CN103853144A - 基于采油生产数据的现场传感器故障检测方法 - Google Patents

Abstract

本发明提供一种基于采油生产数据的现场传感器故障检测方法，本发明针对油田生产过程的具体特点，如传感器信号漂移、电磁干扰以及油田生产过程中温度变化对一些传感器设备产生影响等等，提出了一种基于SWE的迭代PCA方法，用迭代方法更新模型，在不同的残差空间中对故障进行研究，提高了传感器故障诊断的准确性，从而解决了传统PCA方法的诸多问题。

Description

基于采油生产数据的现场传感器故障检测方法

技术领域：

本发明适用于油田生产中所使用的传感器设备故障检测及诊断领域，是一种基于加权平方预测误差(Weighted Squared Prediction Error,SWE)的迭代主元分析（Principal Component Analysis，PCA）方法，该方法比油田现有的故障诊断方法能够更有效地提高诊断系统对弱故障诊断的准确性。

背景技术：

由于油田生产往往是在野外进行，地理位置分散，自然环境恶劣，而且生产过程中的易燃易爆、有毒有害有腐蚀物质具有潜在危险。同时，石油生产过程也相对复杂，生产设备分布广，而且其相互联系非常紧密，一旦发生事故就会造成巨大的经济损失。所以在油田生产采油的过程中，为保证生产设备能够安全可靠运行，减少生产过程中的安全隐患，对生产设备进行有效地故障诊断对保证油田正常生产起着至关重要的作用；对生产过程中设备群的有效故障诊断已经成为数字化油田的一项关键技术。

目前，伴随着数字化采油系统的不断完善，油田生产过程中数字化和自动化程度日益提高，油田生产的现场检测数据规模也日益扩大，故障诊断的难度以及精确度等要求都在不断提高。而现有的油田生产过程的故障诊断技术往往是针对油井、注水泵等独立设备的检测，对于需要众多设备协调工作的整个石油生产过程来说，这种独立设备的故障诊断已经无法满足维护油田正常生产的需要。

对于传感器设备的故障诊断主要有基于解析模型的方法、基于信号处理的方法和基于知识的方法。其中，PCA方法是一种常见的解析模型方法，该方法以其不依赖于精确地数学模型，在降维处理及特征提取等方面的优越性在传感器故障诊断领域有着广范应用，但PCA方法在进行故障诊断时也存在一些不足。常用的PCA方法一般采用主元得分向量平方和（T²）和平方预测误差（SquaredPrediction Error,SPE)统计量来进行故障诊断的，但这两种统计量在进行故障诊断时存在一定的局限性。T²统计量往往忽略了残差空间变量的所包含故障信息，导致系统不能或不能及时发现一些故障，容易发生漏判的情况。SPE统计量在故障诊断时的有效性和准确性不够，容易发生误判，甚至无法有效进行弱故障识别等问题。

发明内容

发明目的：本发明提供了一种基于采油生产数据的现场传感器故障检测方法，其目的是解决以往的油田生产过程传感器群故障诊断效果不理想的问题。

技术方案：本发明是通过以下技术方案来实现的（图1为本发明的流程图）：

1）在正常生产作业条件下，即在各传感器工作状态为正常时，采集样本数据，建立数据集；

2）建立离线PCA模型，对测量数据X⁰的每一列X⁰(i)进行标准化处理，通过公式算得控制限

值；

3）实行在线监测，计算出在线数据的SWE_(j)统计量值，并与进行比较，若

则所检测设备运行正常，进行步骤4）；若则所检测有发生故障，进行步骤5）；

4）模型动态迭代更新：

本发明设定处于0.90≤α≤0.95控制限之间的数据为X_θ，那么为了减少计算量，用于迭代的数据长度θ由T²和SPE统计量确定，则在线建模的数据长度为建模数据个数L；

计算SWE统计量值并累计数据，当累积数据长度达到θ时，我们将获得标准化的新数据组X_k+1及其协方差矩阵C_k+1，并进行主元分析，重新计算SWE_(j)控制限值；同时，剔除长度为θ的旧数据，避免大量无法代表生产状况的数使模型产生较大偏差，影响诊断效果，迭代更新后返回步骤3）；

