CN116955955A - 一种管道缺陷模型预测方法、系统、终端设备及存储介质 - Google Patents

Abstract

本申请涉及矿业工程技术领域，尤其涉及一种管道缺陷模型预测方法、系统、终端设备及存储介质。其方法包括，若分析结果为结构性异常，则获取对应的结构异常组件，并提取异常组件对应的同族异常特征至结构性缺陷预测模型，生成结构异常组件对应的目标缺陷预测走势图作为缺陷预测结果；若分析结果为功能性异常，则结合异常功能元件对应的寿命预测模型和逻辑联动关系，生成对应的控制系统缺陷预测分布作为缺陷预测结果。本申请提供的一种管道缺陷模型预测方法、系统、终端设备及存储介质具有提升矿用乳化液输送管道的缺陷预测效果。

Description

一种管道缺陷模型预测方法、系统、终端设备及存储介质

技术领域

本申请涉及矿业工程技术领域，尤其涉及一种管道缺陷模型预测方法、系统、终端设备及存储介质。

背景技术

矿用乳化液输送管道是用于将矿用乳化液从矿山或矿场输送到各个加工设施或储存区域的管道系统。随着矿山其他新型液压装备（如液压凿岩台车、液压装载机、液压钻机、液压操车系统、巷道液压支架等）的推广应用，它将如供电系统、压风系统一样，成为矿井又一主要动力源，其应用前景十分广阔。

矿用乳化液管道缺陷预测，是指通过分析和评估矿用乳化液管道的历史数据、运行状况和环境因素等，来预测管道未来可能出现的缺陷和故障。其目的是提前发现管道的潜在问题，并采取相应的维修和保养措施，以减少突发故障和停机时间，降低维护成本。

在实际应用中，矿用乳化液输送管道的缺陷预测，其中数据的处理和分析是至关重要的环节，其涉及大量的数据收集，包括管道的实时监测数据、历史检测数据等，然而，这些数据往往分散在不同的地方，且没有统一的数据管理平台进行整合分析，导致无法对大量数据进行快速、准确的分析，从而无法及时发现管道潜在的缺陷和故障，并对其进行准确预测。

发明内容

为了提升矿用乳化液输送管道缺陷的预测效果，本申请提供一种管道缺陷模型预测方法、系统、终端设备及存储介质。

第一方面，本申请提供一种管道缺陷模型预测方法，包括以下步骤：

获取管道系统对应功能模块的检测数据；

若所述检测数据不符合对应所述功能模块的预设运行标准，则获取对应的异常检测数据；

根据预设异常判定标准分析所述异常检测数据，生成对应的分析结果；

若所述分析结果为结构性异常，则获取对应的结构异常组件，并匹配所述结构异常组件对应的性能属性记录；

若所述性能属性记录中存在历史结构性异常数据，则从所述历史结构性异常数据中提取所述异常组件对应的同族异常特征；

将所述同族异常特征导入结构性缺陷预测模型，生成所述结构异常组件对应的目标缺陷预测走势图作为所述缺陷预测结果；

若所述分析结果为功能性异常，则获取对应的异常功能元件以及所述异常功能元件对应的异常数据集；

根据所述异常数据集中所述异常功能元件对应的异常关联数据，确定所述异常功能元件的当前异常诱发因素，并结合所述异常功能元件的使用数据，生成所述异常功能元件对应的寿命预测模型；

结合所述寿命预测模型和所述异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为所述缺陷预测结果。

通过采用上述技术方案，针对异常检测数据中不同类型的异常进行化类分析和模型预测，即若分析结果为结构性异常，则根据结构异常组件的同族异常特征，通过结构性缺陷预测模型预测分析出其在管道系统中的目标缺陷预测走势图，若分析结果为功能性异常，则以异常功能元件为基础，结合其异常关联数据和逻辑联动关系，预测出管道系统中相应的控制系统缺陷预测分布，由于针对管道系统中不同类型且分散的异常检测数据，视具体异常情况对其进行归类并做出实质性缺陷分类解析，从而提升了矿用乳化液输送管道缺陷的预测效果。

可选的，在若所述分析结果为结构性异常，则获取对应的结构异常组件，并匹配所述异常组件对应的性能属性记录之后还包括以下步骤：

若所述性能属性记录中存在所述结构异常组件对应的关联组件，则根据所述异常检测数据获取所述结构异常组件与所述关联组件之间的相关系数；

若所述相关系数符合预设关联标准，则获取对应的目标关联组件，并结合所述结构异常组件，生成对应的目标关联组；

结合所述异常检测数据、所述目标关联组以及所述目标关联组对应的所述相关系数，生成所述结构异常组件对应的预测缺陷走势图。

通过采用上述技术方案，计算结构异常组件与关联组件之间的相关系数，从而确定它们之间的关联程度，进一步获取相关系数符合预设关联标准的目标关联组件，以精确结构异常组件对应的关联范围，随即结合异常检测数据、目标关联组以及目标关联组对应的所述相关系数，可生成表明结构异常组件以及与结构异常组件存在关联影响组件的预测缺陷走势图，从而进一步提升乳化液管道缺陷预测的准确性和效果。

可选的，在若所述分析结果为结构性异常，则获取对应的结构异常组件，并匹配所述异常组件对应的性能属性记录之后还包括以下步骤：

若所述性能属性记录中存在多个所述结构异常组件，则根据所述异常检测数据判断所述结构异常组件是否存在对应的所述关联组件；

若所述结构异常组件存在对应的所述关联组件，则获取对应的目标结构异常组件；

若所述目标结构异常组件为多个，则判断所述目标结构异常组件之间是否存在同一所述关联组件；

若所述目标结构异常组件之间存在同一所述关联组件，则获取对应的目标关联组件；

根据所述目标关联组件对应所述目标结构异常组件的数量，设定所述目标关联组件对应的预测排序优先级。

通过采用上述技术方案，若目标结构异常组件之间存在同一关联组件，则表明该目标关联组件受到多个目标结构异常组件的叠加影响，随即根据目标结构异常组件的数量，设定目标关联组件的预测排序优先级，进而可对受到叠加影响较大的目标关联组件进行优先预测分析，从而提升了关联组件中相关异常缺陷的预测分析效率。

可选的，根据所述目标关联组件对应所述目标结构异常组件的数量，设定所述目标关联组件对应的预测排序优先级包括以下步骤：

若所述目标关联组件为多个，则判断多个所述目标关联组件对应所述目标结构异常组件的数量是否相同；

若所述多个所述目标关联组件对应所述目标结构异常组件的数量相同，则获取各个所述目标关联组件对应所述目标结构异常组件的叠加损伤系数；

结合所述叠加损伤系数和所述目标关联组件的使用属性周期，设定所述目标关联组件对应的所述预测排序优先级。

通过采用上述技术方案，若当前存在多个目标关联组件对应目标结构异常组件的数量相同，则进一步根据各个目标关联组件对应目标结构异常组件的叠加损伤系数以及使用属性周期进行重新排定，从而可进一步优化目标关联组件的预测排序优先级。

