CN107862324B - 一种基于mwspca的cbr预测模型智能化预警方法 - Google Patents
一种基于mwspca的cbr预测模型智能化预警方法 Download PDFInfo
- Publication number
- CN107862324B CN107862324B CN201710974841.6A CN201710974841A CN107862324B CN 107862324 B CN107862324 B CN 107862324B CN 201710974841 A CN201710974841 A CN 201710974841A CN 107862324 B CN107862324 B CN 107862324B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- drilling
- data
- similarity
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005553 drilling Methods 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 10
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000000491 multivariate analysis Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 35
- 238000000513 principal component analysis Methods 0.000 abstract description 17
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000000630 rising effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MWSPCA的CBR预测模型智能化预警方法,包括:对钻井实时数据进行监测分析,根据监测分析的结果获得异常时间段,计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度,对异常监测的分析结果进行故障类型分析,根据分析结果进行异常预警。本发明提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本发明提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。
Description
技术领域
本发明涉及智能预警的技术领域,尤其涉及一种基于MWSPCA的CBR预测模型智能化预警方法。
背景技术
钻井工程是石油生产过程中重要的组成部分,随着时代的进步和钻井技术的飞速发展,降低开发成本、提高开采速度成为了现代石油工业追求的目标。但是钻井工程又是一个工种多、程序多、必须连续作业的系统性工程,更是一个隐蔽性极强的地下工程。钻井工程存在着巨大的风险性和不确定性,每前进一步都伴随着巨大的风险,严重威胁石油生产的安全,降低了生产效率,加大了生产成本,延缓了油田的开发速度。资料显示,上世界八十年代至上世纪末的二十年间,仅仅美国在墨西哥湾地区就发生了17起井喷事故,同时英国也发生了15起井喷事故,造成了极其严重的经济损失和生态灾难。
钻井是一项高风险性、耗资巨大的系统工程,特别是在地质条件复杂的层段,钻井工况故障随时都可能发生。钻井工况故障一旦发生,处理故障将消耗大量的人力物力,大大增加钻井成本,造成资金和时间的巨大浪费。据近几年的钻井资料分析:在钻井施工中,处理复杂情况和钻井事故的时间约占总施工时间的6%-8%,严重影响了钻井的效率。
钻井过程是一个长期的、连续的过程,参数的细微变化往往是异常发生的征兆。因此,要确保异常监测的可靠性就要求现场人员长时间、连续地关注钻井参数的变化。由于人的精力和技术水平的限制,人工预警方式不能保证异常预警的效率和质量,这就需要让事故预报能自动进行,能够具有“人类”的智能判断。所以,采用智能化技术进行事故预报是一个必然的方向。一个系统的、全面的又能反映工程事故负责多变特性的智能化预警手段成为迫切需求,来满足安全、快速钻井的要求。
国内的钻井过程中常使用故障树理论和专家系统,但是由于存在知识表达不尽理想和领域知识获取的不完备、不精确,建造和使用完备的、可供推理用的系统模型以及获得大量的规则显得非常困难。所以建立故障树和专家系统有一定的困难。而基于模糊理论的故障诊断系统,通过对模糊网络进行分层优化,形成“增一型”推理方法,在一定程度上提高了基于模糊理论的钻井故障诊断系统的实时性和准确性。但是由于算法本身的局限性,而不能准确识别所有类型的故障。
发明内容
为解决上述问题,本发明提供一种基于MWSPCA的CBR预测模型智能化预警方法,至少部分解决上述技术问题。
为此,本发明提供一种基于MWSPCA的CBR预测模型智能化预警方法,包括:
使用移动窗稀疏主元分析方法对钻井实时数据进行监测分析;
根据监测分析的结果获得异常时间段;
计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度;
使用基于余弦相似度的案例推理系统对异常监测的分析结果进行故障类型分析;
根据分析结果进行异常预警。
可选的,所述根据监测分析的结果获得异常时间段的步骤包括:
使用移动窗稀疏主元分析方法对钻井实时数据进行数据降维,建立新的回归模型;
利用Lasso约束函数优化约束变量,获得稀疏化的主元和负荷向量,所述Lasso约束函数为
其中,原始数据矩阵X=[X1,X2,...,Xp]∈Rn×m,m为变量个数,n为样本个数,k为主元个数,xi为矩阵的行向量,Ap×k=[α1,α2,...,αk],Bp×k=[β1,β2,...,βk],λ>0,λ1,j为对应k个主元的惩罚量;
通过计算多元统计量对异常发生的时间段进行判断。
可选的,在第i个时刻,第j个变量对异常时间段T2的统计量的贡献如下:
可选的,还包括:
根据异常检测结果之中的异常点和主要相关指标,对异常时间段的数据进行分析,得出所述异常时间段的异常描述、关键词和深度数据;
根据异常分析的结果,与案例库之中的案例进行相似性匹配,所述相似性匹配包括:关键词匹配、钻井深度相似性匹配和实时数据相似性匹配;
将所述关键词匹配、所述钻井深度相似性匹配和所述实时数据相似性匹配的相似度进行加权组合,再结合对应案例的重要程度获得异常与所有案例一一对应的总相似度;
根据所述总相似度对案例进行排序;
根据排序结果选择相似案例作为处理所述异常的数理参考和理论支撑。
本发明具有下述有益效果:
本发明提供的基于MWSPCA的CBR预测模型智能化预警方法包括:对钻井实时数据进行监测分析,根据监测分析的结果获得异常时间段,计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度,对异常监测的分析结果进行故障类型分析,根据分析结果进行异常预警。本发明提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本发明提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。另外,本发明提供的案例推理系统根据已经定位的异常进行推理分析,进一步确定故障类型,从而达到智能化预警的目的。
附图说明
图1为本发明实施例一提供的基于移动窗稀疏主元分析方法的异常监测流程图;
图2为本发明实施例一提供的基于案例推理系统的异常预警流程图;
图3为TE故障4之中各个变量的变化示意图;
图4a为TE故障4之中Q的统计量示意图;
图4b为TE故障4之中T2的统计量示意图;
图5为钻井过程之中卡钻故障的各个变量的变化示意图;
图6a为钻井过程之中卡钻故障的Q的统计量示意图;
图6b为钻井过程之中卡钻故障的T2的统计量示意图;
图7为异常时间段之中各个指标的贡献度。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的基于MWSPCA的CBR预测模型智能化预警方法进行详细描述。
实施例一
图1为本发明实施例一提供的基于移动窗稀疏主元分析方法的异常监测流程图,图2为本发明实施例一提供的基于案例推理系统的异常预警流程图。如图1和图2所示,本实施例提供一种基于移动窗稀疏主元分析方法(Moving Window Sparse PrincipalComponent Analysis,MWSPCA)的案例推理系统(Case-based Reasoning,CBR)预测模型智能化预警方法,包括:使用移动窗稀疏主元分析方法对钻井实时数据进行监测分析,根据监测分析的结果获得异常时间段,计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度,使用基于余弦相似度的案例推理系统对异常监测的分析结果进行故障类型分析,根据分析结果进行异常预警。本实施例提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本实施例提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。另外,本实施例提供的案例推理系统根据已经定位的异常进行推理分析,进一步确定故障类型,从而达到智能化预警的目的。
本实施例提供的主元分析方法(Principal Component Analysis,PCA)是一种具有很高普适性的方法,被广泛应用于多个领域。例如,在计算机视觉领域针对如何对图像进行处理和人脸识别方面都有特别的作用。本实施例提供的案例推理系统是一种认知模型,主要关注于如何解决问题以及如何根据以往遇到的相似问题得出的经验来解决问题。构建一个基于案例推理的系统必须满足两个假设:1、相似问题有相似解;2、同类事件会再次发生。钻井过程之中的故障完美地满足了上述两个假设。它可以弥补原有的智能预警系统的不足,还能够很好地利用以往钻井过程之中获得的许多相似案例的经验来解决问题,从而提高钻井风险预测的效率和案例利用率。因此,本实施例提出一种基于MWSPCA的CBR预测模型智能化预警方法,采用稀疏主元分析方法进行多元统计量快速定位异常发生的时间段,然后使用案例推理系统进行故障类型分析,最后将分析结果展示给专家进行决策。
