CN112262355A - 使用模式识别预测电潜泵中的故障 - Google Patents

使用模式识别预测电潜泵中的故障 Download PDF

Info

Publication number
CN112262355A
CN112262355A CN201980038682.6A CN201980038682A CN112262355A CN 112262355 A CN112262355 A CN 112262355A CN 201980038682 A CN201980038682 A CN 201980038682A CN 112262355 A CN112262355 A CN 112262355A
Authority
CN
China
Prior art keywords
esp
sensor
computer
data
tree
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
Application number
CN201980038682.6A
Other languages
English (en)
Inventor
阿卜杜南姆·阿-马格劳斯
奥比马洛塔·伦纳德·伊西切尔
穆罕默德·法哈德·阿-卡西米
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.)
Saudi Arabian Oil Co
Original Assignee
Saudi Arabian Oil Co
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 Saudi Arabian Oil Co filed Critical Saudi Arabian Oil Co
Publication of CN112262355A publication Critical patent/CN112262355A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/12—Methods or apparatus for controlling the flow of the obtained fluid to or in wells
    • E21B43/121—Lifting well fluids
    • E21B43/128—Adaptation of pump systems with down-hole electric drives
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/0088—Testing machines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

从包含在井口中所部署的电潜泵(ESP)中的多个传感器接收传感器数据。基于传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示。提供ESP故障迫近的通知。

Description

使用模式识别预测电潜泵中的故障
优先权要求
本申请要求于2018年4月12日递交的美国专利申请No.15/951,798的优先权，其全部内容由此通过引用并入本文。
背景技术
本公开适用于使用模式识别来预测电潜泵(ESP)中的故障的技术。
发明内容
本公开描述了可以用于使用模式识别来预测电潜泵中的故障(ESP)的技术。在一些实施方式中，一种计算机实现的方法，包括：从多个传感器接收传感器数据，每个传感器被包含在部署在井口中的ESP中；基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定，提前指示迫近的ESP故障；以及提供ESP故障迫近的通知。
之前描述的实施方式可以使用以下来实现：计算机实现的方法；存储用于执行所述计算机实现的方法的计算机可读指令的非暂时性计算机可读介质；以及包括计算机存储器的计算机实现的系统，该计算机存储器与硬件处理器可互操作地耦合，该硬件处理器被配置为执行计算机实现的方法/非暂时性计算机可读介质上存储的指令。
在本说明书中描述的主题可以在特定实施方式中实现，从而实现以下优点中的一个或多个。第一，预测ESP故障的自动化和集成系统可以提供用于生产操作的正确且高效的方式。第二，单个集成解决方案可以用于ESP监测、优化和故障预测。第三，所述技术可以使用大数据分析，以防止设备故障、延长设备的运行寿命和最大化使用该设备的产量。第四，ESP故障的预测可以帮助安排ESP置换和确定其优先级。
在具体实施方式、附图和权利要求书中阐述本说明书的主题的一个或多个实施方式的细节。通过具体实施方式、权利要求书和附图，所述主题的其他特征、方面和优点将变得明显。
附图说明
图1是示出根据本公开的一些实施方式的用于泵数据故障模式识别的结构的示例的框图。
图2是示出根据本公开的一些实施方式的显示振动高值和振动低值的振动值树的示例的树图。
图3是示出根据本公开的一些实施方式的显示温度值高和低的温度值树的示例的树图。
图4是示出根据本公开的一些实施方式的警告和故障的示例时间线的图。
图5是示出根据本公开的一些实施方式的用于提供关于电潜泵(ESP)故障的信息的示例结构的框图。
图6是根据本公开的一些实施方式的示出示例散点图的散点图，所述示例散点图包括与ESP故障相关联的早期警报和后期警报的模式。
图7是根据本公开的一些实施方式的示例时间线的时间线图，该示例时间线包括传感器读数(包括已检测的警报)和后续故障的出现日期。
图8是根据本公开的一些实施方式的用于提供ESP故障的迫近的通知的示例方法的流程图。
图9是示出根据本公开的一些实施方式的用于提供与所描述的算法、方法、功能、处理、流程相关联的计算功能和如本公开中所描述的过程的示例计算机系统的框图。
各附图中相似的附图标记和标志指示相似的要素。
具体实施方式
以下具体实施方式描述可以用于使用模式识别来预测电潜泵(electricalsubmersible pumps)中的故障(ESP)的技术。对所公开的实现的各种修改、改变和置换可以被实现并且对本领域普通技术人员而言将显而易见，并且在不背离本公开的范围的情况下，所定义的一般原理可以适用于其他实现和应用。在一些实例中，可以省略不必要的细节以获得对所描述的主题的理解，从而不会因不必要的细节而使一个或多个所描述的实施方式变得模糊，因为这样的细节在本领域普通技术人员的技能范围内。本公开并非意在限于所描述的或示出的实施方式，而应赋予与所描述的原理和特征一致的最宽范围。
本公开中所描述的技术可以基于模式识别而不是完全依赖于传统的单独的标记和传感器警报来补充传统监测技术和改善整体的ESP性能。当部署集成的先进ESP监测解决方案时，除了使用单独的传感器偏差之外，工程师也可能能够立即识别ESP问题，并且立即防止或规划潜在故障事件。ESP故障预测模型可以实时运行和部署，以检测、防止和规划可能的故障。ESP故障预测模型也可以与ESP监测解决方案集成。用于预测ESP中的故障的技术可以向移动应用、基于web的系统或其他用户前端提供信息。
预测模型可以使用包括历史传感器读数和后续故障的大数据、使用来自诸如北美、南美、非洲、澳大利亚、欧洲和亚洲之类的各个地理区域的信息进行训练。所产生的模型在提前检测故障事件时可以产生可能的结果。例如，所述模型可以用于识别已检测的事件和故障之间的25天的提前时间。这样的提前时间可以提供警报/动作框架，该框架可以帮助工程师提前诊断和解决问题，从而避免故障或针对不可以避免的故障做出规划。
故障预测技术的关键挑战和缺陷之一包括，可以用于预测的数据的准确性和可用性。例如，为了训练该模型，团队可能投入大量的时间来选择允许信息被过滤以对故障进行分类的适当的、干净的训练数据集合。使用这些技术，工程师可以专注于防止意外的ESP停机(trips)和故障，并且可以确定ESP置换活动、合约和策略的优先级。
本公开中所描述的技术可以包括使用先进的模式识别方法来实时分析ESP历史故障和预测潜在故障。所述技术可以使用智能模式预测算法来开发，所述智能模式预测算法当前可以自动运行ESP集成监测环境的实时流部件。所述技术可以通过在时间上基于关键ESP传感器行为来突出针对重要事件的低级-高级警报区域，扩展基于每个传感器阈值的传统的实时监测来检测整体的ESP性能问题。
所述技术和所产生的模型可以针对旧的以及新的ESP故障进行测试。通过使用模式识别，所述技术可以用于提前成功检测故障事件，通过ESP预测操作对防止故障、延长ESP运行寿命和最大化产量提供了重要影响。
预测方法可以使用主要的ESP井底传感器数据(例如，电机温度、安培数和振动)来创建ESP智能模式识别和预测模型。可以首先对模型进行训练，以理解每个传感器的正常和异常行为，并且所述模型可以基于警报的严重性，将可能的故障的类型分类为，属于低级警告(或高级警告)。所述预测方法的目标是：以及时的方式向生产工程师发出用于防止ESP停机(trips)、意外的故障并且延长设备运行寿命的警报。可以对模型进行增强和训练，以检测ESP故障的每种类型和针对其推荐动作，ESP故障包括电机烧毁、断轴和硫化氢(H2S)问题。
图1是示出根据本公开的一些实施方式的用于泵数据故障模式识别的结构100的示例的框图。结构100包括：泵数据故障模式识别模块102，其处理输入时间序列数据104，以产生作为输出的故障/停机指示106。在时间上，故障/停机指示106可以补充或并入到输入时间序列数据104，如由迭代箭头108所示。在时间上，迭代可以提高由泵数据故障模式识别模块102所产生的输出的准确性和有效性。
电潜泵可以利用智能传感器进行部署，例如，振动(V)、温度(T)、电流(I)、入口压力(I.P)和排出压力(D.P)传感器。传感器可以提供待定的ESP故障的提前指示。故障可以包括若干种分类的ESP故障，例如，电机烧毁故障或ESP泵被卡。泵数据故障模式识别模块102可以处理来自多个传感器的读数，并且在异常条件期间提供提前警告。泵数据故障模式识别模块102也可以自动链接到故障数据库和ESP因素数据库，ESP因素数据库包括关于不同的ESP类型的信息。在ESP中的电机烧毁的情况下，可以显示故障泵的历史行为，例如，在泵的实际故障出现之前，已存在入口压力的上升、电机温度的上升和稳定的排出压力。例如，在故障之前，每个传感器可以生成偏差模式，所述偏差模式可以包括范围广泛的一致高值或一致低值可识别的模式，基于其可以生成树模式。用于预测故障的算法可以以每个传感器的可接受的限制为因素。例如，上升的ESP入口压力、稳定的排出压力和具有“异常树模式”的若干个趋势传感器可以组成“异常森林”，并且可以以确定性程度来预测异常ESP。
图2是示出根据本公开的一些实施方式的显示振动值高和低的振动值树200的示例的树图。根节点202包括基准振动值V。振动值树200中的子节点204示出使值V1与根节点202中的值V相关联的分支。例如，子节点204a中的值V1大于从根节点取得的值V，并且子节点204b中的值V1小于值V。振动值树200中的每个孙节点206定义值V2与作为父节点的各个子节点204的值V1之间的关系。例如，孙节点206a中的值V2大于从子节点204a取得的值V1，并且孙节点206b中的值V2小于值V1。振动值树200中的每个曾孙节点208定义值V3与作为父节点的各个孙节点206的值V2之间的关系。例如，曾孙节点208a中的值V3大于从孙节点206a取得的值V2，并且曾孙节点208b中的值V3小于值V2。
振动值树200示出关键反应变量(例如，振动V)和Y1的不连续的理论限制210。Y1可以被考虑为树的深度和可接受的确定性的限制。如果V具有n个Y1高度，则树也可以用于压力P。T，V，I∈{I.P，D.P，I.T，D,T}，表示温度、体积和电流是包括入口压力(I.P)、排出压力(D.P)、进气温度(I.T)和排气温度(D.T)的集合的子集。
ESP泵的异常的分类，例如，可以由等式(1)给定:
Figure BDA0002827663120000051
其中，x是针对温度(T)、振动(V)和电流(I)的传感器X∈(T，V，I)的反应变量的数量，其中，K是针对每个变量已观察到高值，并且其中的Y1表示针对每个传感器X的可接受的阈值。等式(1)可以示出，如果针对每个变量X为高值的数量等于Y1，则指示异常。
图3是示出根据本公开的一些实施方式的显示温度值高和低的温度值树300的示例的树图。温度值树300包括Y2的不连续的理论限制310、以及示出温度之间的关系的节点的层级。节点的层级包括根节点302、子节点304、孙节点306和曾孙节点308。
模式识别模块可以针对关于不同的井的ESP传感器数据进行开发和应用。传感器数据可以包括关键ESP参数数据，其例如使用以下读数来描述泵的状态:
1 ESP入口压力
2 ESP排出压力
3 频率
4 电机振动
5 电流
6 电机温度
表1–传感器数据
图4是示出根据本公开的一些实施方式的警告和故障的示例时间线400的图。在一些实施方式中，时间线400可以在突出了故障402和在故障402之前的警告404的指示的用户界面中呈现。时间线400可以用作并且被呈现为(例如，在由用户从过去故障402的组中选择之后所生成的)报告。
在一些实施方式中，时间406轴上的实际日期407可以被相对日期指示符替换，例如，将故障402在时间406轴上标记为在日期0处，并且利用数值(例如，相对于故障402的零天的负天数)来标记提前于故障402的日期的天数。在一些实施方式中，多个时间线400可以并列、叠加或进行可视平均地显示，以呈现故障模式。
在时间406上出现的警告404可以通过警告类型和严重性408进行分类，严重性408在时间线400上示出警告的高度，所述警告是主要故障警告或次要故障警告。例如，如图例410所示，实线描绘主要故障警告412，并且虚线描绘次要故障警告414。故障402可以使用粗线指示。呈现故障类型中的差异的其他方式可以包括，例如，使用不同的颜色。
在一些实施方式中，警告的严重性(以及线相对于严重性408轴的高度)可以取决于一种或多种传感器的值。例如，当温度或振动传感器中的变化的速率、变化的量或变化的百分比超过针对主要故障警告的阈值时，则线可以成为在传感器读数的时间406处具有关于严重性408轴的高度的粗线。
图5是示出根据本公开的一些实施方式的用于提供关于电潜泵ESP故障的信息的示例结构500的框图。结构500包括：数据分析系统502，其被配置为分析数据504，例如，在ESP处的历史传感器读数、历史故障信息和当前的情况。分析的结果可以用于为用户506提供信息，包括识别(例如，在当前运行的ESP处的)过去的故障(以及相关的警报信息)和预测未来的故障的信息。在一些实施方式中，数据分析系统502可以包括(或可以使用以下实现)用于技术计算的高性能语言，例如，MATLAB。
在处理期间，数据分析系统502可以使用数据预处理器510来处理数据504。数据预处理器510可以从数据504中识别坏数据508，坏数据508可以包括，例如与ESP故障的分析和识别不相关的数据、以及可能错误的数据。数据设置模块512可以允许数据分析系统502的用户控制如何处理信息，包括设置参数和关于如何处理信息和最终向用户506呈现的优选项。
由数据分析系统502执行的处理可以包括：模型信号处理514，其使用统计模型516结合已接收的数据504来预测潜在ESP故障。处理可能也依赖于用于预测潜在ESP故障的机器学习模型518和相关联的机器学习算法。识别已预测的潜在ESP故障的信息可以由仪表板模块520采集。ESP可视化集线器522可以从仪表板模块520接收信息，以将已预测的ESP故障和其他信息呈献给用户506。
图6是示出根据本公开的一些实施方式的示例散点图600的散点图，所述示例散点图包括与ESP故障相关联的早期警报和后期警报的模式。散点图600包括少于一百个早期样本点602，其指示与ESP故障相关联的早期警报。散点图600还包括多于一百个后期样本点604，其指示与ESP故障相关联的后期警报。任意一个图602或图604的位置取决于第一主分量606和第二主分量608的值，第一主分量606和第二主分量608中的每一个可以是不同类型的警报，例如，温度和压力。向其呈现散点图600的用户可以看见例如早期传感器警告和后期传感器警告之间的关系。
图7是根据本公开的一些实施方式的示例时间线700的时间线图，该示例时间线700包括传感器读数702(包括已检测的警报)和后续故障704的出现日期。例如，故障704被示出为：在从不同的ESP传感器708出现异常标记706之后大约一个月出现。时间线700中所示的示例可以是未来防止未来的故障和生产损失而可以避免(例如，通过校正ESP设置)的许多情况中的一种。避免这样的故障可以例如通过检测时间线700中的异常传感器读数和后续故障704的一种或多种模式、以及传感器读数和ESP故障中具有类似关系的其他情况来实现。
图8是根据本公开的一些实施方式的用于提供ESP故障的迫近的通知的示例方法800的流程图。为了表述的清楚，以下描述总体上在本说明书的其他附图的背景中描述方法800。然而，应理解，方法800在适当时可以例如由任意合适的系统、环境、软件和硬件，或系统、环境、软件和硬件的合适的组合来执行。在一些实施方式中，方法800的各步骤可以并行、组合、循环或以任意顺序运行。
在802处，从部署在井口中的电潜泵(ESP)中所包含的多个传感器接收传感器数据。例如，泵数据故障模式识别模块102可以接收输入时间序列数据104。已接收的数据可以包括，例如，在后续故障704之前出现的传感器读数702(包括已检测的警报，例如，警告404)。传感器读数也可以包括例如传感器数据，例如，电机温度数据、电流数据、振动数据、入口压力(intake pressure)数据和排出压力(discharge pressure)数据。方法800从802进行到804。
在804处，基于传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示。作为示例，泵数据故障模式识别模块102可以使用已接收的输入时间序列数据104来确定故障是迫近的。可以例如通过检测比平常的警告404的数量出现更多、或提供异常标记706的传感器读数702或某种组合来做出确定。
在一些实施方式中，方法800可以包括训练模式检测模型。例如，模式检测模型可以进行训练，以理解每个传感器的正常行为、异常行为和重要事件(例如，异常标记706)。训练可以基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析。例如，训练可以基于模型信号处理514、统计模型516和机器学习模型518的组合。潜在ESP故障可以基于从特定ESP类型的特定传感器所接收的警报的严重性被分类为：属于低级警告(例如，警告404)或高级警告(例如，主要故障警告412)。特定的潜在ESP故障的分类可以基于单个传感器或多个传感器。信息可以针对每个潜在ESP故障被存储在模式检测模型(例如，由泵数据故障模式识别模块102使用)中。
在一些实施方式中，对指定的潜在ESP故障进行分类可以包括：考虑针对一个或多个传感器的生成范围广泛的一致高值或一致低值的传感器读数的模式。例如，故障模式可以基于，诸如时间线400中示出的那些模式。
在一些实施方式中，确定ESP故障的提前指示可以包括：基于异常树的时间相关的存在，确定树的异常森林。例如，确定树的异常森林可以包括：考虑每个传感器的可接受的限制，包括基于振动值树200、温度值树300和其他树做出确定。方法800从804进行到806。
在806处，提供ESP故障迫近的通知。例如，泵数据故障模式识别模块102可以提供故障/停机(trip)指示106。可以例如基于从模型信号处理514、统计模型516和机器学习模型518接收的信息，通过仪表板模块520实现提供指示。关于迫近的ESP故障的信息可以提供给ESP可视化集线器522，以呈现给用户。在一些实施方式中，ESP故障可以是电机烧毁、断轴或各种硫化氢(H2S)问题中的一种。在806之后，方法800停止。
在一些实施方式中，方法800还包括：生成针对指定传感器的树，所述树包括针对指定传感器的传感器值的树模式和针对传感器值的可接受的限制。例如，泵数据故障模式识别模块102可以生成基于传感器的树，例如，振动值树200和温度值树300。
图9是示出了根据本公开的一些实施方式的用于提供与如本公开中描述的算法、方法、功能、处理、流程和过程相关联的计算功能的示例计算机系统900的框图。示出的计算机902旨在包括任意计算设备，例如服务器、台式计算机、膝上型/笔记本计算机、无线数据端口、智能电话、个人数字助理(PDA)、平板计算设备、这些设备内的一个或多个处理器、或任意其它合适的处理设备(包括计算设备的物理或虚拟实例(或这两者))。另外，计算机902可以包括以下的计算机，该计算机包括可以接受用户信息的输入设备(例如，键区、键盘、触摸屏或其他设备)和传递与计算机902的操作相关联的信息(包括数字数据、视觉或音频信息(或信息的组合)或图形类型用户界面(UI)(或GUI))的输出设备。
计算机902可以用作用于执行本公开中描述的主题的计算机系统的客户端、网络组件、服务器、数据库或其他持久性装置或任何其他组件的角色(或角色的组合)。所示出的计算机902可通信地与网络930耦合。在一些实施方式中，计算机902的一个或多个组件可以被配置为在包括基于云计算的环境、本地环境、全局环境、或其他环境的环境(或环境的组合)之内操作。
从高层面来看，计算机902是可操作用于接收、发送、处理、存储或管理与所描述的主题相关联的数据和信息的电子计算设备。根据一些实施方式，计算机902还可以包括或可通信地耦接到应用服务器、邮件服务器、web服务器、缓存服务器、流传输数据服务器、或其他服务器(或服务器的组合)。
计算机902可以通过网络930从(例如，在另一个计算机902上执行的)客户端应用接收请求，并通过使用适当的软件应用处理所接收的请求来响应所接收的请求。此外，还可以从内部用户(例如，从命令控制台或通过其他适当的访问方法)、外部或第三方、其他自动化应用以及任何其他适当的实体、个人、系统或计算机向计算机902发送请求。
计算机902的组件中的每个组件可以使用系统总线903通信。在一些实施方式中，计算机902的任意或所有组件(硬件和/或软件(或硬件和软件的组合))可以使用应用编程接口(API)912或服务层913(或API 912和服务层913的组合)，通过系统总线903彼此交互或与接口904(或两者的组合)交互。API 912可以包括用于例程、数据结构和对象类的规范。API 912可以是与计算机语言无关的或有关的，并且可以指完整的接口、单个功能、或者甚至是一组API。服务层913向计算机902或可通信地耦合到计算机902的其它组件(无论是否被示出)提供软件服务。计算机902的功能对于使用该服务层的所有服务消费者可以是可访问的。软件服务(例如，由服务层913提供的软件服务)通过定义的接口提供可重用的、已定义的功能。例如，接口可以是提供可扩展标记语言(XML)格式或其他合适格式的数据的以JAVA、C++或其他合适的语言所编写的软件。尽管被示为计算机902的集成组件，但是备选实施方式可以将API 912或服务层913示为相对于计算机902的其他组件或可通信地耦合到计算机902的其他组件(无论是否被示出)的独立组件。此外，API 912和服务层913的任意或所有部分可以被实现为另一软件模块、企业应用或硬件模块的子模块或分模块而不脱离本公开的范围。
计算机902包括接口904。尽管在图9中被示为单个接口904，但是可以根据计算机902的特定需要、期望或特定实施方式而使用两个或更多个接口904。接口904被计算机902用于与被连接到分布式环境中的(无论是否被示出的)网络930的其他系统通信。通常，接口904包括被编码在软件或硬件(或软件和硬件的组合)中且可操作地与网络930通信的逻辑。更具体地，接口904可以包括支持与通信相关联的一个或多个通信协议的软件，使得网络930或接口的硬件可操作地在所示出的计算机902内部和外部传送物理信号。
计算机902包括处理器905。尽管在图9中被示为单个处理器905，但是可以根据计算机902的特定需要、期望或特定实施方式而使用两个或更多个处理器。通常，处理器905执行指令并操纵数据，以执行计算机902的操作以及如本公开中所描述的任何算法、方法、功能、处理、流程和过程。
计算机902还包括：数据库906，其可以为计算机902或可以被连接到网络930的(无论是否被示出的)其他组件(或两者的组合)保存数据。例如，数据库906可以是存储与本公开一致的数据的内部存储器(in-memory)、传统的或其他类型的数据库。在一些实施方式中，根据计算机902的特定需要、期望或特定实施方式和所描述的功能，数据库906可以是两个或更多个不同数据库类型的组合(例如，混合的内部存储器和传统数据库)。尽管在图9中被示为单个数据库906，但是根据计算机902的特定需要、期望或特定实施方式和所描述的功能，可以使用(相同的或组合的类型的)两个或更多个数据库。虽然数据库906被示为计算机902的集成组件，但是在备选实施方式中，数据库906可以在计算机902的外部。
计算机902还包括：存储器907，其为计算机902和可以被连接到网络930(无论是否被示出)的其他组件(或两者的组合)保存数据。存储器907可以存储与本公开一致的任意数据。在一些实现中，根据计算机902的特定需要、期望或特定实现和所描述的功能，存储器907可以是两个或更多个不同类型的存储器的组合(例如，半导体和磁存储器的组合)。尽管在图9中被示为单个存储器907，但是根据计算机902的特定需要、期望或特定实施方式和所描述的功能，可以使用(相同的或组合的类型的)两个或更多个存储器907。虽然存储器907被示出为计算机902的集成组件，但是在备选实施方式中，存储器907可以在计算机902的外部。
应用908是提供根据计算机902的特定需要、期望或特定实施方式的功能(尤其是关于本公开中所描述的功能)的算法软件引擎。例如，应用908可以用作一个或多个组件、模块或应用。此外，尽管被示为单个应用908，但是应用908可以被实现为计算机902上的多个应用908。此外，虽然被示出为与计算机902集成，但是在备选实施方式中，应用908可以在计算机902的外部。
计算机902还可以包括电源914。电源914可以包括可以被配置为用户或非用户可更换的可再充电或不可再充电电池。在一些实施方式中，电源914可以包括电力转换或管理电路(包括再充电、备用或其他电力管理功能)。在一些实施方式中，电源914可以包括电源插头，以允许计算机902插入墙上插座或其他电源以例如为计算机902供电或为可再充电电池充电。
可以存在与包含计算机902的计算机系统相关联或在其外部的任意数量的计算机902，每个计算机902通过网络930进行通信。此外，术语“客户端”、“用户”和其他适当的术语可以适当地互换使用而不脱离本公开的范围。而且，本公开考虑许多用户可以使用一个计算机902，或者一个用户可以使用多个计算机902。
所描述的主题的实施方式可以单独或组合地包括一个或多个特征。
例如，在第一实施方式中，一种计算机实现的方法，包括：从多个传感器接收传感器数据，每个传感器被包含在井口中所部署的ESP中；基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示；以及提供ESP故障迫近的通知。
前述和其他所述实施方式均可以可选地包括以下特征中的一个或多个：
可与以下的任意特征组合的第一特征，其中，所述传感器数据包括电机温度数据、电流数据、振动数据、入口压力数据和排出压力数据。
可与以上或以下的任意特征组合的第二特征，所述方法还包括：训练所述模式检测模型，以理解每个传感器的正常行为、异常行为和重要事件，其中，所述训练基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析；基于从特定ESP类型的特定传感器所接收的警报的严重性，将潜在ESP故障分类为低级警告或高级警告，其中，对特定的潜在ESP故障进行分类基于单个传感器或多个传感器；以及将针对每种潜在ESP故障的信息存储在所述模式检测模型中。
可与以上或以下的任意特征组合的第三特征，其中，对指定的潜在ESP故障进行分类包括：考虑生成范围广泛的一致高值或一致低值的、一个或多个传感器的传感器读数的模式。
可与以上或以下的任意特征组合的第四特征，所述方法还包括：生成针对指定传感器的树，所述树包括针对所述指定传感器的传感器值的树模式和针对所述传感器值的可接受的限制。
可与以上或以下的任意特征组合的第五特征，其中，确定提前指示ESP故障包括：基于异常树的时间相关存在性，确定树的异常森林，其中，确定树的异常森林包括，考虑每个传感器的可接受的限制。
可与以上或以下的任意特征组合的第六特征，其中，所述ESP故障是以下中之一：电机烧毁、断轴和一种或多种硫化氢(H2S)问题。
在第二实施方式中，存储一个或多个指令的非暂时性计算机可读介质，所述一个或多个指令可由计算机系统执行以执行操作，所述操作包括：从多个传感器接收传感器数据，每个传感器被包含在井口中所部署的ESP中；基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示；以及提供ESP故障迫近的通知。
前述和其他所述实施方式均可以可选地包括以下特征中的一个或多个：
可与以下的任意特征组合的第一特征，其中，所述传感器数据包括电机温度数据、电流数据、振动数据、入口压力数据和排出压力数据。
可与以上或以下的任意特征组合的第二特征，所述操作还包括：训练所述模式检测模型，以理解每个传感器的正常行为、异常行为和重要事件，其中，所述训练基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析；基于从特定ESP类型的特定传感器所接收的警报的严重性，将潜在ESP故障分类为低级警告或高级警告，其中，对特定的潜在ESP故障进行分类基于单个传感器或多个传感器；以及将针对每种潜在ESP故障的信息存储在所述模式检测模型中。
可与以上或以下的任意特征组合的第三特征，其中，对指定的潜在ESP故障进行分类包括，考虑生成范围广泛的一致高值或一致低值的、一个或多个传感器的传感器读数的模式。
可与以上或以下的任意特征组合的第四特征，所述操作还包括：生成针对指定传感器的树，所述树包括针对所述指定传感器的传感器值的树模式和针对所述传感器值的可接受的限制。
可与以上或以下的任意特征组合的第五特征，其中，确定提前指示ESP故障包括：基于异常树的时间相关的存在，确定树的异常森林，其中，确定树的异常森林包括，考虑每个传感器的可接受的限制。
可与以上或以下的任意特征组合的第六特征，其中，所述ESP故障是以下中之一：电机烧毁、断轴和一种或多种硫化氢(H2S)问题。
在第三实施方式中，一种计算机实现的系统，包括：一个或多个处理器；以及非暂时性计算机可读存储介质，耦合到所述一个或多个处理器并存储用于由所述一个或多个处理器执行的编程指令，所述编程指令指示所述一个或多个处理器执行包括以下的操作：从多个传感器接收传感器数据，每个传感器被包含在部署在井口中的ESP中；基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示；以及提供ESP故障迫近的通知。
前述和其他所述实施方式均可以可选地包括以下特征中的一个或多个：
可与以下的任意特征组合的第一特征，其中，所述传感器数据包括电机温度数据、电流数据、振动数据、入口压力数据和排出压力数据。
可与以上或以下的任意特征组合的第二特征，所述操作还包括：训练所述模式检测模型，以理解每个传感器的正常行为、异常行为和重要事件，其中，所述训练基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析；基于从特定ESP类型的特定传感器所接收的警报的严重性，将潜在ESP故障分类为低级警告或高级警告，其中，对特定的潜在ESP故障进行分类基于单个传感器或多个传感器；以及将针对每种潜在ESP故障的信息存储在所述模式检测模型中。
可与以上或以下的任意特征组合的第三特征，其中，对指定的潜在ESP故障进行分类包括：考虑针对一个或多个传感器的生成范围广泛的一致高值或一致低值的传感器读数的模式。
可与以上或以下的任意特征组合的第四特征，所述操作还包括：生成针对指定传感器的树，所述树包括针对所述指定传感器的传感器值的树模式和针对所述传感器值的可接受的限制。
可与以上或以下的任意特征组合的第五特征，其中，确定提前指示ESP故障包括：基于异常树的时间相关的存在，确定树的异常森林，其中，确定树的异常森林包括，考虑每个传感器的可接受的限制。
在本说明书中描述的主题和功能操作的实施方式可以在数字电子电路中、在被有形地实现的计算机软件或固件中、在计算机硬件中实现，包括在本说明书中所公开的结构及其结构等同物、或它们中的一个或更多个的组合中实现。所描述的主题的软件实现可以被实现为一个或多个计算机程序，即，在有形非暂时性计算机可读计算机存储介质上编码的计算机程序指令的一个或多个模块，所述计算机程序用于由数据处理装置执行或者用于控制数据处理装置的操作。备选地或附加地，程序指令可以被编码在人工生成的传播信号(例如，机器生成的电、光或电磁信号)中/上，所述信号被生成以对信息进行编码，以传输给合适的接收器装置，以供数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或计算机存储介质的组合。
术语“数据处理装置”、“计算机”或“电子计算机设备”(或本领域普通技术人员所理解的等同物)指数据处理硬件，并且包括用于处理数据的各种装置、设备和机器，例如，包括可编程处理器、计算机、或多个处理器或计算机。所述装置还可以是或还可以包括专用逻辑电路，例如，中央处理单元(CPU)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。在一些实施方式中，数据处理装置或专用逻辑电路(或数据处理装置或专用逻辑电路的组合)可以基于硬件或基于软件(或基于硬件和基于软件的组合)。所述装置可以可选地包括为计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统或执行环境的组合的代码。本公开考虑带有或不带有传统操作系统(例如，LINUX、UNIX、WINDOWS、MAC OS、ANDROID、IOS、或任何其他合适的传统操作系统)的数据处理装置的使用。
可以以任何形式的编程语言来写计算机程序(也可以称作或描述为程序、软件、软件应用、模块、软件模块、脚本或代码)，所述编程语言包括：编译或解译的语言、或者声明或程序语言，并且可以以任何形式来部署计算机程序，包括部署为单独的程序或者部署为适合于用于计算环境的模块、组件、子例程、或者其他单元。计算机程序可以但不是必须与文件系统中的文件相对应。程序可以被存储在保存其他程序或数据(例如，存储在标记语言文档中的一个或多个脚本)的文件的一部分中、被存储在专用于所讨论的程序的单个文件中、或者被存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。计算机程序可以被部署为在一个计算机上或者在位于一个站点或分布在多个站点并且通过通信网络互联的多个计算机上执行。尽管各图中所示出的程序的部分被示为通过各种对象、方法或其他过程实现各个特征和功能的各个模块，但是在适当时程序可以替代地包括多个子模块、第三方服务、组件、库等。相反，不同组件的特征和功能在适当时可以被组合成单个组件。可以统计地、动态地或者统计地且动态地确定用于进行计算确定的阈值。
本说明书中描述的方法、过程和逻辑流可以由一个或多个可编程计算机来执行，所述一个或多个可编程计算机执行一个或多个计算机程序，以通过操作输入数据并且生成输出来执行功能。方法、处理或逻辑流也可以由专用逻辑电路(例如，CPU、FPGA或ASIC)来执行，并且所述装置也可以被实现为专用逻辑电路(例如，CPU、FPGA或ASIC)。
适于计算机程序的执行的计算机可以基于通用或专用微处理器、两者或任何其他类型的CPU。通常，CPU将从存储器接收指令和数据并向存储器写入指令和数据。计算机的必不可少的元件是用于执行指令的CPU和用于存储指令和数据的一个或多个存储器装置。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备(例如，磁盘、磁光盘或光盘)，或可操作地耦合以便从所述一个或更多个大容量存储设备接收或向其发送数据或两者。然而，计算机不需要具有这些设备。而且，计算机可以嵌入在另一设备中，例如，移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏机、全球定位系统(GPS)接收器或便携式存储设备(例如，通用串行总线(USB)闪存驱动器)，这仅是举几个例子。
适于存储计算机程序指令和数据的(适当地暂时性或非暂时性的)计算机可读介质可以包括所有形式的永久性/非永久性或易失性/非易失性存储器、介质和存储器设备，例如包括半导体存储器设备，例如随机(RAM)、只读存储器(ROM)、相变存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存设备；磁设备，例如，磁带、盒式磁带、磁带盒、内部/可移动盘；磁光盘；以及光学存储器设备，例如数字视频光盘(DVD)、CD-ROM、DVD+/-R、DVD-RAM、DVD-ROM、HD-DVD和BLURAY以及其他光学存储器技术。存储器可以存储各种对象或数据，包括：高速缓存器、类(class)、框架、应用、模块、备份数据、作业、web页、web面模板、数据结构、数据库表、存储动态信息的知识库、以及包括任意参数、变量、算法、指令、规则、约束或其引用的任何其他适当的信息。此外，存储器可以包括任何其他适当的数据，例如，日志、策略、安全或访问数据、报告文件等。处理器和存储器可以由专用逻辑电路来补充或者并入到专用逻辑电路中。
为了提供与用户的交互，本说明书中描述的主题可以实现在计算机上，该计算机具有用于向用户显示信息的显示设备(例如，CRT(阴极射线管)、LCD(液晶显示器)、LED(发光二极管)或等离子监视器)和用户可以向计算机提供输入的键盘和指点设备(例如，鼠标、轨迹球或轨迹板)。还可以使用触摸屏(例如，具有压敏性的平板计算机表面、使用电容或电感测的多点触摸屏或其他类型的触摸屏)向计算机提供输入。其他类型的设备也可以被用于提供与用户的交互；例如，提供给用户的反馈可以是任意形式的传感反馈，例如，视觉反馈、听觉反馈或触觉反馈；以及可以以任意形式(包括声音、语音或触觉输入)来接收来自用户的输入。此外，计算机可以通过向用户使用的设备发送文档或者从该设备接收文档来与用户交互；例如，通过响应于从用户客户端设备上的web浏览器接收到的请求而向所述web浏览器发送网页。
术语“图形用户界面”或“GUI”可以以单数或复数形式使用，以描述一个或多个图形用户界面和特定图形用户界面的每一次显示。因此，GUI可以表示任意图形用户界面，包括但不限于web浏览器、触摸屏或处理信息并且高效地向用户呈现信息结果的命令行界面(CLI)。通常，GUI可以包括多个用户界面(UI)要素，其中一些或全部与web浏览器相关联，诸如交互式字段、下拉列表和按钮。这些和其他UI要素可以与web浏览器的功能有关或表示web浏览器的功能。
本说明书中描述的主题的实施方式可以计算系统中实现，该计算系统包括后端组件(例如，数据服务器)、或包括中间件组件(例如，应用服务器)、或包括前端组件(例如，具有用户通过其可以与本说明书中描述的主题的一些实施方式交互的图形用户界面或者web浏览器的客户端计算机)、或者一个或更多个此类后端组件、中间件组件或前端组件的任意组合。系统的组件可以通过有线或无线数字数据通信(或数据通信的组合)的介质或任意形式(例如，通信网络)互相连接。通信网络的示例包括局域网(LAN)、无线电接入网络(RAN)、城域网(MAN)、广域网(WAN)、全球微波接入互操作性(WIMAX)、使用例如802.11a/b/g/n或802.20(或802.11x和802.20的组合或与本公开一致的其他协议)的网络(WLAN)、互联网的全部或一部分、或一个或多个位置处的任意其他通信系统(或通信网络的组合)。网络可以在网络地址之间传输例如互联网协议(IP)分组、帧中继帧、异步传输模式(ATM)小区、语音、视频、数据或其他合适信息(或通信类型的组合)。
计算系统可以包括客户端和服务器。客户端和服务器一般相互远离并且通常通过通信网络交互。客户端和服务器的关系通过在相应计算机上运行并且相互具有客户端-服务器关系的计算机程序来产生。
本发明中所涉及的集群文件系统可以是可从多个服务器访问的用于读取和更新的任意文件系统类型。因为交换文件系统的锁定可以由应用服务器实现，所以在本发明中不需要锁定或一致性跟踪。此外，Unicode数据文件与非Unicode数据文件不同。
尽管本说明书包含许多特定的实现细节，然而这些细节不应被解释为对可以要求保护的范围或任何发明的范围上的限制，而是作为可以专用于特定发明的特定实现的特征的描述。在独立实现的上下文中在本说明书中描述的特定特征也可以在单个实现中组合实现。相反，在单个实施方式的上下文中描述的各种特征也可以在多个实施方式中分开地或以任何合适的子组合来实现。而且，尽管可能将之前描述的特征描述为以某些组合起作用并且甚至最初要求如此保护，但是在一些情况下，来自所要求保护的组合的一个或多个特征可以从组合中删除，并且所要求保护的组合可以指子组合或子组合的变化。
已经描述了本主题的特定实施方式。对于本领域技术人员显而易见的是，所描述的实施方式的其他实施方式、改变和置换在下文的权利要求的范围内。尽管在附图或权利要求中以特定顺序描述了操作，但这不应被理解为：为了获得期望的结果，要求按所示出的特定顺序或按相继的顺序来执行这些操作，或者要求执行所有所示出的操作(一些操作可以被认为是可选的)。在某些情况下，多任务或并行处理(或者多任务和并行处理的组合)可能是有利的并且在认为适当时被执行。
而且，在前述实施方式中的各种系统模块和组件的分离或集成不应被理解为在所有实施方式中需要这样的分离或集成，并且应理解，所描述的程序组件和系统一般可以一起集成在单个软件产品中或封装成多个软件产品。
因此，之前所描述的示例实施方式不限定或限制本公开。其他变化、替换和改变也是可能的，没有脱离本公开的精神和范围。
此外，任何要求保护的实施方式被视为至少适用于计算机实施的方法；存储用于执行计算机实现的方法的计算机可读指令的非暂时性计算机可读介质；以及计算机系统，该系统包括与硬件处理器可互操作地耦合的计算机存储器，所述硬件处理器被配置为执行计算机实现的方法或存储在非暂时性计算机可读介质上的指令。

Claims (20)

1.一种计算机实现的方法，包括：
从多个传感器接收传感器数据，每个传感器被包含在井口中所部署的电潜泵ESP中；
基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示；以及
提供ESP故障迫近的通知。
2.根据权利要求1所述的计算机实现的方法，其中，所述传感器数据包括电机温度数据、电流数据、振动数据、入口压力数据和排出压力数据。
3.根据权利要求1所述的计算机实现的方法，还包括：
训练所述模式检测模型，以理解每个传感器的正常行为、异常行为和重要事件，其中，所述训练基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析；
基于从特定ESP类型的特定传感器所接收的警报的严重性，将潜在ESP故障分类为低级警告或高级警告，其中，对特定的潜在ESP故障进行分类基于单个传感器或多个传感器；以及
将针对每种潜在ESP故障的信息存储在所述模式检测模型中。
4.根据权利要求1所述的计算机实现的方法，其中，对指定的潜在ESP故障进行分类包括：考虑生成范围广泛的一致高值或一致低值的、一个或多个传感器的传感器读数的模式。
5.根据权利要求4所述的计算机实现的方法，还包括：生成针对指定传感器的树，所述树包括针对所述指定传感器的传感器值的树模式和针对所述传感器值的可接受的限制。
6.根据权利要求5所述的计算机实现的方法，其中，确定ESP故障的提前指示包括：基于异常树的时间相关的存在，确定树的异常森林，其中，确定树的异常森林包括考虑每个传感器的可接受的限制。
7.根据权利要求1所述的计算机实现的方法，其中，所述ESP故障是以下中之一：电机烧毁、断轴和一种或多种硫化氢(H2S)问题。
8.一种存储一个或多个指令的非暂时性计算机可读介质，所述指令能够由计算机系统执行以执行包括以下的操作：
从多个传感器接收传感器数据，每个传感器被包含在井口中所部署的电潜泵ESP中；
基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示；以及
提供ESP故障迫近的通知。
9.根据权利要求8所述的非暂时性计算机可读介质，其中，所述传感器数据包括电机温度数据、电流数据、振动数据、入口压力数据和排出压力数据。
10.根据权利要求8所述的非暂时性计算机可读介质，所述操作还包括：
训练所述模式检测模型，以理解每个传感器的正常行为、异常行为和重要事件，其中，所述训练基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析；
基于从特定ESP类型的特定传感器所接收的警报的严重性，将潜在ESP故障分类为低级警告或高级警告，其中，对特定的潜在ESP故障进行分类基于单个传感器或多个传感器；以及
将针对每种潜在ESP故障的信息存储在所述模式检测模型中。
11.根据权利要求8所述的非暂时性计算机可读介质，其中，对指定的潜在ESP故障进行分类包括：考虑生成范围广泛的一致高值或一致低值的、一个或多个传感器的传感器读数的模式。
12.根据权利要求11所述的非暂时性计算机可读介质，所述操作还包括：生成针对指定传感器的树，所述树包括针对所述指定传感器的传感器值的树模式和针对所述传感器值的可接受的限制。
13.根据权利要求12所述的非暂时性计算机可读介质，其中，确定ESP故障的提前指示包括：基于异常树的时间相关的存在，确定树的异常森林，其中，确定树的异常森林包括考虑每个传感器的可接受的限制。
14.根据权利要求8所述的非暂时性计算机可读介质，其中，所述ESP故障是以下中之一：电机烧毁、断轴和一种或多种硫化氢(H2S)问题。
15.一种计算机实现的系统，包括：
一个或多个处理器；以及
非暂时性计算机可读存储介质，耦合到所述一个或多个处理器并存储用于由所述一个或多个处理器执行的编程指令，所述编程指令指示所述一个或多个处理器执行包括以下的操作：
从多个传感器接收传感器数据，每个传感器被包含在井口中所部署的电潜泵ESP中；
基于所述传感器数据和将历史ESP故障与历史传感器读数相关联的模式检测模型，使用模式识别方法实时确定迫近的ESP故障的提前指示；以及
提供ESP故障迫近的通知。
16.根据权利要求15所述的计算机实现的系统，其中，所述传感器数据包括电机温度数据、电流数据、振动数据、入口压力数据和排出压力数据。
17.根据权利要求15所述的计算机实现的系统，所述操作还包括：
训练所述模式检测模型，以理解每个传感器的正常行为、异常行为和重要事件，其中，所述训练基于对故障泵的历史行为、历史传感器读数、故障数据库和针对不同的ESP类型的因素的数据库的分析；
基于从特定ESP类型的特定传感器所接收的警报的严重性，将潜在ESP故障分类为低级警告或高级警告，其中，对特定的潜在ESP故障进行分类基于单个传感器或多个传感器；以及
将针对每种潜在ESP故障的信息存储在所述模式检测模型中。
18.根据权利要求15所述的计算机实现的系统，其中，对指定的潜在ESP故障进行分类包括：考虑生成范围广泛的一致高值或一致低值的、一个或多个传感器的传感器读数的模式。
19.根据权利要求18所述的计算机实现的系统，所述操作还包括：生成针对指定传感器的树，所述树包括针对所述指定传感器的传感器值的树模式和针对所述传感器值的可接受的限制。
20.根据权利要求19所述的计算机实现的系统，其中，确定ESP故障的提前指示包括：基于异常树的时间相关的存在，确定树的异常森林，其中，确定树的异常森林包括考虑每个传感器的可接受的限制。
CN201980038682.6A 2018-04-12 2019-03-25 使用模式识别预测电潜泵中的故障 Pending CN112262355A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/951,798 2018-04-12
US15/951,798 US10962968B2 (en) 2018-04-12 2018-04-12 Predicting failures in electrical submersible pumps using pattern recognition
PCT/US2019/023853 WO2019199433A1 (en) 2018-04-12 2019-03-25 Predicting failures in electrical submersible pumps using pattern recognition

Publications (1)

Publication Number Publication Date
CN112262355A true CN112262355A (zh) 2021-01-22

Family

ID=66251852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980038682.6A Pending CN112262355A (zh) 2018-04-12 2019-03-25 使用模式识别预测电潜泵中的故障

Country Status (4)

Country Link
US (1) US10962968B2 (zh)
EP (1) EP3776115A1 (zh)
CN (1) CN112262355A (zh)
WO (1) WO2019199433A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10817825B2 (en) * 2018-03-22 2020-10-27 Maxq Research Llc Remote integration of cloud services and transportable perishable products active monitor
US20200133254A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for part identification and operating characteristics determination using the industrial internet of things
US10947968B2 (en) * 2018-06-15 2021-03-16 Itt Manufacturing Enterprises Llc Smart pump for remotely sending realtime data to a smart device
US20210172301A1 (en) * 2019-12-10 2021-06-10 Baker Hughes Oilfield Operations Llc Automatic determination of pumping methods
CN113027696B (zh) * 2019-12-24 2022-11-15 新疆金风科技股份有限公司 液压变桨系统的故障诊断方法和装置
CN116670379A (zh) * 2020-12-18 2023-08-29 吉奥奎斯特系统公司 识别地下钻井设备的操作异常
US11828160B2 (en) * 2021-05-28 2023-11-28 Saudi Arabian Oil Company Vibration monitoring and data analytics for vertical charge pumps
US11795960B2 (en) 2021-05-28 2023-10-24 Saudi Arabian Oil Company Molten sulfur pump vibration and temperature sensor for enhanced condition monitoring
US11761909B2 (en) 2021-05-28 2023-09-19 Saudi Arabian Oil Company Nanosensor coupled with radio frequency for pump condition monitoring
CN113670790B (zh) * 2021-07-30 2024-03-22 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种确定陶瓷过滤机的工作状态的方法和装置
CN113639993B (zh) * 2021-08-17 2022-06-07 燕山大学 多模态多任务卷积神经网络的齿轮箱故障诊断方法
CN113827905B (zh) * 2021-09-15 2022-06-21 北京紫光新锐科技发展有限公司 判断消防水系统监测处理的方法、装置、设备和存储介质
US11939862B2 (en) 2021-09-27 2024-03-26 Halliburton Energy Services, Inc. Cementing unit power on self test
US11643908B1 (en) 2021-11-04 2023-05-09 Halliburton Energy Services, Inc. Automated configuration of pumping equipment
US11852134B2 (en) 2021-11-04 2023-12-26 Halliburton Energy Services, Inc. Automated mix water test
US12012842B2 (en) 2021-11-17 2024-06-18 Halliburton Energy Services, Inc. Predictive pump maintenance based upon utilization and operating conditions
US20230296015A1 (en) * 2022-03-21 2023-09-21 Aramco Overseas Company Uk Ltd Advanced diagnostics and control system for artificial lift systems
US20240003242A1 (en) * 2022-07-04 2024-01-04 Schlumberger Technology Corporation Field pump equipment system
US20240169252A1 (en) * 2022-11-21 2024-05-23 Halliburton Energy Services, Inc. Anomaly monitoring and mitigation of an electric submersible pump

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6260004B1 (en) * 1997-12-31 2001-07-10 Innovation Management Group, Inc. Method and apparatus for diagnosing a pump system
US20050043921A1 (en) * 2003-08-18 2005-02-24 Dehao Zhu Neural network model for electric submersible pump system
US20130151156A1 (en) * 2011-12-13 2013-06-13 Saudi Arabian Oil Company Electrical Submersible Pump Monitoring and Failure Prediction
US20150095100A1 (en) * 2013-09-30 2015-04-02 Ge Oil & Gas Esp, Inc. System and Method for Integrated Risk and Health Management of Electric Submersible Pumping Systems
CN104863842A (zh) * 2015-05-11 2015-08-26 昆明理工大学 一种基于分形理论的隔膜泵故障诊断方法及装置
US20160217379A1 (en) * 2015-01-27 2016-07-28 University Of Southern California Shapelet-Based Oilfield Equipment Failure Prediction and Detection
WO2016153895A1 (en) * 2015-03-25 2016-09-29 Schlumberger Technology Corporation System and method for monitoring an electric submersible pump

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6834256B2 (en) * 2002-08-30 2004-12-21 General Electric Company Method and system for determining motor reliability
US7676445B2 (en) 2003-08-20 2010-03-09 International Business Machines Corporation Apparatus, system and method for developing failure prediction software
US7409594B2 (en) 2004-07-06 2008-08-05 Intel Corporation System and method to detect errors and predict potential failures
US7979240B2 (en) 2006-03-23 2011-07-12 Schlumberger Technology Corporation System and method for real-time monitoring and failure prediction of electrical submersible pumps
US9057256B2 (en) * 2012-01-10 2015-06-16 Schlumberger Technology Corporation Submersible pump control
US20170096889A1 (en) * 2014-03-28 2017-04-06 Schlumberger Technology Corporation System and method for automation of detection of stress patterns and equipment failures in hydrocarbon extraction and production
WO2016094530A1 (en) * 2014-12-09 2016-06-16 Schlumberger Canada Limited Electric submersible pump event detection
WO2017161126A1 (en) 2016-03-16 2017-09-21 University Of Houston System System and method for detecting, diagnosing, and correcting trips or failures of electrical submersible pumps
US20190287005A1 (en) * 2018-03-19 2019-09-19 Ge Inspection Technologies, Lp Diagnosing and predicting electrical pump operation

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6260004B1 (en) * 1997-12-31 2001-07-10 Innovation Management Group, Inc. Method and apparatus for diagnosing a pump system
US20050043921A1 (en) * 2003-08-18 2005-02-24 Dehao Zhu Neural network model for electric submersible pump system
US20130151156A1 (en) * 2011-12-13 2013-06-13 Saudi Arabian Oil Company Electrical Submersible Pump Monitoring and Failure Prediction
CN104170244A (zh) * 2011-12-13 2014-11-26 沙特阿拉伯石油公司 潜油电泵监控和故障预测
US20150095100A1 (en) * 2013-09-30 2015-04-02 Ge Oil & Gas Esp, Inc. System and Method for Integrated Risk and Health Management of Electric Submersible Pumping Systems
US20160217379A1 (en) * 2015-01-27 2016-07-28 University Of Southern California Shapelet-Based Oilfield Equipment Failure Prediction and Detection
WO2016153895A1 (en) * 2015-03-25 2016-09-29 Schlumberger Technology Corporation System and method for monitoring an electric submersible pump
CN104863842A (zh) * 2015-05-11 2015-08-26 昆明理工大学 一种基于分形理论的隔膜泵故障诊断方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张佳;贾向阳;: "基于故障树与Rete算法的电泵井工况诊断方法研究", 现代电子技术, no. 02 *

Also Published As

Publication number Publication date
US20190317488A1 (en) 2019-10-17
US10962968B2 (en) 2021-03-30
EP3776115A1 (en) 2021-02-17
WO2019199433A1 (en) 2019-10-17

Similar Documents

Publication Publication Date Title
CN112262355A (zh) 使用模式识别预测电潜泵中的故障
US10037025B2 (en) Detecting anomalies in an internet of things network
US10733536B2 (en) Population-based learning with deep belief networks
US20170364818A1 (en) Automatic condition monitoring and anomaly detection for predictive maintenance
US11943235B2 (en) Detecting suspicious user logins in private networks using machine learning
EP3827387A1 (en) Systematic prognostic analysis with dynamic causal model
US11012289B2 (en) Reinforced machine learning tool for anomaly detection
EP3183622B1 (en) Population-based learning with deep belief networks
US11042461B2 (en) Monitoring multiple system indicators
Patri et al. Predicting failures from oilfield sensor data using time series shapelets
CN116611593A (zh) 用于预测空压机的故障的方法、设备和介质
WO2021247318A1 (en) Equipment lifetime prediction based on the total cost of ownership
US10983513B1 (en) Automated algorithm and real-time system to detect MPFM preventive maintenance activities
US20230184062A1 (en) System for controlling performance of salt water disposal wells
US20210400361A1 (en) Fire water network leak detection system
US20220397698A1 (en) Flow-after-flow tests in hydrocarbon wells
US20210254451A1 (en) Automated downhole leak detection and prediction in water injection wells
US20240201661A1 (en) Pipeline control system
US11454108B2 (en) Wellhead growth monitoring system
US20240185149A1 (en) Forecasting energy demand and co2 emissions for a gas processing plant integrated with power generation facilities
US20220290556A1 (en) Risk-based financial optimization method for surveillance programs
Wang et al. Production Optimization through Operate by Priority: The Development and Deployment of Downtime Advisory System to Permian Wells

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210122