5）残差空间大小及故障集合的计算：根据

和

计算出的各残差空间的大小j，其中，

表示ΞR在

残差空间上的投影，R为可能的故障集；对于单故障，R为故障的单集；多故障时，R为不同故障类型的组合集，为非奇异矩阵；

6）变量重构值的计算：通过公式

可以得到样本在大小为j的残差空间中的变量重构值；

7）故障辨识：重新计算故障集R所对应的SWE值，若进行变量重构的样本的SWE值恢复正常，则故障集R所对应的故障组合为故障点；

8）故障诊断结束，进行人工维修与调试。

该方法具体步骤为：

步骤1：数据处理及PCA模型的建立：

设传感器采集数据样本集为X⁰∈R^n×m，其中n代表样本个数，m代表测量变量的个数。首先要对测量数据X⁰的每一列X⁰(i)进行标准化处理，即

$X\left(i\right)=\frac{X\left(i\right)-E\left(X^0\left(i\right)\right)}{\left(\mathrm{Var}\left(X^0\left(i\right)\right)\right)}---\left(1\right)$

矩阵X_n×m可以分解为m个向量的外积之和，即

$X=t_1{p}_1^T+t_2{p}_2^T+...+t_m{p}_m^T---\left(2\right)$

在式（2）中，t_i∈R^m被称为主元，也称为得分向量，p_i∈R^m被称为荷载向量，然后将过程中新得到的数据向量投影到两个正交的子空间上，并根据式

计算出控制限值

步骤2：计算得所需要的SWE_(j)统计量值：

${\mathrm{SWE}}_{\left(j\right)}\left(r\right)=\tilde{t}\left(r\right){\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}\tilde{t}{\left(r\right)}^T={\left|\right|H^{1/2}x\left(r\right)\left|\right|}^2---\left(3\right)$

其中，j＝1,2,...,m，

||·||为F-范数，

是荷载矩阵P的后j个特征向量组成的矩阵，

是协方差矩阵特征值的对角阵Λ＝diag(λ₁,λ₂,...,λ_m)的后j个向量；

步骤3：故障辨识：

通过SWE_(j)统计量值与控制限值

进行对比可知，若

那么认为设备运行正常，进行模型动态迭代更新；若

时，则说明此时疑似有故障发生；

步骤4：判定故障点：

SWE方法可以在不同的残差空间中实现变量重构，通过找寻与故障发生时j值相同的故障类型，然后分别在大小为j的残差空间中实现SWE变量重构，并重新计算SWE值，能够使SWE值恢复到控制限以下的故障类型或故障类型的组合，确定为故障点，从而实现了故障的辨识；

1）若有故障F_i发生时，样本x(r)可以用故障子空间表示为：x(r)＝x*(r)+ΞFf(r)    (4)

$x\left(r\right)=x^{*}\left(r\right)+{\mathrm{\Ξ}}_{F}f\left(r\right)---\left(4\right)$

其中，x^*(r)表示正常状态条件下的样本，ΞF代表故障F的方向矩阵，f∈R^f

为故障参数，||f||表示故障幅值；

2）通过SWE的变量重构就可以沿着故障矩阵的方向找到使具xi＝x-ΞFf(r)

有最小模型误差的故障方向矩阵，这样，各故障子集所对应的不同残差空间的重构误差为：

$E_{\left(j\right)}^R={\left({\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R\right)}^{-1}---\left(5\right)$

其中，

表示ΞR在残差空间上的投影，R为可能的故障集。对于单

故障，R为故障的单集；多故障时，R为不同故障类型的组合集，为非奇异矩阵；

3）确定使SWE_(j)超限的最大的残差空间大小j的值，j即为故障所对应的残差空间的大小，通过式（6）可计算得j值：

$j=\arg \left(\underset{i}{\min }\left(\mathrm{trace}\left(E_{\left(j\right)}^R\right)\right)\right)---\left(6\right)$

