基于數據的油田生產過程中的多故障診斷方法的研究

劉敬東　孫彥輝　高國忠

摘 要 隨著經濟的不斷發展，石油工業在國民經濟中的地位顯著提高。石油也是我國能源的重要組成部分。而石油開采是一項復雜的系統工程，為保證石油開采的安全、高效進行，在油田生產過程中建立了相應的監控系統。但是在油田生產過程總會出現一些故障，不但影響了油田生產進度還造成了人力和物力的浪費。因此，基于數據的油田生產過程中的多故障診斷方法的研究具有一定的現實意義。文章先對油田生產過程中故障診斷技術的概述，再具體研究基于數據的油田生產過程中的多故障診斷方法。

關鍵詞 基于數據；油田生產；多故障；診斷方法

中圖分類號：TP393 文獻標識碼：A 文章編號：1671-7597（2014）14-0094-02

石油開采是一項復雜而又艱苦的工作，開采過程中各個環節相互影響和制約，任何一個環節的問題都會對整體工程造成嚴重的影響。由于油田環境復雜、生產條件艱苦，生產過程中的每個設備隨時都會發生故障，為保證生產過程的順利進行，避免造成較為嚴重的損失，應該加強對生產過程中的設備進行故障診斷。早期油田生產過程中設備故障的診斷完全是由人獨立完成，但是由于油田生產過程中的設備較多且分散，往往不能及時診斷并解決，對油田生產造成了一定的損失。隨著數字化采油系統的不斷完善，增加了油田生產現場檢測數據的規模，加大了故障診斷的難度系數。隨著故障診斷技術的不斷發展，以模型為基礎的故障診斷方法和以信號為基礎的診斷方法是比較常用的故障診斷方法，但是它們在實際的應用中表現出許多問題。因此，多故障診斷方法的研究具有深遠的影響。

1 基于數據的油田生產過程中的故障診斷方法

1）專家系統故障診斷方法。借助人工智能中的系統知識和推理技術模擬該領域專家才能解決的問題。專家系統故障診斷方法診斷效率較高，被廣泛的應用在故障診斷領域。

2）人工神經網絡診斷方法。人工神經網絡是利用近似于大腦神經突觸連接的結構分析處理信息。隨著人們對故障診斷認識的不斷提高，人工神經網絡被應用到油田生產過程中的故障診斷中。人工神經網絡診斷方法主要包含診斷推理和預測趨勢這兩項內容。

3）支持向量機的診斷方法。支持向量機是一種基于統計學習理論的VC維理論和結構風險最小原理的模式辨別新方法。支持向量機的診斷方法具有較強的適應能力，可以在線工作，適用于樣本數據的數量較小的診斷中。

4）數據挖掘的診斷方法。數據挖掘是統計學中的一個分支，通過對每個數據的處理，從大量的數據中總結規律，以此來挖掘隱藏較深的知識和信息。數據挖掘的診斷通常包括目標描述和數據準備、數據預處理、數據挖掘和目標評估這四項內容。

2 油田生產過程中故障診斷技術的應用

故障診斷是利用各種測量方法和監測方法，記錄和呈現生產過程中或者設備運行狀態，出現異常狀況時立即報警，診斷和分析已經發生或者即將發生的故障，為故障的發生提供依據。在石油的開采過程中為保證生產、檢測設備的安全、高效運行，科學、有效的故障診斷技術已經成為基于數據的油田的核心技術，它能夠大大降低生產過程中的安全隱患，保證油田正常的生產。在油田數字化建設過程中，實時監測系統逐漸完善，相關專家、學者也對油田生產過程中的故障診斷進行了大量的

研究。

3 迭代多模型的PCA在油田生產故障診斷中的應用

PCA是一種較為常用的數據降維方法，通過把相關數據投影到低維空間中，有效提取過程信息，舍棄多余信息，實現對數據的壓縮。隨著數據化油田生產的不斷發展，PCA故障診斷方法中存在較大誤差，為有效減小誤差，專家研制出了迭代多模型的PCA故障診斷方法。首先，依照分類標準對生產措施過程中的原始數據進行分類，同時建立不同工程情況下的PCA模型，縮短了故障檢測時間。再其次，針對分類后的新采樣信息的主要內容進行分析，利用T2和SPE統計量監測生產過程。最后，在一切正常的基礎上借助迭代算法改進PCA模型，保證系統的動態特征，如果出現異常情況，則應該進行故障診斷。

4 基于SWE的迭代PCA在油田生產故障診斷中的應用

迭代多模型PCA診斷利用T2和SPE等統計量完成故障診斷，T2統計量往往不考慮殘差空間量中涵蓋的故障信息，造成系統不能及時或者不能發現某些故障，容易出現故障的遺漏。這兩種統計量在診斷故障時有一定的約束，而SWE根據不同的故障種類建立相應的殘差空間，與SPE統計量相比，SWE能夠充分利用殘差空間中涵蓋的故障信息，提高了故障診斷效率和準確度。石油開采是一項復雜的系統工程，比較容易出現多故障，同時生產數據隨著工程情況的變化產生相應的動態變化，靜態分析的故障診斷技術已不能準確檢測系統故障。基于SWE的迭代PCA法在有多個故障發生的情況下能夠及時發現并確定故障所在位置，保證了故障診斷的準確性。它依照原始數據建立離線PCA模型，且確定各參數值，再對其進行實時監測，檢測過程中一旦發現故障，則就會進行識別工作，如果正常運行，則PCA模型會迭代改進，具體診斷流程如下。

1）建立PCA模型。對待測樣本數據和測試數據的每一列進行處理，確定相應的參數，建立PCA模型。

2）計算迭代數據的長度。通常為了方便觀測，迭代數據通常由SPE統計量確定，這主要是因為SWE統計量中，每個測試數據依照不同的故障方向設有不同的SWE值。

3）故障的實時監測。計算出和不同故障方向對應的SWE統計量值，如果SWE統計量值小于與之相對應的控制限制則設備運行正常，反之則有故障發生。

4）故障識別。SWE法能夠依照實際的工程情況建立相應的殘差空間，并在殘差空間中能夠實現變量的重新構造，找到和故障發生時SWE統計量值相同的故障類型或者組合，在殘差空間中重新構造可能發生的故障，計算出此時相對應的SWE值。能夠把SWE值恢復到控制以下的故障類型或者組合即為發生故障的位置。

5）改進、迭代PCA模型。當收集的待測樣本數據的長度達到迭代數據長度的時候，舍棄多余、陳舊數據，將收集的待測樣本數據添加到建模數據中，就會改進、迭代PCA模型。

5 結束語

為保證基于數據的油田生產過程中各個監測儀器和設備的安全、高效運行，應該加強多故障診斷方法的研究，改進現有的故障診斷方法。本文中基于SWE的迭代多模型PCA的故障診斷技術不僅能夠實現對油田生產的在線監控，還能同時對多個故障進行診斷，并能確定故障的具體位置，具有較高的診斷效率，實現了對油田生產過程中設備和儀器的現代化管理。

參考文獻

[1]胡勁松，周方潔，劉先勇.基于COM的電力變壓器模糊診斷系統[J].變壓器，2004（08）.

[2]符楊，藍之達.遺傳算法與人工神經網絡結合在變壓器故障診斷中的應用[J].變壓器，2003（10）.

[3]顏湘蓮，文遠芳.模糊神經網絡在變壓器故障診斷中的應用研究[J].變壓器，2002（07）.

[4]高文勝，嚴璋，談克雄.基于油中溶解氣體分析的電力變壓器絕緣故障診斷方法[J].電工電能新技術，2000（01）.

[5]王楠，律方成，李和明.粗糙集用于建立基于多變量決策樹的變壓器故障診斷模型[J].電工電能新技術，2004（01）.

[6]高文勝，高寧，嚴璋.自適應小波分類網絡在充油電力設備故障識別中的應用[J].電工技術學報，1998（06）.endprint