基于数据的油田生产过程中的多故障诊断方法的研究

刘敬东　孙彦辉　高国忠

摘 要 随着经济的不断发展，石油工业在国民经济中的地位显著提高。石油也是我国能源的重要组成部分。而石油开采是一项复杂的系统工程，为保证石油开采的安全、高效进行，在油田生产过程中建立了相应的监控系统。但是在油田生产过程总会出现一些故障，不但影响了油田生产进度还造成了人力和物力的浪费。因此，基于数据的油田生产过程中的多故障诊断方法的研究具有一定的现实意义。文章先对油田生产过程中故障诊断技术的概述，再具体研究基于数据的油田生产过程中的多故障诊断方法。

关键词 基于数据；油田生产；多故障；诊断方法

中图分类号：TP393 文献标识码：A 文章编号：1671-7597（2014）14-0094-02

石油开采是一项复杂而又艰苦的工作，开采过程中各个环节相互影响和制约，任何一个环节的问题都会对整体工程造成严重的影响。由于油田环境复杂、生产条件艰苦，生产过程中的每个设备随时都会发生故障，为保证生产过程的顺利进行，避免造成较为严重的损失，应该加强对生产过程中的设备进行故障诊断。早期油田生产过程中设备故障的诊断完全是由人独立完成，但是由于油田生产过程中的设备较多且分散，往往不能及时诊断并解决，对油田生产造成了一定的损失。随着数字化采油系统的不断完善，增加了油田生产现场检测数据的规模，加大了故障诊断的难度系数。随着故障诊断技术的不断发展，以模型为基础的故障诊断方法和以信号为基础的诊断方法是比较常用的故障诊断方法，但是它们在实际的应用中表现出许多问题。因此，多故障诊断方法的研究具有深远的影响。

1 基于数据的油田生产过程中的故障诊断方法

1）专家系统故障诊断方法。借助人工智能中的系统知识和推理技术模拟该领域专家才能解决的问题。专家系统故障诊断方法诊断效率较高，被广泛的应用在故障诊断领域。

2）人工神经网络诊断方法。人工神经网络是利用近似于大脑神经突触连接的结构分析处理信息。随着人们对故障诊断认识的不断提高，人工神经网络被应用到油田生产过程中的故障诊断中。人工神经网络诊断方法主要包含诊断推理和预测趋势这两项内容。

3）支持向量机的诊断方法。支持向量机是一种基于统计学习理论的VC维理论和结构风险最小原理的模式辨别新方法。支持向量机的诊断方法具有较强的适应能力，可以在线工作，适用于样本数据的数量较小的诊断中。

4）数据挖掘的诊断方法。数据挖掘是统计学中的一个分支，通过对每个数据的处理，从大量的数据中总结规律，以此来挖掘隐藏较深的知识和信息。数据挖掘的诊断通常包括目标描述和数据准备、数据预处理、数据挖掘和目标评估这四项内容。

2 油田生产过程中故障诊断技术的应用

故障诊断是利用各种测量方法和监测方法，记录和呈现生产过程中或者设备运行状态，出现异常状况时立即报警，诊断和分析已经发生或者即将发生的故障，为故障的发生提供依据。在石油的开采过程中为保证生产、检测设备的安全、高效运行，科学、有效的故障诊断技术已经成为基于数据的油田的核心技术，它能够大大降低生产过程中的安全隐患，保证油田正常的生产。在油田数字化建设过程中，实时监测系统逐渐完善，相关专家、学者也对油田生产过程中的故障诊断进行了大量的

研究。

3 迭代多模型的PCA在油田生产故障诊断中的应用

PCA是一种较为常用的数据降维方法，通过把相关数据投影到低维空间中，有效提取过程信息，舍弃多余信息，实现对数据的压缩。随着数据化油田生产的不断发展，PCA故障诊断方法中存在较大误差，为有效减小误差，专家研制出了迭代多模型的PCA故障诊断方法。首先，依照分类标准对生产措施过程中的原始数据进行分类，同时建立不同工程情况下的PCA模型，缩短了故障检测时间。再其次，针对分类后的新采样信息的主要内容进行分析，利用T2和SPE统计量监测生产过程。最后，在一切正常的基础上借助迭代算法改进PCA模型，保证系统的动态特征，如果出现异常情况，则应该进行故障诊断。

4 基于SWE的迭代PCA在油田生产故障诊断中的应用

迭代多模型PCA诊断利用T2和SPE等统计量完成故障诊断，T2统计量往往不考虑残差空间量中涵盖的故障信息，造成系统不能及时或者不能发现某些故障，容易出现故障的遗漏。这两种统计量在诊断故障时有一定的约束，而SWE根据不同的故障种类建立相应的残差空间，与SPE统计量相比，SWE能够充分利用残差空间中涵盖的故障信息，提高了故障诊断效率和准确度。石油开采是一项复杂的系统工程，比较容易出现多故障，同时生产数据随着工程情况的变化产生相应的动态变化，静态分析的故障诊断技术已不能准确检测系统故障。基于SWE的迭代PCA法在有多个故障发生的情况下能够及时发现并确定故障所在位置，保证了故障诊断的准确性。它依照原始数据建立离线PCA模型，且确定各参数值，再对其进行实时监测，检测过程中一旦发现故障，则就会进行识别工作，如果正常运行，则PCA模型会迭代改进，具体诊断流程如下。

1）建立PCA模型。对待测样本数据和测试数据的每一列进行处理，确定相应的参数，建立PCA模型。

2）计算迭代数据的长度。通常为了方便观测，迭代数据通常由SPE统计量确定，这主要是因为SWE统计量中，每个测试数据依照不同的故障方向设有不同的SWE值。

3）故障的实时监测。计算出和不同故障方向对应的SWE统计量值，如果SWE统计量值小于与之相对应的控制限制则设备运行正常，反之则有故障发生。

4）故障识别。SWE法能够依照实际的工程情况建立相应的残差空间，并在残差空间中能够实现变量的重新构造，找到和故障发生时SWE统计量值相同的故障类型或者组合，在残差空间中重新构造可能发生的故障，计算出此时相对应的SWE值。能够把SWE值恢复到控制以下的故障类型或者组合即为发生故障的位置。

5）改进、迭代PCA模型。当收集的待测样本数据的长度达到迭代数据长度的时候，舍弃多余、陈旧数据，将收集的待测样本数据添加到建模数据中，就会改进、迭代PCA模型。

5 结束语

为保证基于数据的油田生产过程中各个监测仪器和设备的安全、高效运行，应该加强多故障诊断方法的研究，改进现有的故障诊断方法。本文中基于SWE的迭代多模型PCA的故障诊断技术不仅能够实现对油田生产的在线监控，还能同时对多个故障进行诊断，并能确定故障的具体位置，具有较高的诊断效率，实现了对油田生产过程中设备和仪器的现代化管理。

参考文献

[1]胡劲松，周方洁，刘先勇.基于COM的电力变压器模糊诊断系统[J].变压器，2004（08）.

[2]符杨，蓝之达.遗传算法与人工神经网络结合在变压器故障诊断中的应用[J].变压器，2003（10）.

[3]颜湘莲，文远芳.模糊神经网络在变压器故障诊断中的应用研究[J].变压器，2002（07）.

[4]高文胜，严璋，谈克雄.基于油中溶解气体分析的电力变压器绝缘故障诊断方法[J].电工电能新技术，2000（01）.

[5]王楠，律方成，李和明.粗糙集用于建立基于多变量决策树的变压器故障诊断模型[J].电工电能新技术，2004（01）.

[6]高文胜，高宁，严璋.自适应小波分类网络在充油电力设备故障识别中的应用[J].电工技术学报，1998（06）.endprint