CN112228042B - 一种基于云边协同计算的抽油机井工况相似性判别方法 - Google Patents
一种基于云边协同计算的抽油机井工况相似性判别方法 Download PDFInfo
- Publication number
- CN112228042B CN112228042B CN202011140274.2A CN202011140274A CN112228042B CN 112228042 B CN112228042 B CN 112228042B CN 202011140274 A CN202011140274 A CN 202011140274A CN 112228042 B CN112228042 B CN 112228042B
- Authority
- CN
- China
- Prior art keywords
- working condition
- edge
- similarity
- data
- real
- 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
Images
Classifications
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于云边协同计算的抽油机井工况相似性判别方法,首先将边缘端节点抽油机的历史平稳工况作为正常工况,结合云平台专家系统剔除非平稳工况数据作为训练集;然后通过数据坐标变换分析各变量承载的数据特征,计算各变量贡献度,计算相似性特征及其阈值,进而建立边缘端抽油机节点的当日工况模型;根据该模型实时判别工况变化情况,及时发现突发性异常工况与渐进性工况恶化,将异常工况上报至云平台。该方法能够减少故障误报和漏报,充分利用了云平台专家系统及边缘计算网关的实时计算能力,对抽油机设备实施高效、可靠的管控,实现安全、稳定生产。
Description
技术领域
本发明涉及油田工况识别领域,具体而言,是通过对抽油机井平稳工况下的历史数据进行建模,基于相似性特征判别抽油机井工况变化的方法。
背景技术
在采油工程领域,示功图诊断法由于处理简单且具有明显的图形特征,近年来已逐渐成为抽油机井故障诊断技术的研究重点。根据工程原理与专家知识,一般认为抽油机井在典型工况下的示功图具有固定特征,如图1所示。
由于我国各大油田的地质情况复杂,多数抽油机设备在环境因素影响下难以接近标准工况下的示功图。如果仅仅借助几类典型示功图进行工况检测与报警,往往会导致抽油机示功图识别结果多数为异常,甚至产生不间断性的报警;同时,也无法识别故障程度不一的同种工况,容易遗漏故障渐进性恶化的情况,从而产生漏报。事实上,在实际生产中,采油及地质工艺专家通常认为,抽油机长时间平稳运行时的示功图可以视作该设备的正常工况示功图。
此外,现代抽油机井故障诊断系统大多依托于物联网架构,将现场数据传输至云端服务器进行复杂计算与诊断。然而由于网络传输、数据处理能力等的限制,传统物联网架构下的抽油机井故障诊断系统难以满足实时性需求,大量正常工况的数据占用网络信道,同时也会导致云端计算负担增大。
为指导油田科学生产,减少系统误报和漏报,保证诊断与报警的实时性与可靠性,需要采用合适的方法对抽油机井的工况进行相似性判别与实时诊断,及时发现突发故障工况与渐进性的工况恶化情况,并在工艺专家指导下调节系统的生产过程,实现稳定生产。
发明内容
针对上述缺陷,本发明提供一种基于云边协同计算的抽油机井工况相似性判别方法,结合云平台专家系统与边缘计算网关,剔除非平稳工况,构建边缘端节点抽油机设备的平稳工况训练集,并通过分析历史周期内抽油机悬点采集的示功图载荷数据的相似性特征,实现高效可靠、误报率低的抽油机工况诊断,实现安全平稳生产。
本发明提出一种基于云边协同计算的抽油机井工况相似性判别方法,具有如下步骤:
(1)为提高模型的准确性,基于采油及地质专家知识,采用周期滚动建模的方式,使用历史数据建模,并按照日周期为单位更新模型,即以当前日期D为基准,获取边缘端节点抽油机历史记录3天内的工况数据;
(2)从步骤(1)获得的历史数据中剔除已经工艺专家确认的非平稳工况数据,构建边缘端节点抽油机的平稳工况数据集;
(3)由于每台抽油机设备的平稳工况各不相同,采用边缘计算网关对其指定节点抽油机进行实时处理分析与建模,首先从步骤(2)中所述平稳工况数据集中选择n组数据作为正常工况样本集S:
其中每组数据包含m个变量,分别对应m个位移采样点处的载荷采样值;
(4)利用边缘计算网关对样本集S进行预处理,获得正常工况训练集X;
(5)根据正常工况训练集X建立边缘端节点当日工况模型MD;
(6)通过当日工况模型MD对边缘端节点实施实时工况相似性判别;
(7)为提高传输效率,减轻云计算负担并提高系统实时性能,边缘计算网关仅将步骤(6)中抽油机工况相似性判定结果为非平稳工况的实时工况数据上报至云平台,判定结果为平稳工况的实时工况不作上报,以减少大量重复数据占用网络信道;
(8)边缘计算网关完成当日实时工况检测后,选取当日最后一组平稳工况数据上报云平台作为记录。
进一步地,所述利用边缘计算网关对样本集S进行预处理的步骤如下:
其中xi={xij|j=1,2,...,n}代表第i个变量,且xij满足:
此时正常工况训练集X各变量方差为1,均值为0。
进一步地,所述建立边缘端节点当日工况模型MD的步骤如下:
(5-1)使用训练集X对边缘端节点当日工况进行建模,需要考虑训练集内各变量间的相关性。通过对数据的坐标变换可以分析各变量承载的数据特征,因此首先对训练集X求协方差矩阵,并对其进行特征值分解:
其中酉矩阵P={pi|i=1,2,...,m},特征值对角阵Λ中的特征值满足λ1≥λ2≥...≥λm;
(5-2)通过特征值对角阵Λ筛选出贡献度最大的l个变量,这些变量承载了较大数据特征,受工况影响较大,可用于描述边缘端节点当日工况模型MD;其他贡献度较低的变量承载的数据特征很少,舍弃这部分变量不会引起大宗信息的明显损失,还能达到消除噪声及变量间可能存在的多重共线性的作用;
(5-3)为实现识别工况变化的目的,需要提取当日工况模型MD的相似性特征,在统计学中,T2统计量用于衡量变量偏离正常值的程度,SPE统计量主要衡量变量之间相关性被改变的程度,而当工况发生改变时,变量间的关系和变量值都可能改变,因此可以求取T2统计量和SPE统计量作为相似性特征:
T2=xTPΛ-1PTx
SPE=||(I-PPT)x||2
由前述可知,正常工况训练集X中的每组数据是从历史数据中剔除少数非平稳工况得到的长时间平稳运行的同一类工况,可以认为是对边缘端节点抽油机同一种工况的反复多次测量,服从多元正态分布,因此采用以下公式计算T2统计量的阈值及SPE统计量的阈值ThSPE:
其中,l表示主要变量个数,α为检验水平,n为样本个数,F(l,n-l,α)是自由度为l和n-l的检验水平为α的F分布临界值,λj是特征值对角阵Λ的第j个特征值,cα是高斯分布的1-α上分位数。
进一步地,所述对边缘端节点实施实时工况相似性判别的步骤如下:
(6-1)实时采集当日实时工况数据;
(6-2)对原始数据进行滤波预处理,得到实时工况样本s=[s1,s1,...,sm];
(6-4)根据前述T2统计量和SPE统计量公式计算当前样本的相似度特征Tx 2和SPEx;
若σ=0显示未超限,表示当前工况平稳;否则,表示出现突发性故障或渐进性工况故障程度恶化,将上报云平台并进行报警,通知现场人员采取措施。
进一步地,所述降维筛选贡献度最大的l个变量的步骤如下:
(5-2-1)利用特征值对角阵Λ计算贡献度矩阵Cλ:
其中贡献度矩阵Cλ中的贡献度值满足cλ1≥cλ2≥...≥cλm,贡献度代表了该变量维度下包含信息量的比例;
(5-2-2)确定累积贡献度阈值Thλ;
(5-2-3)当前l个变量累积的贡献度达到阈值Thλ时:
保留这l个变量用以描述边缘端节点抽油机的当日工况模型MD。
有益效果
本发明公开了一种基于云边协同计算的抽油机井异常工况相似性判别方法,该方法充分利用云平台及边缘计算网关的实时计算能力,以边缘端节点抽油机历史平稳工况作为正常工况进行处理与分析,周期建立每日正常工况模型并计算相似性特征阈值,实时、高效地判别抽油机工况变化,减少故障误报与漏报。相较于传统的诊断方法,该方法具有实时性强、误报漏报率低、经济性好等优点,能现场对突发性异常工况进行报警,同时及时发现渐进性的工况恶化情况,这对于管控抽油机安全生产具有重要意义。
附图说明
图1为典型工况下的示功图;
图2为本发明的基于云边协同计算的抽油机井工况相似性判别系统框图;
图3为本发明的基于云边协同计算的抽油机井工况相似性判别系统流程框图;
图4为本发明具体算例1的结果图(渐进性工况变化);
图5为本发明具体算例1结果图中典型平稳工况与非平稳工况的示功图;
图6为本发明具体算例2的结果图(突发性故障变化);
图7为本发明具体算例2结果图中典型平稳工况与非平稳工况的示功图。
具体实施方式
下面结合附图以及具体的算例,由具体的操作流程说明本方法在抽油机井故障诊断的实施效果。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的总体系统框图如图2所示,包含现场感知层、边缘计算网关层及云平台层。本发明的总体系统流程图如图3所示,具体实施步骤如下:
(1)选取某原油开采企业某台历史工况持续表现为供液不足的抽油机井,以2020年6月18日为基准时间,获取6月15日0点15分至6月17日23点43分的历史工况数据。采样时间间隔为20分钟,每日72组工况数据,共计216组数据,以此建立当日工况模型并计算相似性特征阈值。使用6月18日0点03分至23点52分之间的72组工况数据来验证本发明基于云边协同计算的抽油机过程相似性判别方法的可行性。
(2)利用大数据云平台专家系统剔除5组非平稳工况下的数据;
(3)从剩余211组样本工况数据中选取200组,每组数据包含200个变量,分别对应200个位移采样点处的载荷采样值,以此构成正常工况样本集S;
然后进行零-均值标准化处理,获得正常工况训练集X。
(5)根据正常工况训练集X建立边缘端节点当日工况模型MD,具体步骤如下:
首先,求协方差矩阵并进行特征值分解:
其次,利用特征值对角阵Λ求解贡献度矩阵Cλ,将特征值对角阵Λ中的每个元素除以所有特征值之和,然后确定累积贡献度阈值Thλ=0.95,在本算例中,前21个变量的累积贡献度满足:
保留前21个变量用以描述边缘端节点抽油机的当日工况模型MD;
T2=xTPΛ-1PTx
SPE=||(I-PPT)x||2
本算例中,θ1=9.8300,θ2=2.1234,θ1=0.7009,则:
结合cα=c0.99=2.3263,可求出ThSPE=15.6864。模型MD具体参数如表1所示:
表1模型MD参数
(6)通过当日工况模型MD对边缘端节点实施实时工况相似性判别,具体步骤如下:
其次,根据前述T2统计量和SPE统计量公式,对每组工况x计算当前样本的相似度特征Tx 2和SPEx;
本算例的结果如图4所示,在6月18日9时42分之前,该油井工况稳定,σ=0显示未超限;6月18日10时02分,T2统计量和SPE统计量均出现越界现象,因此当前工况与正常工况不再具有相似性,表示出现突发性故障或渐进性工况故障程度恶化,需要上报云平台进行报警。此后,在15时22分和21时02分,T2统计量和SPE统计量又出现了两次进一步的越界现象,表示当前工况发生进一步恶化。选取6月18日0时03分、10时02分、15时22分和21时02分的4组数据绘制示功图,可以发现工况在平稳运行状态下的工况为供液不足,此后出现供液不足工况不断恶化的现象,如图5所示。
(7)将步骤(6)中抽油机工况相似性判定结果为非平稳工况的实时工况数据上报至云平台,判定结果为平稳工况的实时工况不上报;
(8)边缘计算网关完成6月18日的实时工况检测后,选取当日最后一组平稳工况数据,即9时42分的工况数据上报云平台作为记录。
类似地,选取同企业另一台历史工况持续表现为平衡块过重的抽油机井,以2020年3月13日至3月15日历史数据建模,累积贡献度阈值依旧选取为Thλ=0.95,求得模型关键参数为:l=32,ThSPE=14.8575,采用该边缘节点3月16日的工况数据进行实时工况相似性判别,结果如图6所示,在3月16日18时30分,T2统计量和SPE统计量均出现较大的越界现象,当天0时1分与18点30分的示功图如图7所示,可以发现此边缘端节点抽油机出现了抽油杆断脱的突发性故障,且一直保持为断杆工况。
由上述分析可知,本发明的抽油机井工况相似性判别具备工况变化判别功能,能够对突发性故障工况及渐进性恶化的故障工况进行有效识别。可见,通过本发明可以实现快速、高效、低误报、低漏报的抽油机井工况诊断与报警,从而避免在采油工业生产过程中抽油机突发或渐进性故障对采油现场的安全生产产生威胁,同时能够有效降低自动化系统资源占用,并降低现场人员劳动强度。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例,都属于本发明所保护的范围。
Claims (5)
1.一种基于云边协同计算的抽油机井工况相似性判别方法,其特征在于包括以下步骤:
(1)以当前日期D为基准,获取边缘端节点抽油机历史记录三天内的工况数据;
(2)从步骤(1)中剔除已经工艺专家确认的非平稳工况数据,获得边缘端节点抽油机平稳工况数据集;
(3)从步骤(2)中所述平稳工况数据集中选择n组数据作为正常工况样本集S:
其中每组数据包含m个变量,分别对应m个位移采样点处的载荷采样值;
(4)利用边缘计算网关对样本集S进行预处理,获得正常工况训练集X;
(5)根据正常工况训练集X建立边缘端节点当日工况模型MD;
(6)通过当日工况模型MD对边缘端节点抽油机实施实时工况相似性判别;
(7)将步骤(6)中抽油机工况相似性判定结果为非平稳工况的实时工况数据上报至云平台,判定结果为平稳工况的实时工况不上报;
(8)边缘计算网关完成当日实时工况检测后,选取当日最后一组平稳工况数据上报云平台作为记录。
3.根据权利要求1所述的一种基于云边协同计算的抽油机井工况相似性判别方法,其特征在于,步骤(5)的边缘端节点当日工况模型MD建立包括以下步骤:
(5-1),对正常工况训练集X求协方差矩阵,并对其进行特征值分解:
其中酉矩阵P={pi|i=1,2,...,m},特征值对角阵Λ中的特征值满足λ1≥λ2≥...≥λm;
(5-2),通过特征值对角阵Λ筛选出贡献度最大的l个变量,用以描述边缘端节点抽油机的当日工况模型MD;
T2=xTPΛ-1PTx
SPE=||(I-PPT)x||2
其中,l表示主要变量个数,α为检验水平,n为样本个数,Fα(l,n-l)是自由度为l和n-l的检验水平为α的F分布临界值,λj是特征值对角阵Λ的第j个特征值,cα是高斯分布的1-α上分位数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011140274.2A CN112228042B (zh) | 2020-10-22 | 2020-10-22 | 一种基于云边协同计算的抽油机井工况相似性判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011140274.2A CN112228042B (zh) | 2020-10-22 | 2020-10-22 | 一种基于云边协同计算的抽油机井工况相似性判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112228042A CN112228042A (zh) | 2021-01-15 |
CN112228042B true CN112228042B (zh) | 2022-07-15 |
Family
ID=74110713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011140274.2A Active CN112228042B (zh) | 2020-10-22 | 2020-10-22 | 一种基于云边协同计算的抽油机井工况相似性判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112228042B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165165B (zh) * | 2023-04-25 | 2023-07-07 | 四川威斯派克科技有限公司 | 一种药品原辅料在线实时放行的检测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9514159B2 (en) * | 2010-10-27 | 2016-12-06 | International Business Machines Corporation | Database insertions in a stream database environment |
US20150120248A1 (en) * | 2013-10-30 | 2015-04-30 | General Electric Company | System and method for diagnosing machine faults |
CN104110251A (zh) * | 2014-06-24 | 2014-10-22 | 安徽多杰电气有限公司 | 一种基于art2的抽油机示功图识别方法 |
CN104182623A (zh) * | 2014-08-12 | 2014-12-03 | 南京工程学院 | 一种基于当量变化率计算的热工过程数据检测方法 |
CN104865827B (zh) * | 2015-03-23 | 2017-11-10 | 中国石油天然气股份有限公司 | 一种基于多工况模型的抽油机采油优化方法 |
CN106884644B (zh) * | 2017-04-26 | 2020-12-15 | 中国石油大学(华东) | 基于时序地面示功图的抽油机井实时工况诊断方法 |
CN109255134B (zh) * | 2017-07-12 | 2021-08-31 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
CN109630095B (zh) * | 2018-12-03 | 2019-08-30 | 中国石油大学(华东) | 一种基于多视角学习的抽油机井工况识别方法及系统 |
CN109459993B (zh) * | 2018-12-06 | 2021-06-25 | 湖南师范大学 | 一种流程工业过程在线自适应故障监测与诊断方法 |
CN110130875B (zh) * | 2019-06-20 | 2022-07-12 | 中国石油大学(华东) | 抽油机异常工况监控方法 |
CN111338310B (zh) * | 2020-03-30 | 2023-02-07 | 南京富岛信息工程有限公司 | 一种工业过程稳态工况识别与分类方法 |
-
2020
- 2020-10-22 CN CN202011140274.2A patent/CN112228042B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112228042A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
WO2022252505A1 (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
Wu et al. | Full-life dynamic identification of wear state based on on-line wear debris image features | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN111046564A (zh) | 两阶段退化产品的剩余寿命预测方法 | |
DE102012103652A1 (de) | Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit | |
CN104331595B (zh) | 桥梁损伤预警的移动主成分相关系数法 | |
JP3651693B2 (ja) | プラント監視診断装置および方法 | |
CN107895014B (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN112393906A (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN112228042B (zh) | 一种基于云边协同计算的抽油机井工况相似性判别方法 | |
CN115470973A (zh) | 一种基于arima的企业日常用电量异常检测方法 | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN114331114A (zh) | 一种管道安全风险智能化监管方法及系统 | |
Harrou et al. | Early detection of abnormal patient arrivals at hospital emergency department |
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 |