洪振育、鄭憶湘 / 工研院材化所
以往，工研院之洩漏監控系統(LDS)具備兩種洩漏監測模組，分別為：即時暫態模型(RTTM)模組與負壓力波(NPW)模組。RTTM模組藉由量測管線內部壓力/流量/溫度訊號，進行管線在穩態運轉以及暫態運轉期間之質量流率估算。再以估算值與實際量測值做殘差計算，判斷管線運轉狀況是否有超過殘差警戒值，得以判斷管線完整性狀態。而NPW模組主要採用暫態事件發生後所產生的壓力震盪與波形點位，進行偵測與判斷工作。上述兩項監測模組，模型建立上都需要大量的管線相關資料，並且容易因為現場工作行為而產生額外之誤警報情形。
為了排除現場管線資料之不足，與容易因為工作行為而產生誤警報之現象，工研院材化所建立了第三個洩漏監控模組系統—AI監測模組。此模組運用AI技術建立管線動態行為的預測模式，藉由學習後的監測模型對輸送暫態具有高度的擬合度與再現性，依據判讀出之數據作為管線操作參數管理依據，達到管線洩漏監測之目的。此項工作已應用於多個場域進行驗證，並且確認可以減少誤報情況，能夠更正確地判讀出管線所處情況。
【內文精選】
概論
近年來，我國對於管線安全之管理愈趨重視，除制定新法或修訂原管理辦法，強制企業主負起管線之設計、施工、操作與維護的責任外，也要求企業主要重視管線系統安全的完整性，並進行自主管理、定期風險評估與建置工業管線安全監控診斷系統。亦即欲從制度面/管理面的建構，以及技術面的提升，來確保管線安全。針對管線安全管理一環中的管線洩漏監測技術，可以區分為使用外部感測器(外部系統)和使用內部感測器(內部系統)之技術來進行監測。
一般外部系統使用之感測器，如音射感測器、氣體感測器、液體感測器，為裝設於管線外部進行洩漏流體/氣體之濃度或溫度變化之偵測；內部系統使用之感測器，如流量感測器、壓力感測器、溫度感測器，為管線上基本的感測元件，量測到的流體數據可用以觀察與評估管線內部的壓力變化趨勢與計算質量流率，作為有無洩漏的判斷依據。在過去的動態分析中，藉由管線資料進行之預測模型是以物理與計算流體力學為主要模型基礎，亦即透過具有物理意義的數學理論模型來描述此一管線行為。線上監測時就將數學理論模型之預測數值與量測到的數值相互比較，從而偵查出管線運轉參數有無異常。
此類方法容易因為管線輸送流體的細微溫度變化、管線老化與人為操作而產生異常，從而導致誤警報。為了避免這些人為或老化因素而產生之誤警報，需要能藉由運轉資料來推測未來變化之模型，且有鑑於近幾年人工智慧(AI)技術蓬勃發展，可以針對非線性及具有大量數據等複雜問題進行處理。在非線性迴歸以及行為預測上取得卓越的成效，本研究工作即是在此概念下，運用AI技術建立管線動態行為的預測模式，作為管線操作參數管理之依據---此為部分節錄資料，完整內容請見下方附檔或《工業材料雜誌》422期。
圖一、管線智慧化AI之監控架構
ITRI LeakD管線智慧化監控結合架構研發
本研究中以CNN技術為基礎，開發CNN管線動態預測模型，建立管線參數規範。具體產出一套線上監測之監控邏輯，並將監測結果回傳給ITRI LeakD系統，於系統上顯示管線操作狀態，當管線操作參數發生異常時，由ITRI LeakD提供警示訊號。此監測模式需要將管線數據由監控系統傳遞至「CNN管線監測核心」，並藉由網路通訊方式進行訊息之交換傳遞。
本研究工作中採用CNN模型訓練核心介面之流程，如圖四所示。此方法需要蒐集管線過往之運轉數據，並且依據其過往數據內容進行處理與訓練工作，此系統包含數種功能：管線數據讀取、管線CNN模型訓練、CNN模型準確率顯示(訊號預估顯示、預測平均誤差顯示)、能夠產生一個判讀用之求解器。並使用此求解器於LeakD系統進行線上即時演算後判讀出結果。如此CNN模型訓練核心介面，爾後若---此為部分節錄資料，完整內容請見下方附檔或《工業材料雜誌》422期。
圖四、洩漏感知模型—AI模組之訓練流程
★本文節錄自《工業材料雜誌》422期，更多資料請見下方附檔。