以可靠性为中心的维护(RCM)以及安全完整性分级(SIL)等，风险计算结果和风险减缓措施的存储。检测评价数据对站场管道和设施的射线检测、超声波检测等方法，检测过程和结果进行管理。维修维护数据用于对管道和设备设施所进行维修维护，过程和结果进行记录。

在具体实施过程中，可以确定出上述六种站场完整性数据分别对应的站场要素，进而实现对站场完整性数据的管理。

如表4至表12所示，为站场完整性数据的核心数据结构。

表4核心要素

表5网络Network

表6网络结点Network_Junction

表7工艺管段Network_Segment

表8管段附属管件Network_Appurtenance

表9路径Route

表10网络

表11网络结点

表12管段附属管件

表10路径

本发明一个或多个实施例，至少具有以下有益效果：

由于在本发明实施例中，首先明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；然后对所述挖掘对象中的数据进行数据准备过程，具体包括：对每个连续型数据属性进行离散化处理；以及，对同一类别的不同标识符进行统一；最后对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。也就是能够提取出管道位置的前项条件相同时，其其产生规则后继的条件概率，故而达到了从所提供长输管道的大量数据发现规则和知识的技术效果。也使所提供的规则和知识更加准确。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种长输管道线性数据关联规则挖掘方法，其特征在于，包括：

明确挖掘对象，具体包括：确定用于所述关联规则挖掘的长输管道数据种类以及每个数据种类的属性范围；

对所述挖掘对象中的数据进行数据准备过程，具体包括：对每个连续型数据属性进行离散化处理；以及，对同一类别的不同标识符进行统一；

对所述挖掘对象进行数据挖掘，具体为：先基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则，所述关联规则表征对应管道位置存在多个前项条件时，产生规则后继的条件概率。

2.如权利要求1所述的方法，其特征在于，在所述基于所述挖掘对象生成频繁项集，然后由频繁项集生成满足最小信任度阈值的关联规则之后，所述方法还包括：

基于所述关联规则进行规则阐述，以针对所述长输管道中的第一管道位置生成管道管理建议，并基于所述管道管理建议建立发现规则的数据库，其中，所述第一管道位置为所述长输管道中的任一管道位置。

3.如权利要求1所述的方法，其特征在于，所述管道长度为160公里，所述长输管道数据种类包括：建设单位、钢管规格、防腐层类型、管厂、内检测缺陷类型、土壤电阻率、土壤腐蚀类型、冻土类型，所述建设单位的属性范围包括：C1、C2、C3、C4、C5、C6，所述钢管规格的属性范围包括：813×11mm、813×12.5mm、813×14.2mm、813×16mm、813×17.5mm，所述防腐层类型的属性范围包括：三层结构的聚乙烯、双层环氧粉末、环氧粉末、煤焦油磁漆，所述管厂的属性范围包括：M1、M2、M3、M4、M5、M6，所述内检测缺陷类型的属性范围包括：凹陷、内部金属腐蚀、外部金属腐蚀、环焊缝异常、螺旋焊缝异常，所述土壤电阻率的属性范围与所述土壤腐蚀类型对应，所述土壤腐蚀类型包括：弱腐蚀、中等-弱腐蚀、中等腐蚀、中等-强腐蚀、强腐蚀，所述冻土类型包括：冻土类型包括多年冻土、季节性冻土；

所述关联规则具体包括：

在所述冻土类型为多年冻土、所述土壤电阻率位于56～396、所述土壤腐蚀类型为弱腐蚀时，确定出内检测缺陷类型为外部金属腐蚀的支持度为12％、置信度为65％；

在所述管厂的属性为M2时，确定出所述内检测缺陷类型为：内部金属腐蚀的支持度为17％、置信度为49％；

在所述管厂的属性为M3、建设单位为C3时，确定出所述内检测缺陷类型为：内部金属腐蚀的支持度为14％、置信度为60％；

在所述管厂的属性为M4时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为35％、置信度为57％；

在所述管厂的属性为M1时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为29％、置信度为48％；

在所述管厂的属性为M2时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为12％、置信度为45％；

在所述管厂的属性为M3时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为17％、置信度为40％；

在所述建设单位的属性为C5时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为16％、置信度为78％；

在所述土壤腐蚀类型为弱腐蚀时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为45％、置信度为48％；

在所述土壤腐蚀类型为中等腐蚀时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为33％、置信度为54％；

在所述冻土类型为季节性冻土时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为87％、置信度为53％；

在所述土壤腐蚀类型为中等腐蚀、所述冻土类型为季节性冻土时，确定所述内检测缺陷为：外部金属腐蚀的支持度为30％、置信度为56％；

在所述建设单位C5、所述冻土类型为季节性冻土时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为16％、置信度为78％；

在所述管厂属性为M4、所述冻土类型为季节性冻土时，确定出所述内检测缺陷类型为：外部金属腐蚀的支持度为33％、置信度为59％。

4.如权利要求1-3任一所述的方法，其特征在于，在所述明确挖掘对象之后，所述方法还包括，针对所述长输管道进行数据对齐处理，其具体包括以下步骤：

建立管道的对齐数据库，具体包括：对具有地理空间坐标或里程的数据对象进行建模以及建立各个数据对象之间的关联关系；

在建立所述对齐数据库之后，将具有内检测里程的检测结果和被对齐的数据对象分别加入所述对齐数据库；

对所述对齐数据库中所包含的数据对象进行硬点选取和硬点对齐，其中所述对齐数据库中的数据对象包括两种，第一种数据对象为既具有内检测里程，同时具有地理空间坐标的对象，第二种数据对象为只具备内检测里程的对象；针对所述第一种数据对象基于坐标位置的相同或相差小于预设值实现硬点匹配；所述第二种数据对象通过内检测里程与管道里程实现硬点匹配；

进行数据分段拉伸校准，具体包括数据分段过程和数据拉伸校准过程，所述数据分段过程具体为：通过硬点的管理，任意两个硬点或硬点组合的匹配之间即为一个内检测数据段；所述数据拉伸校准过程的数据对齐的拉伸校准算法包括：如某些区间是改线段，则不需要进行对齐；如某些区间是测绘数据，则以测绘数据校准内检测数据，改变内检测数据绝对里程值；如某些区间是模拟数据，则以内检测数据校准基于线性参考和动态分段的数据；

实现所述管道焊缝的缺陷对齐。

5.如权利要求4所述的方法，其特征在于，所述实现所述管道焊缝的缺陷对齐，具体包括：

针对焊缝螺旋方向、环焊缝与上下游制管焊缝交点的相对时钟位置，进行参考环焊缝对齐与时钟方位对齐；

针对任一缺陷，基于时钟方位、缺陷特征与里程双容差的设置进行匹配及对齐；

针对螺旋焊缝的钢管，在缺陷对齐中，显示螺旋焊缝，辅助进行缺陷的对齐。

6.如权利要求4所述的方法，其特征在于，在所述实现所述管道焊缝的缺陷对齐之后，所述方法还包括：

将多个硬点的内检测里程与地理空间坐标在同一视图不同条带区域同时展示，动态切换和定位，展示匹配和对齐效果。

7.如权利要求4所述的方法，其特征在于，对齐的数据对象，包括线路的数据对象和站场的数据对象，所述线路的数据对象基于线性参考和动态分段的数据，所述站场的数据对象基于几何网络的站场数据模型。

8.如权利要求4所述的方法，其特征在于，所述拉伸校准算法中根据数据精度确定校准的方向。

9.如权利要求6所述的方法，其特征在于，所述视图包括：条带视图和列表视图，所述条带视图，在具有坐标信息的硬点对齐中使用；所述列表视图，在没有坐标信息的情况，根据列表中焊缝编号、特征组合，进行对齐。