CN107633325A - 一种页岩气压裂井下事故早期诊断报警方法及装置 - Google Patents

Abstract

本申请实施例提供了一种页岩气压裂井下事故早期诊断报警方法及装置，该方法包括：获取反应页岩气压裂井下工况的参考变量的在线监测数据；按照预设宽度设置所述在线数据的时间窗；将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量；将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。本申请实施例可实现对页岩气压裂井下事故的早期诊断和报警。

Description

一种页岩气压裂井下事故早期诊断报警方法及装置

技术领域

本申请涉及页岩气压裂井下事故诊断报警技术领域，尤其是涉及一种页岩气压裂井下事故早期诊断报警方法及装置。

背景技术

近年来，页岩气大规模压裂作业模式提高了施工效率、增加了产气量，降低了压裂成本。然而，井下事故的实时诊断和报警仍然没有得到很好的解决。目前，在压裂施工现场，人工依据数据采集系统上压裂施工曲线的变化过程判断井下事故，但人工分析会导致事故诊断具有滞后性和误判性。因此，有必要对页岩气井下事故早期诊断及报警的方法进行研究。

虽然模式分类方法在化工过程领域、气象预测、机械设备故障诊断等领域应用广泛。然而，与上述研究对象相比，页岩气压裂过程具有两个典型特征。(1)在压裂过程中，由于井下地层和地质、压裂液选取因素的影响，导致监测参数随时会出现大范围波动，因此，无法通过分析某个时刻的监测参数对井下事故进行判断。(2)页岩气压裂井下事故发生时，监测参数的变化趋势特征对井下事故诊断更敏感。若将传统的模式分类方法直接应用到页岩气压裂井下事故诊断，会导致较高的漏报警、虚报警和延迟报警。

因此，如何充分挖掘监测参数携带的事故信息，实现对井下事故早期诊断和报警，是急需解决的问题。

发明内容

本申请实施例的目的在于提供一种页岩气压裂井下事故早期诊断报警方法及装置，以实现对页岩气压裂井下事故的早期诊断和报警。

为达到上述目的，一方面，本申请实施例提供了一种页岩气压裂井下事故早期诊断报警方法，包括：

获取反应页岩气压裂井下工况的参考变量的在线监测数据；

按照预设宽度设置所述在线数据的时间窗；

将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量；

将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。

优选的，所述事故分类器预先通过以下方式建立：

从现场压裂施工曲线数据库中筛选事故样本数据；所述事故样本数据包含多组时间序列，所述时间序列包括反映对应事故整个发展过程的各个采样时刻的采样数据；

对各组时间序列设置相同时间长度的时间窗口，并将时间窗分割为多个宽度相同的时间片段；

对每个时间片段内的时间序列数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所有时间序列对应的趋势特征基元构对应的趋势特征向量；

根据所述趋势特征向量及对应的事故类型构建数据集；所述数据集包括训练数据集；

以所述训练数据集中的趋势特征向量作为输入数据集，并以所述训练数据集中的事故类型作为输出数据集，训练预设的分类器模型，建立事故分类器。

优选的，所述数据集还包括测试数据集；对应的，在所述建立事故分类器之后，还包括：

将所述测试数据集中的趋势特征向量作为输入代入所述事故分类器，输出预测的事故类型；

根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求。

优选的，所述根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求，包括：

根据公式确定所述事故分类器的整体准确率GA；

确定所述整体准确率GA是否满足预设的整体准确率要求；

其中，f_ii表示：真实事故类型属于i，且被准确诊断为事故类型i的数量；S表示所有事故类型的数目；表示所有的事故类型中，被准确诊断的总数；表示所有被测试样本的总数。

优选的，所述根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求，包括：

根据公式确定所述事故分类器的虚报警率FAR；

确定所述虚报警率FAR是否满足预设的虚报警率要求；

其中，f_0j表示真实事故类型属于非事故，且被错误诊断为事故类型j的数量；S表示所有事故类型的数目；表示在所有非事故工况中，被错误的诊断为事故的总数；表示所有非事故工况的总数。

优选的，所述根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求，包括：

根据公式确定所述事故分类器的漏报警率MAR；

确定所述漏报警率MAR是否满足预设的漏报警率要求；

其中，f_i0表示真实事故类型属于i，被错误的诊断为非事故的数量；S为表示所有事故类型的数目；表示在所有真实事故中，被错误的诊断为非事故工况的总数；表示所有真实事故的总数。

优选的，在构建出数据集之后，还包括：

对构建出的输入数据集及输出数据集进行归一化处理。

优选的，所述分类器模型的惩罚参数及核参数通过粒子群算法优化得到。

优选的，所述分类器模型包括神经网络模型。

另一方面，本申请实施例还提供了一种页岩气压裂井下事故早期诊断报警装置，包括：

数据采样模块，用于获取反应页岩气压裂井下工况的参考变量的在线监测数据；

时窗设置模块，用于按照预设宽度设置所述在线数据的时间窗；

曲线获取模块，用于将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

向量获取模块，用于根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量；

事故报警模块，用于将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。

由以上本申请实施例提供的技术方案可见，本申请实施例获取反应页岩气压裂井下工况的参考变量的在线监测数据；按照预设宽度设置所述在线数据的时间窗；将时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据趋势特征基元构建趋势特征向量；将趋势特征向量代入预设的事故分类器，预测在线监测数据对应的事故类型，并发出相应报警信息，从从而实现了页岩气压裂井下事故的早期诊断和报警。为后续处理页岩气压裂井下事故预留了宝贵的时间，从而有利于避免页岩气压裂井下事故的发生或者减少页岩气压裂井下事故所造成的危害。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请一实施例的页岩气压裂井下事故早期诊断报警方法的流程图；

图2为本申请一实施例中趋势特征基元的取值示意图；

图3为本申请一实施例中片段划分及趋势特征基元确定示意图；

图4为本申请一实施例中地层形成裂缝事故的实时诊断报警结果；

图5为本申请一实施例中近井地带压窜事故的实时诊断报警结果；

图6为本申请一实施例的页岩气压裂井下事故早期诊断报警装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

在实施本申请实施例的页岩气压裂井下事故早期诊断报警方法之前，要预先根据页岩气压裂井下离线数据建立事故分类器，以便于后续可根据事故分类器和实时采集的在线监测数据，对页岩气压裂井下事故进行早期诊断报警。本申请一些实施例中，预先建立事故分类器的过程可以包括如下步骤：

步骤1：参考变量数据采集

参考变量是指对页岩气压裂井下事故敏感的诊断参数，其可以反映页岩气压裂井下事故。页岩气压裂井下事故演变过程可以粗略的划分为3个阶段：正常事故阶段、事故前兆阶段和事故爆发阶段。其中，前兆阶段是指导致事故爆发的因素逐渐积累的阶段。相应的，参考变量在上述3个阶段内的波动趋势有所不同。在正常事故阶段内，参考变量波动趋势相对平稳；在前兆阶段，参考变量的波动出现显著变化(上升或下降)；在爆发阶段，参考变量剧烈发生变化。因此，通过充分提取参考变量在前兆阶段内的趋势特征，可有利于实现对井下事故早期准确诊断。同时，采集参考变量的时间序列数据时，必须包含正常事故阶段和前兆阶段对应的数据。

因此，假设设事故类型总数为S，针对每类事故，根据确定的参考变量，从离线的压裂施工曲线数据库中，分别选取H组时间序列数据(即对应上述3个阶段)作为原始数据。

步骤2：提取参考变量的趋势特征

在页岩气井压裂过程中，井下事故会引起参考变量数值和趋势的变化，然而，与具体的数值相比，参考变量的趋势特征更能反映出事故类型。因此，为了提取参考变量的趋势特征，本申请实施例提出了“基于线性拟合的趋势特征提取技术”，该技术采用一组如图2所示的趋势特征基元表示每个参考变量在一段时间内的趋势特征。

趋势特征提取的具体过程可以为：

对于所有的参考变量，设置具有相同时间长度(Time length,TL)的时间窗口(Time Window,TW)，将时间窗分割为Z个宽度相同的相邻片段；然后采用线性最小二乘法对每个片段内的时间序列数据进行线性拟合，如图3所示，从而可得到如下公式(1)所示的线性方程。

y_Λ(t)＝p·(t-t₀)+y₀ (1)

其中t₀表示每个片段的开始时间，p表示斜率，y₀表示参考变量在t₀时刻的变量值。

继而，根据斜率p，识别每个片段对应的趋势特征基元。斜率和趋势特征基元之间的对应关系如下公式(2)所示。

因此，针对步骤1中所采集的S*H组时间序列数据，分别在每组时间序列数据的正常事故阶段随机设置K_normal个采样点，在事故阶段(前兆阶段和爆发阶段)随机设置K_incident个采样点，则每类事故数据可以得到R＝H*(K_normal+K_incident)组采样点，其中正常事故的采样点数为R_normal＝H*K_normal，事故阶段的采样点数为R_incident＝H*K_incident。然后采用上述的趋势特征提取技术，可求得每个时间片段对应的趋势特征向量，也可以称为趋势特征基元序列。设参考变量个数为N，则第s类事故的第r个趋势特征向量表示为:

其中，a_nz表示第n个参考变量在第z个时间片段对应的趋势特征基元，n＝1,…,N；s＝1,…,S；r＝1,…,R；z＝1,…,Z。

步骤3：建立数据集

将步骤2中所有时刻采样点处的趋势特征向量构建成如公式(4)所示的矩阵，D表示由M＝S*R个样本(包括正常事故样本或事故样本)组成，每个样本表示为行向量，行向量由每一个时刻采样点处的趋势特征向量和类别标签组成，表示第s类事故的第r个时刻采样点对应的事故类型，类别标签其中0表示井下正常事故(即非事故状态)，其余标签表示不同的事故类型。

步骤4：划分数据集

D中包括S+1种不同类型的样本数据，其中有1种正常事故阶段的样本和S种事故阶段的样本。可选择每类样本的75％建立训练数据集D_train，剩余25％建立测试数据集D_test。根据一对一策略，两类样本之间需要建立一个二分类器，即一种分类器模型(例如神经网络模型)，因此，总共需要建立V＝S(S+1)/2个不同的二分类器，则标识符为β的样本与标识符为μ的样本之间建立的二分类器表示为BSVC_βμ，其中β＝0,1,…,S-1，μ＝1,2,…,S，且β＜μ。根据每个二分类器，分别从D_train中选择类别标签为β和标识符为μ的样本建立子训练数据集

步骤5：建立事故分类器

采用每个子训练数据集训练相应的二分类器BSVC_βμ，从而建立事故分类器。在训练阶段，和分别作为BSVC_βμ的输入项和目标输出项。为了避免人为设置惩罚参数C核参数g而导致不必要的时间花费和对模型精度的影响，可采用基于全局优化的粒子群算法优化BSVC_βμ的惩罚参数C核参数g。

在建立事故分类器之后，将D_test中每个测试样本依次输入到V个二分类器，得到一个1×V的由类别标签组成的行向量。统计每类标签的“票数”，最终以得“票”最多的标签确定该测试样本的类别。将所有测试样本的结果，列于如下表1所示的混淆矩阵中，并可通过整体准确率(Global accuracy，GA)，见公式(5)；虚警率(False alarm rate，FAR)，见公式(6)；漏警率(Missing alarm rate，MAR)，见公式(7)作为事故分类器的性能评估指标，从而判断性能评估指标是否满足预设的性能评估指标要求。

表1混淆矩阵

其中，f_ii表示：真实事故类型属于i,且被准确诊断为事故类型i的数量；f_0j表示真实事故类型属于0(即非事故)，且被错误诊断为事故类型j的数量；S表示所有事故类型的数目，表示所有的事故类型中，被准确诊断的总数；表示在所有非事故工况中，被错误的诊断为事故的总数；表示在所有真实事故中，被错误的诊断为非事故工况的总数；表示所有真实事故的总数；表示所有被测试样本的总数。

本申请一些实施例中，在构建出数据集之后，还可以对构建出的输入数据集及输出数据集进行归一化处理，并根据归一化处理后的数据集建立事故分类器。

在上述建立了事故分类器的基础上，参考图1所示，本申请实施例的页岩气压裂井下事故早期诊断报警方法可以包括如下步骤：

S101、获取反应页岩气压裂井下工况的参考变量的在线监测数据。

本申请一些实施例中，所述参考变量例如可以为井口压力、排量和套压等。所述获取可以包括获取采集设备实时采集的参考变量的在线监测数据。所述在线监测数据为不同采样时刻的采样值序列，属于一种时间序列数据。

S102、按照预设宽度设置所述在线数据的时间窗。

本申请一些实施例中，通过设置所述在线数据的时间窗，可以实现在线数据的分批处理，即每批处理一个时间窗宽度的在线数据。

S103、将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线。

S104、根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量。

S105、将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。

在本申请一些实施例中，若已预测到井下事故，则及时发布报警信息。发布报警信息的规则可以包括如下：

规则1：每次预测到事故，启动一次报警(一级报警或二级报警)。

规则2：若首次监测到井下事故，则启动一级报警；

规则3：(a)对于连续报警的情况，若一级报警持续时间超过设定时间(例如0.5分钟)，则报警级别提升为二级报警；(b)对于间歇报警的情况，若当前报警时刻前的设定时间(例如1分钟)内，一级报警的总时间超该设定时间的一半(例如1分钟的设定时间内一级报警的总时间超过0.5分钟)，则报警级别提升为二级报警，否则，仍然保持一级报警。

规则4：若当前报警级别处于二级报警状态，且当前报警时刻前的设定时间(例如1分钟)内，二级报警的总时间不超过该设定时间的一半(例如1分钟的设定时间内二级报警的总时间不超过0.5分钟)，则二级报警降格为一级报警，否则维持二级报警。

虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。

为便于理解本申请，下面结合一个示例性实施例进行说明：

本示例性实施例选取某区块的压裂施工曲线数据库作为数据源，并选择了如下表2中所示的中5种工况(1种非事故和4种事故)作为研究对象，以验证本方法的适用性和准确性。

步骤1：数据采集

页岩气井下事故会引起地面诊断系统中井口压力、排量和套管压力的异常变化，因此，选择上述3个监测参数作为参考变量。3个参考变量的采样周期均为5s，则每分钟内采样数为12。针对表2中每类事故，各选取H＝5组参考变量的时间序列数据，每组时间序列数据的长度和数据点见表2。

表2事故类型和样本数据信息

步骤2：提取参考变量的趋势特征

取TL＝3.0min，Z＝3，K_normal＝10，K_incident＝40，则每类事故的采样时刻点总数为R＝250，其中R_normal＝50，R_incident＝200。

步骤3：建立数据集

根据公式(4)，得到包含M＝1000个样本的数据集D，事故类型及其对应的类别标签如表1所示。

步骤4：划分数据集

D中包含5种标签的样本，每种类别标签对应200组样本。从每类样本数据中选择150组建立训练数据集D_train，每类样本剩余的50组建立测试数据集D_test。根据一对一策略，需要建立V＝10个二分类器，即BSVC₀₁、BSVC₀₂、BSVC₀₃、BSVC₀₄、BSVC₁₂、BSVC₁₃、BSVC₁₄、BSVC₂₃、BSVC₂₄、BSVC₃₄，则每个二分类器对应的子训练数据集分别为

步骤5：建立事故分类器

选择RBF核函数作为多分类支持向量机的核函数，采用粒子群算法优化后的每个二分类器的惩罚参数和核参数列于表3。事故分类器对测试数据集的判定结果如表4所示，其中整体准确率GA＝89.20％，虚警率FAR＝10.00％，漏警率为MAR＝8.50％。

表3每个二分类器的惩罚参数和核参数

表4测试数据集的判别结果

步骤6：井下事故实时诊断及报警

基于上述建立的事故分类器，以“地层形成裂缝”和“近井地带压窜事故”为例，开展事故在线诊断和报警。

案例1：地层形成裂缝

图4给出了“地层形成裂缝”事故在不同时刻的诊断效果，表5出了该事故报警信息。从中可以看出，在事故前兆阶段，本文本申请实施例的方法已经成功监测并诊断出了该事故，及时给出一级报警。且在大约8.8-15.0min之间，出现了连续的二级报警。

表5报警信息(地层形成裂缝)

案例2：近井地带压窜

图5展示了本申请实施例的方法对“地层压窜事故”在不同时刻点的诊断结果，表6给出了该事故的报警信息。从图5和表6可以看出，本申请实施例的方法在前兆阶段的诊断到井下“地层压窜事故”，启动一级报警，并迅速升级为二级报警，且在7.8-11.2min给出连续二级报警；大约12.2min之后，报警密度迅速减小，二级报警降格为一级报警；大约13.6min时一级报警消失。

表6报警信息(近井地带压窜)

参考图6所示，本申请实施例的页岩气压裂井下事故早期诊断报警装置可以包括：

数据采样模块61，可以用于获取反应页岩气压裂井下工况的参考变量的在线监测数据；

时窗设置模块62，可以用于按照预设宽度设置所述在线数据的时间窗；

曲线获取模块63，可以用于将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

向量获取模块64，可以用于根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量；

事故报警模块65，可以用于将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明是参照根据本发明实施例的方法和装置的流程图、方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种页岩气压裂井下事故早期诊断报警方法，其特征在于，包括：

获取反应页岩气压裂井下工况的参考变量的在线监测数据；

按照预设宽度设置所述在线数据的时间窗；

将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量；

将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。

2.如权利要求1所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述事故分类器预先通过以下方式建立：

从现场压裂施工曲线数据库中筛选事故样本数据；所述事故样本数据包含多组时间序列，所述时间序列包括反映对应事故整个发展过程的各个采样时刻的采样数据；

对各组时间序列设置相同时间长度的时间窗口，并将时间窗分割为多个宽度相同的时间片段；

对每个时间片段内的时间序列数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所有时间序列对应的趋势特征基元构对应的趋势特征向量；

根据所述趋势特征向量及对应的事故类型构建数据集；所述数据集包括训练数据集；

以所述训练数据集中的趋势特征向量作为输入数据集，并以所述训练数据集中的事故类型作为输出数据集，训练预设的分类器模型，建立事故分类器。

3.如权利要求2所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述数据集还包括测试数据集；对应的，在所述建立事故分类器之后，还包括：

将所述测试数据集中的趋势特征向量作为输入代入所述事故分类器，输出预测的事故类型；

根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求。

4.如权利要求3所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求，包括：

根据公式确定所述事故分类器的整体准确率GA；

确定所述整体准确率GA是否满足预设的整体准确率要求；

其中，f_ii表示真实事故类型属于i，且被准确诊断为事故类型i的事故数量；S表示所有事故类型的总数；表示所有的非事故工况和事故类型中，被准确诊断的事故总数；表示所有被测试样本的总数。

5.如权利要求3所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求，包括：

根据公式确定所述事故分类器的虚报警率FAR；

确定所述虚报警率FAR是否满足预设的虚报警率要求；

其中，f_0j表示真实事故类型属于非事故，且被错误诊断为事故类型j的数量；S表示所有事故类型的数目；表示在所有非事故工况中，被错误的诊断为事故的总数；表示所有非事故工况的总数。

6.如权利要求3所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述根据所述预测的事故类型及所述测试数据集中的事故类型确定所述事故分类器的性能是否满足要求，包括：

根据公式确定所述事故分类器的漏报警率MAR；

确定所述漏报警率MAR是否满足预设的漏报警率要求；

其中，f_i0表示真实事故类型属于i，被错误的诊断为非事故的数量；S为表示所有事故类型的数目；表示在所有真实事故中，被错误的诊断为非事故工况的总数；表示所有真实事故的总数。

7.如权利要求2所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，在构建出数据集之后，还包括：

对构建出的输入数据集及输出数据集进行归一化处理。

8.如权利要求2所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述分类器模型的惩罚参数及核参数通过粒子群算法优化得到。

9.如权利要求2所述的页岩气压裂井下事故早期诊断报警方法，其特征在于，所述分类器模型包括神经网络模型。

10.一种页岩气压裂井下事故早期诊断报警装置，其特征在于，包括：

数据采样模块，用于获取反应页岩气压裂井下工况的参考变量的在线监测数据；

时窗设置模块，用于按照预设宽度设置所述在线数据的时间窗；

曲线获取模块，用于将所述时间窗划分为多个宽度相同的时间片段，并对每个时间片段内的在线监测数据进行线性拟合，对应获得每个时间片段内的在线监测数据的线性关系曲线；

向量获取模块，用于根据每个时间片段的线性关系曲线的斜率确定对应的趋势特征基元，并根据所述趋势特征基元构建趋势特征向量；

事故报警模块，用于将所述趋势特征向量代入预设的事故分类器，预测所述在线监测数据对应的事故类型，并发出相应报警信息。