基于改進隨機森林算法的鉆井工況異常自動識別研究

劉勝娃，蘇興華，詹勝，何以晴，胡剛，隗崇華

摘要：當前鉆井工況異常復雜，異常工況特征較多，影響了鉆井工況異常識別結果的準確性與全面性，為此，本文提出基于改進隨機森林算法的鉆井工況異常自動識別方法。布設傳感器監測鉆柱振動數據，提取數據中的鉆井異常參數，使用EMD提取異常工況特征。結合異常工況特征提取結果，利用改進隨機森林算法構建鉆井工況異常自動識別模型，得到相關的識別結果。實驗結果表明，設計方法在鉆井工況異常自動識別方面具有極高的可靠性，能夠保證工況異常識別結果的準確性與全面性。

關鍵詞：隨機森林算法；鉆井工況異常；異常識別；EMD；異常工況特征

中圖分類號：TE142? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）35-0087-03

鉆井工程是一個具有較強不確定性的復雜施工過程[1]，在鉆井施工作業的過程中，受鉆井設備、井下環境等異常的影響，時常發生不同類型的鉆井異常工況[2]。這些異常工況威脅著鉆井施工的安全性，一旦鉆井發生故障，如跳鉆和黏滑情況[3]等，可能直接導致關井等后果，嚴重影響鉆井的工作效率和質量[4]。研究鉆井工況異常的識別方法，對于及時處理異常工況，提高鉆井工作效率，降低維護成本具有重要意義[5]。而傳統的鉆井工況異常識別方法存在難以提取異常工況特征的局限性，識別結果存在偏差，存在漏識、誤識等情況，為此，本文提出基于改進隨機森林算法的鉆井工況異常自動識別方法，并通過實驗驗證了本文方法在鉆井工況異常識別中的應用性能。

1 設計基于改進隨機森林算法的異常檢測識別模型

1.1 布設傳感器監測鉆柱振動數據

為了實現對于鉆井工況異常的自動識別，需要在獲取大量鉆井工作數據的基礎上，對異常情況進行分析。所以，需要對鉆井設備進行實時監測，以獲取工況數據，為異常識別提供重要的數據基礎。為此，本文使用振動傳感器，對鉆井的鉆柱進行振動信號的測量。由于在實際的工況中，鉆井鉆柱的振動方向并不是單一垂直運動的，而是會受到各種反作用力，產生水平振動、垂直振動以及變向振動等。為了數據采集的全面性與完整性，本文還另外添加一臺加速度傳感器，以滿足對于鉆柱振動數據的全面測量。同時，為滿足數據處理高效率的要求，本文使用云端數據庫將收集信號進行實時存儲，以便后期進行線上的數據處理。

1.2 提取數據中的鉆井異常參數

在收集好鉆井運行時相關的工況數據后，本文對數據進行初步處理，降低信號數據中的干擾因素，并提取其中的鉆井異常工況的參數。在此，本文使用聚類算法提取異常參數。

假設數據集為[A]，其中存在的數據對象有[N]個，那么可以將數據集[A]表示為[A=1，2，...，N]。對于任意一個數據對象[N]來說，都有各自的屬性分類[B]，那么可以將數據根據屬性進行劃分，使其成為含特定屬性[B]的聚類。在此基礎上，選用該聚類簇的平均值[C]為中心，重新對剩下的數據進行劃分，形成新的聚類，重復循環，直到數據劃分完成。依據平方誤差的計算公式，異常參數的提取公式表示如下：

[Q=i=1na∈ba-Ci]? ? ? ? ? ? ? ? ? ? ?（1）

式中，[n]表示的是聚類數量參數，[a]表示的是數據集中的某一數據對象；[b]表示的是某一聚類分簇；[Ci]表示的是該分簇的平均參數。通過上述公式，能夠計算出全部數據對象的平方誤差參數[Q]，實現對異常參數的提取。

1.3 EMD提取異常工況特征

本文在獲取鉆井異常工況的數據參數后，需要對其中的異常特征進行提取，以更好地分析鉆井工況異常的類型與相應特征，從而進行異常工況識別。為了保證提取效果，本文使用EMD方法，對異常工況的特征進行提取。

在鉆井向下鉆進的過程中，容易出現鉆頭脫離的跳鉆情況，為此本文對鉆柱垂直運動方向的數據進行特征提取，以識別鉆井的異常工況。利用EMD方法對鉆井異常參數進行時域特征的提取。假設異常參數[D]中，存在極大值[dmax]以及極小值[dmin]，通過連接[dmax]和[dmin]，使得存在兩條貫穿全部異常參數的曲線[z]、[x]，那么對于[z]和[x]來說，能夠求出二者間的平均曲線[v]，可以得出如下計算公式：

[g=D-v]? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

式中，通過異常參數與平均曲線作差得到異常參數[D]的特征尺度[g]。但僅僅計算出[g]是不能滿足特征提取需求的，因此，還需要驗證[g]的數值能夠符合特征尺度的條件要求。驗證成功后，繼續進行下一特征尺度的提取，直到獲得[n]個[g]值。

通過上述方法，能夠提取跳鉆情況的異常特征，然而在實際鉆井運行過程中，出現異常工況的情形是多樣的，僅憑一種異常特征，難以識別全部的異常情況。對此，本文還對異常參數的頻域特征進行提取，以完善異常工況的特征情況。

經過分析歷史數據中的異常工況數據，并結合專家經驗，本文建立了鉆井工況異常特征的關系規律，部分情況如表1所示：

1.4 改進隨機森林算法實現異常識別

在提取異常特征以后，本文建立了相應的異常特征對比數據庫，以滿足對于實時獲取的鉆井運行數據進行匹配，搜尋其中的異常工況信息，利用改進隨機森林算法進行鉆井工況異常自動識別。

我們先構建判斷異常特征的決策樹。假設傳感器捕獲的數據集為[W]，其中對于異常識別的決策特征為[E]，由于特征類型眾多，為每個異常特征進行屬性劃分，劃分出[q]個屬性量，那么對于該數據集來說，能夠求出其相關的信息熵[R]，其公式表示如下：

[R=i=1ntilog3ti]? ? ? ? ? ? ? ? ? ? ? ?（3）

式中，[n]表示的是數據中的特征數量參數；[ti]表示的是[W]根據[E]進行分類后的數據子集。

隨機森林算法就是通過特征取值，隨后對數據集進行劃分，將其分為無數個小子集，形成相應的決策樹模型。這種計算過程較為復雜，使得故障識別的運算效率不能滿足實際的需求，為此，需要對其進行優化。對此，本文引入步長LMS算法，對隨機森林模型進行優化。

首先，劃分數據的特征。由于已經通過歷史數據提取了異常工況的特征參數[D]，那么可以以此為標準，對數據集[W]進行預劃分。計算出[W]集合內的特征參數[e]，將[e]與標準參數[D]進行比對，若滿足[e?D]這一條件，那么就可以將該特征歸為左分支，若滿足[e≥D]這一條件，則歸到右側分支。按照這一思路，能夠對[e]進行排序，從而得到[E=e1，e2，...，en]。

其次，對構建好的決策樹進行離散度的評價，以縮小算法的方差差異。假設標準差參數為[r]，那么對于集合[E]來說，其離散程度[M]的計算公式可以表示為：

[M=r?]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

其中，[?]表示的是集合[E]的平均參數，通過[r]與[?]之間的比值，能夠分析出數據集[W]的離散度。

最后，使用步長LMS對其進行優化。假設窗口的滑動步長范圍為[l]，且滿足[l=1，5]，從[l]的最小值1起始，當窗口滑動的過程中，需要確定滑動均值[la]，然后通過[la]的大小確定最佳的集合劃分點[a]。以此方式，不斷進行劃分，直至特征參數被劃分完畢。這樣，就能夠獲取優化后的隨機森林決策樹。

通過建立改進后的隨機森林構建鉆井工況異常自動識別模型，能夠判斷數據集中異常工況的特征數據，從而在歷史數據庫中尋找最優解，通過匹配，實現鉆井工況異常的自動識別，以此保證識別質量與效果。

2 實驗論證分析

為驗證本文設計的基于改進隨機森林算法的鉆井工況異常自動識別方法的有效性，進行實驗論證。在某地的鉆井施工過程中進行實驗，具體的實驗準備以及實驗結果如下。

2.1 實驗準備

本文對該地的11號鉆井進行工況異常識別的實驗，該鉆井機為徐工的XSL7/350型鉆機，鉆孔深度高達700m，并采用履帶式驅動，便于進行調度，該鉆機采用CUMMINS QSB5.9-C210型發動機，功率可達155kw，具有較強的地層適應性。通過安裝振動傳感器，以此測得了鉆井運行過程中，正常工況以及發生異常工況的信號數據，經過分析后繪制了相應的分解圖，具體情況如下圖1與圖2所示：

分析對比圖1、圖2可以看出，鉆井工作時正常情況下振動數據波動較為平穩，上下不會超過0.5m/s2。而發生異常工況時，存在信號波動尖峰，超過正常波動閾值，如圖2監測數據點在460左右，超過了0.5，并且數據點在590～690之間，存在持續波動段，可見出現跳鉆類異常工況，以此能夠保證實驗的真實性和可靠性。

2.2 實驗結果

本文分別使用傳統的隨機森林識別方法以及本文設計的改進隨機森林的自動識別方法進行異常工況識別，記錄兩種方法的識別數據。得到了兩種方法對于鉆井異常工況識別的結果，具體情況如下圖3所示：

圖3中，閾值在0范圍內上下波動1表示識別結果為工況正常，達到5左右表示識別結果為異常，-5左右表示為識別結果模糊。由上圖3可以看出，隨著采樣增加，本文方法與實際監測的振動信號結果分析基本一致，較傳統方法在識別結果準確性方面具有明顯的優勢。在前期正常工況時，傳統方法與本文設計方法能夠保證較平穩識別，而面對瞬時異常時，本文方法能夠準確識別異常，傳統方法卻沒有識別出異常情況。同時，在面對持續異常情況時，本文方法能夠做到精準及時識別，而傳統方法識別存在較大時間差，并且判斷結果存在模糊情況。對比證明，本文設計方法更具可靠性，且對于鉆井工況異常的識別準確率較高。

3 結束語

為了保證鉆井工況異常自動識別效率與質量，通過改進隨機森林算法，實現對于鉆井工況異常的自動識別。對比傳統識別方法，驗證了本文設計方法具有極高的可靠性，能夠保證工況異常識別的準確全面，可以在實際中得到廣泛應用。

參考文獻：

[1] 羅光強，李揚，周策，等.深孔智能化鉆井參數遠程監控及工況識別系統研究[J].地質與勘探，2022，58（3）：696-702.

[2] 李衍志，范勇，高琳.基于形態流的石油鉆井水流異常檢測[J].計算機應用，2021，41（6）：1842-1848.

[3] 劉勝娃，曹湘華.基于決策樹的鉆井工況智能識別方法[J].新型工業化，2022，12（1）：28-30.

[4] 李雷，韓烈祥，姚建林.參數耦合在粒子沖擊鉆井智能決策系統中的應用[J].鉆采工藝，2020，43（3）：4-6，45，1.

[5] 李兵，韓睿，何怡剛，等.改進隨機森林算法在電機軸承故障診斷中的應用[J].中國電機工程學報，2020，40（4）：1310-1319，1422.

【通聯編輯：張薇】