参见图1和图2,本实施例根据异常检测结果之中的异常点和主要相关指标,对异常时间段的数据进行分析,得出所述异常时间段的异常描述、关键词和深度数据,根据异常分析的结果,与案例库之中的案例进行相似性匹配,所述相似性匹配包括:关键词匹配、钻井深度相似性匹配和实时数据相似性匹配,将所述关键词匹配、所述钻井深度相似性匹配和所述实时数据相似性匹配的相似度进行加权组合,再结合对应案例的重要程度获得异常与所有案例一一对应的总相似度,根据所述总相似度对案例进行排序,根据排序结果选择相似案例作为处理所述异常的数理参考和理论支撑。本实施例提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本实施例提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。
在过程系统工程领域之中,Tenessee Eastman(TE)过程是一个常用的标准问题(Benchmark problem),其较好地模拟了实际复杂的工业过程系统的许多典型特征,因此被作为仿真例子广泛应用于控制、优化、过程监控与故障诊断的研究之中。本实施例针对TE过程系统的经典故障实例进行分析,验证本实施例提出的预警方法的有效性和准确性,然后把经过验证的方法应用到钻井过程之中,起到了很好的效果。
基于MWSPCA的CBR智能化预警方法在钻井过程之中主要分为三个部分:实时数据预处理和案例库整理;基于MWSPCA的异常监测;基于案例推理模型的异常预警。本实施例提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本实施例提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。另外,本实施例提供的案例推理系统根据已经定位的异常进行推理分析,进一步确定故障类型,从而达到智能化预警的目的。
参见图1和图2,本实施例使用移动窗稀疏主元分析方法对钻井实时数据进行监测分析,预警可能出现异常的时间段,计算各个异常时间段之中各个钻井相关变量对该时段异常的贡献度,然后进行异常预警。本实施例将异常监测的分析结果传给基于余弦相似度的案例推理系统进行故障类型分析,最后将与该异常相似度比较高的多个案例展示给专家进行决策,从而提高了钻井风险预测的效率和案例利用率。
本实施例将原始数据矩阵设定为X=[X1,X2,...,Xp]∈Rn×m,即:X是一个数据矩阵。其中,m为变量个数,n为样本个数。对数据标准化处理的方法是矩阵之中的每个值减去每个变量的均值再除以这个变量的标准差,即公式1-1至1-3:
本实施例将标准化之后的矩阵设定为正常的主元分析方法是对矩阵进行奇异值分解(Singular Value Decomposition,SVD),获得特征值和特征向量,进而获得主元和负荷向量。本实施例提供的稀疏主元分析方法通过建立新的回归模型,利用Lasso约束函数优化约束变量,求得稀疏化的主元和负荷向量。求得稀疏约束公式1-4和1-5如下:
ATA=Ik×k (1-5)
其中,k为主元个数,xi为矩阵X的行向量,Ap×k=[α1,α2,...,αk],Bp×k=[β1,β2,...,βk],λ>0,λ1,j是对应k个主元的惩罚量。通过反复更新Ap×k,Bp×k,直到Bp×k收敛,通过Bp×k使用奇异值分解求得稀疏的主元和稀疏的负载向量。
本实施例根据传统的国际石油工程师协会(Society of Petroleum Engineers,SPE)定义,获得改进后的SPE的计算公式1-6和1-7如下:
Q=[(I-ABT)X]T(I-ABT)X (1-6)
其中,Cα是置信度为(1-α)的正态分布点,上述公式之中的h0和θi的定义公式1-8和1-9如下:
其中,λj为矩阵X的协方差矩阵的特征值。因此,改进之后T2的定义式1-10如下:
其中,Fα(k,n-k)是一种F分布,置信度为(1-α),自由度为α,分位点为k和p-k。
在第i个时刻,第j个变量对SPE的统计量的贡献如下:
在第i个时刻,第j个变量对T2的统计量的贡献如下:
为了验证基于MWSPCA异常监测的有效性,本实施例使用经典的TE过程的数据进行测试。图3为TE故障4之中各个变量的变化示意图。如图3所示,本实施例选取TE模型中的故障4,涉及反应器冷却水入口温度的一个阶跃变化。
图4a为TE故障4之中Q的统计量示意图,图4b为TE故障4之中T2的统计量示意图。如图4a和图4b所示,本实施例针对实时数据分析,计算每个移动窗数据的协方差矩阵,通过协方差矩阵得到该移动窗的主元和负荷向量。使用Lasso约束函数对稀疏约束进行优化,得到稀疏的主元和负荷向量,计算多元统计量,进而判断异常发生的时间段。本实施例提供的基于MWSPCA的CBR预测模型智能化预警方法包括:对钻井实时数据进行监测分析,根据监测分析的结果获得异常时间段,计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度,对异常监测的分析结果进行故障类型分析,根据分析结果进行异常预警。本实施例提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本实施例提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。另外,本实施例提供的案例推理系统根据已经定位的异常进行推理分析,进一步确定故障类型,从而达到智能化预警的目的。本实施例通过使用TE模型数据,验证基于MWSPCA算法对异常监测具有很好的效果。
本实施例选取卡钻故障的数据进行实验,该故障主要跟以下7个指标相关:大钩位置、钻速、大钩负荷、平均钻压、扭矩、转速和立压。卡钻故障的案例描述如表1所示:
表1卡钻故障的案例描述表
图5为钻井过程之中卡钻故障的各个变量的变化示意图,图6a为钻井过程之中卡钻故障的Q的统计量示意图,图6b为钻井过程之中卡钻故障的T2的统计量示意图,图7为异常时间段之中各个指标的贡献度。卡钻故障的数据变化情况展示如图5所示,使用与TE过程同样的处理方法,多元统计量Q和统计量监测结果如图6a和图6b所示,从异常监测之中选取一个异常时间段856-975时刻的数据,该时段各个相关指标对该时段异常的贡献度如图7所示,其中,各个指标名称如下:1-大钩位置、2-钻速、3-大钩负荷、4-平均钻压、5-扭矩、6-转速、7-立压。本次实验的证明结果如下:卡钻故障可以根据大钩负荷和大钩位置变化异常来判断钻井过程是否发生异常。
本实施例基于改进的案例推理进行异常预警,根据异常检测结果之中的异常点和主要相关指标,对异常时间段的数据进行分析,得出所述异常时间段的异常描述、关键词和深度数据,
根据异常分析的结果,与案例库之中的案例进行相似性匹配,所述相似性匹配包括:关键词匹配、钻井深度相似性匹配和实时数据相似性匹配,将所述关键词匹配、所述钻井深度相似性匹配和所述实时数据相似性匹配的相似度进行加权组合,再结合对应案例的重要程度获得异常与所有案例一一对应的总相似度,根据所述总相似度对案例进行排序,根据排序结果选择相似案例作为处理所述异常的数理参考和理论支撑。专家参照相似案例选择解决该异常的相应处理方法。
本实施例针对异常监测的结果进行如下分析:
异常时间段为:856-975时刻;
异常描述如下:
1)钻头位置,从1474.39上升到1479.53,1480.23下降到1467.10;
2)测量井深,从1474.39上升到1480.23;
3)大钩负荷,从422.49下降到388.76,95.32上升到437.49;
4)大钩位置,从11.43下降到6.24,5.53上升到18.72;
5)立压,从12.34下降到11.75,11.81上升到12.43,12.39下降到0.00。
关键词描述为:钻头位置,钻头位置上升,钻头位置下降,测量井深,测量井深上升,大钩负荷,大钩负荷下降,大钩负荷上升,大钩位置,大钩位置下降,大钩位置上升,立压,立压下降,立压上升。
本实施例中,该异常时间段为:856-975时刻,与案例库之中的案例的相似度展示如表2所示:
表2异常时间段与案例库之中案例的相似度
关键词相似度 | 井深相似度 | 数据相似度 | 总相似度 | 案例名 |
0.82 | 0.76 | 0.86 | 0.49 | 案例1 |
0.82 | 0.51 | 0.85 | 0.45 | 案例9 |
0.77 | 0.55 | 0.85 | 0.44 | 案例8 |
0.82 | 0.45 | 0.87 | 0.44 | 案例4 |
0.82 | 0.45 | 0.86 | 0.44 | 案例5 |
0.77 | 0.46 | 0.87 | 0.43 | 案例2 |
0.77 | 0.57 | 0.75 | 0.42 | 案例7 |
0.77 | 0.46 | 0.75 | 0.40 | 案例3 |
0.82 | 0.45 | 0.69 | 0.40 | 案例6 |
最后,本实施例将案例推理的结果展示给专家,从而为专家处理异常提供数据参考和理论支撑。本实施例提供的基于MWSPCA的CBR预测模型智能化预警方法包括:对钻井实时数据进行监测分析,根据监测分析的结果获得异常时间段,计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度,对异常监测的分析结果进行故障类型分析,根据分析结果进行异常预警。本实施例提供的技术方案运用改进的案例推理预警模型的优秀推理和自学习能力对钻井过程之中发生的故障进行智能化预警,从而降低钻井故障的概率以及减少非生产时间的成本。本实施例提供的稀疏主元分析算法能够对钻井过程之中的数据进行降维,移动窗稀疏主元分析算法能够对实时数据进行处理分析,快速定位钻井过程之中的异常。另外,本实施例提供的案例推理系统根据已经定位的异常进行推理分析,进一步确定故障类型,从而达到智能化预警的目的。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (1)
1.一种基于MWSPCA的CBR预测模型智能化预警方法,其特征在于,包括:
使用移动窗稀疏主元分析方法对钻井实时数据进行监测分析;
根据监测分析的结果获得异常时间段;
计算各个异常时间段之中各个钻井相关变量对所述异常时间段的贡献度;
使用基于余弦相似度的案例推理系统对异常监测的分析结果进行故障类型分析;
根据分析结果进行异常预警;
所述根据监测分析的结果获得异常时间段的步骤包括:
使用移动窗稀疏主元分析方法对钻井实时数据进行数据降维,建立新的回归模型;
利用Lasso约束函数优化约束变量,获得稀疏化的主元和负荷向量,所述Lasso约束函数为
其中,原始数据矩阵X=[X1,X2,...,Xp]∈Rn×m,m为变量个数,n为样本个数,k为主元个数,xi为矩阵的行向量,Ap×k=[α1,α2,...,αk],Bp×k=[β1,β2,...,βk],λ>0,λ1,j为对应k个主元的惩罚量;
通过计算多元统计量对异常发生的时间段进行判断;
在第i个时刻,第j个变量对异常时间段T2的统计量的贡献如下:
还包括:
根据异常检测结果之中的异常点和相关指标,对异常时间段的数据进行分析,得出所述异常时间段的异常描述、关键词和深度数据;
根据异常分析的结果,与案例库之中的案例进行相似性匹配,所述相似性匹配包括:关键词匹配、钻井深度相似性匹配和实时数据相似性匹配;
将所述关键词匹配、所述钻井深度相似性匹配和所述实时数据相似性匹配的相似度进行加权组合,再结合对应案例的重要程度获得异常与所有案例一一对应的总相似度;
根据所述总相似度对案例进行排序;
根据排序结果选择相似案例作为处理所述异常的数据参考和理论支撑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710974841.6A CN107862324B (zh) | 2017-10-19 | 2017-10-19 | 一种基于mwspca的cbr预测模型智能化预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710974841.6A CN107862324B (zh) | 2017-10-19 | 2017-10-19 | 一种基于mwspca的cbr预测模型智能化预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107862324A CN107862324A (zh) | 2018-03-30 |
CN107862324B true CN107862324B (zh) | 2021-11-02 |
Family
ID=61696357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710974841.6A Active CN107862324B (zh) | 2017-10-19 | 2017-10-19 | 一种基于mwspca的cbr预测模型智能化预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107862324B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594790B (zh) * | 2018-04-11 | 2019-12-10 | 浙江大学 | 一种基于结构化稀疏型主元分析的故障检测和分离方法 |
CN111305827B (zh) * | 2018-12-11 | 2023-04-18 | 中国石油化工股份有限公司 | 用于预测钻井井漏风险预警门限的方法 |
CN111488384B (zh) * | 2019-01-29 | 2022-05-03 | 中国石油化工股份有限公司 | 一种钻井方案智能推荐方法及系统 |
CN110083797B (zh) * | 2019-04-19 | 2023-03-31 | 大禹节水集团股份有限公司 | 一种滴灌管生产线异常实时监测方法及系统 |
CN111949700B (zh) * | 2020-06-24 | 2024-04-09 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112146871A (zh) * | 2020-09-15 | 2020-12-29 | 北京工业大学 | 一种基于贝叶斯网络的摆角铣头故障分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06280337A (ja) * | 1993-03-30 | 1994-10-04 | Taisei Corp | 窓サッシュ付きPCa外壁板の取付工法 |
CN102472825A (zh) * | 2009-08-07 | 2012-05-23 | 埃克森美孚上游研究公司 | 使用目标函数的钻井咨询系统和方法 |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN104537220A (zh) * | 2014-12-18 | 2015-04-22 | 华北电力大学(保定) | 基于主元分析和d-s证据理论的故障诊断方法 |
CN105069468A (zh) * | 2015-07-28 | 2015-11-18 | 西安电子科技大学 | 基于脊波和深度卷积网络的高光谱图像分类方法 |
CN105389595A (zh) * | 2015-12-02 | 2016-03-09 | 中国石油大学(北京) | 一种化工装备长周期运行安全风险雷达监测方法及装置 |
-
2017
