摘要：智能壓力變送器管道中運行壓力是反映管道運行狀態的重要參數，隨著生產現場信息化程度不斷提高，信息處理技術也廣泛用于智能壓力變送器管道運行管理。為了有效解決壓力監控報警限值與實際運行的測量數據有較寬幅度的差值，對在差值范圍內出現的異常情況因不報警、不易及時發現而導致處置延誤等問題開展分析研究。根據智能壓力變送器管道運行壓力的數據特性，以數字濾波算法為基礎對其采集的實時數據進行大數據分析處理，結合測量不確定度評定方法，建立壓力的動態趨勢模型，用所選測量點的歷史數據驗證動態趨勢模型建立的方法和符合率；利用動態趨勢模型進行管道輸送實時監控，以提高管道運行壓力預警的靈敏度和準確性，推進管道運行管理向程控化、智能化發展。

 

智能壓力變送器管道中運行壓力是反映管道運行狀態的重要參數，也是天然氣生產運營過程監控的重要參數，其測量數據直接反映該測量點壓力系統的運行狀態[1]。天然氣壓力測量儀表經歷了機械式指針儀表測量、數顯式儀表測量等不同發展階段。隨著工業自動化技術的發展，壓力測量儀表采用了傳感器技術、電子技術和嵌入計算機芯片等技術。核心壓力傳感器以硅材料為基礎，采用微米級的微機械加工技術和大規模集成電路工藝，逐步向智能總線式數字壓力測量發展。

工業的信息化、智能化已經成為發展的必然方向，隨著傳感器技術、通信技術和計算機技術融合，使獲取天然氣壓力測量數據方式由系統自動采集、儲存、顯示替代了原始的抄表和紙質記錄保存，促進了信息處理技術廣泛應用于天然氣生產管理。

 

1壓力測量現狀

目前天然氣站場主要采用機械式指針儀表（壓力表）、數顯式儀表（壓力傳感器、壓力變送器、數字壓力計）對生產過程中的壓力參數進行測量和控制[2]，差壓變送器主要用于差壓式流量計中差壓的測量。

生產現場常將SCADA、DCS、DCC等配套系統用于從井口到終端用戶的監控，在這些監控系統中，壓力報警設置多采用設計壓力的限值[3]。隨著投運時間變化，根據壓力設備檢測結果，壓力報警設置采用同一壓力系統各壓力設備中#低的額定工作壓力為限值。這些限值與實際運行的測量數據有較寬幅度的差值（圖1）。為了有效解決在差值范圍內出現的異常情況因不報警、不易及時發現而導致處置延誤等問題，開展了壓力測量數據動態趨勢方面的分析研究。

 

 

2數據分析處理與模型建立

通過對各類壓力測量數據的收集、梳理和分析，發現各個壓力測量點的數據皆有一定的運行規律和趨勢。選擇合適的數據整合算法，對壓力測量原始數據進行分類處理，建立壓力動態趨勢模型。

2.1確定數據算法根據參數特性[4]所收集的數字濾波算法共計11種：限幅濾波法、中位值濾波法、算術平均濾波法、遞推平均濾波法、中位值平均濾波法、限幅平均濾波法、一階滯后濾波法、加權遞推平均濾波法、消抖濾波法、限幅消抖濾波法、IIR數字濾波法。

（1）特性篩選。根據11種數據處理方法的特性分析[5]、數據處理策略，初步排除了限幅濾波法、中位值濾波法、中位值平均濾波法、限幅平均濾波法。這4種分析方法不適合同步處理在不同量程區間的數據，而且計算結果與實際趨勢差異較大。依據相關性函數以及不相關參數函數定量研究原理[3]，一階滯后濾波法、消抖濾波法、限幅消抖濾波法、IIR數字濾波法因其本身的干擾和變化無規律而排除。

（2）擬合性驗證。經過特性篩選和適應性模擬運算，從中選出算術平均濾波法、遞推平均濾波法、加權遞推平均濾波法進行擬合性實驗。以上3種方法實際上都是基于平均濾波法[6]而來，使用平均濾波法可以去除非規律性的偶然極值情況，對趨勢分析很有幫助。

根據各測量點壓力數據的分類情況，選用民用氣差壓式流量計計量點中波動較大的差壓數據作為基礎數據進行研究。該測量點采用差壓變送器進行測量，現場為本安型安裝，配套設備涉及浪涌保護器、隔離式安全柵（同時提供現場壓力變送器電源）、A/D數模轉換模塊等。

 

由圖2可知，使用加權遞推平均濾波法（數據周期N=5）時，分析后得到平滑的趨勢圖像，但得到的數據對趨勢的擬合作出了很大的限幅，它相對原始數據完全無擬合。

 

 

由圖3可知，使用算術平均濾波法（數據周期N=5）時，由于其計算原理，它的趨勢比原始數據的實際趨勢滯后；且經過其方法處理得到的數據存在較大干擾，與原始數據的擬合度較低，甚至超出了實際數據的范圍。當N=5時，算術平均濾波曲線與原始數據曲線相比，其擬合性不如遞推平均濾波曲線與原始數據曲線的擬合性，且遞推平均濾波曲線對原始數據曲線的波動趨勢有預判。

2.2測量的不確定度評定壓力測量數據其合成不確定度分量[7]由測量儀器本身的不確定度和數據傳輸過程中信號轉換的不確定度組成，它包含差壓變送器不確定度分量、隔離式安全柵不確定度分量、A/D數模轉換模塊不確定度分量。通過不確定度評定，將對應不確定度影響納入趨勢模型計算。

 

2.3建立動態趨勢模型

采集預設周期內的壓力測量原始數據，通過遞推平均濾波法對該天然氣測量數據進行處理，得到其測量數據的趨勢曲線；對多個周期內的多條同類型的趨勢曲線進行疊加，得到天然氣測量數據的趨勢曲線帶。應用極值法趨勢曲線形成上軌線和下軌線，上軌線與下軌線間的區域即為建立的動態趨勢模型[8]，在該動態趨勢模型中的數值范圍加入測量的擴展不確定度即為該運行參數的標準范圍。

 

3模型應用與評價

根據上述設計建立壓力的動態趨勢模型，并將其應用在相關場站及管線進行驗證。

3.1驗證動態趨勢模型建立方法

（1）遞推平均濾波法處理測量原始數據。以壓力數據為例，設定采集時段（如1天24h，某日00:00至次日00:00，每分鐘取1個數據，1天共1440個數據）內的壓力測量數據，按照式（1）進行處理。壓力根據監控點的位置及用途不同，壓力波動情況也不同，如外銷用戶交接用壓力測量，其數據處理周期N可選擇為12及以上；流體溫度相對穩定，其數據處理周期N可選擇為4及以上。

 

 

式中：pi為遞推平均濾波法處理后的壓力值，kPa；pi為采集的第i個壓力數據（即第i分鐘的壓力數據）；n為整數，1≤n≤1440；N為數據處理周期內數據的數量，整數。

（2）分析周期內采集時段數據[9]。將一定周期（如某月30天或更多的天數）數據，以時間為坐標進行比較分析，發現其變化規律。用區域極限求值法計算出上、下限值，形成測量值的趨勢帶，如圖4所示。

 

 

（3）擴展不確定度。該壓力測量點使用準確度為0.2%的壓力變送器作為壓力測量儀器，由此引出的不確定度分量按均勻分布計算：u1=0.12%；數據傳輸過程中信號轉換的不確定度由準確度為0.1%的隔離式安全柵和準確度為0.1%的A/D數模轉換模塊組成，由此引出的不確定度分量按均勻分布計算：u2=0.06%，u3=0.06%；因為不確定度分量均不相關，其合成標準不確定度ur=0.15%，其擴展不確定度ur=0.30%，包含概率P=95%，k=2。

在所述動態趨勢模型中的數值范圍加入測量的擴展不確定度即為所述運行參數的標準范圍，如圖5所示。

 

 