可选的，将所述同族异常特征导入结构性缺陷预测模型，生成所述结构异常组件对应的目标缺陷预测走势图作为所述缺陷预测结果包括以下步骤：

将所述同族异常特征导入所述结构性缺陷预测模型，生成所述结构异常组件对应的共同特征和历史故障数据；

结合所述共同特征和所述历史故障数据，生成对应的目标故障模式，并获取所述目标故障模式对应的故障数据；

根据所述故障数据和所述异常检测数据，生成所述结构异常组件对应的所述目标缺陷预测走势图作为所述缺陷预测结果。

通过采用上述技术方案，根据结构性缺陷预测模型对结构异常组件的同族异常特征数据进行训练分析，可得到该结构异常组件的有关共同特征和历史故障数据，随即结合共同特征和历史故障数据进行分析，可得到结构异常组件频发的目标故障模式，然后根据目标故障模式对应的故障数据和当前结构异常组件的异常检测数据，可生成显示结构异常组件相应缺陷的动态预测信息即目标缺陷预测走势图，从而提升了结构异常组件的预测效果。

可选的，在根据所述异常数据集中所述异常功能元件对应的异常关联数据，确定所述异常功能元件的当前异常诱发因素，并结合所述异常功能元件的使用数据，生成所述异常功能元件对应的寿命预测模型之后还包括以下步骤：

根据所述寿命预测模型，获取所述异常功能元件的主动诱因和被动诱因；

结合所述主动诱因和被动诱因，生成所述异常功能元件对应的功能损耗排序表。

通过采用上述技术方案，根据该功能损耗排序表，可具体知悉异常功能元件的受损因素以及范围，从而强化了异常功能元件的缺陷预测分析效果。

可选的，所述结合所述寿命预测模型和所述异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为所述缺陷预测结果包括以下步骤：

获取所述寿命预测模型中对应所述异常功能元件的寿命剩余分布；

结合所述寿命剩余分布和所述逻辑联动关系，生成所述管道系统对应的功能缺陷预测节点；

若所述功能缺陷预测节点为多个，则根据各个所述功能缺陷预测节点以及各个所述功能缺陷预测节点之间的控制关系，生成对应的所述控制系统缺陷预测分布作为所述缺陷预测结果。

通过采用上述技术方案，根据功能缺陷预测节点可清晰地显示当前管道系统中功能控制中相关异常缺陷的实际分布情况，从而提升了管道控制系统中功能缺陷模块的预测效果。

第二方面，本申请提供一种管道缺陷模型预测系统，包括：

获取模块，用于获取管道系统对应功能模块的检测数据；

异常检测模块，若所述检测数据不符合对应所述功能模块的预设运行标准，则所述异常检测模块用于获取对应的异常检测数据；

异常分析模块，用于根据预设异常判定标准分析所述异常检测数据，生成对应的分析结果；

结构异常判定模块，若所述分析结果为结构性异常，则所述结构异常判定模块用于获取对应的结构异常组件，并匹配所述异常组件对应的性能属性记录；

提取模块，若所述性能属性记录中存在历史结构性异常数据，则所述提取模块用于从所述历史结构性异常数据中提取所述异常组件对应的同族异常特征；

结构缺陷预测模块，用于将所述同族异常特征导入结构性缺陷预测模型，生成所述结构异常组件对应的目标缺陷预测走势图作为所述缺陷预测结果；

功能异常判定模块，若所述分析结果为功能性异常，则所述功能异常判定模块用于获取对应的异常功能元件以及所述异常功能元件对应的异常数据集；

异常因素分析模块，用于根据所述异常数据集中所述异常功能元件对应的异常关联数据，确定所述异常功能元件的当前异常诱发因素，并结合所述异常功能元件的使用数据，生成所述异常功能元件对应的寿命预测模型；

功能缺陷预测模块，用于结合所述寿命预测模型和所述异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为所述缺陷预测结果。

通过采用上述技术方案，针对异常检测数据中不同类型的异常通过异常分析模块进行化类分析和模型预测，即若经结构异常判定模块判定分析结果为结构性异常，则通过提取模块提取结构异常组件对应的同族异常特征，随即通过结构缺陷预测模块根据结构性缺陷预测模型预测分析出其在管道系统中的目标缺陷预测走势图，若经功能异常判定模块判定分析结果为功能性异常，则异常因素分析模块以异常功能元件为分析基础，生成异常功能元件对应的寿命预测模型，并通过功能缺陷预测模块结合异常功能元件的异常关联数据和逻辑联动关系，预测出管道系统中相应的控制系统缺陷预测分布，由于针对管道系统中不同类型且分散的异常检测数据，视具体异常情况对其进行归类并做出实质性缺陷分类解析，从而提升了矿用乳化液输送管道缺陷的预测效果。

第三方面，本申请提供一种终端设备，采用如下的技术方案：

一种终端设备，包括存储器和处理器，所述存储器中存储有能够在处理器上运行的计算机指令，所述处理器加载并执行计算机指令时，采用了上述的一种管道缺陷模型预测方法。

通过采用上述技术方案，通过将上述的一种管道缺陷模型预测方法生成计算机指令，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作终端设备，方便使用。

第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，所述计算机指令被处理器加载并执行时，采用了上述的一种管道缺陷模型预测方法。

通过采用上述技术方案，通过将上述的一种管道缺陷模型预测方法生成计算机指令，并存储于计算机可读存储介质中，以被处理器加载并执行，通过计算机可读存储介质，方便计算机指令的可读及存储。

综上所述，本申请包括以下至少一种有益技术效果：针对异常检测数据中不同类型的异常进行化类分析和模型预测，即若分析结果为结构性异常，则根据结构异常组件的同族异常特征，通过结构性缺陷预测模型预测分析出其在管道系统中的目标缺陷预测走势图，若分析结果为功能性异常，则以异常功能元件为基础，结合其异常关联数据和逻辑联动关系，预测出管道系统中相应的控制系统缺陷预测分布，由于针对管道系统中不同类型且分散的异常检测数据，视具体异常情况对其进行归类并做出实质性缺陷分类解析，从而提升了矿用乳化液输送管道缺陷的预测效果。

附图说明

图1是本申请一种管道缺陷模型预测方法中步骤S101至步骤S109的流程示意图。

图2是本申请一种管道缺陷模型预测方法中步骤S201至步骤S203的流程示意图。

图3是本申请一种管道缺陷模型预测方法中步骤S301至步骤S305的流程示意图。

图4是本申请一种管道缺陷模型预测方法中步骤S401至步骤S403的流程示意图。

图5是本申请一种管道缺陷模型预测方法中步骤S501至步骤S503的流程示意图。

图6是本申请一种管道缺陷模型预测方法中步骤S601至步骤S602的流程示意图。

图7是本申请一种管道缺陷模型预测方法中步骤S701至步骤S703的流程示意图。

图8是本申请一种管道缺陷模型预测系统的模块示意图。

附图标记说明：

1、获取模块；2、异常检测模块；3、异常分析模块；4、结构异常判定模块；5、提取模块；6、结构缺陷预测模块；7、功能异常判定模块；8、异常因素分析模块；9、功能缺陷预测模块。

具体实施方式

以下结合附图1-8对本申请作进一步详细说明。

本申请实施例公开一种管道缺陷模型预测方法，如图1所示，包括以下步骤：

S101.获取管道系统对应功能模块的检测数据；

S102.若检测数据不符合对应功能模块的预设运行标准，则获取对应的异常检测数据；

S103.根据预设异常判定标准分析异常检测数据，生成对应的分析结果；

S104.若分析结果为结构性异常，则获取对应的结构异常组件，并匹配结构异常组件对应的性能属性记录；

S105.若性能属性记录中存在历史结构性异常数据，则从历史结构性异常数据中提取异常组件对应的同族异常特征；

S106.将同族异常特征导入结构性缺陷预测模型，生成结构异常组件对应的目标缺陷预测走势图作为缺陷预测结果；

S107.若分析结果为功能性异常，则获取对应的异常功能元件以及异常功能元件对应的异常数据集；

S108.根据异常数据集中异常功能元件对应的异常关联数据，确定异常功能元件的当前异常诱发因素，并结合异常功能元件的使用数据，生成异常功能元件对应的寿命预测模型；

S109.结合寿命预测模型和异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为缺陷预测结果。

在步骤S101中，管道系统是指的用于输送矿用乳化液的管道网络结构，功能模块是指管道系统中的各个组成部分或功能单元，用于完成特定的功能或任务，检测数据是指管道系统中各个功能模块进行监测和记录的数据。这些数据用于评估和分析功能模块的运行状况、故障诊断、预测设备可靠性等。例如，功能模块通常配备了各种传感器，如温度传感器、压力传感器、流量传感器等，用于实时监测模块的工作状态。

具体地，矿用乳化液输送管道系统对应的功能模块包括以下几个方面：主输送管道：主要负责将乳化液从矿场输送至目标地点的管道模块；泵站：用于提供输送乳化液所需的压力和流量，泵站通常包括泵、电机、控制系统等组成部分，能够将乳化液从低压区域抽送至高压区域；阀门：用于控制乳化液的流量和压力，可以根据需要进行开启、关闭、调节和切换；连接件：用于连接主输送管道和其他管道模块，如管道接头、法兰、螺纹连接等；分支管道：用于将乳化液分配至不同的目标地点或分支输送管道，分支管道通常与主输送管道相连，是实现乳化液分配和输送平衡的重要组成部分；支管管道：用于将乳化液输送至具体的生产设备或工艺单元，支管管道通常与分支管道相连，起到将乳化液输送至目标设备的作用；分配器：用于将乳化液按照一定比例分配至不同的目标地点或分支管道，分配器通常具有可调节的功能，能够根据需要进行乳化液的分配。

进一步，还包括控制系统：用于控制乳化液的流量、压力、温度等参数，控制系统通常包括传感器、仪表、控制阀等组成部分，能够实现对乳化液输送过程的监测和控制；检测系统：用于监测管道系统的运行状态和检测潜在缺陷。检测系统通常包括泄漏探测器、磨损检测器、温度探测器等，能够及时发现管道系统的故障和缺陷；维护设备：用于管道系统的维护和检修。维护设备通常包括清洗设备、维修工具等，能够保持管道系统的良好状态和正常运行。

在步骤S102中，预设运行标准是指在管道设计或规划功能模块时，根据系统要求和性能指标所设定的一组规范或标准。这些标准用于描述功能模块在正常运行状态下的预期表现，包括各种参数的范围、性能要求、安全限制等。

例如，在管道系统中，其功能模块包括泵站，预设运行标准规定了泵站的最大工作压力为200 psi，如果泵站的当前工作压力为210 psi，则可以判断泵站存在异常，上述210psi即异常检测数据。

再者，若检测数据符合对应功能模块的预设运行标准，则继续实时分析采集管道系统中各个功能模块的检测数据。

在步骤S103中，预设异常判定标准是指预先根据管道系统设计规范设置的异常检测数据判定标准，通过该预设异常判定标准对当前异常检测数据进行分析，可以得出具体管道异常类型的分析结果。

在步骤S104中，结构性异常是指在矿用乳化液管道系统中出现的与其设计、制造或预期运行条件不符的异常情况。这种异常可能涉及管道本身的结构，以及与之相关的连接件、阀门、泵等组件。

具体地，结构性异常的判定可根据上述异常检测数据的具体情况为依据。例如，根据异常检测数据得到，在阀门关闭时，经对其进行压力检测，发现压力在持续下降，则判定阀门出现泄露异常，然后经过密封测试仪测试发现阀门密封件出现老化情况，则根据预设异常判定标准判定阀门存在结构性异常，并标记该阀门的密封件为结构异常组件。

进一步，为了进一步对结构异常组件进行深入异常分析，则匹配该异常组件对应的性能属性记录。其中，性能属性记录指的是对结构异常组件的性能参数进行记录和跟踪的记录，它是一种记录性能属性的手段，旨在收集和保存与组件或系统性能相关的数据。

例如，阀门密封件的性能属性记录包括：密封性能，记录阀门密封组件的密封性能参数，如泄漏率、密封等级等，如记录阀门的泄漏率为每小时1滴，密封等级为IP65；耐压性能参数，如最大工作压力、耐压时间等，如记录阀门的最大工作压力为10MPa，耐压时间为30分钟；耐磨性能参数，如摩擦系数、寿命等，如记录阀门的摩擦系数为0.1，寿命为10000次开关；耐腐蚀性能参数，如耐腐蚀介质、腐蚀速率等，如记录阀门在酸性环境下的耐腐蚀性能为pH值为2-5，腐蚀速率为0.1 mm/year；维护记录，记录阀门密封组件的维护情况，如维护时间、维护方式、更换的部件等。例如，记录阀门密封组件上次维护的时间为2021年5月1日，更换了密封圈。

在步骤S105中，历史结构性异常数据指的与结构异常组件对应异常检测数据相关的异常数据。例如，已知经过上述异常检测数据得到阀门密封件出现泄露异常，阀门密封件对应性能属性记录中还记录了该阀门出现噪音、松动以及渗漏的历史异常数据。同族异常特征是指同一结构异常组件所导致的不同异常特征。其中，为了提升对结构异常组件缺陷预测的准确性，通过分析同族异常特征，可以了解结构异常组件在运行过程中可能出现的问题和故障模式，从而提前预测和诊断潜在的缺陷。

其次，系统对上述历史异常数据进行分析得到，泄露是由于阀门在关闭状态下出现泄漏，无法完全密封，导致介质（如液体或气体）从阀门密封处渗漏出来；渗漏是由于阀门密封件损坏或磨损，导致介质在密封件周围渗漏；松动是由于阀门密封件松动，失去原本的紧密连接，导致阀门无法完全关闭或开启；噪音是由于密封件损坏或磨损会导致阀门操作时产生噪音，具体是因为密封件与阀门座之间的不完全贴合或变形引起的，由于上述异常都是由于密封件设置不规范导致，从而可判定性能属性记录中存在阀门密封件历史结构性异常数据。进一步，可从上述历史结构性异常数据中提取阀门密封件对应的同族异常特征为噪音、松动以及渗漏。

再者，若性能属性记录中不存在历史结构性异常数据，则直接记录当前结构异常组件所出现异常数据，并建立其相应的历史结构性异常数据库用于储存结构异常组件历史所产生的异常数据。

在步骤S106中，结构性缺陷预测模型是一种用于预测乳化液管道工程结构中可能存在的缺陷或故障的模型，它基于管道结构的特征和历史数据，通过建立数学或统计模型来预测结构的缺陷或故障情况。

具体地，结构性缺陷预测模型可以包括以下几个方面的内容：模型首先需要收集和处理结构的相关数据即结构异常组件的历史结构性异常数据；然后，模型需要从采集到的数据中提取出与结构缺陷相关的特征即同族异常特征；其次，根据提取到的特征和历史数据，建立适当的预测模型，例如统计回归模型、机器学习模型、神经网络模型等，模型的训练过程通过优化算法来调整模型的参数，使其能够更好地拟合数据，得出相应的目标缺陷预测走势图。

进一步，上述生成的目标缺陷预测走势图，可设置为直角坐标系的形式，其中横轴表示时间，纵轴表示缺陷预测指标，可以是缺陷发生的概率、严重程度等，每个结构异常组件对应一条曲线，曲线的走势反映了该组件在不同时间段的缺陷预测情况。

在本实施方式中，目标缺陷走势图上的曲线可以显示出结构异常组件在不同时间段内发生缺陷的概率变化。如果曲线逐渐上升，表示该组件的缺陷风险增加；如果曲线逐渐下降，表示该组件的缺陷风险减小。此外，目标缺陷走势图上的曲线还可以反映出结构异常组件在不同时间段内的缺陷严重程度变化。如果曲线逐渐上升，表示该组件的缺陷可能变得更加严重；如果曲线逐渐下降，表示该组件的缺陷可能变得较轻或得到了修复。

其中，通过目标缺陷走势图可以确定结构异常组件可能出现缺陷的时间段。根据曲线的变化趋势，可以预测组件可能出现缺陷的时间点或时间段，有助于进行提前制定维护和修复计划。

在步骤S107中，功能性异常是指矿用乳化液管道系统中出现的控制指令与其预期实现功能不符的异常情况，异常功能元件是指在管道系统或设备中发生功能性异常的具体部件或组件。这些异常功能元件是导致整个系统或设备无法正常工作或功能受限的关键因素。

其中，异常数据集是指与异常功能元件相关的数据集，其中包含了异常发生时的相关数据和信息。这些数据可以是传感器数据、监测记录、操作日志等，用于描述异常功能元件的状态、行为或特征。

其次，通过获取异常功能元件和相应的异常数据集，可以更好地理解和分析功能性异常的原因和影响，为进一步的故障诊断和修复提供依据。

在步骤S108中，异常关联数据是指与异常功能元件相关的数据，包括异常发生时的操作记录、环境条件、使用数据等。通过分析异常关联数据，可以找出导致异常功能元件发生异常相关的因素即异常诱发因素，例如操作误操作、环境变化、过载运行等。使用数据是指异常功能元件在工作使用过程中的相关数据，包括异常功能元件的工作时间、负荷状况、温度变化等，通过分析使用数据，可以了解异常功能元件的工作状态和使用情况。

其中，寿命预测模型是基于异常功能元件的使用数据和异常诱发因素，用于预测异常功能元件的寿命或故障时间。通过建立寿命预测模型，可以评估异常功能元件的健康状况，提前预测可能出现的故障。通过上述数据获取分析，有助于准确预测异常功能元件的寿命以及故障时间等有效数据。

在步骤S109中，逻辑联动关系是指异常功能元件在管道控制系统中与其他控制节点的相互作用、依赖关系等。通过分析异常功能元件的逻辑联动关系，可以了解不同元件之间可能存在的缺陷传递路径，从而预测控制系统中可能出现的缺陷情况。

其中，控制系统缺陷预测分布是指基于寿命预测模型和异常功能元件的逻辑联动关系，预测控制系统中可能出现的缺陷的概率分布。通过分析控制系统的寿命预测模型和异常功能元件之间的关系，可以预测不同时间段内可能出现的缺陷情况。

例如，通过寿命预测模型预测了管道系统中主管道压力传感器的寿命，并估计在不同时间段内传感器可能出现故障的概率，然后得分析出传感器与执行器之间的逻辑联动关系，即压力传感器的故障导致乳化液输送泵的执行器无法正常工作。同时，还发现其他传感器也可与该执行器产生依赖关系，如果这些传感器出现故障，也会影响该执行器的正常运行。

进一步，经过上述分析数据可以生成相应的控制系统缺陷预测分布作为缺陷预测结果。这个分布可以显示不同时间段内各个传感器和执行器可能出现故障的概率。例如，缺陷预测结果显示，在第一个月内，传感器A的故障概率为5%，传感器B的故障概率为2%，执行器C的故障概率为1%。

本实施例提供的管道缺陷模型预测方法，针对异常检测数据中不同类型的异常进行化类分析和模型预测，即若分析结果为结构性异常，则根据结构异常组件的同族异常特征，通过结构性缺陷预测模型预测分析出其在管道系统中的目标缺陷预测走势图，若分析结果为功能性异常，则以异常功能元件为基础，结合其异常关联数据和逻辑联动关系，预测出管道系统中相应的控制系统缺陷预测分布，由于针对管道系统中不同类型且分散的异常检测数据，视具体异常情况对其进行归类并做出实质性缺陷分类解析，从而提升了矿用乳化液输送管道缺陷的预测效果。

在本实施例的其中一种实施方式中，如图2所示，在步骤S104即若分析结果为结构性异常，则获取对应的结构异常组件，并匹配结构异常组件对应的性能属性记录之后还包括以下步骤：

S201.若性能属性记录中存在结构异常组件对应的关联组件，则根据异常检测数据获取结构异常组件与关联组件之间的相关系数；

S202.若相关系数符合预设关联标准，则获取对应的目标关联组件，并结合结构异常组件，生成对应的目标关联组；

S203.结合异常检测数据、目标关联组以及目标关联组对应的相关系数，生成结构异常组件对应的预测缺陷走势图。

在步骤S201中，相关系数是衡量两个变量之间相关性强弱的统计指标，其数值范围在-1到1之间，接近1表示两个变量呈正相关关系，接近-1表示两个变量呈负相关关系，接近0表示两个变量之间没有线性相关性。通过计算结构异常组件与关联组件之间的相关系数，可以了解它们之间的线性相关程度。

例如，阀门密封件对应性能属性记录中存在其对应的关联组件为泵动力，两者对应的相关系数为0.8，即表示泵动力与阀门密封件异常之间呈正相关关系，即泵动力的增加会导致阀门密封件异常的风险增加。

再者，若性能属性记录中不存在结构异常组件对应的关联组件，则直接对该结构异常组件的异常数据进行预测分析。

在步骤S202中，预设关联标准是在进行相关系数分析之前，根据研究目的或领域经验所设定的一组标准或阈值，它用于判断相关系数的数值是否达到了预期的关联程度，从而确定组件之间的关联性是否显著。例如，预设相关系数大于0.7表示强相关，相关系数在0.4到0.7之间表示中等相关，相关系数小于0.4表示弱相关。

其中，根据相关系数的结果，可以确定哪些组件与结构异常组件存在较强的关联关系。将它们组合成目标关联组，有助于集中监测这些组件的运行状态，及时发现潜在的主要问题，减少系统故障的风险。

再者，若相关系数不符合预设关联标准，则分别对结构异常组件和关联组件的实时数据进行拟合分析，得出两者之间的趋势差异。

在步骤S203中，预测缺陷走势图的大致生成步骤如下：首先，收集与目标关联组件和结构异常组件相关的异常检测数据，包括异常发生时间、异常类型、异常程度等信息；然后，根据具体预测需求，确定时间窗口的长度，可以是天、周、月等；其次，在每个时间窗口内，统计每个结构异常组件的异常发生频率，即该时间窗口内该组件出现异常的次数。

再次，计算目标关联组与每个结构异常组件之间的相关系数。相关系数可以使用常见的统计方法如皮尔逊相关系数或斯皮尔曼相关系数进行计算；最后，将结构异常组件的异常频率和相关系数绘制在同一张图表上。横坐标表示时间窗口，纵坐标可以表示异常频率和相关系数的数值。

其中，通过预测缺陷走势图，可以更直观地了解结构异常组件的异常情况及其与目标关联组的关联程度，从而对结构异常组件做出更为具体的预测分析。

本实施方式提供的管道缺陷模型预测方法，计算结构异常组件与关联组件之间的相关系数，从而确定它们之间的关联程度，进一步获取相关系数符合预设关联标准的目标关联组件，以精确结构异常组件对应的关联范围，随即结合异常检测数据、目标关联组以及目标关联组对应的相关系数，可生成表明结构异常组件以及与结构异常组件存在关联影响组件的预测缺陷走势图，从而进一步提升乳化液管道缺陷预测的准确性和效果。

在本实施例的其中一种实施方式中，如图3所示，在步骤S104即若分析结果为结构性异常，则获取对应的结构异常组件，并匹配异常组件对应的性能属性记录之后还包括以下步骤：

S301.若性能属性记录中存在多个结构异常组件，则根据异常检测数据判断结构异常组件是否存在对应的关联组件；

S302.若结构异常组件存在对应的关联组件，则获取对应的目标结构异常组件；

S303.若目标结构异常组件为多个，则判断目标结构异常组件之间是否存在同一关联组件；

S304.若目标结构异常组件之间存在同一关联组件，则获取对应的目标关联组件；

S305.根据目标关联组件对应目标结构异常组件的数量，设定目标关联组件对应的预测排序优先级。

在步骤S301至步骤S303中，若多个目标结构异常组件都有对应的关联组件，进一步判断多个目标结构异常组件之间是否存在同一关联组件，其目的是对关联组件的相关异常进行更为具体地分析。例如，目标结构异常组件为阀门密封件和管道尺寸，两者出现异常都将导致泵站或压力设备的工作负荷增加，甚至出现故障，即上述多个目标结构异常组件的同一关联组件为泵站或者压力设备。

其中，通过上述分析可得，当泵站或者压力设备出现负荷增加时，其对应的目标结构异常组件越多，对其的异常损害就越大，故需进一步对其以及相应的目标结构异常组件进行分析。

再者，若性能属性记录中存在单个结构异常组件，则继续分析该结构异常组件是否存在对应的关联组件，若存在则直接对两者之间的关联性进一步分析，得出两者具体的相关系数。

在步骤S304至步骤S305中，若目标结构异常组件之间存在同一关联组件，则进一步获取该目标关联组件，随即根据目标关联组件对应目标结构异常组件的数量，设定目标关联组件对应的预测排序优先级。

需要说明的是，在对结构异常组件对应关联组件的缺陷分析方面，在整个管道系统中可能存在多个目标关联组件，为了提升关联组件的异常缺陷分析效率，可以通过各个目标关联组件自身所叠加对应目标结构异常组件的数量，设置其预测排序优先级，该预测排序优先级是指各个目标关联组件的异常预测分析优先前后顺序。

本实施方式提供的管道缺陷模型预测方法，若目标结构异常组件之间存在同一关联组件，则表明该目标关联组件受到多个目标结构异常组件的叠加影响，随即根据目标结构异常组件的数量，设定目标关联组件的预测排序优先级，进而可对受到叠加影响较大的目标关联组件进行优先预测分析，从而提升了关联组件中相关异常缺陷的预测分析效率。

在本实施例的其中一种实施方式中，步骤S305即根据目标关联组件对应目标结构异常组件的数量，设定目标关联组件对应的预测排序优先级包括以下步骤：

S401.若目标关联组件为多个，则判断多个目标关联组件对应目标结构异常组件的数量是否相同；

S402.若多个目标关联组件对应目标结构异常组件的数量相同，则获取各个目标关联组件对应目标结构异常组件的叠加损伤系数；

S403.结合叠加损伤系数和目标关联组件的使用属性周期，设定目标关联组件对应的预测排序优先级。

在步骤S401至步骤S403中，叠加损伤系数是指在多个目标关联组件同时出现结构异常时，其对应各个目标结构异常组件对目标关联组件的综合损伤程度进行评估的指标。通过叠加损伤系数，可以在多个目标关联组件对应目标结构异常组件的数量相同时，判断哪个目标结构异常组件对关联组件的影响更大。

其中，使用属性周期是指目标关联组件的使用寿命或使用频率，通常使用属性周期较短的组件需要更快地进行维护或更换。进而可以在处理异常时优先关注对目标结构综合损伤程度更大、使用属性周期更短的目标关联组件。

再者，若目标关联组件为单个，则直接根据其对应目标结构异常组件的异常影响程度大小，对多个目标结构异常组件进行排序。

本实施方式提供的管道缺陷模型预测方法，若当前存在多个目标关联组件对应目标结构异常组件的数量相同，则进一步根据各个目标关联组件对应目标结构异常组件的叠加损伤系数以及使用属性周期进行重新排定，从而可进一步优化目标关联组件的预测排序优先级。

在本实施例的其中一种实施方式中，如图5所示，步骤S106即将同族异常特征导入结构性缺陷预测模型，生成结构异常组件对应的目标缺陷预测走势图作为缺陷预测结果包括以下步骤：

S501.将同族异常特征导入结构性缺陷预测模型，生成结构异常组件对应的共同特征和历史故障数据；

S502.结合共同特征和历史故障数据，生成对应的目标故障模式，并获取目标故障模式对应的故障数据；

S503.根据故障数据和异常检测数据，生成结构异常组件对应的目标缺陷预测走势图作为缺陷预测结果。

步骤S501中，通过将结构异常组件的同族异常特征导入结构性缺陷预测模型，可以利用模型的学习能力，找到这些特征与结构异常之间的关联规律，该关联规律可通过结构异常组件对应的共同特征和历史故障数据进行分析获取，从而预测目标结构异常组件的潜在问题。

其中，共同特征是指在结构异常组件中存在相似性质或相同原因的异常特征，这些共同特征可能包括物理属性、工作状态、使用环境等方面的共性。通过提取共同特征，可以发现结构异常组件之间的共同点，从而更好地理解它们的异常原因和规律。

其次，历史故障数据是指过去发生的与结构异常相关的故障记录。这些数据包括故障发生的时间、位置、原因、修复措施等信息。通过对历史故障数据的分析和挖掘，可以了解结构异常的频率、影响范围、持续时间等方面的信息，从而为预测和预防未来的结构异常提供依据。

在步骤S502至步骤S503中，目标故障模式是指与目标结构异常组件相关的特定故障模式，通过分析共同特征和历史故障数据中的模式和规律，可以识别出目标故障模式，并从历史故障数据中提取与该目标故障模式相关的数据。

进一步，在获取了目标故障模式对应的故障数据后，可以结合异常检测数据，生成结构异常组件的目标缺陷预测走势图作为缺陷预测结果。目标缺陷预测走势图是一种图形化展示结构异常组件未来缺陷发展趋势的工具。通过将故障数据和异常检测数据进行分析和整合，可以预测结构异常组件未来可能发生的缺陷情况。

例如，共同特征包括管道的材料、直径、工作压力、运行温度等方面的共性。历史故障数据包括管道泄漏、腐蚀、堵塞等故障记录。通过分析上述共同特征和历史故障数据，可以识别出相应的目标故障模式，例如管道腐蚀。然后，可以从历史故障数据中提取与管道腐蚀相关的数据，包括腐蚀程度、发生位置、腐蚀原因等信息。

进一步，结合上述异常检测数据和当前异常检测数据，生成矿用乳化液输送管道的目标缺陷预测走势图作为缺陷预测结果。该走势图可以展示管道腐蚀的发展趋势，包括腐蚀速率、腐蚀位置的变化等。通过对走势图的分析，可以预测未来可能发生的腐蚀情况。

本实施方式提供的管道缺陷模型预测方法，根据结构性缺陷预测模型对结构异常组件的同族异常特征数据进行训练分析，可得到该结构异常组件的有关共同特征和历史故障数据，随即结合共同特征和历史故障数据进行分析，可得到结构异常组件频发的目标故障模式，然后根据目标故障模式对应的故障数据和当前结构异常组件的异常检测数据，可生成显示结构异常组件相应缺陷的动态预测信息即目标缺陷预测走势图，从而提升了结构异常组件的预测效果。

在本实施例的其中一种实施方式中，如图6所示，在步骤S108即根据异常数据集中异常功能元件对应的异常关联数据，确定异常功能元件的当前异常诱发因素，并结合异常功能元件的使用数据，生成异常功能元件对应的寿命预测模型之后还包括以下步骤：

S601.根据寿命预测模型，获取异常功能元件的主动诱因和被动诱因；

S602.结合主动诱因和被动诱因，生成异常功能元件对应的功能损耗排序表。

在步骤S601至步骤S602中，通过对数据的分析，可以深入了解异常功能元件的使用模式、故障模式和维护情况，从而判断缺陷是由于主动因素还是被动因素导致的。

其中，主动诱因是指能够直接导致异常功能元件功能损耗或故障的主动因素，例如人工操作方式不规范，如频繁开启关闭异常功能元件；被动诱因是指导致异常功能元件功能损耗或故障的被动因素，如使用环境、温度多热。

具体地，可分析异常功能元件的使用数据，包括使用时间、使用频率、使用环境等。如果发现缺陷集中出现在特定的使用模式下，例如高负荷使用、频繁启停等，那么很可能是由于主动因素导致的，即主动因素包括设计不合理、材料选择不当、制造工艺问题等。

进一步，功能损耗排序表是根据主动诱因和被动诱因对异常功能元件产生的影响程度进行排序的表格。通过对各个主动诱因和被动诱因进行评估和权重分配，可以确定它们对异常功能元件功能损耗的贡献程度，并按照贡献程度进行排序。

本实施方式提供的管道缺陷模型预测方法，根据该功能损耗排序表，可具体知悉异常功能元件的受损因素以及范围，从而强化了异常功能元件的缺陷预测分析效果。

在本实施例的其中一种实施方式中，如图7所示，步骤S109即结合寿命预测模型和异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为缺陷预测结果包括以下步骤：

S701.获取寿命预测模型中对应异常功能元件的寿命剩余分布；

S702.结合寿命剩余分布和逻辑联动关系，生成管道系统对应的功能缺陷预测节点；

S703.若功能缺陷预测节点为多个，则根据各个功能缺陷预测节点以及各个功能缺陷预测节点之间的控制关系，生成对应的控制系统缺陷预测分布作为缺陷预测结果。

在步骤S701中，寿命剩余分布是指在当前时间点下，异常功能元件还能正常工作的剩余寿命的分布情况。通过对异常功能元件的历史运行数据和预测模型进行分析，可以得出不同寿命剩余情况的概率分布。

具体地，寿命剩余分布的获取大致分为以下步骤：首先，收集异常功能元件的历史数据，包括其运行时间、维护记录、故障发生情况等。这些数据将作为建立寿命预测模型的基础；然后，根据收集到的历史数据，选择适合的寿命预测模型，常用的寿命预测模型包括Weibull分布模型、Log-logistic分布模型等，选择合适的模型需要考虑异常功能元件的特性、故障模式以及数据的分布情况；其次，利用收集到的历史数据，对选定的寿命预测模型进行参数拟合，在拟合过程中，会根据历史数据对模型的参数进行估计，以得到最佳的模型拟合结果。

进一步，根据拟合好的寿命预测模型，可以预测异常功能元件的寿命剩余分布。通过输入当前时间点的数据，模型可以计算出不同剩余寿命的概率分布，以及异常功能元件在未来一段时间内的可靠性情况。

在步骤S702至步骤S703中，功能缺陷预测节点是指在管道系统中可能发生功能缺陷的关键位置或关键组件。这些节点可以通过对异常功能元件的寿命剩余分布和管道系统的结构、工作状态等因素进行综合分析得出。

其中，如果当前存在多个功能缺陷预测节点，可以根据各个节点之间的控制关系生成相应的控制系统缺陷预测分布。控制系统缺陷预测分布是指在不同功能缺陷预测节点之间存在的控制关系和可能的缺陷传播情况。通过分析各个节点之间的相互作用和影响，可以推测出控制系统中可能发生的缺陷分布情况。

再者，若功能缺陷预测节点为单个，则直接对该功能缺陷预测节点进行功能控制预测分析，该功能控制预测分析是指该功能缺陷预测节点可能导致其关联节点发生异常的分析。

本实施方式提供的管道缺陷模型预测方法，根据功能缺陷预测节点可清晰地显示当前管道系统中功能控制中相关异常缺陷的实际分布情况，从而提升了管道控制系统中功能缺陷模块的预测效果。

本申请实施例公开一种管道缺陷模型预测系统，如图8所示，包括：

获取模块1，用于获取管道系统对应功能模块的检测数据；

异常检测模块2，若检测数据不符合对应功能模块的预设运行标准，则异常检测模块2用于获取对应的异常检测数据；

异常分析模块3，用于根据预设异常判定标准分析异常检测数据，生成对应的分析结果；

结构异常判定模块4，若分析结果为结构性异常，则结构异常判定模块4用于获取对应的结构异常组件，并匹配异常组件对应的性能属性记录；

提取模块5，若性能属性记录中存在历史结构性异常数据，则提取模块5用于从历史结构性异常数据中提取异常组件对应的同族异常特征；

结构缺陷预测模块6，用于将同族异常特征导入结构性缺陷预测模型，生成结构异常组件对应的目标缺陷预测走势图作为缺陷预测结果；

功能异常判定模块7，若分析结果为功能性异常，则功能异常判定模块7用于获取对应的异常功能元件以及异常功能元件对应的异常数据集；

异常因素分析模块8，用于根据异常数据集中异常功能元件对应的异常关联数据，确定异常功能元件的当前异常诱发因素，并结合异常功能元件的使用数据，生成异常功能元件对应的寿命预测模型；

功能缺陷预测模块9，用于结合寿命预测模型和异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为缺陷预测结果。

本实施例提供的管道缺陷模型预测系统，针对异常检测数据中不同类型的异常通过异常分析模块3进行化类分析和模型预测，即若经结构异常判定模块4判定分析结果为结构性异常，则通过提取模块5提取结构异常组件对应的同族异常特征，随即通过结构缺陷预测模块6根据结构性缺陷预测模型预测分析出其在管道系统中的目标缺陷预测走势图，若经功能异常判定模块7判定分析结果为功能性异常，则异常因素分析模块8以异常功能元件为分析基础，生成异常功能元件对应的寿命预测模型，并通过功能缺陷预测模块9结合异常功能元件的异常关联数据和逻辑联动关系，预测出管道系统中相应的控制系统缺陷预测分布，由于针对管道系统中不同类型且分散的异常检测数据，视具体异常情况对其进行归类并做出实质性缺陷分类解析，从而提升了矿用乳化液输送管道缺陷的预测效果。

需要说明的是，本申请实施例所提供的一种管道缺陷模型预测系统，还包括与上述任意一种管道缺陷模型预测方法的逻辑功能或逻辑步骤所对应的各个模块和/或对应的子模块，实现与各个逻辑功能或者逻辑步骤相同的效果，具体在此不再累述。

本申请实施例还公开一种终端设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机指令，其中，处理器执行计算机指令时，采用了上述实施例中的任意一种管道缺陷模型预测方法。

其中，终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备，并且，终端设备包括但不限于处理器以及存储器，例如，终端设备还可以包括输入输出设备、网络接入设备以及总线等。

其中，处理器可以采用中央处理单元（CPU），当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本申请对此不做限制。

其中，存储器可以为终端设备的内部存储单元，例如，终端设备的硬盘或者内存，也可以为终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡（SMC）、安全数字卡（SD）或者闪存卡（FC）等，并且，存储器还可以为终端设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机指令以及终端设备所需的其他指令和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。

其中，通过本终端设备，将上述实施例中的任意一种管道缺陷模型预测方法存储于终端设备的存储器中，并且，被加载并执行于终端设备的处理器上，方便使用。

本申请实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机指令，其中，计算机指令被处理器执行时，采用了上述实施例中的任意一种管道缺陷模型预测方法。

其中，计算机指令可以存储于计算机可读介质中，计算机指令包括计算机指令代码，计算机指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM）、随机存取存储器（RAM）、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。

其中，通过本计算机可读存储介质，将上述实施例中的任意一种管道缺陷模型预测方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种管道缺陷模型预测方法，其特征在于，包括以下步骤：

获取管道系统对应功能模块的检测数据；

若所述检测数据不符合对应所述功能模块的预设运行标准，则获取对应的异常检测数据；

根据预设异常判定标准分析所述异常检测数据，生成对应的分析结果；

若所述分析结果为结构性异常，则获取对应的结构异常组件，并匹配所述结构异常组件对应的性能属性记录；

若所述性能属性记录中存在历史结构性异常数据，则从所述历史结构性异常数据中提取所述异常组件对应的同族异常特征；

将所述同族异常特征导入结构性缺陷预测模型，生成所述结构异常组件对应的目标缺陷预测走势图作为所述缺陷预测结果；

若所述分析结果为功能性异常，则获取对应的异常功能元件以及所述异常功能元件对应的异常数据集；

根据所述异常数据集中所述异常功能元件对应的异常关联数据，确定所述异常功能元件的当前异常诱发因素，并结合所述异常功能元件的使用数据，生成所述异常功能元件对应的寿命预测模型；

结合所述寿命预测模型和所述异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为所述缺陷预测结果。

2.根据权利要求1所述的一种管道缺陷模型预测方法，其特征在于，在若所述分析结果为结构性异常，则获取对应的结构异常组件，并匹配所述异常组件对应的性能属性记录之后还包括以下步骤：

若所述性能属性记录中存在所述结构异常组件对应的关联组件，则根据所述异常检测数据获取所述结构异常组件与所述关联组件之间的相关系数；

若所述相关系数符合预设关联标准，则获取对应的目标关联组件，并结合所述结构异常组件，生成对应的目标关联组；

结合所述异常检测数据、所述目标关联组以及所述目标关联组对应的所述相关系数，生成所述结构异常组件对应的预测缺陷走势图。

3.根据权利要求1所述的一种管道缺陷模型预测方法，其特征在于，在若所述分析结果为结构性异常，则获取对应的结构异常组件，并匹配所述异常组件对应的性能属性记录之后还包括以下步骤：

若所述性能属性记录中存在多个所述结构异常组件，则根据所述异常检测数据判断所述结构异常组件是否存在对应的所述关联组件；

若所述结构异常组件存在对应的所述关联组件，则获取对应的目标结构异常组件；

若所述目标结构异常组件为多个，则判断所述目标结构异常组件之间是否存在同一所述关联组件；

若所述目标结构异常组件之间存在同一所述关联组件，则获取对应的目标关联组件；

根据所述目标关联组件对应所述目标结构异常组件的数量，设定所述目标关联组件对应的预测排序优先级。

4.根据权利要求3所述的一种管道缺陷模型预测方法，其特征在于，根据所述目标关联组件对应所述目标结构异常组件的数量，设定所述目标关联组件对应的预测排序优先级包括以下步骤：

若所述目标关联组件为多个，则判断多个所述目标关联组件对应所述目标结构异常组件的数量是否相同；

若所述多个所述目标关联组件对应所述目标结构异常组件的数量相同，则获取各个所述目标关联组件对应所述目标结构异常组件的叠加损伤系数；

结合所述叠加损伤系数和所述目标关联组件的使用属性周期，设定所述目标关联组件对应的所述预测排序优先级。

5.根据权利要求1所述的一种管道缺陷模型预测方法，其特征在于，将所述同族异常特征导入结构性缺陷预测模型，生成所述结构异常组件对应的目标缺陷预测走势图作为所述缺陷预测结果包括以下步骤：

将所述同族异常特征导入所述结构性缺陷预测模型，生成所述结构异常组件对应的共同特征和历史故障数据；

结合所述共同特征和所述历史故障数据，生成对应的目标故障模式，并获取所述目标故障模式对应的故障数据；

根据所述故障数据和所述异常检测数据，生成所述结构异常组件对应的所述目标缺陷预测走势图作为所述缺陷预测结果。

6.根据权利要求1所述的一种管道缺陷模型预测方法，其特征在于，在根据所述异常数据集中所述异常功能元件对应的异常关联数据，确定所述异常功能元件的当前异常诱发因素，并结合所述异常功能元件的使用数据，生成所述异常功能元件对应的寿命预测模型之后还包括以下步骤：

根据所述寿命预测模型，获取所述异常功能元件的主动诱因和被动诱因；

结合所述主动诱因和被动诱因，生成所述异常功能元件对应的功能损耗排序表。

7.根据权利要求1所述的一种管道缺陷模型预测方法，其特征在于，所述结合所述寿命预测模型和所述异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为所述缺陷预测结果包括以下步骤：

获取所述寿命预测模型中对应所述异常功能元件的寿命剩余分布；

结合所述寿命剩余分布和所述逻辑联动关系，生成所述管道系统对应的功能缺陷预测节点；

若所述功能缺陷预测节点为多个，则根据各个所述功能缺陷预测节点以及各个所述功能缺陷预测节点之间的控制关系，生成对应的所述控制系统缺陷预测分布作为所述缺陷预测结果。

8.一种管道缺陷模型预测系统，其特征在于，包括：

获取模块(1)，用于获取管道系统对应功能模块的检测数据；

异常检测模块(2)，若所述检测数据不符合对应所述功能模块的预设运行标准，则所述异常检测模块(2)用于获取对应的异常检测数据；

异常分析模块(3)，用于根据预设异常判定标准分析所述异常检测数据，生成对应的分析结果；

结构异常判定模块(4)，若所述分析结果为结构性异常，则所述结构异常判定模块(4)用于获取对应的结构异常组件，并匹配所述异常组件对应的性能属性记录；

提取模块(5)，若所述性能属性记录中存在历史结构性异常数据，则所述提取模块(5)用于从所述历史结构性异常数据中提取所述异常组件对应的同族异常特征；

结构缺陷预测模块(6)，用于将所述同族异常特征导入结构性缺陷预测模型，生成所述结构异常组件对应的目标缺陷预测走势图作为所述缺陷预测结果；

功能异常判定模块(7)，若所述分析结果为功能性异常，则所述功能异常判定模块(7)用于获取对应的异常功能元件以及所述异常功能元件对应的异常数据集；

异常因素分析模块(8)，用于根据所述异常数据集中所述异常功能元件对应的异常关联数据，确定所述异常功能元件的当前异常诱发因素，并结合所述异常功能元件的使用数据，生成所述异常功能元件对应的寿命预测模型；

功能缺陷预测模块(9)，用于结合所述寿命预测模型和所述异常功能元件的逻辑联动关系，生成对应的控制系统缺陷预测分布作为所述缺陷预测结果。

9.一种终端设备，包括存储器和处理器，其特征在于，所述存储器中存储有能够在所述处理器上运行的计算机指令，所述处理器加载并执行所述计算机指令时，采用了如权利要求1至7中任一项所述的一种管道缺陷模型预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，其特征在于，所述计算机指令被处理器加载并执行时，采用了如权利要求1至7中任一项所述的一种管道缺陷模型预测方法。