- 2017-10-19 CN CN201710974841.6A patent/CN107862324B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06280337A (ja) * | 1993-03-30 | 1994-10-04 | Taisei Corp | 窓サッシュ付きPCa外壁板の取付工法 |
CN102472825A (zh) * | 2009-08-07 | 2012-05-23 | 埃克森美孚上游研究公司 | 使用目标函数的钻井咨询系统和方法 |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
CN104537220A (zh) * | 2014-12-18 | 2015-04-22 | 华北电力大学(保定) | 基于主元分析和d-s证据理论的故障诊断方法 |
CN105069468A (zh) * | 2015-07-28 | 2015-11-18 | 西安电子科技大学 | 基于脊波和深度卷积网络的高光谱图像分类方法 |
CN105389595A (zh) * | 2015-12-02 | 2016-03-09 | 中国石油大学(北京) | 一种化工装备长周期运行安全风险雷达监测方法及装置 |
Non-Patent Citations (3)
Title |
---|
"基于PCA和案例推理的煤与瓦斯突出动态预测";阎馨等;《传感器技术学报》;20150731;第28卷(第7期);第1028-1034页 * |
"基于稀疏主元分析的过程监控研究";彭必灿,张正道;《计算机工程与应用》;20141231;第18卷(第50期);第240-246页 * |
"快速 MWPCA在时变过程自适应监控中的应用";江智军,何小斌,杨煜普;《南昌大学学报 (理科版 )》;20080430;第32卷(第2期);第198-200页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107862324A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN108614191B (zh) | 一种基于bim模型的配电网及地下电缆故障检测方法 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
CN104914775B (zh) | 基于vine copula相关性描述的多模态过程故障检测方法及系统 | |
JP2015011027A (ja) | 時系列データにおける異常を検出する方法 | |
CN106203637A (zh) | 一种基于马氏距离和健康指数的机载系统健康评估方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN103389701A (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与系统 | |
CN108959498A (zh) | 一种用于健康监测的大数据处理平台及其设计方法 | |
CN111598467A (zh) | 一种对集输联合站以及关键设备的可靠性评价方法及系统 | |
CN111367253B (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
Han et al. | An intelligent moving window sparse principal component analysis-based case based reasoning for fault diagnosis: Case of the drilling process | |
CN109902265A (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN113673600A (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
Yan et al. | Quality-relevant fault detection based on adversarial learning and distinguished contribution of latent variables to quality | |
CN111367255A (zh) | 一种多变量控制系统性能评价测试系统及方法 | |
CN103337000B (zh) | 一种油气集输系统安全监测预警方法 | |
Noroozifar et al. | Root cause analysis of process faults using alarm data | |
Zhou et al. | Study on Optimization of Data-Driven Anomaly Detection | |
CN104503441B (zh) | 一种基于改进动态可见图的过程故障监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |