CN111414955B - 石油钻井井漏溢流智能检测方法、装置以及电子设备 - Google Patents

石油钻井井漏溢流智能检测方法、装置以及电子设备 Download PDF

Info

Publication number
CN111414955B
CN111414955B CN202010189329.2A CN202010189329A CN111414955B CN 111414955 B CN111414955 B CN 111414955B CN 202010189329 A CN202010189329 A CN 202010189329A CN 111414955 B CN111414955 B CN 111414955B
Authority
CN
China
Prior art keywords
preset value
target well
pump
target
well
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
Application number
CN202010189329.2A
Other languages
English (en)
Other versions
CN111414955A (zh
Inventor
王建华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunlun Digital Technology Co ltd
China National Petroleum Corp
Original Assignee
Kunlun Digital Technology Co ltd
China National Petroleum Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunlun Digital Technology Co ltd, China National Petroleum Corp filed Critical Kunlun Digital Technology Co ltd
Priority to CN202010189329.2A priority Critical patent/CN111414955B/zh
Publication of CN111414955A publication Critical patent/CN111414955A/zh
Application granted granted Critical
Publication of CN111414955B publication Critical patent/CN111414955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • E21B21/00—Methods or apparatus for flushing boreholes, e.g. by use of exhaust air from motor
    • E21B21/08—Controlling or monitoring pressure or flow of drilling fluid, e.g. automatic filling of boreholes, automatic control of bottom pressure
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Computational Linguistics (AREA)
  • Fluid Mechanics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Fluid-Pressure Circuits (AREA)

Abstract

本申请提供了一种石油钻井井漏溢流智能检测方法、装置以及电子设备，其中，该石油钻井井漏溢流智能检测方法包括：将采集的设定时间段的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到设定时间段中的各个时间节点的预测异常概率；确定出各个时间节点的预测异常概率中超过第一预设值的目标数量；判断目标数量是否超过第二预设值；若目标数量超过第二预设值，则根据钻井工具的状态数据以及钻井液变化数据确定出目标井的异常检测结果。

Description

石油钻井井漏溢流智能检测方法、装置以及电子设备
技术领域
本申请涉及油气田钻井工程技术领域，具体而言，涉及一种石油钻井井漏溢流智能检测方法、装置以及电子设备。
背景技术
油气田钻探过程中可能会伴随着各种各样的复杂事故情况，其中井漏和溢流是相对复杂的异常情况。且井漏和溢流对在经济和安全影响最大。
目前，相关领域主要使用获得的实时的钻井录井数据作为依据进行判断或报警。例如，预先设置一安全范围，在获得的钻井录井数据未在安全范围则输出报警信息。
发明内容
有鉴于此，本申请实施例的目的在于提供一种石油钻井井漏溢流智能检测方法、装置以及电子设备。能够达到提高钻井的异常检测的准确率的效果。
第一方面，本申请实施例提供了一种石油钻井井漏溢流智能检测方法，包括：
将采集的设定时间段的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到所述设定时间段中的各个时间节点的预测异常概率，所述井场复杂事故检测模型为井漏检测模型或溢流检测模型；
确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量；
判断所述目标数量是否超过第二预设值；
若所述目标数量超过第二预设值，则根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果。
在一可选的实施方式中，所述钻井工具包括泵冲；所述根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果的步骤，包括：
根据所述泵冲的状态数据确定所述泵冲的当前状态；
根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果。
本申请实施例提供的石油钻井井漏溢流智能检测方法，还可以结合泵冲的状态，以及目标井的流量确定出所述目标井的异常检测结果，多类参数的结合，可以提高井的异常检测的准确率。
在一可选的实施方式中，所述目标井的异常情况包括：井漏；所述根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果的步骤，包括：
若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第三预设值；
若所述目标井未处于开泵状态，或，处于开泵状态的时长未超过所述第三预设值，判断所述目标井的漏钻井液速度是否大于所述目标井的入口流量的指定比例；
若所述目标井的漏钻井液速度大于所述目标井的入口流量的指定比例，则输出所述目标井处于倒浆状态；
若所述目标井的漏钻井液速度不大于所述目标井的入口流量的指定比例，则根据所述目标井的泵冲的状态数据，判断所述泵冲差值是否大于第四预设值；
若所述泵冲差值大于所述第四预设值，则输出所述目标井处于开泵状态；
若所述泵冲差值不大于所述第四预设值，则输出所述目标井处于井漏状态。
本申请实施例提供的石油钻井井漏溢流智能检测方法，还可以结合各个阈值，对目标井的不同情况进行逐步分析，从而可以更清楚地确定出目标井可能所处的各种情况，从而可以提高目标井的异常情况确定的准确性。
在一可选的实施方式中，所述确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量的步骤，包括：
确定出所述各个时间节点的预测异常概率中超过第一预设值，且预测异常概率的时间节点为连续节点的目标数量。
本申请实施例提供的石油钻井井漏溢流智能检测方法，对第一阶段的通过模型确定的异常概率进行了进一步地限定，在连续出现可能为异常的结果时，再进行第二阶段的异常检测，从而可以减少异常检测的误判。
在一可选的实施方式中，所述目标井的异常情况包括：溢流；所述根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果的步骤，包括：
若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第五预设值；
若所述泵冲处于开泵状态的时长超过所述第五预设值，则判断所述目标井的出口流量是否增加超过第六预设值；
判断所述泵冲的增值是否小于第七预设值；
判断所述目标井的出口流量的流速是否大于第八预设值；
若所述目标井的出口流量增加超过第六预设值，且所述泵冲的增值小于第七预设值，则输出所述目标井处于溢流状态；
若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速不大于第八预设值，则输出所述目标井处于溢流状态；
若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速大于第八预设值，则输出所述目标井处于倒浆状态；
若所述泵冲不属于开泵状态，判断所述钻井设备中的套管的压力是否大于第九预设值；
若所述钻井设备中的套管的压力在指定时间段内都大于第九预设值，则输出所述目标井处于溢流状态。
本申请实施例提供的石油钻井井漏溢流智能检测方法，还可以针对溢流可能关联的多种情况分别设置不同的阈值，从而可以实现更完善的对目标井的各种情况进行判断，从而可以实现提高判断目标井的异常的准确性。
在一可选的实施方式中，所述确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量的步骤，包括：