3.2實際應用及效果

選擇不同性質的壓力測量點進行采集和建模，實際驗證壓力動態趨勢模型的擬合性和預判性[7]。

（1）集輸管網壓力。選擇某站X線進氣壓力測量點進行實際驗證，由于該點屬集輸管網壓力測量，壓力平穩且波動較小，驗證其動態趨勢模型的擬合性和預判性。

建立動態趨勢模型，由站場工作人員提供正常運行日期作為目標日期進行驗證。以2016年4月1日到4月20日的出站壓力數據為模型限值趨勢帶基礎，隨機選擇4月8日數據進行驗證。如圖6所示，紅色為進氣壓力在該時段運行的上軌線，綠色為下軌線，紫色為診斷目標4月8日的壓力實時曲線。通過計算，其包含概率為97.7%，符合模型建立包含概率（95%）的預設。

 

 

 

由圖6可知，該測量點壓力較為穩定，紅色上軌線及綠色下軌線間趨勢帶寬窄應較均勻；但綠色下軌線08:00至09:00左右寬窄變化不定，有管線放空跡象（見圖中虛線框部分）；在14:00至17:00左右寬窄變化不定，有壓力回零及壓力回升異常狀態，根據趨勢提示判斷，該時段有工藝流程倒換跡象。經核實作為基礎數據的4月5日，上、下軌線間趨勢帶寬窄變化不定時段正在進行清管作業。

（2）民用氣出站壓力。選擇某站南區供氣點進行實際驗證，由于該供氣點屬民用氣，涉及用氣峰谷波動較大，能更好地驗證動態趨勢模型的擬合性和預判性。

建立動態趨勢模型，由站場工作人員提供正常運行日期作為目標日期進行驗證。以2016年3月1日到3月20日的出站壓力數據為模型限值趨勢帶基礎，隨機選擇3月5日數據進行驗證。如圖7所示，紅色為某站南區用戶出站壓力在該時段運行的上軌線，綠色為下軌線，紫色為診斷目標3月5日的壓力實時曲線。通過計算，其包含概率為98.9%，符合模型建立包含概率（95%）的預設。

 

 

由圖 7 可知，結合用戶用氣情況，監控點 00:00到 06:00壓力較為穩定，紅色上軌線及綠色下軌線間趨勢帶較窄；06:00以后直至 22:00壓力波動較大，紅色上軌線及綠色下軌線間趨勢帶也隨之寬窄變化不定。其間11:20左右運行壓力超過紅色上軌線出現報警（見圖7虛線框部分）。經核實該時段正在進行調壓作業。

（3）與其他系統信息兼容。選擇某站1套差壓式流量計差壓測量點進行實際驗證。如圖8所示，2018年5月1日14:00左右出現報警（實時曲線回零，實時概率為90.9%，低于95%），由于該測量點數據參與流量計算，與站場流量計算機系統聯動，以時間為坐標同步提取黑匣子記錄，獲得差壓回零時段值班員“王建”“操作孔板”的信息。

綜上所述，壓力動態趨勢模型以實際測量數據為基礎，其上軌線及下軌線較該監控點管線額定壓力的報警值更貼近實際運行情況，試驗證明實際運行情況與壓力動態趨勢模型的符合率較高，能及時發現運行異常，大大提高了壓力測控點預判的靈敏度和準確性[10]。

4結論

（1）利用數字濾波算法作為數據分析基礎建立動態趨勢模型的新技術，可對壓力測量點進行實時監控，這種動態趨勢模型由#新測量數據采集周期實時形成，預設其包含概率為95%以上。試驗證明動態趨勢模型的符合率較高，可大大提高壓力監控預警的靈敏度和準確性，及時發現異常情況，及時作出干預處理。

（2）借助“兩化”融合，與其他生產管理部門協同，將動態趨勢技術與自動控制調節、安全聯動等技術相結合，可延展至天然氣溫度、流量等重要參數的監控，提高天然氣生產運行管控綜合水平，進一步完善預警機制，推進天然氣生產運行管理向程控化、智能化發展。