CN110009033A - 一种基于动态主元分析的钻井过程异常预警模型 - Google Patents
一种基于动态主元分析的钻井过程异常预警模型 Download PDFInfo
- Publication number
- CN110009033A CN110009033A CN201910260619.9A CN201910260619A CN110009033A CN 110009033 A CN110009033 A CN 110009033A CN 201910260619 A CN201910260619 A CN 201910260619A CN 110009033 A CN110009033 A CN 110009033A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- early warning
- drilling process
- component analysis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005553 drilling Methods 0.000 title claims abstract description 43
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 230000003190 augmentative effect Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011068 loading method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 17
- 230000005856 abnormality Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram 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
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 101710082751 Carboxypeptidase S1 homolog A Proteins 0.000 description 1
- 102100023804 Coagulation factor VII Human genes 0.000 description 1
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Mathematical Analysis (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Geophysics (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于动态主元分析的钻井过程异常预警模型，包括：获取原始数据，对所述原始数据进行标准化预处理，根据标准化预处理之后的原始数据形成增广矩阵，根据动态主元分析方法和所述增广矩阵形成初始模型，使用所述初始模型对异常数据进行监测，若检测到的数据为正常，根据移动窗原理更新所述初始模型，若检测到的数据为异常，根据残差贡献率分析判断故障成因。本发明提供的技术方案提高了异常检测的准确度，减少了预警延时，从而解决了现有技术在钻井过程中异常预警精准度低的问题，实现了对钻井过程异常的有效预警。而且，本发明提供的技术方案实现了真正的动态检测，具有自适应性，提升了异常检测的效果。
Description
技术领域
本发明涉及钻井技术领域，尤其涉及一种基于动态主元分析的钻井过程异常预警模型。
背景技术
石油不仅是“工业的血脉”，还是关系生活、科技和经济等各个领域的非常重要的原料，是我国最重要的能源之一。钻井技术是石油勘探和油田开发过程中的主要技术之一，随着工业自动化的高速发展，钻井设备的连续化和自动化程度越来越高。但是钻井过程存在着巨大的安全风险，如果不能及时发现异常，一旦出现故障，易导致设备损坏，生产过程被迫中断，造成巨大的经济损失或人员伤亡等灾难性的后果。因此，为了排除潜在故障和预防重大事故，实时监测钻井过程，精准预警异常，已是目前石油生产过程中亟需解决的问题之一。
现有技术针对过程监控和异常预警提出了许多方法与模型，其中基于数据驱动的方法主要包括主元分析法(PCA)、独立主成分分析法(ICA)、偏最小二乘法(PLS)和费舍尔判据法(FDA)等等，但是这些方法对钻井过程异常预警存在大量漏报误报和预警延时长的问题。
发明内容
为解决现有技术存在的局限和缺陷，本发明提供一种基于动态主元分析的钻井过程异常预警模型，包括：
获取原始数据；
对所述原始数据进行标准化预处理；
根据标准化预处理之后的原始数据形成增广矩阵；
根据动态主元分析方法和所述增广矩阵形成初始模型；
使用所述初始模型对异常数据进行监测；
若检测到的数据为正常，根据移动窗原理更新所述初始模型；
若检测到的数据为异常，根据残差贡献率分析判断故障成因。
可选的，所述若检测到的数据为异常，根据残差贡献率分析判断故障成因的步骤包括：
若检测到的数据为异常，计算异常时间段之中各个变量对所述异常的残差贡献率，所述残差贡献率的计算公式如下：
根据所述残差贡献率分析判断故障成因。
可选的，所述增广矩阵的计算公式如下：
其中，原始数据矩阵Y＝[Y1，Y2，…，Ym]∈Rn×m，m为观测变量的个数，n为样本数据的个数，所述标准化预处理之后的原始数据为前s个时刻的样本数据。
可选的，所述根据标准化预处理之后的原始数据形成增广矩阵的步骤之后包括：
获得所述增广矩阵的协方差矩阵，计算公式如下：
对所述协方差矩阵进行特征值分解，计算公式如下：
C＝VΛVT (7)
其中，Λ∈Rm×m是对角矩阵，Λ的主对角线元素为递减的非负实数特征值。
可选的，还包括：
根据所述负荷矩阵将所述原始数据矩阵Y从高维空间投影到低维空间，计算公式如下：
T＝YVk∈Rk (9)
获得从低维空间返回到高维空间的数据矩阵Y*，计算公式如下：
其中，所述负荷矩阵Vk为协方差矩阵的特征向量矩阵V的前k列，k的计算公式如下：
本发明具有下述有益效果：
本发明提供的基于动态主元分析的钻井过程异常预警模型，包括：获取原始数据，对所述原始数据进行标准化预处理，根据标准化预处理之后的原始数据形成增广矩阵，根据动态主元分析方法和所述增广矩阵形成初始模型，使用所述初始模型对异常数据进行监测，若检测到的数据为正常，根据移动窗原理更新所述初始模型，若检测到的数据为异常，根据残差贡献率分析判断故障成因。本发明提供的技术方案提高了异常检测的准确度，减少了预警延时，从而解决了现有技术在钻井过程中异常预警精准度低的问题，实现了对钻井过程异常的有效预警。本发明提供的技术方案实现了真正的动态检测，具有自适应性，提升了异常检测的效果。本发明提供的技术方案能够降低误报率和漏报率，能够快速有效地检测到钻井过程的异常，最后残差贡献率能够明确地定位到引起故障的变量，实现了钻井过程的动态异常预警，降低了钻井过程的风险。
附图说明
图1为本发明实施例一提供的MWDPCA异常预警模型的流程图。
图2为本发明实施例一提供的DPCA模型检测故障5的SPE统计量检测图。
图3为本发明实施例一提供的MWDPCA模型检测故障5的SPE统计量检测图。
图4为本发明实施例一提供的DPCA模型检测卡钻故障的SPE统计量检测图。
图5为本发明实施例一提供的MWDPCA模型检测卡钻故障的SPE统计量检测图。
图6为本发明实施例一提供的MWDPCA模型诊断卡钻故障的残差贡献率示意图。
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动态主元分析的钻井过程异常预警模型进行详细描述。
实施例一
图1为本发明实施例一提供的MWDPCA异常预警模型的流程图。如图1所示，本实施例提供一种移动窗动态主元分析模型(Moving Window Dynamic Principal ComponentAnalysis，MWDPCA)，该模型首先对原始数据进行标准化预处理，消除各个变量之间量纲的影响，然后用由标准化数据构造的新数据矩阵建立初始模型监测异常，再通过移动窗对初始模型实时更新，监测到异常后，使用残差贡献图分析引起异常的主要变量，从而确定发生的异常。本实施例提供的技术方案能够降低误报率和漏报率，能够快速有效地检测到钻井过程的异常，最后残差贡献率能够明确地定位到引起故障的变量，实现了钻井过程的动态异常预警，降低了钻井过程的风险。
本实施例针对钻井过程的异常预警，选择正常的钻井过程数据作为训练集，训练集X有m个观测变量，n个样本数据，本实施例设定训练集为：
X＝[X1，X2，…，Xm]∈Rn×m (1)
其中，Xp(p＝1，2，…，m)是长度为n的列向量。
为了统一不同变量之间的量级，在建立模型之前，本实施例需要将训练集数据标准化预处理形成原始数据矩阵Y＝[Y1，Y2，…，Ym]∈Rn×m，标准化预处理公式如下：
Yij＝(Xij-uj)/dj (4)
其中，i＝1，2，…，n，j＝1，2，…，m。
根据标准化预处理之后的原始数据形成增广矩阵，计算公式如下：
其中，原始数据矩阵Y＝[Y1，Y2，…，Ym]∈Rn×m，m为观测变量的个数，n为样本数据的个数，所述标准化预处理之后的原始数据为前s个时刻的样本数据；
提取主元的负荷矩阵需要通过对协方差矩阵进行特征值分解获得，获得所述增广矩阵的协方差矩阵，计算公式如下：
对所述协方差矩阵进行特征值分解，计算公式如下：
C＝VΛVT (7)
其中，Λ∈Rm×m是对角矩阵，Λ的主对角线元素为递减的非负实数特征值(λ1≥λ2≥…≥λm≥0)，V是正交矩阵，由特征值对应的特征向量组成。
本实施例中，较大特征值对应的部分可以表示生产过程中的大部分系统变化，较小的特征值对应的部分包含了大量随机噪声。通过累计贡献率法确定初始模型中最少需要提取主元的个数k，前k个特征值的累计贡献率cpv(k)超过阈值后，其余较小特征值对应的部分将被舍弃，阈值一般设为85％，累计贡献率的计算公式如下：
其中，负荷矩阵Vk由正交矩阵V的前k列组成，Vk∈Rk。
本实施例根据所述负荷矩阵将所述原始数据矩阵Y从高维空间投影到低维空间，计算公式如下：
T＝YVk∈Rk (9)
本实施例获得从低维空间返回到高维空间的数据矩阵Y*，计算公式如下：
本实施例获得所述原始数据矩阵Y与所述数据矩阵Y*之间的残差E，计算公式如下：
E＝Y-Y* (11)。
本实施例计算SPE统计量，计算公式如下：
本实施例计算SPE统计量的控制限，计算公式如下：
其中，Cα是置信度为1-α的标准正态偏差，α通常取值为0.99。本实施例判断SPE统计量是否超过控制限，若超过控制限，则判定为异常继续下一步骤。
一个变量对于故障的残差贡献率越大，越能够被确定为是引起该故障的主要因素，因此本实施例可以通过残差贡献率分析引起异常的主要变量，从而确定故障类型完成异常预警。残差贡献率的计算公式如下：
本实施例通过移动窗获取新数据并以此代替旧数据，每次获取的数据量都是一致的，然后构建新的增广矩阵，建立新的模型，重复上述步骤。本实施例提供的技术方案提高了异常检测的准确度，减少了预警延时，从而解决了现有技术在钻井过程中异常预警精准度低的问题，实现了对钻井过程异常的有效预警。
为了验证MWDPCA异常预警模型的有效性，本实施例先用工业过程的故障诊断标准数据田纳西·伊斯曼(Tennessee Eastman，TE)过程数据集进行对比验证。实验选取TE数据中的故障五数据，包含12个控制变量和42个测量变量，采样时间为3分钟，其中用于建立初始模型的训练集数据是在没有任何故障的情况下仿真运行时间为24小时的数据，测试集是仿真冷凝器冷却水入口温度发生阶跃变化的故障，运行时间为48小时，故障在8小时之后引入。
图2为本发明实施例一提供的DPCA模型检测故障5的SPE统计量检测图，图3为本发明实施例一提供的MWDPCA模型检测故障5的SPE统计量检测图。如图2-3所示，本实施例将使用WMDPCA方法的异常预警结果与传统DPCA方法进行对比，通过对比分析可知，MWDPCA模型的SPE统计量异常检测图比DPCA模型提早11个采样点检测到异常，因此MWDPCA方法比DPCA方法拥有更高的灵敏度，能够更快速地检测到异常。
本实施例分别将DPCA模型和MWDPCA异常预警模型应用在2017年某大型油田的实际钻井过程数据中，钻井过程数据包括9个变量：大钩位置、大钩负荷、平均钻压、扭矩、转速、立压、泵冲1、泵冲2和泵冲3。选取1100个正常工况下的样本数据和1000个卡钻故障数据，采样周期为9秒。由于岩层问题，钻头在钻井时上下活动遇阻，悬重参数出现异常，卡钻故障的征兆发生在第255个采样点处。
图4为本发明实施例一提供的DPCA模型检测卡钻故障的SPE统计量检测图，图5为本发明实施例一提供的MWDPCA模型检测卡钻故障的SPE统计量检测图，图6为本发明实施例一提供的MWDPCA模型诊断卡钻故障的残差贡献率示意图。从图4中可以看到DPCA模型在324个采样点处检测到异常，而从图5中可以看到MWDPCA模型在280个采样点处检测到异常。在前255个采样点中，SPCA模型都出现4个误报点，而MWDPCA模型未出现误报，而且比DPCA模型提早44个采样点检测到异常，因此MWDPCA模型异常拥有更高的准确性和灵敏度。从图6中可以看出大钩负荷、立压和泵冲1对于卡钻故障的贡献度最高，由实验可验证，大钩负荷、立压和泵冲1是影响卡钻故障的主要变量。
本实施例验证了MWDPCA方法能够有效地检测和诊断出TE过程数据中的故障，而且对比传统DPCA方法，该模型表现得更加灵敏精准。同时实验证明，MWDPCA模型应用在钻井过程中的异常预警时，可以更好的适应钻井过程中的动态变化，能够快速灵敏地检测到异常并准确地诊断出故障起因和故障类型，有效降低钻井过程中的风险，为减少石油生产过程中不必要的时间损失和人员伤亡提供了可靠的异常预警方法。
本实施例提供的基于动态主元分析的钻井过程异常预警模型，包括：获取原始数据，对所述原始数据进行标准化预处理，根据标准化预处理之后的原始数据形成增广矩阵，根据动态主元分析方法和所述增广矩阵形成初始模型，使用所述初始模型对异常数据进行监测，若检测到的数据为正常，根据移动窗原理更新所述初始模型，若检测到的数据为异常，根据残差贡献率分析判断故障成因。本实施例提供的技术方案提高了异常检测的准确度，减少了预警延时，从而解决了现有技术在钻井过程中异常预警精准度低的问题，实现了对钻井过程异常的有效预警。本实施例提供的技术方案实现了真正的动态检测，具有自适应性，提升了异常检测的效果。本实施例提供的技术方案能够降低误报率和漏报率，能够快速有效地检测到钻井过程的异常，最后残差贡献率能够明确地定位到引起故障的变量，实现了钻井过程的动态异常预警，降低了钻井过程的风险。
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 (5)
1.一种基于动态主元分析的钻井过程异常预警模型，其特征在于，包括：
获取原始数据；
对所述原始数据进行标准化预处理；
根据标准化预处理之后的原始数据形成增广矩阵；
根据动态主元分析方法和所述增广矩阵形成初始模型；
使用所述初始模型对异常数据进行监测；
若检测到的数据为正常，根据移动窗原理更新所述初始模型；
若检测到的数据为异常，根据残差贡献率分析判断故障成因。
2.根据权利要求1所述的基于动态主元分析的钻井过程异常预警模型，其特征在于，所述若检测到的数据为异常，根据残差贡献率分析判断故障成因的步骤包括：
若检测到的数据为异常，计算异常时间段之中各个变量对所述异常的残差贡献率，所述残差贡献率的计算公式如下：
根据所述残差贡献率分析判断故障成因。
3.根据权利要求2所述的基于动态主元分析的钻井过程异常预警模型，其特征在于，所述增广矩阵的计算公式如下：
其中，原始数据矩阵Y＝[Y1，Y2，…，Ym]∈Rn×m，m为观测变量的个数，n为样本数据的个数，所述标准化预处理之后的原始数据为前s个时刻的样本数据。
4.根据权利要求1所述的基于动态主元分析的钻井过程异常预警模型，其特征在于，所述根据标准化预处理之后的原始数据形成增广矩阵的步骤之后包括：
获得所述增广矩阵的协方差矩阵，计算公式如下：
对所述协方差矩阵进行特征值分解，计算公式如下：
C＝VΛVT (7)
其中，Λ∈Rm×m是对角矩阵，Λ的主对角线元素为递减的非负实数特征值。
5.根据权利要求2所述的基于动态主元分析的钻井过程异常预警模型，其特征在于，还包括：
根据负荷矩阵将所述原始数据矩阵Y从高维空间投影到低维空间，计算公式如下：
T＝YVk∈Rk (9)
获得从低维空间返回到高维空间的数据矩阵Y*，计算公式如下：
其中，所述负荷矩阵Vk为协方差矩阵的特征向量矩阵V的前k列，k的计算公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910260619.9A CN110009033A (zh) | 2019-04-02 | 2019-04-02 | 一种基于动态主元分析的钻井过程异常预警模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910260619.9A CN110009033A (zh) | 2019-04-02 | 2019-04-02 | 一种基于动态主元分析的钻井过程异常预警模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110009033A true CN110009033A (zh) | 2019-07-12 |
Family
ID=67169784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910260619.9A Pending CN110009033A (zh) | 2019-04-02 | 2019-04-02 | 一种基于动态主元分析的钻井过程异常预警模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009033A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110905478A (zh) * | 2019-11-07 | 2020-03-24 | 中法渤海地质服务有限公司 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
| CN111610021A (zh) * | 2020-06-04 | 2020-09-01 | 沈阳科网通信息技术有限公司 | 一种齿轮箱早期故障检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
| US20090143873A1 (en) * | 2007-11-30 | 2009-06-04 | Roman Navratil | Batch process monitoring using local multivariate trajectories |
| CN105260601A (zh) * | 2015-10-10 | 2016-01-20 | 沈阳化工大学 | 一种基于融合dkpca-fda的聚合釜故障诊断方法 |
-
2019
- 2019-04-02 CN CN201910260619.9A patent/CN110009033A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090143873A1 (en) * | 2007-11-30 | 2009-06-04 | Roman Navratil | Batch process monitoring using local multivariate trajectories |
| CN101308385A (zh) * | 2008-07-11 | 2008-11-19 | 东北大学 | 基于二维动态核主元分析的非线性过程故障检测方法 |
| CN105260601A (zh) * | 2015-10-10 | 2016-01-20 | 沈阳化工大学 | 一种基于融合dkpca-fda的聚合釜故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李璐: "石油钻井过程井漏异常的预警技术研究", 《中国优秀硕士学位论文全文数据库.工程科技Ⅰ辑》 * |
| 钟丽丽: "基于动态主元分析的故障诊断研究", 《中国优秀硕士学位论文全文数据库.信息科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110905478A (zh) * | 2019-11-07 | 2020-03-24 | 中法渤海地质服务有限公司 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
| CN110905478B (zh) * | 2019-11-07 | 2023-04-11 | 中法渤海地质服务有限公司 | 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法 |
| CN111610021A (zh) * | 2020-06-04 | 2020-09-01 | 沈阳科网通信息技术有限公司 | 一种齿轮箱早期故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985546B (zh) | 基于单分类极限学习机算法的飞机发动机多工况检测方法 | |
| CN105089620B (zh) | 卡钻的监测系统、方法及装置 | |
| CN105067252B (zh) | 一种基于改进的FastICA的冷水机组故障检测方法 | |
| CN110130875B (zh) | 抽油机异常工况监控方法 | |
| CN109577892B (zh) | 一种基于井下参数的智能溢流检测系统及预警方法 | |
| CN104699077A (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
| CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
| WO2016034945A2 (en) | Stuck pipe prediction | |
| CN111222683A (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
| CN110009033A (zh) | 一种基于动态主元分析的钻井过程异常预警模型 | |
| CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
| CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
| CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
| CN109894495B (zh) | 一种基于能耗数据和贝叶斯网络的挤压机异常检测方法及系统 | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| Zhong et al. | An improved correlation-based anomaly detection approach for condition monitoring data of industrial equipment | |
| CN113312696B (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
| Mi et al. | A nonparametric cumulative sum-based fault detection method for rolling bearings using high-level extended isolated forest | |
| CN106874589A (zh) | 一种基于数据驱动的报警根源寻找方法 | |
| CN117560300A (zh) | 一种智能物联网流量预测与优化系统 | |
| CN111121943B (zh) | 零点故障检测方法、装置、计算机设备和可读存储介质 | |
| CN117109805A (zh) | 一种压力传感设备的异常压力检测与校正方法 | |
| CN117470529A (zh) | 一种过程控制系统阀门静摩擦故障检测方法及系统 | |
| CN101526433A (zh) | 监测系统故障自诊断方法 | |
| CN114299693B (zh) | 一种基于gnss的边坡监测预警方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |