CN112311662B - 一种智慧油田边缘计算网关 - Google Patents

一种智慧油田边缘计算网关 Download PDF

Info

Publication number
CN112311662B
CN112311662B CN202011138264.5A CN202011138264A CN112311662B CN 112311662 B CN112311662 B CN 112311662B CN 202011138264 A CN202011138264 A CN 202011138264A CN 112311662 B CN112311662 B CN 112311662B
Authority
CN
China
Prior art keywords
working condition
data
module
fault
edge computing
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
CN202011138264.5A
Other languages
English (en)
Other versions
CN112311662A (zh
Inventor
陈夕松
夏峰
沈煜佳
璩泽刚
姜磊
涂娟
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.)
Nanjing Fudao Oil And Gas Intelligent Control Technology Co ltd
Original Assignee
NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
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 NANJING RICHISLAND INFORMATION ENGINEERING CO LTD filed Critical NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
Priority to CN202011138264.5A priority Critical patent/CN112311662B/zh
Publication of CN112311662A publication Critical patent/CN112311662A/zh
Application granted granted Critical
Publication of CN112311662B publication Critical patent/CN112311662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/66—Arrangements for connecting between networks having differing types of switching systems, e.g. gateways
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/20—Mining
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)

Abstract

本发明公开了一种智慧油田边缘计算网关，包括电源模块、主控模块、数据采集模块、无线通信模块和故障识别模块。其中，所述电源模块用于各子模块供电；所述主控模块，用于接收数据采集模块和故障识别模块的数据并进行处理分析，同时用于对故障识别模块算法参数和控制信息的设置；所述数据采集模块，用于采集多个现场传感设备收集到的数据；所述故障识别模块，基于深度学习技术用于自动识别油井的故障状况；所述无线通信模块，用于将故障信息无线传输至云端服务器。本发明通过物联网技术、边缘计算技术和深度学习技术实时监测油井工作状态和作业过程。

Description

一种智慧油田边缘计算网关
技术领域
本发明涉及物联网边缘计算技术领域，具体来说是一种面向智慧油田的数据采集和图像处理网关设备。
背景技术
智慧油田中，现有的采油机故障检测大都是采用基于计算机技术以及无线通讯技术的示功图人工智能诊断系统。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3所示。目前我国油田应用最多的是地面示功图诊断分析法，大部分油田在工作现场采集到悬点载荷以及悬点位移的实时数据，从而绘制出地面示功图，进一步通过人工智能诊断系统对地面示功图进行诊断。
现有的智慧油田采油机故障诊断系统多为现场通过传感器采集相关数据，再通过有线或无线的传输方式将采集到的数据发送给井口控制单元，井口控制单元再将其收集到的油井信息数据通过远程无线通信技术发送到云端，云端进一步根据采集到的现场实时数据进行诊断分析处理，从而实现对抽油机运行状态的实时集中监测。但这类系统现场只负责采集和传输数据，整个诊断和数据分析的过程都是在云端进行，这样会产生网络延迟和带宽负载的问题。
传统形势下，在云端训练人工智能诊断系统模型会造成模型泛化能力弱的问题。在智慧油田中，发送至云端服务器的数据是来自于分布在各地区的不同的油井，而由于不同地区油井的生产参数和工作环境的差异性，不同地区井的相同故障的示功图数据之间可能有着较大的差异，这样最终会导致云端服务器训练神经网络模型难度的增加，同时会产生一定的模型泛化问题。
如果有一种网关设备，在解决网络延迟、减少数据流量、提高应用程序效率的同时，执行合适的诊断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，那么这将是弥补传统采油机故障诊断系统缺陷的有效解决方案。
发明内容
针对上述问题，本发明公开一种智慧油田边缘计算网关，结合边缘计算技术、物联网技术和深度学习技术，使得该边缘计算网关既可以更快地进行数据处理和分析，同时也可以根据应用需求调整训练模型，实现模型的个性化定制。
本发明的技术方案采用如下技术实现：本发明公开一种智慧油田边缘计算网关，其特点在于其包括电源模块、主控模块、数据采集模块、故障识别模块和无线通信模块。
所述电源模块将220V的交流电压转换成直流电压，用于各个子模块的供电。
所述主控模块一方面用于对数据采集模块和故障识别模块传输的数据进行处理，另一方也用于对故障识别模块算法参数和控制信息的设置。
所述数据采集模块采用物联网无线通信技术对抽油机生产数据与环境数据进行无线采集。
所述故障识别模块使用嵌入式显卡作为处理单元进行智能识别运算。所述故障识别模块执行以下步骤：
(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：
Figure BDA0002737441620000021
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传输至主控模块，由主控模块通过无线通信模块上传至云端服务器；判定结果为平稳工况的实时工况数据传输至主控模块，该数据不上报；
(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传输至主控模块作为记录；
所述无线通信模块采用移动通信技术将采集到的数据和故障诊断结果信息发送到云端服务器。
进一步的，所述抽油机生产数据与环境数据包括井口压力、油井温度、悬点载荷和位移数据。
进一步的，所述故障识别模块将采集到的载荷位移转换为示功图，并将示功图作为人工智能诊断系统的输入自动识别油井工作状态；如果识别到故障事件，则将故障类型和示功图发送给主控模块。
进一步的，所述故障识别模块利用采集到的数据训练卷积神经网络模型，模型的输入为处理后的示功图图片，模型的输出为对应图片的故障类型标号。
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：
(4-1)对正常工况样本集S中的各组数据进行滤波处理，消除原始数据中的随机误差，获得滤波处理后的样本集
Figure BDA0002737441620000031
(4-2)为消除最终所得训练集中各变量之间的相关性，使数据点更均匀、随机地分布在各个维度上，进而提高模型准确度，需要对样本集
Figure BDA0002737441620000032
各变量求取均值
Figure BDA0002737441620000033
标准差Sx，并进行零-均值标准化处理，获得正常工况训练集X：
Figure BDA0002737441620000034
其中xi＝{xij|j＝1,2,...,n}代表第i个变量，且xij满足：
Figure BDA0002737441620000035
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：
Figure BDA0002737441620000036
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ThT2及SPE统计量的阈值ThSPE：
Figure BDA0002737441620000041
Figure BDA0002737441620000042
且
Figure BDA0002737441620000043
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]；
(6-3)利用样本集
Figure BDA0002737441620000044
中各变量的均值
Figure BDA0002737441620000045
标准差Sx得到x＝[x1,x1,...,xm]，其中：
Figure BDA0002737441620000046
(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
Figure BDA0002737441620000047
和SPEx；
(6-5)将所得特征值
Figure BDA0002737441620000048
和SPEx与阈值ThT2、ThSPE比较得到相似度判别结果σ：
Figure BDA0002737441620000049
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：
Figure BDA0002737441620000051
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：
Figure BDA0002737441620000052
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。
本发明的有益效果：
1.本发明通过集成电源模块、主控模块、数据采集模块、故障识别模块和无线通信模块，不仅能采集抽油机现场实时数据，还能在本地分析数据处理的结果，把分析结果上传到云端服务器。在减少上传数据量，减轻云端服务器的数据接收并发量的同时，也减少了应用程序的网络传输延时。
2.本发明通过转变现有抽油机故障诊断系统下的集中计算模式到边缘计算模式，合理分配算力，解决了在云端训练的人工智能诊断系统模型泛化能力弱的问题，使得各个地区的油井能够根据自身独立的算法参数训练卷积神经网络，实现了神经网络模型的个性化定制，减少误诊断。
3.本发明装置执行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是一种智慧油田边缘计算网关的工作原理示意图。
图2是一种智慧油田边缘计算网关的物理结构示意图。
图3为典型工况下的示功图。
图4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5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6为本发明具体算例1的结果图(渐进性工况变化)。
图7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8为本发明具体算例2的结果图(突发性故障变化)。
图9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
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，一种智慧油田边缘计算网关，包括电源模块1、主控模块2、数据采集模块3、故障识别模块4和无线通信模块5。
具体的，电源模块1通过硬件接线的方式与主控模块2、数据采集模块3、故障识别模块4和无线通信模块5连接并为这些子模块提供电源。数据采集模块通过ZigBee无线组网方式获得采油机现场的无线传感器采集到的实时数据，如油井温度、井口压力、悬点位移和悬点载荷，并将这些数据通过RS485串口通信的方式传输给主控模块2。
主控模块2接收到现场无线传感器采集到的实时数据后，先对数据做预处理，包括归一化和数据清洗，再将数据格式转换为故障识别模块4所能接收的输入数据格式，最后将其转发至故障识别模块，同时主控模块2还可以用于设置故障识别模块4的算法参数和控制信息，两者间是以太网通信。
故障识别模块4使用NVIDIA JetsonTX2进行智能识别运算，具体过程如下：利用采集到的现场悬点位移载荷数据生成抽油机地面示功图，再将示功图图片作为算法的输入，并根据主控模块2提供的算法参数训练卷积神经网络算法模型。训练完成后，将主控模块2传输的实时油井悬点位移载荷数据输入至算法模型，以此来诊断油井的当前工作状态，并将诊断结果发送到主控模块2。
主控模块2接收到故障识别模块4的诊断结果数据后，会对该结果数据进行处理和分析，确定诊断结果是否异常以及具体对应的异常类型后将所有数据存储到本地存储器中。如果故障识别模块4预测到有故障发生时，主控模块2会将该故障信息发送至无线通信模块5，两者间采用以太网通信。
无线通信模块5在接收到主控模块2发送的具体故障信息后，采用4G通信将故障诊断信息发送到云端服务器。
如图2所示，智慧油田边缘计算网关采用19英寸3U标准机箱，机箱由电源模块、主控模块、数据采集模块、无线通信模块、故障识别模块和两个预留空槽模块组成。
机箱结构配置如下：所有子模块对应的槽位尺寸宽度均相同，机箱共能插入7块子板。考虑故障识别模块中的NVIDIA JetsonTX2在运行时的散热问题，将其对应的槽位放在右边第二个卡槽，其左右均为预留空槽以便散热。
本发明的总体系统框图如图4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5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；
(4)对200组平稳工况下的样本数据进行五点三次平滑滤波预处理，求出滤波里后样本集每组变量的均值
Figure BDA0002737441620000071
与标准差Sx：
Figure BDA0002737441620000072
Sx＝[0.3250 0.3697 0.5350 ... 0.5575 0.3793 0.3517]1×200
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：
Figure BDA0002737441620000073
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：
Figure BDA0002737441620000081
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；
最后，求取T2统计量和SPE统计量作为相似性特征，并基于正态分布计算T2统计量的阈值ThT2及SPE统计量的阈值ThSPE：
T2＝xTPΛ-1PTx
SPE＝||(I-PPT)x||2
Figure BDA0002737441620000082
Figure BDA0002737441620000083
且
Figure BDA0002737441620000084
本算例中，θ1＝9.8300，θ2＝2.1234，θ1＝0.7009，则：
Figure BDA0002737441620000085
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
Figure BDA0002737441620000086
Figure BDA0002737441620000091
(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：
首先，对72组实时工况下的样本数据进行五点三次平滑滤波预处理，并利用当日工况模型MD的各变量均值
Figure BDA0002737441620000092
标准差Sx，计算得到实时工况数据x＝[x1,x1,...,x72]，其中：
Figure BDA0002737441620000095
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
Figure BDA0002737441620000093
和SPEx；
最后将所得特征值与表1中阈值
Figure BDA0002737441620000094
ThSPE比较，得到相似度判别结果σ。
本算例的结果如图6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7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，
Figure BDA0002737441620000101
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8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9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。
根据本发明实施例的智慧油田边缘计算网关，结合物联网技术、边缘计算技术和深度学习技术，克服了传统智慧油田采油机故障诊断系统的不足，减少了整体系统的网络传输延时和数据上传量，并提高了算法模型的泛化能力。

Claims (10)

1.一种智慧油田边缘计算网关，其特征在于，包括电源模块、主控模块、数据采集模块、无线通信模块和故障识别模块，其中：
所述电源模块，用于各个子模块的供电；
所述主控模块，用于接收故障识别模块和数据采集模块的数据并进行处理，同时用于对故障识别模块算法参数的设置；
所述数据采集模块，用于采集油井工况的实时数据信息；
所述故障识别模块，基于深度学习用于自动识别油井的故障状况；所述故障识别模块执行以下步骤：
(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)中剔除已经由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：
Figure FDA0003730976020000011
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传输至主控模块，由主控模块通过无线通信模块上传至云端服务器；判定结果为平稳工况的实时工况数据传输至主控模块，该数据不上报；
(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传输至主控模块作为记录；
所述无线通信模块，用于将故障信息无线传输至云端服务器。
2.根据权利要求1所述的一种智慧油田边缘计算网关，其特征在于，所述电源模块将220V的交流电压转换成各子模块工作所需的直流电压。
3.根据权利要求1所述的一种智慧油田边缘计算网关，其特征在于，所述主控模块是边缘计算网关的数据处理单元，在边缘计算网关中的工作包括：
1)设置故障识别模块的参数；
2)查询故障识别模块的状态；
3)通过故障识别模块的控制接口，实现启动/停止算法功能；
4)收到故障识别结果后，将故障信息发送到无线通信模块，并通过其发送到云端数据库，同时将故障对应的示功图图片保存到本地存储器。
4.根据权利要求1所述的一种智慧油田边缘计算网关，其特征在于，所述数据采集模块采用物联网无线通信技术对抽油机生产数据与环境数据进行采集。
5.根据权利要求4所述的一种智慧油田边缘计算网关，其特征在于，所述抽油机生产数据与环境数据包括井口压力、油井温度、悬点载荷及位移。
6.根据权利要求1所述的一种智慧油田边缘计算网关，其特征在于，所述无线通信模块采用移动通信技术将采集到的数据和故障诊断信息发送到云端服务器。
7.根据权利要求1所述的一种智慧油田边缘计算网关，其特征在于，步骤(4)的数据预处理具有如下步骤：
(4-1)对正常工况样本集S中的各组数据进行滤波处理，获得处理后样本集
Figure FDA0003730976020000021
(4-2)求出样本集
Figure FDA0003730976020000022
各变量的均值
Figure FDA0003730976020000023
标准差Sx，并进行零-均值标准化处理，获得正常工况训练集X：
Figure FDA0003730976020000024
其中xi＝{xij|j＝1,2,...,n}代表第i个变量，且xij满足：
Figure FDA0003730976020000025
此时正常工况训练集X各变量方差为1，均值为0。
8.根据权利要求1所述的一种智慧油田边缘计算网关，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：
Figure FDA0003730976020000031
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；
(5-3)，求取T2统计量和SPE统计量作为相似性特征，并基于正态分布计算T2统计量的阈值
Figure FDA0003730976020000032
及SPE统计量的阈值ThSPE：
T2＝xTPΛ-1PTx
SPE＝||(I-PPT)x||2
Figure FDA0003730976020000033
Figure FDA0003730976020000034
且
Figure FDA0003730976020000035
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。
9.根据权利要求8所述的一种智慧油田边缘计算网关，其特征在于，所述(5-2)中通过特征值对角阵Λ筛选出贡献度最大的l个变量具有如下步骤：
(5-2-1)利用特征值对角阵Λ计算贡献度矩阵Cλ：
Figure FDA0003730976020000036
其中贡献度矩阵Cλ中的贡献度值满足
Figure FDA0003730976020000037
(5-2-2)确定累积贡献度阈值Thλ；
(5-2-3)若前l个变量累积的贡献度达到阈值Thλ，即：
Figure FDA0003730976020000041
且
Figure FDA0003730976020000042
则保留这l个变量用以描述边缘端节点抽油机的当日工况模型MD。
10.根据权利要求8所述的一种智慧油田边缘计算网关，其特征在于，步骤(6)对边缘端节点实施实时工况相似性判别具有如下步骤：
(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,s2,...,sm]；
(6-3)利用样本集
Figure FDA0003730976020000043
中各变量的均值
Figure FDA0003730976020000044
标准差Sx得到x＝[x1,x2,...,xm]，其中：
Figure FDA0003730976020000045
(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
Figure FDA0003730976020000046
和SPEx；
(6-5)将所得特征值
Figure FDA0003730976020000047
和SPEx与阈值
Figure FDA0003730976020000048
ThSPE比较得到相似度判别结果σ：
Figure FDA0003730976020000049
若σ＝0显示未超限，表示当前工况平稳；否则，表示出现故障并将上报云平台。
CN202011138264.5A 2020-10-22 2020-10-22 一种智慧油田边缘计算网关 Active CN112311662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011138264.5A CN112311662B (zh) 2020-10-22 2020-10-22 一种智慧油田边缘计算网关

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011138264.5A CN112311662B (zh) 2020-10-22 2020-10-22 一种智慧油田边缘计算网关

Publications (2)

Publication Number Publication Date
CN112311662A CN112311662A (zh) 2021-02-02
CN112311662B true CN112311662B (zh) 2022-08-30

Family

ID=74326966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011138264.5A Active CN112311662B (zh) 2020-10-22 2020-10-22 一种智慧油田边缘计算网关

Country Status (1)

Country Link
CN (1) CN112311662B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146246A (zh) * 2018-05-17 2019-01-04 清华大学 一种基于自动编码器和贝叶斯网络的故障检测方法
CN109459993A (zh) * 2018-12-06 2019-03-12 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
CN111160776A (zh) * 2019-12-30 2020-05-15 华东理工大学 利用分块主成分分析的污水处理过程异常工况检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11348018B2 (en) * 2017-12-19 2022-05-31 Aspen Technology, Inc. Computer system and method for building and deploying models predicting plant asset failure
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146246A (zh) * 2018-05-17 2019-01-04 清华大学 一种基于自动编码器和贝叶斯网络的故障检测方法
CN109459993A (zh) * 2018-12-06 2019-03-12 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
CN111160776A (zh) * 2019-12-30 2020-05-15 华东理工大学 利用分块主成分分析的污水处理过程异常工况检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于MATLAB的工业锅炉故障诊断系统的设计;于凡等;《大连海事大学学报》;20120515(第02期);全文 *
基于PCA和RBF神经网络的石化装置故障监测与诊断;郭丽杰等;《燕山大学学报》;20160930(第05期);全文 *

Also Published As

Publication number Publication date
CN112311662A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
WO2022252505A1 (zh) 一种基于多指标集群分析的设备状态监测方法
CN109102189B (zh) 一种电气设备健康管理系统和方法
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN116796907A (zh) 一种基于物联网的水环境动态监测系统及其方法
CN109948860A (zh) 一种机械系统剩余寿命预测方法及系统
CN107797537A (zh) 一种应用于自动化生产线的故障预测与健康管理方法
CN104573850A (zh) 一种火电厂设备状态评估方法
CN105987822A (zh) 用于预测装备故障的方法和系统
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN109507924B (zh) 用于油田作业设备的远程监控系统
CN104330675B (zh) 基于多元时间序列的变电设备在线监测分析系统及其方法
CN106940678B (zh) 一种系统实时健康度评估分析方法及装置
CN113036913B (zh) 一种综合能源设备状态监测方法及装置
CN109813544A (zh) 一种基于在线监测的旋转机械早期故障诊断方法及系统
CN109670584A (zh) 一种基于大数据的故障诊断方法及系统
CN113253037B (zh) 基于电流波纹的边云协同设备状态监测方法及系统、介质
CN106796157A (zh) 检测配送网络、特别是饮用水配送网络中的异常的方法
CN114244751B (zh) 无线传感器网络异常检测方法和系统
CN112926791A (zh) 一种机房温度分布预测方法及系统
CN116339253A (zh) 一种基于物联网的智能化机械生产监测管控系统
AU2013101422A4 (en) Diagnostic and control system and method
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN114217041A (zh) 一种河流水情及污染监测的智能化信息采集及管理系统
CN112311662B (zh) 一种智慧油田边缘计算网关
WO2024120046A1 (zh) 一种柴油机机油使用状态智能识别的方法、装置及系统

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
TR01 Transfer of patent right

Effective date of registration: 20240116

Address after: 210032 block a, floor 2, building 2, No. 6, Tongyu Road, Jiangbei new area, Nanjing, Jiangsu

Patentee after: Nanjing Fudao oil and gas intelligent control technology Co.,Ltd.

Address before: No.6 Tongyu Road, Jiangbei new district, Nanjing, Jiangsu 210061

Patentee before: NANJING RICHISLAND INFORMATION ENGINEERING Co.,Ltd.

TR01 Transfer of patent right