因此，在故障集R中，样本x(r)在大小为j的残差空间中所对应的变量重构值可以由下式表示：

${\hat{x}}_{\left(j\right)}^{\left(R\right)}\left(k\right)=-{\left({\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_{{\stackrel{\‾}{R}x}_{\stackrel{\‾}{R}}}\left(k\right)---\left(7\right)$

从式（7）可以看出，如果

为零矩阵，那么是不可逆的；因此，基于SWE的变量重构的条件为：

为非零矩阵且重构变量个数p不能大于残差空间大小j，此时，重构变量所对应的SWE值为：

${\mathrm{SWE}}_{\left(j\right)}^{\left(R\right)}\left(k\right)={\left|\right|H_{\left(j\right)}^{1/2}\left[x_{\left(j\right)}^{\left(R\right)}{\left(k\right)}^T{x}_{\stackrel{\‾}{R}}{\left(k\right)}^T{]}^T\right||}_2^2---\left(8\right)$

其中，

表示非重构变量集，

当利用真正故障所对应的故障子空间进行重构时，得到重构数据的SWE值在控制限

以下；

4）经过变量重构后样本的SWE值恢复正常，那么则认为故障集R所对应的故障组合即为故障点，故障诊断过程结束。

优点及效果：

本发明提供一种基于采油生产数据的现场传感器故障检测方法，传统的PCA方法在沿用原有迭代方式进行油田传感器故障诊断时具有因忽略残差空间变量的所包含故障信息，导致系统不能或不能及时发现一些故障，容易发生漏判和对弱故障敏感性差的问题。所以本发明针对油田生产过程的具体特点，如传感器信号漂移、电磁干扰以及油田生产过程中温度变化对一些传感器设备产生影响等等，提出了一种基于SWE的迭代PCA方法，用迭代方法更新模型，在不同的残差空间中对故障进行研究，提高了传感器故障诊断的准确性，从而解决了传统PCA方法的诸多问题。

本发明所提出的方法既可以针对单一设备的故障诊断也可适用于多个设备的在线故障诊断。本发明适合于油田生产过程传感器群的故障诊断，实现了弱故障的精确诊断。

附图说明：

图1是本发明的流程图；

图2是第一组实验中SWE₍₄₎(k)统计量图；

图3是第一组实验中

重构统计图；

图4是第一组实验中

重构统计图；

图5是第二组实验a中SWE₍₁₎(k)统计量图；

图6是第二组实验a中SWE₍₂₎(k)统计量图；

图7是第二组实验a中SWE₍₃₎(k)统计量图；

图8是第二组实验a中SWE₍₄₎(k)统计量图；

图9是第二组实验a中SWE₍₅₎(k)统计量图；

图10是第二组实验a中SWE₍₆₎(k)统计量图；

图11是第二组实验a中SWE₍₇₎(k)统计量图；

图12是第二组实验a中

重构统计图；

图13是第二组实验a中

重构统计图；

图14是第二组实验b中SWE₍₄₎(k)统计量图；

图15是第二组实验b中

重构统计图；

图16是第二组实验b中

重构统计图。

具体实施方式：下面结合附图对本发明做进一步的描述：

本发明提供一种基于采油生产数据的现场传感器故障检测方法，其特征在于：该方法的步骤如下：

1）在正常生产作业条件下，即在各传感器工作状态为正常时，采集样本数据，建立数据集；

2）建立离线PCA模型，对测量数据X⁰的每一列X⁰(i)进行标准化处理，通过公式

算得控制限

值；

3）实行在线监测，计算出在线数据的SWE_(j)统计量值，并与

进行比较，若则所检测设备运行正常，进行步骤4）；若

则所检测有发生故障，进行步骤5）；

4）模型动态迭代更新：

本发明设定处于0.90≤α≤0.95控制限之间的数据为X_θ，那么为了减少计算量，用于迭代的数据长度θ由T²和SPE统计量确定，则在线建模的数据长度为建模数据个数L；

计算SWE统计量值并累计数据，当累积数据长度达到θ时，我们将获得标准化的新数据组X_k+1及其协方差矩阵C_k+1，并进行主元分析，重新计算SWE_(j)控制限值；同时，剔除长度为θ的旧数据，避免大量无法代表生产状况的数使模型产生较大偏差，影响诊断效果，迭代更新后返回步骤3）；

5）残差空间大小及故障集合的计算：根据和

计算出的各残差空间的大小j，其中，

表示ΞR在

残差空间上的投影，R为可能的故障集；对于单故障，R为故障的单集；多故障时，R为不同故障类型的组合集，即非奇异矩阵；

6）变量重构值的计算：通过公式

可以得到样本在大小为j的残差空间中的变量重构值；

7）故障辨识：重新计算故障集R所对应的SWE值，若进行变量重构的样本的SWE值恢复正常，则故障集R所对应的故障组合为故障点；

8）故障诊断结束，进行人工维修与调试。

具体的说，该方法的详细步骤为：

步骤1：数据处理及PCA模型的建立：

设传感器采集数据样本集为X⁰∈R^n×m，其中n代表样本个数，m代表测量变量的个数。首先要对测量数据X⁰的每一列X⁰(i)进行标准化处理，即

$X\left(i\right)=\frac{X\left(i\right)-E\left(X^0\left(i\right)\right)}{\left(\mathrm{Var}\left(X^0\left(i\right)\right)\right)}---\left(1\right)$

矩阵X_n×m可以分解为m个向量的外积之和，即

$X=t_1{p}_1^T+t_2{p}_2^T+...+t_m{p}_m^T---\left(2\right)$

在式（2）中，t_i∈R^m被称为主元，也称为得分向量，p_i∈R^m被称为荷载向量，然后将过程中新得到的数据向量投影到两个正交的子空间上，并根据式

计算出控制限值

步骤2：计算得所需要的SWE_(j)统计量值：

${\mathrm{SWE}}_{\left(j\right)}\left(r\right)=\tilde{t}\left(r\right){\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}\tilde{t}{\left(r\right)}^T={\left|\right|H^{1/2}x\left(r\right)\left|\right|}^2---\left(3\right)$

其中，j＝1,2,...,m，

||·||为F-范数，

是荷载矩阵P的后j个特征向量组成的矩阵，是协方差矩阵特征值的对角阵Λ＝diag(λ₁,λ₂,...,λ_m)的后j个向量；

步骤3：故障辨识：

通过SWE_(j)统计量值与控制限值

进行对比可知，若那么认为设备运行正常，进行模型动态迭代更新；若

时，则说明此时疑似有故障发生；

步骤4：判定故障点：

SWE方法可以在不同的残差空间中实现变量重构，通过找寻与故障发生时j值相同的故障类型，然后分别在大小为j的残差空间中实现SWE变量重构，并重新计算SWE值，能够使SWE值恢复到控制限以下的故障类型或故障类型的组合，确定为故障点，从而实现了故障的辨识；

1）若有故障F_i发生时，样本x(r)可以用故障子空间表示为：x(r)＝x*(r)+ΞFf(r)    (4)

$x\left(r\right)=x^{*}\left(r\right)={\mathrm{\Ξ}}_{F}f\left(r\right)---\left(4\right)$

其中，x^*(r)表示正常状态条件下的样本，ΞF代表故障F的方向矩阵，f∈R^f

为故障参数，||f||表示故障幅值；

2）通过SWE的变量重构就可以沿着故障矩阵的方向找到使xi＝x-ΞFf(r)具

有最小模型误差的故障方向矩阵，这样，各故障子集所对应的不同残差空间的重构误差为：

$E_{\left(j\right)}^R={\left({\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R\right)}^{-1}---\left(5\right)$

其中，

表示ΞR在残差空间上的投影，R为可能的故障集。对于单

故障，R为故障的单集；多故障时，R为不同故障类型的组合集，为非奇异矩阵；

3）确定使SWE_(j)超限的最大的残差空间大小j的值，j即为故障所对应的残

差空间的大小，通过式（6）可计算得j值：

$j=\arg \left(\underset{i}{\min }\left(\mathrm{trace}\left(E_{\left(j\right)}^R\right)\right)\right)---\left(6\right)$

因此，在故障集R中，样本x(r)在大小为j的残差空间中所对应的变量重

构值可以由下式表示：

${\hat{x}}_{\left(j\right)}^{\left(R\right)}\left(k\right)=-{\left({\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_{{\stackrel{\‾}{R}x}_{\stackrel{\‾}{R}}}\left(k\right)---\left(7\right)$

从式（7）可以看出，如果

为零矩阵，那么

是不可逆的；因此，基于SWE的变量重构的条件为：

为非零矩阵且重构变量个数p不能大于残差空间大小j，此时，重构变量所对应的SWE值为：

${\mathrm{SWE}}_{\left(j\right)}^{\left(R\right)}\left(k\right)={\left|\right|H_{\left(j\right)}^{1/2}\left[x_{\left(j\right)}^{\left(R\right)}{\left(k\right)}^T{x}_{\stackrel{\‾}{R}}{\left(k\right)}^T{]}^T\right||}_2^2---\left(8\right)$

其中，

表示非重构变量集，

当利用真正故障所对应的故障子空间进行重构时，得到重构数据的SWE值在控制限

以下；

4）经过变量重构后样本的SWE值恢复正常，那么则认为故障集R所对应的故障组合即为故障点，故障诊断过程结束。

本发明的实际效果将通过下面实验来进行说明和验证。

1、实验内容：

因为本发明是以油田生产过程为应用背景，以确保生产过程中各个检测仪器及设备的长期、安全、可靠、高效地运行为主要目的，重点对抽油机等生产装置上的传感器设备进行故障的诊断研究，实现油田生产过程设备的现代化管理。因此本发明选择在某油田某采油站2号采油井和8号采油井处进行诊断实验，这样更能够有效说明本发明的实际性能。其中所涉及的实验用生产数据均由这2号采油井和8号采油井提供。

站内关键生产数据分别为油压、套压、水箱液位、泵管路压、泵管路温、示功图载荷和示功图位移七项主要参数。其中第一组实验数据由2号采油井提供，共有历史采样数据点2100个，用来建立PCA模型，在生产过程中某段时间内连续采集3500个数据来进行诊断实验；第二组实验数据由8号采油井提供，共有历史采样数据点3500个，用来建立PCA模型，在生产过程中某段时间内连续采集4200个数据来进行诊断实验。

2、实验目的：

1）通过油田实际生产数据来验证本发明的真实性、有效性和可靠性。

2）在实验过程中，为显示出本发明的真实性能，实验中故障模拟为在该段时间内采用软件数据叠加*%的故障。

3）设立弱故障诊断实验，目的是证明本发明对弱故障的敏感程度高；第二组实验中的单一故障诊断是为了突出本发明对一般性故障的敏感程度，且与第二组实验中的多故障诊断实验形成对比。

4）正因为本发明设计之初就是为了解决单一设备和多设备的在线故障诊断而被发明的，因此本实验在8号采油井处设置了相应的不同实验来检验本发明对单一故障和多故障组合的辨识能力。

3.实验过程及结果：

1）第一组实验，即弱故障实验：

实验说明：本组实验采用软件数据叠加的方法将油压压力传感器在采样点400~450处增加了5%的故障，目的是通过本次实验，验证本发明在油田设备弱故障诊断中是否能够顺利找出相对应的弱故障点，从而验证本发明在弱故障诊断方面是否具有敏感的辨识能力。

图2所示为SWE₍₄₎(k)统计量图，通过多次迭代计算，在j=4处出现了SWE值超出控制限值的情况，如图中采样点400~450处所示。表1中，j1~j12表示不同时期迭代后的模型所对应的残差空间大小与故障点的对应情况，从表中可以清晰看到，在j11阶段故障发生时，对应的残差空间大小为表中j11所在行。此时，故障方向为1和2的残差空间大小为4。因此，在大小为j=4的残差空间中，对变量进行重构，得到的重构数据的SWE值如图3和图4所示。

图3为故障方向1所对应的重构图像，经变量重构后

的值恢复到控制限以下，而图4为故障方向2所对应的重构图像，其中

的值却没有恢复到控制限下。由此可以确定，故障方向1所代表的油压压力传感器发生故障。

实验结论：通过三幅实验图像和实验表1，本发明顺利找到了油压压力传感器为相应弱故障点，与实验之初的期望一样，证明在2号油井处，本发明能够顺利发现弱故障点，但是为了进一步说明本发明的可应用性好，还进行了第二组针对8号油井的一般性故障实验和多故障实验。

表1第一组实验：不同时期迭代模型的残差空间与故障点大小对应变化

故障方向	1	2	3	4	5	6	7
								j1	5	5	7	6	5	4	4
j2	5	3	7	6	6	5	4
								j3	5	4	7	6	6	5	4
j4	5	4	7	6	6	5	4
								j5	5	4	7	6	6	5	5
j6	5	4	7	6	6	5	4
								j7	5	4	7	6	6	5	5
j8	5	4	7	6	6	5	4
								j9	5	3	7	6	6	5	4
j10	5	4	7	6	6	5	4
								j11	4	4	7	6	6	5	5
j12	4	4	7	6	7	5	5

2）第二组实验

实验说明：本组实验由单一故障，即一般性故障和多故障组合两个实验部分组成。单一故障实验中泵管温度传感器采样点100~150处被软件叠加方法增加了15%的故障，目的是通过本次实验，验证本发明是否能够顺利找出相对应的故障点，从而证明本发明对一般性故障的敏感性和有效性；多故障组合实验中泵管路压和泵管路温两个传感器采样点350~400处同样进行了故障叠加，增加故障比率为15%。本组两个实验均模拟了实际油田生产中数据动态采集的过程，以证明本发明可以应用于油田实际生产过程中。

2a）单一故障实验，即一般性故障实验：

图5~图11所示为单一故障实验统计量图，通过观察这7幅图发现，直到j=7时，7个SWE统计量值均在采样点100~150处超出控制限值。这说明7为最大j值。表2中，j1～j5表示不同迭代时期残差空间大小与故障点的对应情况，根据表2所示，故障发生时处于j2阶段，可以清晰看到，此时故障方向为2和3的残差空间大小为7。因此，在大小为j=7的残差空间中，对变量进行重构，得到的重构数据的SWE值如图12和图13所示。

图12为故障方向2所对应的重构图像，经变量重构后

的值没有恢复到控制限以下，而图13为故障方向5所对应的重构图像，其中

的值却恢复到控制限下。由此可以确定，故障方向5所代表的泵管温度传感器发生故障。

实验结论：通过以上实验图像和实验表2，本发明也顺利发现了泵管温度传感器为故障点，与实验之初的期望相符，证明在8号油井处，本发明成功完成对一般性故障的诊断工作。下面是在8号油井处做的多故障诊断实验。

表2第二组实验：不同迭代时期残差空间大小与故障点的对应

故障方向	1	2	3	4	5	6	7
								j1	4	6	7	6	7	5	5
j2	4	7	7	6	7	5	5
								j3	4	7	7	7	2	5	6
j4	4	7	7	7	3	6	6
								j5	4	7	7	7	5	5	6

2b）多故障组合实验：

图14所示为SWE多故障组合实验统计量图，通过图像可以清晰看到在采样点350~400处出现了SWE值超限情况，此时说明疑似有故障出现，但通过与图9对比能看出，虽同属一个实验，但二者超限性质不尽相同。图14所示的是多故障组合超限情况，即并非单一传感器出现故障。通过多次迭代计算后，在j=4处出现了SWE值超出控制限值的情况，而其中所涉及的超限疑似组合故障方向为34和45（如图15和16所示）。因此本实验针对二者做了相应的SWE变量重构，来检验本发明是否能够顺利实现对多故障的诊断工作。

SWE方法对于实现多故障诊断过程与实现单一故障诊断过程相似，不同之处是故障集R是不同故障类型的组合，计算不同类型故障组合的SWE值，找出疑似故障点。在不同组合形式下实现变量重构，这样就可以找出哪个组合为故障组合，实现对多故障的辨识。因实际生产过程中出现三个及以上故障的情况较少，所以本实验只考虑两个故障的情况。

图15为组合故障方向34所对应的重构图像，不难发现，经变量重构后

的值并没有恢复到控制限以下，而图16为组合故障方向45所对应的重构图像，其中

的值经变量重构恢复到控制限以下。由此可以确定，组合故障方向45所代表的泵管路压和泵管路温两个传感器发生故障，与实验之初所预想的情况一致，实现了对多故障诊断的能力。

实验结论：通过8号油井的多故障组合实验证明了本发明在进行多故障诊断中依然具有良好的辨识能力，能够顺利发现故障存在，并且通过SWE方法能够准确定位故障发生点，从而有效降低油田生产过程中因传感设备故障而导致的重大损失的机率。

综上所诉，本发明将迭代PCA算法与SWE的故障辨识方法相结合应用于油田传感器群的故障诊断中，克服了随着生产的进行模型产生的偏差产生漏判、误判的问题。在不同残差空间中对故障进行分析，在保持对一般性故障敏感度较高的情况下，还有效地提高了系统对于弱故障检测的敏感度。以上两组实验也有效证明了本发明在油田故障检测及诊断领域可以应用，且辨识能力较为优秀。若将本发明用于油田传感器设备的故障诊断上，可以确保生产安全有效的进行，降低采油成本，及提高区块产量具有重要的意义。

Claims (2)

1.一种基于采油生产数据的现场传感器故障检测方法，其特征在于：该方法的步骤如下：

1）在正常生产作业条件下，即在各传感器工作状态为正常时，采集样本数据，建立数据集；

2）建立离线PCA模型，对测量数据X⁰的每一列X⁰(i)进行标准化处理，通过公式

算得控制限

值；

3）实行在线监测，计算出在线数据的SWE_(j)统计量值，并与

进行比较，若

则所检测设备运行正常，进行步骤4）；若

则所检测有发生故障，进行步骤5）；

4）模型动态迭代更新：

本发明设定处于0.90≤α≤0.95控制限之间的数据为X_θ，那么为了减少计算量，用于迭代的数据长度θ由T²和SPE统计量确定，则在线建模的数据长度为建模数据个数L；

计算SWE统计量值并累计数据，当累积数据长度达到θ时，我们将获得标准化的新数据组X_k+1及其协方差矩阵C_k+1，并进行主元分析，重新计算SWE_(j)控制限值；同时，剔除长度为θ的旧数据，避免大量无法代表生产状况的数使模型产生较大偏差，影响诊断效果，迭代更新后返回步骤3）；

5）残差空间大小及故障集合的计算：根据和

计算出的各残差空间的大小j，其中，

表示ΞR在

残差空间上的投影，R为可能的故障集；对于单故障，R为故障的单集；多故障时，R为不同故障类型的组合集，为非奇异矩阵；

6）变量重构值的计算：通过公式

可以得到样本在大小为j的残差空间中的变量重构值；

7）故障辨识：重新计算故障集R所对应的SWE值，若进行变量重构的样本的SWE值恢复正常，则故障集R所对应的故障组合为故障点；

8）故障诊断结束，进行人工维修与调试。

2.根据权利要求1所述的基于采油生产数据的现场传感器故障检测方法，其特征在于：该方法具体步骤为：

步骤1：数据处理及PCA模型的建立：

设传感器采集数据样本集为X⁰∈R^n×m，其中n代表样本个数，m代表测量变量的个数。首先要对测量数据X⁰的每一列X⁰(i)进行标准化处理，即

$X\left(i\right)=\frac{X\left(i\right)-E\left(X^0\left(i\right)\right)}{\left(\mathrm{Var}\left(X^0\left(i\right)\right)\right)}---\left(1\right)$

矩阵X_n×m可以分解为m个向量的外积之和，即

$X=t_1{p}_1^T+t_2{p}_2^T+...+t_m{p}_m^T---\left(2\right)$

在式（2）中，t_i∈R^m被称为主元，也称为得分向量，p_i∈R^m被称为荷载向量，然后将过程中新得到的数据向量投影到两个正交的子空间上，并根据式

计算出控制限值

步骤2：计算得所需要的SWE_(j)统计量值：

${\mathrm{SWE}}_{\left(j\right)}\left(r\right)=\tilde{t}\left(r\right){\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}\tilde{t}{\left(r\right)}^T={\left|\right|H^{1/2}x\left(r\right)\left|\right|}^2---\left(3\right)$

其中，j＝1,2,...,m，

||·||为F-范数，

是荷载矩阵P的后j个特征向量组成的矩阵，

是协方差矩阵特征值的对角阵Λ＝diag(λ₁,λ₂,...,λ_m)的后j个向量；

步骤3：故障辨识：

通过SWE_(j)统计量值与控制限值

进行对比可知，若

那么认为设备运行正常，进行模型动态迭代更新；若

时，则说明此时疑似有故障发生；

步骤4：判定故障点：

SWE方法可以在不同的残差空间中实现变量重构，通过找寻与故障发生时j值相同的故障类型，然后分别在大小为j的残差空间中实现SWE变量重构，并重新计算SWE值，能够使SWE值恢复到控制限以下的故障类型或故障类型的组合，确定为故障点，从而实现了故障的辨识；

1）若有故障Fi发生时，样本x(r)可以用故障子空间表示为：

$x\left(r\right)=x^{*}\left(r\right)+{\mathrm{\Ξ}}_{F}f\left(r\right)---\left(4\right)$

其中，x^*(r)表示正常状态条件下的样本，ΞF代表故障F的方向矩阵，f∈R^f

为故障参数，||f||表示故障幅值；

2）通过SWE的变量重构就可以沿着故障矩阵的方向找到使xi＝x-ΞFf(r)具

有最小模型误差的故障方向矩阵，这样，各故障子集所对应的不同残差空间的重构误差为：

$E_{\left(j\right)}^R={\left({\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R\right)}^{-1}---\left(5\right)$

其中，

表示ΞR在残差空间上的投影，R为可能的故障集。对于单

故障，R为故障的单集；多故障时，R为不同故障类型的组合集，为非奇异矩阵；

3）确定使SWE_(j)超限的最大的残差空间大小j的值，j即为故障所对应的残差空间的大小，通过式（6）可计算得j值：

$j=\arg \left(\underset{i}{\min }\left(\mathrm{trace}\left(E_{\left(j\right)}^R\right)\right)\right)---\left(6\right)$

因此，在故障集R中，样本x(r)在大小为j的残差空间中所对应的变量重构值可以由下式表示：

${\hat{x}}_{\left(j\right)}^{\left(R\right)}\left(k\right)=-{\left({\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_R^T{\widetilde{\mathrm{\Λ}}}_{\left(j\right)}^{-1}{\widetilde{\mathrm{\Ξ}}}_{{\stackrel{\‾}{R}x}_{\stackrel{\‾}{R}}}\left(k\right)---\left(7\right)$

从式（7）可以看出，如果

为零矩阵，那么

是不可逆的；因此，基于SWE的变量重构的条件为：

为非零矩阵且重构变量个数p不能大于残差空间大小j，此时，重构变量所对应的SWE值为：

${\mathrm{SWE}}_{\left(j\right)}^{\left(R\right)}\left(k\right)={\left|\right|H_{\left(j\right)}^{1/2}\left[x_{\left(j\right)}^{\left(R\right)}{\left(k\right)}^T{x}_{\stackrel{\‾}{R}}{\left(k\right)}^T{]}^T\right||}_2^2---\left(8\right)$

其中，

表示非重构变量集，当利用真正故障所对应的故障子空间进行重构时，得到重构数据的SWE值在控制限以下；

4）经过变量重构后样本的SWE值恢复正常，那么则认为故障集R所对应的故障组合即为故障点，故障诊断过程结束。

Images