doi：10.3969/j.issn.1673-0194.2025.12.026

[中圖分類號]TP393；TE973 [文獻(xiàn)標(biāo)識碼］A [文章編號]1673-0194（2025）12-0079-03

1邊緣計算技術(shù)概述

邊緣計算作為一種新興的分布式計算架構(gòu)，旨在將數(shù)據(jù)處理和計算任務(wù)從中心化的云平臺移至離數(shù)據(jù)源更近的邊緣設(shè)備。這一技術(shù)的發(fā)展得益于物聯(lián)網(wǎng)（InternetofThings，IoT）、大數(shù)據(jù)、人工智能等技術(shù)的快速發(fā)展，在油氣行業(yè)中展現(xiàn)出巨大的應(yīng)用潛力。傳統(tǒng)的油氣管道監(jiān)測系統(tǒng)通過集中處理方式進(jìn)行數(shù)據(jù)分析與存儲，存在數(shù)據(jù)傳輸延遲、帶寬占用過大以及數(shù)據(jù)處理能力不足的問題，難以滿足油氣管道安全監(jiān)控需求[1]。邊緣計算通過將計算能力下沉至管道傳感器、控制系統(tǒng)等設(shè)備端，直接在現(xiàn)場對數(shù)據(jù)進(jìn)行分析和處理，能夠顯著增強(qiáng)數(shù)據(jù)傳輸?shù)膶嵭裕岣吖艿辣O(jiān)控系統(tǒng)的響應(yīng)速度與可靠性。邊緣計算技術(shù)架構(gòu)如圖1所示。

2基于邊緣計算的油氣管道實時數(shù)據(jù)處理方法

2.1數(shù)據(jù)采集與邊緣節(jié)點部署

油氣管道通常距離長和環(huán)境復(fù)雜，在每個監(jiān)測點部署邊緣計算節(jié)點時，需要根據(jù)管道的規(guī)模、數(shù)據(jù)流量及傳輸距離來決定節(jié)點數(shù)量與分布。以典型的 200km 的油氣管道為例，假設(shè)每隔 10km 部署一個邊緣計算節(jié)點，每個節(jié)點采集并處理10至20個傳感器的數(shù)據(jù)流，這樣可以確保數(shù)據(jù)采集的密度與響應(yīng)速度。邊緣節(jié)點的部署密度可以根據(jù)管道的復(fù)雜程度和監(jiān)測的關(guān)鍵點進(jìn)行動態(tài)調(diào)整。在一個典型的節(jié)點部署場景中，邊緣計算節(jié)點與傳感器之間的網(wǎng)絡(luò)連接采用低功率廣域網(wǎng)絡(luò)（Low-PowerWide-AreaNetwork，LPWAN）協(xié)議，數(shù)據(jù)采集頻率為每秒10次，傳輸帶寬為 100kbps ，確保在環(huán)境復(fù)雜的場景下仍然能穩(wěn)定傳輸關(guān)鍵信息。

邊緣計算節(jié)點不僅要完成數(shù)據(jù)采集的任務(wù)，還要承擔(dān)數(shù)據(jù)預(yù)處理和初步分析的任務(wù)。例如，通過數(shù)據(jù)過濾算法剔除噪聲數(shù)據(jù)，利用壓縮技術(shù)減少數(shù)據(jù)量，提高傳輸效率。每個邊緣節(jié)點的計算能力通常需要支持每秒至少1000次的傳感器數(shù)據(jù)處理，以保證對數(shù)據(jù)進(jìn)行及時響應(yīng)與預(yù)警。

在邊緣計算節(jié)點的部署過程中，還需要關(guān)注數(shù)據(jù)的同步與冗余機(jī)制。為了防止單點故障，系統(tǒng)可設(shè)計多個冗余節(jié)點，確保在主要節(jié)點失效時，數(shù)據(jù)傳輸和處理能夠無縫切換。冗余節(jié)點通常以 4～6 個節(jié)點為標(biāo)準(zhǔn)配置，按需要選擇合適的地理位置進(jìn)行部署[2]。各邊緣節(jié)點的部署參數(shù)如表1所示。

2.2數(shù)據(jù)預(yù)處理與過濾

數(shù)據(jù)預(yù)處理的第一步是噪聲去除，在油氣管道監(jiān)測系統(tǒng)中，環(huán)境因素、設(shè)備誤差、傳感器故障等都可能導(dǎo)致數(shù)據(jù)中出現(xiàn)噪聲。為了提高數(shù)據(jù)的準(zhǔn)確性，通常采用移動平均濾波和中值濾波等方法對原始數(shù)據(jù)進(jìn)行平滑處理。例如，對于溫度和壓力傳感器數(shù)據(jù)，假設(shè)采樣頻率為每秒10次，采集到的數(shù)據(jù)可能會存在較大的波動。在預(yù)處理過程中，要通過3～5點的滑動窗口進(jìn)行移動平均計算，濾除由瞬時波動引起的噪聲。

缺失值通常由傳感器故障、信號干擾等因素引起，在油氣管道的實時監(jiān)測系統(tǒng)中，缺失值的存在可能導(dǎo)致數(shù)據(jù)失真，因此需要采用適當(dāng)?shù)奶畛浞椒?。常見的填充方法包括線性插值和拉格朗日插值。

在油氣管道監(jiān)測系統(tǒng)中，傳感器數(shù)量龐大，涉及的監(jiān)測維度也較多，數(shù)據(jù)的維度較高。為減少計算資源的消耗并提升處理速度，通常要采用主成分分析（PrincipalComponentAnalysis，PCA）等降維技術(shù)，將高維數(shù)據(jù)映射到低維空間。例如，在同時采集溫度、壓力、流量和應(yīng)力等多個參數(shù)的情況下，PCA能夠提取出最具代表性的幾個主成分，保留數(shù)據(jù)的主要特征，減少冗余信息，提升數(shù)據(jù)分析效率[3」在長距離油氣管道中，帶寬的有限性要求對數(shù)據(jù)進(jìn)行壓縮處理。常見的壓縮方法包括霍夫曼編碼和Lempel-Ziv算法（LZ77）等。

2.3實時數(shù)據(jù)處理算法

對于實時數(shù)據(jù)的異常檢測，常用的方法是基于滑動窗口的均值與標(biāo)準(zhǔn)差方法。設(shè)定一個滑動窗口大小為 N ，通過計算該窗口內(nèi)數(shù)據(jù)的均值 μ_t 和標(biāo)準(zhǔn)差 σ_t ，判斷當(dāng)前時刻的數(shù)據(jù)點是否超出正常范圍。具體公式如下：

式（1）和（2）中， x_i 表示第 i 個時刻的傳感器數(shù)據(jù)， μ_t 為當(dāng)前窗口內(nèi)數(shù)據(jù)的均值， σ_t 為標(biāo)準(zhǔn)差， N 為滑動窗口的大小， t 為當(dāng)前時刻。若某時刻數(shù)據(jù)的偏離量超過設(shè)定的閾值，則認(rèn)為該數(shù)據(jù)為異常值。

針對實時數(shù)據(jù)流的趨勢分析，常用的算法是指數(shù)加權(quán)移動平均（ExponentialWeightedMovingAverage，EWMA），其核心思想是通過對歷史數(shù)據(jù)的加權(quán)平均來平滑當(dāng)前數(shù)據(jù)。假設(shè)平滑系數(shù)為 a （ 0lt;α lt;1 ），則當(dāng)前時刻的平滑值可以通過如下公式計算：

S_t=αx_t+（1-α）S_t-1

式（3）中， S_t 為當(dāng)前時刻的平滑值， x_t 為當(dāng)前時刻的原始數(shù)據(jù)， S_t-1 為上一時刻的平滑值， α 為平滑系數(shù)。通過此算法，可以實時追蹤數(shù)據(jù)趨勢，消除瞬時波動對系統(tǒng)決策的干擾。

在更復(fù)雜的實時數(shù)據(jù)處理任務(wù)中，基于自回歸滑動平均（Auto-RegressiveMovingAverage，ARMA）模型的預(yù)測方法被廣泛應(yīng)用于油氣管道的流量和壓力預(yù)測。ARMA模型結(jié)合了過去數(shù)據(jù)的自回歸特性和誤差項的滑動平均，適用于具有時間序列相關(guān)性的油氣管道數(shù)據(jù)。ARMA模型的公式如下：