确定各个时间节点的预测异常概率中连续指定数量个时间节点的预测异常概率中的预测异常概率超过第一预设值的目标数量。
本申请实施例提供的石油钻井井漏溢流智能检测方法，还可以基于出现目标井可能的异常概率达到一定数量时，再进一步地进行后续的异常检测，从而可以减少误判异常的概率。
在一可选的实施方式中，所述方法还包括：
获取指定井的历史数据；
将所述历史数据进行特征提取，以得到多条特征数据；
将所述多条特征数据输入XGBoost梯度森林模型中进行训练，以得到井场复杂事故检测模型。
本申请实施例提供的石油钻井井漏溢流智能检测方法，还可以通梯度森林模型，可以更好地分析出目标井的情况，从而提高确定出的模型识别井的异常的准确性。
第二方面，本申请实施例还提供一种石油钻井井漏溢流智能检测装置，包括：
计算模块，用于将采集的设定时间段的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到所述设定时间段中的各个时间节点的预测异常概率，所述井场复杂事故检测模型为井漏检测模型或溢流检测模型；
第一确定模块，用于确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量；
判断模块，用于判断所述目标数量是否超过第二预设值；
第二确定模块，用于若所述目标数量超过第二预设值，则根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。
本申请实施例提供的石油钻井井漏溢流智能检测方法、装置、电子设备及计算机可读存储介质，采用先使用模型进行初步的判断目标井的情况，在确定目标井可能存在异常，也就是上述的若所述各个时间节点的预测异常概率中存在超过第二预设值数量的预测异常概率超过第一预设值时，再根据获得的一些状态数据以进一步确定目标井的异常检测结果，与现有技术中的将实时的油气田数据与设定的阈值进行对比以得到异常结果相比，其能够提高报警的准确率。进一步地，由于经过两轮检测才得出异常检测结果，可以降低误报率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的方框示意图。
图2为本申请实施例提供的石油钻井井漏溢流智能检测方法的流程图。
图3为本申请实施例提供的石油钻井井漏溢流智能检测方法的部分流程图。
图4为本申请实施例提供的另一石油钻井井漏溢流智能检测方法的部分流程图。
图5为本申请实施例提供的再一石油钻井井漏溢流智能检测方法的部分流程图。
图6为本申请实施例提供的石油钻井井漏溢流智能检测装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
目前，关于钻井的异常报警的方式，一般是将实时数据与设定的阈值进行对比，如果不满足阈值限定的范围，则输出报警。例如，针对某一参数设置阈限值，比如总池体积，正常钻井时其值为100m3，设置阈限值为99m3-101m3，当总池体积参数大于101m3或小于99m3时发出报警。采用此方法的不足是以点取值，未做趋势判断，报警次数多，误报率高。例如，可能存在一小时内会发出几百条报警信息，且可用报警比例较低，无法满足使用要求。基于上述研究，本申请实施例提供了一种石油钻井井漏溢流智能检测方法、装置、电子设备及计算机可读存储介质，能够降低误报率。下面通过几个实施例描述。
实施例一
为便于对本实施例进行理解，首先对执行本申请实施例所公开的石油钻井井漏溢流智能检测方法的电子设备进行详细介绍。
如图1所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
上述的存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
上述的显示单元116在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器进行计算和处理。
可选地，上述的显示单元116可以在处理器113计算得到目标井可能出现一些异常时，输出显示异常提醒。
本实施例中的电子设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述石油钻井井漏溢流智能检测方法的实现过程。
实施例二
请参阅图2，是本申请实施例提供的石油钻井井漏溢流智能检测方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤201，将采集的设定时间段的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到所述设定时间段中的各个时间节点的预测异常概率。
本实施例中，井场复杂事故检测模型为井漏检测模型或溢流检测模型。
本实施例中，上述的目标井可以是油气井。例如，石油井、天然气井。
本实施例中，上述的井场复杂事故检测模型可以是用于检测是否存在井漏的井漏检测模型；也可以是用于检测溢流的溢流检测模型。
可选地，在使用目标井的井数据之前，还可以使用利用格拉布斯准则剔除历史数据的刺峰。经过除刺处理之后数据会变成光滑有效的数据。
示例性地，上述的井场复杂事故检测模型可以通过以下方式实现，如图3所示，井场复杂事故检测模型可以通过以下步骤301-303实现。
步骤301，获取指定井的历史数据。
示例性地，上述的指定井可以是已经完井的油气井。
可选地，历史数据可以是生产运行数据库中保存的历史数据。示例性地，历史数据包括：井深、钻头位置、入口流量、出口流量、总池体积、立管压力、套管压力等。
可选地，历史数据还可以包括历史发生的钻井复杂事故。示例性地，可以获取指定次数的钻井复杂事故作为训练用的数据。例如，该指定次数可以是400次、530次、417次等。
本实施例中，可以将获取的历史数据进行清洗处理。
可选地，清洗处理可以包括处理历史数据中的各项数据的单位，将单位处理成统一格式。
可选地，清洗处理还可以包括处理历史数据中的各项数据的数据丢失问题。示例性地，可以通过差值，均值算法填充历史数据中的各项数据所丢失的数据。
可选地，清洗处理还可以包括精度处理，例如，将所有数据的小数位限制在指定位。例如，可以将历史数据中的所有数据的小数位限制在指定位。通过将小数位限制在指定位可以防止输出时小数位过多影响显示效果。
步骤302，将所述历史数据进行特征提取，以得到多条特征数据。
示例性地，可以将清洗后的历史数据设置标签。示例性地，标签可以包括井漏、溢流、井漏失返。可选地，标签还可以包括：倒浆、开泵、停泵。
示例性地，还可以将对清洗后的历史数据进行处理，形成多条特征数据。示例性地，每条特征数据可以包括：总池体积、立管压力、套管压力、出口流量、入口流量、出口密度、泵冲、井深、钻头位置等信息。示例性地，可以采用一阶差分、小波变换、极差、均差等计算方式对总池体积、立管压力、套管压力、出口流量、入口流量、出口密度、泵冲、井深、钻头位置等信息进行计算，以构建一条特征数据。
步骤303，将所述多条特征数据输入XGBoost梯度森林模型中进行训练，以得到井场复杂事故检测模型。
其中，XGBoost(eXtreme Gradient Boosting)极端梯度提升梯度森林模型是GBDT(gradient boosting decision tree)模型的改进，既可以用于分类也可以用于回归。本实施例中，使用井场复杂事故检测模型对目标的当前状态进行分类。
可选地，训练井场复杂事故检测模型所选用的数学模型也可以是其它的分类模型，例如，GBDT模型。
可选地，可以采用有监督的训练方式对XGBoost梯度森林模型进行训练，以得到井场复杂事故检测模型。
步骤202，确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量。
步骤203，判断所述目标数量是否超过第二预设值。
若目标数量超过第二预设值，则执行步骤204。
示例性地，井异常可以包括井漏、溢流等情况。
在本实施方式中，上述的第二预设值可以是3、4、5等值。上述的第一预设值可以是70％、73％、75％等值。
示例性地，第二预设值为4，第一预设值为70％，则可以判断各个时间节点的预测异常概率中是否超过4项预测异常概率超过70％。
示例性地，第二预设值为3，第一预设值为75％，则可以判断各个时间节点的预测异常概率中是否超过3项预测异常概率超过75％。当各个时间节点的预测异常概率中超过3项预测异常概率超过75％，则表示目标井符合井异常特征，则可以执行步骤204，进一步地对目标井的情况进行异常检测。
在一种实施方式中，对井漏进行判定时，步骤202可以包括：确定出所述各个时间节点的预测异常概率中超过第一预设值，且预测异常概率的时间节点为连续节点的目标数量。
示例性地，第二预设值为3，第一预设值为75％，则可以判断各个时间节点的预测异常概率中是否超过3个连续的时间节点的预测异常概率超过75％。
示例性地，第二预设值为4，第一预设值为70％，则可以判断各个时间节点的预测异常概率中是否超过4个连续的时间节点的预测异常概率超过70％。当各个时间节点的预测异常概率中超过4个连续的时间节点的预测异常概率超过70％，说明符合井漏特征，则可以进一步地执行步骤204，以对目标井进行进一步地异常检测。
在另一种实施方式中，对溢流进行判定时，步骤202可以被实施为：确定各个时间节点的预测异常概率中连续指定数量个时间节点的预测异常概率中的预测异常概率超过第一预设值的目标数量。
示例性地，第二预设值可以是3，第一预设值可以是85％。则可以判断各个时间节点的预测异常概率中是否存在连续5个时间节点的预测异常概率中存在超过3个时间节点的预测异常概率超过85％。说明符合溢流特征，则可以进一步地执行步骤204，以对目标井进行进一步地异常检测。
步骤204，根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果。
可选地，所述钻井工具包括泵冲；所述根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果的步骤，包括：根据所述泵冲的状态数据确定所述泵冲的当前状态，根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果。
本实施例中，目标井的异常情况可以包括：井漏和溢流。
在一种实施方式中，如图4所示，关于井漏相关情况的判定可以通过以下步骤实现。
步骤401，根据所述泵冲的状态数据确定所述泵冲的当前状态。
示例性地，当有多个泵冲时，可以通过各个泵冲的泵冲值的大小确定泵冲的当前状态。
示例性地，以三个泵冲为例，当前一时间节点的第一泵冲、第二泵冲、第三泵冲的泵冲值都小于1，当前时间节点的存在至少一个泵冲的值大于1，说明是开泵。
步骤402，若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第三预设值。
示例性地，上述的第三预设值可以是3分钟、4分钟、5分钟等一设定时长。
如果开泵时长超过第三预设值，则表示当前可能处于开泵状态，则可以输出开泵导致的目标井的总池体减少。
步骤403，若所述目标井未处于开泵状态，或，处于开泵状态的时长未超过所述第三预设值，判断所述目标井的漏钻井液速度是否大于所述目标井的入口流量的指定比例。
示例性地，上述的目标井可以是油气井。
示例性地，上述的指定比例可以是40％、50％、46％等比例。
步骤404，若所述目标井的漏钻井液速度大于所述目标井的入口流量的指定比例，则输出所述目标井处于倒浆状态。
示例性地，步骤404还可以包括：判断立管压力变化范围，若立管压力变化范围在设定数值范围内，例如，变化在5％范围内，则输出所述目标井处于倒浆状态。
示例性地，步骤404还可以包括：目标井的漏钻井液速度大于所述目标井的入口流量，则输出所述目标井处于倒浆状态。
步骤405，若所述目标井的漏钻井液速度不大于所述目标井的入口流量的指定比例，则根据所述目标井的泵冲的状态数据，判断所述泵冲差值是否大于第四预设值。
示例性地，上述的第四预设值可以是9、10、11等值。
示例性地，获取的m分钟数据后m/2分钟的总泵冲平均值减去前m/2分钟总泵冲的均值得到泵冲差值。其中，m的取值可以是4、5、6等值。
步骤406，若所述泵冲差值大于所述第四预设值，则输出所述目标井处于开泵状态。
可选地，步骤406还可以包括：立管压力的变化在设定数值范围内变化时，且泵冲差值大于第四预设值，则输出所述目标井处于开泵状态。
步骤407，若所述泵冲差值不大于所述第四预设值，则输出所述目标井处于井漏状态。
本实施方式中，在停泵状态下，可以不做井漏判断，只做溢流判断。
本实施例中，不符合井漏特征时，为了避免漏报，继续判断是否符合渗漏，计算漏速存入缓存，然后判断是否为钻井循环状态。
如果当前处于钻井循环状态，则判断n1次中有n2次漏速在指定范围内，如果是，则输出目标井处于缓慢井漏。
其中，n1可以是20，n2可以是15。
示例性地，上述的指定范围可以是3-10方/小时。
在一种实施方式中，如图5所示，关于溢流相关情况的判定可以通过以下步骤实现。
步骤501，根据所述泵冲的状态数据确定所述泵冲的当前状态。
示例性地，当有多个泵冲共同工作时，可以通过各个泵冲的泵冲值的大小确定泵冲的当前状态。
示例性地，以四个泵冲为例，当前一时间节点的第一泵冲、第二泵冲、第三泵冲、第四泵冲的泵冲值都小于1，当前时间节点的存在至少一个泵冲的值大于1，说明是开泵。
步骤502，若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第五预设值。
示例性地，第五预设值可以与上述的第三预设值取值相同。当然，第五预设值也可以与上述的第三预设值取值不相同。例如，第五预设值可以是3分钟、4分钟、5分钟等一设定时长。
步骤503，若所述泵冲处于开泵状态的时长超过所述第五预设值，则判断所述目标井的出口流量是否增加超过第六预设值。
示例性地，若目标井的出口流量没有增加，则判断不是溢流，则终止程序判断。
示例性地，上述的第六预设值可以是3％、2.8％、2.5％等值。
步骤504，判断所述泵冲的增值是否小于第七预设值。
示例性地，上述的第七预设值可以是3、4等值。
步骤505，判断所述目标井的出口流量的流速是否大于第八预设值。
示例性地，第八预设值可以是19方/小时、20方/小时、21方/小时。
步骤506，若所述目标井的出口流量增加超过第六预设值，且所述泵冲的增值小于第七预设值，则输出所述目标井处于溢流状态。
例如，目标井的出口流量增加，且目标井的出口流量增加大于3％，且泵冲的增值小于3，则输出目标井处于溢流状态。
步骤507，若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速不大于第八预设值，则输出所述目标井处于溢流状态。
例如，目标井的出口流量增加，但目标井的出口流量增加小于3％，且出口流量的流速未超过20方/小时，则输出所述目标井处于溢流状态。
步骤508，若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速大于第八预设值，则输出所述目标井处于倒浆状态。
例如，目标井的出口流量增加，但目标井的出口流量增加小于3％，且出口流量的流速超过20方/小时，则输出所述目标井处于倒浆状态。
步骤509，若所述泵冲不属于开泵状态，判断所述钻井设备中的套管的压力是否大于第九预设值。
示例性地，上述的第九预设值可以是0.2MPA、0.19MPA等值。
步骤510，若所述钻井设备中的套管的压力在指定时间段内都大于第九预设值，则输出所述目标井处于溢流状态。
例如，停泵状态下，持续五个时间节点套管压力大于0.2MPA，则输出所述目标井处于溢流状态。
本实施例中的石油钻井井漏溢流智能检测方法，相比现有的油气田异常报警方式的优势在于采用趋势分析判断是否发出报警，而非单一参数值，通过实时数据的趋势而结合XGboost模型预测事故概率，分析判断发出报警，从而提高油气钻井异常报警的准确率；降低油气钻井误报率、漏报率。
进一步地，井异常判断业务逻辑，井数据经过井场复杂事故检测模型概率值判断后，再通过各种判断规则判断，使得井漏报警更加准确。
实施例三
基于同一申请构思，本申请实施例中还提供了与石油钻井井漏溢流智能检测方法对应的石油钻井井漏溢流智能检测装置，由于本申请实施例中的装置解决问题的原理与前述的石油钻井井漏溢流智能检测方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图6，是本申请实施例提供的石油钻井井漏溢流智能检测装置的功能模块示意图。本实施例中的石油钻井井漏溢流智能检测装置中的各个模块用于执行上述方法实施例中的各个步骤。石油钻井井漏溢流智能检测装置包括：计算模块601、第一确定模块602、判断模块603以及确定模块604；其中，
计算模块601，用于将采集的设定时间段的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到所述设定时间段中的各个时间节点的预测异常概率，井场复杂事故检测模型为井漏检测模型或溢流检测模型；
第一确定模块602，用于确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量；
判断模块603，用于判断所述目标数量是否超过第二预设值；
第二确定模块604，用于若所述目标数量超过第二预设值，则根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果。
一种可能的实施方式中，所述钻井工具包括泵冲；第二确定模块604，包括：第一确定单元、以及第二确定单元。
第一确定单元，用于根据所述泵冲的状态数据确定所述泵冲的当前状态；
第二确定单元，用于根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果。
一种可能的实施方式中所述目标井的异常情况包括：井漏；第二确定单元，用于；
若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第三预设值；
若所述目标井未处于开泵状态，或，处于开泵状态的时长未超过所述第三预设值，判断所述目标井的漏钻井液速度是否大于所述目标井的入口流量的指定比例；
若所述目标井的漏钻井液速度大于所述目标井的入口流量的指定比例，则输出所述目标井处于倒浆状态；
若所述目标井的漏钻井液速度不大于所述目标井的入口流量的指定比例，则根据所述目标井的泵冲的状态数据，判断所述泵冲差值是否大于第四预设值；
若所述泵冲差值大于所述第四预设值，则输出所述目标井处于开泵状态；
若所述泵冲差值不大于所述第四预设值，则输出所述目标井处于井漏状态。
一种可能的实施方式中，第一确定模块602，用于确定出所述各个时间节点的预测异常概率中超过第一预设值，且预测异常概率的时间节点为连续节点的目标数量。
一种可能的实施方式中，所述目标井的异常情况包括：溢流；第二确定单元，用于：
若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第五预设值；
若所述泵冲处于开泵状态的时长超过所述第五预设值，则判断所述目标井的出口流量是否增加超过第六预设值；
判断所述泵冲的增值是否小于第七预设值；
判断所述目标井的出口流量的流速是否大于第八预设值；
若所述目标井的出口流量增加超过第六预设值，且所述泵冲的增值小于第七预设值，则输出所述目标井处于溢流状态；
若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速不大于第八预设值，则输出所述目标井处于溢流状态；
若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速大于第八预设值，则输出所述目标井处于倒浆状态；
若所述泵冲不属于开泵状态，判断所述钻井设备中的套管的压力是否大于第九预设值；
若所述钻井设备中的套管的压力在指定时间段内都大于第九预设值，则输出所述目标井处于溢流状态。
一种可能的实施方式中，第一确定模块602，用于：确定各个时间节点的预测异常概率中连续指定数量个时间节点的预测异常概率中的预测异常概率超过第一预设值的目标数量。
一种可能的实施方式中，本实施的石油钻井井漏溢流智能检测装置还可以包括：模型训练模块，用于：
获取指定井的历史数据；
将所述历史数据进行特征提取，以得到多条特征数据；
将所述多条特征数据输入XGBoost梯度森林模型中进行训练，以得到井场复杂事故检测模型。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的石油钻井井漏溢流智能检测方法的步骤。
本申请实施例所提供的石油钻井井漏溢流智能检测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的石油钻井井漏溢流智能检测方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种石油钻井井漏溢流智能检测方法，其特征在于，包括：
将采集的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到所述目标井在分析周期内的各个时间节点的预测异常概率，所述井场复杂事故检测模型为井漏检测模型或溢流检测模型；
确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量；
判断所述目标数量是否超过第二预设值；
若所述目标数量超过第二预设值，则根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果；
其中，所述钻井工具包括泵冲；所述根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果的步骤，包括：根据所述泵冲的状态数据确定所述泵冲的当前状态；根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果。
2.根据权利要求1所述的方法，其特征在于，所述目标井的异常情况包括：井漏；所述根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果的步骤，包括：
若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第三预设值；
若所述目标井未处于开泵状态，或，处于开泵状态的时长未超过所述第三预设值，判断所述目标井的漏钻井液速度是否大于所述目标井的入口流量的指定比例；
若所述目标井的漏钻井液速度大于所述目标井的入口流量的指定比例，则输出所述目标井处于倒浆状态；
若所述目标井的漏钻井液速度不大于所述目标井的入口流量的指定比例，则根据所述目标井的泵冲的状态数据，判断泵冲差值是否大于第四预设值；
若所述泵冲差值大于所述第四预设值，则输出所述目标井处于开泵状态；
若所述泵冲差值不大于所述第四预设值，则输出所述目标井处于井漏状态。
3.根据权利要求2所述的方法，其特征在于，所述确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量的步骤，包括：
确定出所述各个时间节点的预测异常概率中超过第一预设值，且预测异常概率的时间节点为连续节点的目标数量。
4.根据权利要求1所述的方法，其特征在于，所述目标井的异常情况包括：溢流；所述根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果的步骤，包括：
若所述泵冲属于开泵状态，则判断所述开泵状态持续时长是否超过第五预设值；
若所述泵冲处于开泵状态的时长超过所述第五预设值，则判断所述目标井的出口流量是否增加超过第六预设值；
判断所述泵冲的增值是否小于第七预设值；
判断所述目标井的出口流量的流速是否大于第八预设值；
若所述目标井的出口流量增加超过第六预设值，且所述泵冲的增值小于第七预设值，则输出所述目标井处于溢流状态；
若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速不大于第八预设值，则输出所述目标井处于溢流状态；
若所述目标井的出口流量增加未超过第六预设值，且所述目标井的出口流量的流速大于第八预设值，则输出所述目标井处于倒浆状态；
若所述泵冲不属于开泵状态，判断所述钻井工具中的套管的压力是否大于第九预设值；
若所述钻井工具中的套管的压力在指定时间段内都大于第九预设值，则输出所述目标井处于溢流状态。
5.根据权利要求4所述的方法，其特征在于，所述确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量的步骤，包括：
确定各个时间节点的预测异常概率中连续指定数量个时间节点的预测异常概率中的预测异常概率超过第一预设值的目标数量。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述方法还包括：
获取指定井的历史数据；
将所述历史数据进行特征提取，以得到多条特征数据；
将所述多条特征数据输入XGBoost梯度森林模型中进行训练，以得到井场复杂事故检测模型。
7.一种石油钻井井漏溢流智能检测装置，其特征在于，包括：
计算模块，用于将采集的设定时间段的目标井的井数据输入到预先训练的井场复杂事故检测模型中进行计算，分别得到所述设定时间段中的各个时间节点的预测异常概率，所述井场复杂事故检测模型为井漏检测模型或溢流检测模型；
第一确定模块，用于确定出所述各个时间节点的预测异常概率中超过第一预设值的目标数量；
判断模块，用于判断所述目标数量是否超过第二预设值；
第二确定模块，用于若所述目标数量超过第二预设值，则根据钻井工具的状态数据以及钻井液变化数据确定出所述目标井的异常检测结果；
其中，所述钻井工具包括泵冲；第二确定模块，包括：第一确定单元、以及第二确定单元；第一确定单元，用于根据所述泵冲的状态数据确定所述泵冲的当前状态；第二确定单元，用于根据所述泵冲的当前状态、以及所述目标井的流量确定出所述目标井的异常检测结果。
8.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的方法的步骤。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的方法的步骤。
CN202010189329.2A 2020-03-17 2020-03-17 石油钻井井漏溢流智能检测方法、装置以及电子设备 Active CN111414955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010189329.2A CN111414955B (zh) 2020-03-17 2020-03-17 石油钻井井漏溢流智能检测方法、装置以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010189329.2A CN111414955B (zh) 2020-03-17 2020-03-17 石油钻井井漏溢流智能检测方法、装置以及电子设备

Publications (2)

Publication Number Publication Date
CN111414955A CN111414955A (zh) 2020-07-14
CN111414955B true CN111414955B (zh) 2023-08-25

Family

ID=71494524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010189329.2A Active CN111414955B (zh) 2020-03-17 2020-03-17 石油钻井井漏溢流智能检测方法、装置以及电子设备

Country Status (1)

Country Link
CN (1) CN111414955B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449417A (zh) * 2021-06-17 2021-09-28 中国海洋石油集团有限公司 一种注水井溢流层段预测方法
CN113417588B (zh) * 2021-07-29 2022-05-31 雷彪 一种油气钻井过程中溢流情况评价方法
CN114482885B (zh) * 2022-01-25 2024-03-29 西南石油大学 一种控压钻井智能控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5952569A (en) * 1996-10-21 1999-09-14 Schlumberger Technology Corporation Alarm system for wellbore site
CN103470202A (zh) * 2013-05-10 2013-12-25 中国石油大学(华东) 油气井钻井过程中溢流在线综合监测与预警方法
CN105484724A (zh) * 2014-09-18 2016-04-13 中国石油化工股份有限公司 一种钻井井下异常监测方法
CN109325520A (zh) * 2018-08-24 2019-02-12 北京航空航天大学 一种石油泄漏的检查方法、装置及系统
CN109472285A (zh) * 2018-09-29 2019-03-15 北京中油瑞飞信息技术有限责任公司 井漏识别方法、装置及计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11402290B2 (en) * 2018-06-15 2022-08-02 Nec Corporation Leakage inspection device, leakage inspection method, and storage medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5952569A (en) * 1996-10-21 1999-09-14 Schlumberger Technology Corporation Alarm system for wellbore site
CN103470202A (zh) * 2013-05-10 2013-12-25 中国石油大学(华东) 油气井钻井过程中溢流在线综合监测与预警方法
CN105484724A (zh) * 2014-09-18 2016-04-13 中国石油化工股份有限公司 一种钻井井下异常监测方法
CN109325520A (zh) * 2018-08-24 2019-02-12 北京航空航天大学 一种石油泄漏的检查方法、装置及系统
CN109472285A (zh) * 2018-09-29 2019-03-15 北京中油瑞飞信息技术有限责任公司 井漏识别方法、装置及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于隐马尔科夫模型的石油钻井事故预警方法;朱晓东 等;郑州大学学报(工学版);第39卷(第04期);51-57 *

Also Published As

Publication number Publication date
CN111414955A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111414955B (zh) 石油钻井井漏溢流智能检测方法、装置以及电子设备
US9996444B2 (en) Automated methods and systems for calculating hard thresholds
CN111324639B (zh) 数据监测方法、装置及计算机可读存储介质
US9670767B2 (en) Apparatus, system and methods for alerting of abnormal drilling conditions
WO2016093960A1 (en) Method for creating an intelligent energy kpi system
CN108663995B (zh) 一种工业过程变量趋势异常检测方法及装置
CN112348237B (zh) 一种动态钻井数据异常趋势检测方法
US10378332B2 (en) Monitoring a component used in a well operation
JP2015011027A (ja) 時系列データにおける異常を検出する方法
Folmer et al. Detection of temporal dependencies in alarm time series of industrial plants
CN116665421A (zh) 机械设备的预警处理方法、装置及计算机可读存储介质
CN108595687A (zh) 用水量异常检测方法和数据库服务器
CN116049146A (zh) 一种数据库故障处理方法、装置、设备及存储介质
CN115686910A (zh) 一种故障分析方法、装置、电子设备及介质
CN114997485A (zh) 溢流工况预测模型训练方法、装置及溢流工况预测方法
WO2016141007A1 (en) Alarm management using hiding rules
CN117149565A (zh) 云平台关键性能指标的状态检测方法、装置、设备及介质
CN109308570B (zh) 一种井下复杂工况识别方法、装置及系统
CN115829160B (zh) 一种时序异常预测方法、装置、设备及存储介质
CN117520964B (zh) 基于人工智能的电机预诊断方法
Kang et al. Real-time process quality control for business activity monitoring
US11960254B1 (en) Anomaly detection and evaluation for smart water system management
CN117725514B (zh) 一种溢流识别处理方法及溢流识别处理装置
CN117807749A (zh) 一种立管压力异常识别方法、装置、电子设备及存储介质
CN118277216A (zh) 日志异常检测方法、装置、设备、介质及程序产品

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100010 room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Applicant after: Kunlun Digital Technology Co.,Ltd.

Address before: 100010 room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Applicant before: RICHFIT INFORMATION TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220328

Address after: Room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Applicant after: Kunlun Digital Technology Co.,Ltd.

Applicant after: CHINA NATIONAL PETROLEUM Corp.

Address before: 100010 room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Applicant before: Kunlun Digital Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant