基于數字濾波算法的智能壓力變送器管道運行監控

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(tài)的重要參數，隨著(zhù)生產(chǎn)現場(chǎng)信息化程度不斷提高，信息處理技術(shù)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(shí)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(shí)發(fā)現而導致處置延誤等問(wèn)題開(kāi)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(shí)時(shí)數據進(jìn)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(dòng)態(tài)趨勢模型，用所選測量點(diǎn)的歷史數據驗證動(dòng)態(tài)趨勢模型建立的方法和符合率；利用動(dòng)態(tài)趨勢模型進(jìn)行管道輸送實(shí)時(shí)監控，以提高管道運行壓力預警的靈敏度和準確性，推進(jìn)管道運行管理向程控化、智能化發(fā)展。

 

智能壓力變送器管道中運行壓力是反映管道運行狀態(tài)的重要參數，也是天然氣生產(chǎn)運營(yíng)過(guò)程監控的重要參數，其測量數據直接反映該測量點(diǎn)壓力系統的運行狀態(tài)[1]。天然氣壓力測量?jì)x表經(jīng)歷了機械式指針儀表測量、數顯式儀表測量等不同發(fā)展階段。隨著(zhù)工業(yè)自動(dòng)化技術(shù)的發(fā)展，壓力測量?jì)x表采用了傳感器技術(shù)、電子技術(shù)和嵌入計算機芯片等技術(shù)。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(shù)和大規模集成電路工藝，逐步向智能總線(xiàn)式數字壓力測量發(fā)展。

工業(yè)的信息化、智能化已經(jīng)成為發(fā)展的必然方向，隨著(zhù)傳感器技術(shù)、通信技術(shù)和計算機技術(shù)融合，使獲取天然氣壓力測量數據方式由系統自動(dòng)采集、儲存、顯示替代了原始的抄表和紙質(zhì)記錄保存，促進(jìn)了信息處理技術(shù)廣泛應用于天然氣生產(chǎn)管理。

 

1壓力測量現狀

目前天然氣站場(chǎng)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(chǎn)過(guò)程中的壓力參數進(jìn)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(chǎn)現場(chǎng)常將SCADA、DCS、DCC等配套系統用于從井口到終端用戶(hù)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(zhù)投運時(shí)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(shí)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(shí)發(fā)現而導致處置延誤等問(wèn)題，開(kāi)展了壓力測量數據動(dòng)態(tài)趨勢方面的分析研究。

 

 

2數據分析處理與模型建立

通過(guò)對各類(lèi)壓力測量數據的收集、梳理和分析，發(fā)現各個(gè)壓力測量點(diǎn)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(jìn)行分類(lèi)處理，建立壓力動(dòng)態(tài)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(shù)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(shí)際趨勢差異較大。依據相關(guān)性函數以及不相關(guān)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(wú)規律而排除。

（2）擬合性驗證。經(jīng)過(guò)特性篩選和適應性模擬運算，從中選出算術(shù)平均濾波法、遞推平均濾波法、加權遞推平均濾波法進(jìn)行擬合性實(shí)驗。以上3種方法實(shí)際上都是基于平均濾波法[6]而來(lái)，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(diǎn)壓力數據的分類(lèi)情況，選用民用氣差壓式流量計計量點(diǎn)中波動(dòng)較大的差壓數據作為基礎數據進(jìn)行研究。該測量點(diǎn)采用差壓變送器進(jìn)行測量，現場(chǎng)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(shí)提供現場(chǎng)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(shí)，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(wú)擬合。

 

 

由圖3可知，使用算術(shù)平均濾波法（數據周期N=5）時(shí)，由于其計算原理，它的趨勢比原始數據的實(shí)際趨勢滯后；且經(jīng)過(guò)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(shí)際數據的范圍。當N=5時(shí)，算術(shù)平均濾波曲線(xiàn)與原始數據曲線(xiàn)相比，其擬合性不如遞推平均濾波曲線(xiàn)與原始數據曲線(xiàn)的擬合性，且遞推平均濾波曲線(xiàn)對原始數據曲線(xiàn)的波動(dòng)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?jì)x器本身的不確定度和數據傳輸過(guò)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(guò)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(dòng)態(tài)趨勢模型

采集預設周期內的壓力測量原始數據，通過(guò)遞推平均濾波法對該天然氣測量數據進(jìn)行處理，得到其測量數據的趨勢曲線(xiàn)；對多個(gè)周期內的多條同類(lèi)型的趨勢曲線(xiàn)進(jìn)行疊加，得到天然氣測量數據的趨勢曲線(xiàn)帶。應用極值法趨勢曲線(xiàn)形成上軌線(xiàn)和下軌線(xiàn)，上軌線(xiàn)與下軌線(xiàn)間的區域即為建立的動(dòng)態(tài)趨勢模型[8]，在該動(dòng)態(tài)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(jià)

根據上述設計建立壓力的動(dòng)態(tài)趨勢模型，并將其應用在相關(guān)場(chǎng)站及管線(xiàn)進(jìn)行驗證。

3.1驗證動(dòng)態(tài)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(shí)段（如1天24h，某日00:00至次日00:00，每分鐘取1個(gè)數據，1天共1440個(gè)數據）內的壓力測量數據，按照式（1）進(jìn)行處理。壓力根據監控點(diǎn)的位置及用途不同，壓力波動(dòng)情況也不同，如外銷(xiāo)用戶(hù)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(gè)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(shí)段數據[9]。將一定周期（如某月30天或更多的天數）數據，以時(shí)間為坐標進(jìn)行比較分析，發(fā)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(diǎn)使用準確度為0.2%的壓力變送器作為壓力測量?jì)x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(guò)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(guān)，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(dòng)態(tài)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(shí)際應用及效果

選擇不同性質(zhì)的壓力測量點(diǎn)進(jìn)行采集和建模，實(shí)際驗證壓力動(dòng)態(tài)趨勢模型的擬合性和預判性[7]。

（1）集輸管網(wǎng)壓力。選擇某站X線(xiàn)進(jìn)氣壓力測量點(diǎn)進(jìn)行實(shí)際驗證，由于該點(diǎn)屬集輸管網(wǎng)壓力測量，壓力平穩且波動(dòng)較小，驗證其動(dòng)態(tài)趨勢模型的擬合性和預判性。

建立動(dòng)態(tài)趨勢模型，由站場(chǎng)工作人員提供正常運行日期作為目標日期進(jìn)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(jìn)行驗證。如圖6所示，紅色為進(jìn)氣壓力在該時(shí)段運行的上軌線(xiàn)，綠色為下軌線(xiàn)，紫色為診斷目標4月8日的壓力實(shí)時(shí)曲線(xiàn)。通過(guò)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(diǎn)壓力較為穩定，紅色上軌線(xiàn)及綠色下軌線(xiàn)間趨勢帶寬窄應較均勻；但綠色下軌線(xiàn)08:00至09:00左右寬窄變化不定，有管線(xiàn)放空跡象（見(jiàn)圖中虛線(xiàn)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(tài)，根據趨勢提示判斷，該時(shí)段有工藝流程倒換跡象。經(jīng)核實(shí)作為基礎數據的4月5日，上、下軌線(xiàn)間趨勢帶寬窄變化不定時(shí)段正在進(jìn)行清管作業(yè)。

（2）民用氣出站壓力。選擇某站南區供氣點(diǎn)進(jìn)行實(shí)際驗證，由于該供氣點(diǎn)屬民用氣，涉及用氣峰谷波動(dòng)較大，能更好地驗證動(dòng)態(tài)趨勢模型的擬合性和預判性。

建立動(dòng)態(tài)趨勢模型，由站場(chǎng)工作人員提供正常運行日期作為目標日期進(jìn)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(jìn)行驗證。如圖7所示，紅色為某站南區用戶(hù)出站壓力在該時(shí)段運行的上軌線(xiàn)，綠色為下軌線(xiàn)，紫色為診斷目標3月5日的壓力實(shí)時(shí)曲線(xiàn)。通過(guò)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(hù)用氣情況，監控點(diǎn) 00:00到 06:00壓力較為穩定，紅色上軌線(xiàn)及綠色下軌線(xiàn)間趨勢帶較窄；06:00以后直至 22:00壓力波動(dòng)較大，紅色上軌線(xiàn)及綠色下軌線(xiàn)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(guò)紅色上軌線(xiàn)出現報警（見(jiàn)圖7虛線(xiàn)框部分）。經(jīng)核實(shí)該時(shí)段正在進(jìn)行調壓作業(yè)。

（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(diǎn)進(jìn)行實(shí)際驗證。如圖8所示，2018年5月1日14:00左右出現報警（實(shí)時(shí)曲線(xiàn)回零，實(shí)時(shí)概率為90.9%，低于95%），由于該測量點(diǎn)數據參與流量計算，與站場(chǎng)流量計算機系統聯(lián)動(dòng)，以時(shí)間為坐標同步提取黑匣子記錄，獲得差壓回零時(shí)段值班員“王建”“操作孔板”的信息。

綜上所述，壓力動(dòng)態(tài)趨勢模型以實(shí)際測量數據為基礎，其上軌線(xiàn)及下軌線(xiàn)較該監控點(diǎn)管線(xiàn)額定壓力的報警值更貼近實(shí)際運行情況，試驗證明實(shí)際運行情況與壓力動(dòng)態(tài)趨勢模型的符合率較高，能及時(shí)發(fā)現運行異常，大大提高了壓力測控點(diǎn)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(dòng)態(tài)趨勢模型的新技術(shù)，可對壓力測量點(diǎn)進(jìn)行實(shí)時(shí)監控，這種動(dòng)態(tài)趨勢模型由#新測量數據采集周期實(shí)時(shí)形成，預設其包含概率為95%以上。試驗證明動(dòng)態(tài)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(shí)發(fā)現異常情況，及時(shí)作出干預處理。

（2）借助“兩化”融合，與其他生產(chǎn)管理部門(mén)協(xié)同，將動(dòng)態(tài)趨勢技術(shù)與自動(dòng)控制調節、安全聯(lián)動(dòng)等技術(shù)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(chǎn)運行管控綜合水平，進(jìn)一步完善預警機制，推進(jìn)天然氣生產(chǎn)運行管理向程控化、智能化發(fā)展。