X_t=?₁x_t-1+?₂x_t-2+…+?_px_t-p+

ε_t-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q

式（4）中， X_t 為當(dāng)前時刻的觀測值； 為自回歸系數(shù)； ε_t 為誤差項； θ₁ ， θ₂ ，…， θ_q 為滑動平均系數(shù); p 和 q 分別為自回歸和滑動平均的階數(shù)[4]。

2.4邊緣計算平臺與云平臺協(xié)同

邊緣計算平臺主要負(fù)責(zé)數(shù)據(jù)的初步處理和即時決策，接近油氣管道的傳感器網(wǎng)絡(luò)，能夠以毫秒的速度響應(yīng)傳感器數(shù)據(jù)，確保快速進(jìn)行異常檢測與處理。例如，假設(shè)油氣管道的傳感器每秒采集 1000 個數(shù)據(jù)點，邊緣節(jié)點能夠在每個數(shù)據(jù)點生成的時間內(nèi)（如1毫秒）進(jìn)行數(shù)據(jù)過濾、簡單的預(yù)處理和初步的異常檢測。邊緣節(jié)點通常會部署在距離數(shù)據(jù)源較近的位置，采用具備計算和存儲能力的設(shè)備進(jìn)行實時處理，如邊緣服務(wù)器或工業(yè)級網(wǎng)關(guān)設(shè)備。這些設(shè)備通常配置有高性能處理器，如Inteli7或ARMCortexA53處理器，以及至少4GB的內(nèi)存和128GB的本地存儲，用于存儲一定周期內(nèi)的臨時數(shù)據(jù)。

云平臺負(fù)責(zé)處理復(fù)雜的計算任務(wù)和大規(guī)模的數(shù)據(jù)分析，能夠?qū)τ啥鄠€邊緣節(jié)點上傳的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)分析、模式識別，以及對歷史數(shù)據(jù)的處理。云平臺通常擁有強(qiáng)大的計算能力和豐富的存儲資源，如基于云計算的高性能計算集群具有提供PB級數(shù)據(jù)存儲能力。云平臺的主要任務(wù)是將邊緣節(jié)點上傳的經(jīng)過預(yù)處理的數(shù)據(jù)進(jìn)行匯總、存儲和分析，并利用機(jī)器學(xué)習(xí)算法完成故障預(yù)測、趨勢分析等復(fù)雜任務(wù)[5]。

在邊緣計算與云平臺的協(xié)同工作中，數(shù)據(jù)的傳輸與同步是核心問題。一般采用分布式數(shù)據(jù)傳輸協(xié)議，如消息隊列遙測傳輸（MessageQueuingTelemetryTransport，MQTT）協(xié)議，確保邊緣節(jié)點與云平臺之間的數(shù)據(jù)傳輸穩(wěn)定、低延遲。通過這種協(xié)議，邊緣節(jié)點可以在檢測到異常時，將數(shù)據(jù)實時上傳至云平臺，進(jìn)行進(jìn)一步的處理和存儲。

3 案例分析

某油氣管道公司采用邊緣計算技術(shù)對其管道監(jiān)測系統(tǒng)進(jìn)行了全面升級。該管道全長超過 1500km ，橫跨多個省份，沿途安裝了超過2000個傳感器，包括溫度、壓力、流量、泄漏監(jiān)測等多種類型的傳感器。由于該管道的復(fù)雜性和分布廣泛的地理位置，傳統(tǒng)的云端集中式數(shù)據(jù)處理方式存在高延遲和帶寬限制的問題，影響了決策的及時性和準(zhǔn)確性。因此，邊緣計算技術(shù)被引入，以提高數(shù)據(jù)處理效率，縮短響應(yīng)時長，并增強(qiáng)系統(tǒng)的可靠性。

在邊緣計算平臺的部署中，每個主要節(jié)點的邊緣計算設(shè)備（如工業(yè)級網(wǎng)關(guān)和邊緣服務(wù)器）被用來處理來自管道各段傳感器的數(shù)據(jù)流，邊緣設(shè)備的處理能力通常為每個設(shè)備支持接收并處理約5000個數(shù)據(jù)點/秒。這些設(shè)備配備了四核ARMCortex-A72處理器，內(nèi)存為8GB，存儲容量為256GB，能夠支持復(fù)雜的實時數(shù)據(jù)分析和預(yù)處理工作。具體來說，在每個油氣管道監(jiān)測點，通過實時數(shù)據(jù)采集與預(yù)處理，邊緣節(jié)點能夠立即進(jìn)行數(shù)據(jù)清洗、去噪、異常值檢測及簡單的統(tǒng)計分析，確保只有符合特定標(biāo)準(zhǔn)的數(shù)據(jù)被傳送到云平臺。

在油氣管道的壓力監(jiān)測系統(tǒng)中，當(dāng)壓力值偏離正常范圍時，邊緣節(jié)點通過實時數(shù)據(jù)處理算法進(jìn)行初步的異常檢測。邊緣計算節(jié)點使用快速傅里葉變換算法，分析來自壓力傳感器的數(shù)據(jù)流，在幾毫秒內(nèi)完成數(shù)據(jù)的快速傅里葉變換，識別出可能存在的壓力異常波動。此時，邊緣節(jié)點立即向云平臺發(fā)送處理后的數(shù)據(jù)，并同時發(fā)出警報，提醒遠(yuǎn)程操作人員進(jìn)行進(jìn)一步的操作。

在數(shù)據(jù)同步和存儲方面，邊緣節(jié)點的任務(wù)是將符合實時分析標(biāo)準(zhǔn)的數(shù)據(jù)進(jìn)行本地存儲，而將歷史數(shù)據(jù)和低優(yōu)先級的異常數(shù)據(jù)上傳至云平臺進(jìn)行長期存儲和深度分析。數(shù)據(jù)傳輸采用MQTT協(xié)議，能夠?qū)崿F(xiàn)低延遲、低帶寬消耗的數(shù)據(jù)傳輸。采用邊緣計算技術(shù)前后的績效指標(biāo)對比如表2所示。

從對比結(jié)果來看，采用邊緣計算技術(shù)后，系統(tǒng)的數(shù)據(jù)處理延遲時間大幅減少，告警響應(yīng)時間大大縮短，故障率顯著降低。這些變化意味著油氣管道在面對潛在風(fēng)險時，能夠?qū)崿F(xiàn)更快速的應(yīng)急響應(yīng)和決策，從而有效提高管道的安全性和可靠性。邊緣計算技術(shù)的應(yīng)用不僅提升了實時數(shù)據(jù)處理能力，還提高了數(shù)據(jù)流通的效率，為后續(xù)的智能監(jiān)控系統(tǒng)的部署奠定了基礎(chǔ)。

4 結(jié)束語

在提升油氣管道監(jiān)測系統(tǒng)的實時性、可靠性等方面，基于邊緣計算的油氣管道實時數(shù)據(jù)處理方法有著顯著優(yōu)勢。通過在邊緣節(jié)點進(jìn)行數(shù)據(jù)預(yù)處理、異常檢測和初步分析，可以有效減輕云平臺的負(fù)擔(dān)，縮短數(shù)據(jù)傳輸延遲時間，并及時響應(yīng)管道運(yùn)行中的異常情況。而邊緣計算與云平臺的協(xié)同工作確保了數(shù)據(jù)的高效流通，增強(qiáng)了對數(shù)據(jù)的深度分析能力，實現(xiàn)了實時決策與長期數(shù)據(jù)存儲。

主要參考文獻(xiàn)

[1］袁滿.邊緣計算環(huán)境下油氣管道遠(yuǎn)程泄漏檢測系統(tǒng)設(shè)計［D］.大慶：東北石油大學(xué)，2022.

[2]查滿霞，祝永晉，朱霖，等.面向?qū)崟r流數(shù)據(jù)處理的邊緣計算資源調(diào)度算法［J].計算機(jī)應(yīng)用，2021（增刊1）：142-148.

[3]李云昊.邊緣計算模式下實時數(shù)據(jù)處理應(yīng)用執(zhí)行優(yōu)化系統(tǒng)設(shè)計與實現(xiàn)［D］.南京：東南大學(xué)，2019

[4]張淼，張英威，席珺琳，等.智能物聯(lián)網(wǎng)中的邊緣計算與數(shù)據(jù)處理［J].通訊世界，2024（3）：132-135.

[5]王國江.基于邊緣計算的港口機(jī)械設(shè)備數(shù)據(jù)分析與實時監(jiān)控研究［J].中國機(jī)械，2024（12）：95-98.