CN112348237B - 一种动态钻井数据异常趋势检测方法 - Google Patents

Abstract

本发明公开了一种动态钻井数据异常趋势检测方法，该方法包括：s1、实时数据的读取与转化；s2、综合五种不同的算法计算时间序列钻井数据的趋势变化指标；s3、通过各趋势检测指标共同投票计算得到一个最终风险指标；s4、利用动态阈值计算方法自动随数据变化更新报警阈值；s5、判断最终风险指标是否超过阈值，决定是否触发警报。本发明利用数据驱动方法来对实时数据异常趋势进行检测，能解决实时数据的不确定性；在物理应用范围上可以用于监测多种原因造成的钻井数据异常并预警风险，计算过程简单且迅速；可应用于准确评估钻井过程中工况变化而导致的数据异常以有效的在钻井管理系统的中实现风险及时预警并降低误判概率。

Description

一种动态钻井数据异常趋势检测方法

技术领域

本发明属于石油天然气钻井技术领域，特别涉及一种动态钻井数据异常趋势检测方法。

背景技术

钻井危险事故的判断往往不能满足于监测单个数据的异常，通常需要同时检测多种数据，利用视觉观察的方法极易错过重要信息。现有的钻井危险事故识别系统多依靠物理模型，物理模型的使用需要大量的数据输入和计算，且其使用范围有限。由于检测时间间隔较长，无法及时检测到快速发展的井下危险状况如气侵等。大部分钻井过程中的井下复杂状况如气侵、井漏、卡钻等事故在发生前都会表现与一定的数据异常，如果能及时发现这些异常并采取合理的补救措施，可以大大降低钻井事故率，提高钻井效率。已发表的实时钻井数据趋势分析方法只能检测数据的异常增减趋势，不能检测到数据的异常增减速度变化趋势，并且阀值设定往往来源于大量的实践积累，在新的环境下无法达到既能充分检测出潜在风险又不会出现大量误报的要求。因此，更快速、更简单的异常趋势检测算法是降低钻井事故率和减少非生产时间的一个关键点。

发明内容

本发明旨在解决现有技术中存在的部分问题。为此，本发明在于提出一种动态钻井数据异常趋势检测方法，所述方法能够实现更简单更快速的检测，且在物理应用范围上没有限制。

一种动态钻井数据异常趋势检测方法，按照下述步骤进行：

步骤一、通过利用五个趋势检测指标来确定实时数据的趋势，其中包括：

1.原始数据移动平均值的偏差(DMA)

MA_α,t和MA_β,t为t时刻窗口长度分别为α和β的移动平均值。DMA为正值时表示增长趋势，负值表示降低趋势。

DMA_t＝MA_α,t-MA_β,t(α＞β) (1)

2.移动平均斜率的偏差(DMAK)

该趋势检测指标将线性回归与加权移动平均值相结合。首先利用最小二乘回归处理实时数据，获得最优线性拟合方程。将最优线性拟合方程的斜率记为MK_t，用于表示数据的局部趋势，正值表示数据的增长趋势，负值表示降低趋势，算法如下。

F(x)＝a₀+a₁x (2)

MK_t＝a_1，min (4)

式中：x为实时数据；F(x)为实时数据的一个线性拟合函数；a₀和a₁为常数；Γ(a₀，a₁)为目标函数，用于计算误差平方和；a_1，min为目标函数最小值时，即最优线性拟合函数的斜率。

加权移动平均值算法如下所示：较长时间范围内的平均趋势用MAK_t表示，MAK_t的符号和绝对值都代表数据趋势，n为移动窗口的长度。

i＝t-n+1,°t-n+2,......,°t (6)

移动平均斜率的偏差DMAK_t，MAK_α,t和MAK_β,t为MAK_t在窗口长度α和β下的值。DMAK_t为正值时表示数据的加速趋势，负值表示减速趋势。

DMAK_t＝MAK_α,t-MAK_β,t(α＞β) (8)

3.累加移动平均值的偏差(DCMA)

累加移动平均值是所有数据的未加权平均值。在未出现新数据时，数据的累加移动平均值为：

出现新数据点，累加移动平均值为：

累加移动平均值的偏差(DCMA)计算公式如下：

DCMA_t＝CMA_i-x_i (11)

4.指法平滑差值(DES)

指数平滑法是一种平滑预测法，给予不同时间点的数据不同的权重，距离当前时间点越远的点的权重越小，权重随着与当前时间点的距离的增加呈指数衰减。权重值按等比级数减少，级数之首为平滑常数α，公比为(1-α)。根据平滑处理次数的不同分为一次指数平滑法，二次指数平滑法和三次平滑指数法。该算法可以检测一个异常较短时间后发生另外一个异常的情况，异常持续一段时间后可能被判定为正常。

当所需预测数据无明显趋势变化时，一次指数平滑法的预测精度较高，其平滑预测模型如下所示：

式中，为第t期的一次指数平滑值；/>为第t+1期的预测值；x_t为第t期的实际值；α(0＜α＜1)为平滑系数。

当数据呈线性趋势时二次指数平滑法预测精度较高，其平滑公式和预测模型如下所示：

式中，为第t期的2次指数平滑值。

当数据呈非线性趋势时三次指数平滑法的预测精度高，其平滑公式和平滑预测模型如下：

式中，为第t期的3次指数平滑值。

指数平滑差值的计算公式如下：

5.平均值-标准差(SFA)

平均值-标准差算法(Stddev from average)。类似于3sigma准则，当数据服从高斯分布时，数值分布在(μ-3σ,μ+3σ)区间内的概率为99.74％。当数据分布区间超过这个区间时，即为异常数据。该算法使用(t-mean)/std作为特征记作SFA，用于衡量中间三个值的平均值相对于3σ的距离，SFA的计算公式如下：

式中，为t时刻时间窗口数据中间三个数值的平均值；μ_t为t时刻时间窗口的均值；σ_t为t时刻时间窗口数据的标准差。

步骤二、最终趋势变化指数计算

最终计算结果通过各趋势检测指标投票决定，通过分配给各异常趋势检测指标不同的权重，得到一个最终趋势变化指数(ATI)。利用如下公式将ATI转换为从0到1的数值。计算公式如下(该公式为使用所有异常趋势检测指标进行投票)：

式中，w_i为各异常趋势检测指标的加权因子，可使用相同权重；计算ATI所用的各趋势检测指标可按实际情况进行选择。

步骤三、阀值设定与报警

1.报警阀值设定

本发明中阈值的设定利用动态阈值设定法，本方法参考过去一段时间内数据的均值、最大值以及最小值，取当前时刻前一段时间的均值、最大值以及最小值，然后计算最值与均值之差，并取最小值。取最小值能够使筛选条件设置相对宽松，减少漏报的事件。

threshold＝min(X_max,avg-X_avg,min) (25)

式中，threshold为阈值；X_max,avg为最大值与均值的差；X_avg,min为均值与最小值的差。

2.当ATI大于设定的阈值时，系统触发警报。

相对现有技术，本发明的有益效果：

本发明提出基于数据驱动的异常趋势检测方法，与现有方法相比具有以下优势：一、采用多种算法组合，通过分配权重函数来决定最终趋势变化指数，能较快的检测出时间序列动态钻井数据中的趋势变化异常，从而实现异常工况的快速发现和预警；二、通过动态阀值设定方法，使算法能根据时间序列数据的动态变化来自动调整阀值，在保障预警准确率的同时降低误判风险。

附图说明

图1是本发明一种钻井异常趋势检测方法的流程示意图。

图2是本发明分析服务器中检测算法的流程示意图。

图3是实施例实时井涌检测结果图。

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，可以根据以上附图获得其他的相关附图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

现有钻井事故危险预警技术多依靠物理模型，物理模型需要大量数据输入和计算且应用范围有限，同时难以做到异常状况的快速响应。本发明提出基于数据驱动的异常趋势检测方法，不需要额外的设备，利用实时钻井数据结合多种算法，并通过分配不同的权重得到一个最终趋势变化指数。计算过程简单且迅速，在物理应用范围上可以用于监测多种原因造成的钻井数据异常并预警风险。

本发明的整体工作流程如附图1所示。在实际应用中，利用实时钻井数据对异常状况进行检测模型包括：

步骤101，综合录井仪通过传感器获得一系列实时钻井参数；

步骤102，综合录井仪将动态数据传输至本发明的分析服务器；

这里，动态数据将在分析服务器中进行一系列趋势检测算法的运算，其中包括移动平均值算法、移动平均斜率算法、指数平滑法、累加移动平均值算法和平均值-标准差算法。经过上述计算之后，分析服务器将通过给上述算法结果分配不同的加权因子计算得到一个最终趋势变化指数。

对于计算得到的最终趋势变化指数，分析服务器还通过动态阀值设定方法，根据时间序列数据的动态变化来自动调整阀值。

步骤103，将最终趋势变化指数与阈值的比对，若最终趋势变化指数大于阈值，结果传送至异常预警模块，触发警报。若不大于，执行下一步。

步骤104，返回数据读取部分，读取下一时间步数据，重复检测算法。

本应用实施例分析服务器所用的钻井异常趋势检测方法，不需要依靠物理模型，在保证准确度的前提下，利用基于数据驱动的方法，结合多种算法达到对井下异常状况的快速响应。同时，不需要人工设定阈值，根据时间序列数据的动态变化来自动调整阀值，在保障预警准确率的同时降低误判风险。

本发明分析服务器的工作流程如附图2所示。在实际应用中，利用实时钻井数据对钻井异常趋势检测的检测算法包括：

步骤201，利用输入的动态数据计算趋势检测指标，其中包括：移动平均值的偏差、移动斜率偏差、指法平滑差值、累加平均值的偏差、平均值-标准差。

这里，趋势检测指标可根据实际情况进行选用。移动平均值的偏差、移动斜率偏差、累加平均值的偏差适用于各种数据趋势类型，计算公式依次如下：

DMA_t＝MA_α,t-MA_β,t(α＞β)

DMAK_t＝MAK_α,t-MAK_β,t(α＞β)

DCMA_t＝CMA_i-x_i

当数据无明显趋势变化时，选用一次指法平滑法计算指法平滑差值，计算公式如下：

当数据呈明显线性趋势时，选用二次指法平滑法计算指法平滑差值，计算公式如下：

当数据呈明显非线性趋势时，选用三次指法平滑法计算指法平滑差值，计算公式如下：

指法平滑差值的计算公式：

当数据呈正态分布时，可利用平均值-标准差算法进行异常趋势检测，计算公式如下：

步骤202，通过分配权重函数计算最终趋势变化指数计算公式：

这里，是使用所有趋势检测指标计算最终趋势变化指数，实际应用中上述计算公式可根据实际情况所选用的趋势检测指标进行改变。通过上述公式，最终趋势变化指数的大小介于0到1之间。

步骤203，通过动态阀值设定方法，根据时间序列数据的动态变化来自动调整阀值，计算公式如下：

threshold＝min(X_max,avg-X_avg,min)

这里，参考过去一段时间内数据的均值、最大值以及最小值，取当前时刻前一段时间的均值、最大值以及最小值，然后计算最值与均值之差，并取最小值。取最小值能够使筛选条件设置相对宽松，减少漏报的事件。

步骤204，将最终趋势变化指数与阈值进行比较，当最终趋势变化指数大于阈值时，将信号传递给异常预警模块。若不大于，执行下一步。

步骤205，返回数据读取部分，读取下一时间步数据，重复检测算法。

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本实施例使用钻井实时数据进行井涌检测，使用由钻井相关参数如钻速、转速、钻压组成的钻参检测指标，其本质为d指数。当井涌发生，钻参检测指标将偏离原有的增长趋势，即出现异常减小趋势或加速度降低趋势，因此本实施例选用本发明所述趋势检测指标中的移动平均值偏差和移动平均斜率偏差作为本实施例选用的趋势检测指标。

下面结合应用实施例对本发明再做进一步详细的描述。本应用实施例井涌检测包括：

步骤301，通过传感器、综合录井仪获得实时动态数据。

步骤302，利用实时动态数据计算用于异常趋势检测指标的趋势检测指标：

这里使用的趋势检测指标包括：移动平均值偏差和移动平均斜率的偏差，计算过程简述如下：

移动平均值偏差：

DMA_t＝MA_α,t-MA_β,t(α＞β)

移动平均值的偏差：

DMAK_t＝MAK_α,t-MAK_β,t(α＞β)

步骤303，计算最终趋势变化指数：

这里，通过分配给趋势检测指标不同的权重，得到一个最终趋势变化指数，该方法使最终趋势变化指数的大小在0到1之间。

步骤304，设置决定是否触发异常预警的阈值：

threshold＝min(X_max,avg-X_avg,min)

这里，取当前时刻前一段时间的均值、最大值以及最小值，然后计算最值与均值之差，并取最小值：

步骤305，将最终变化趋势指标与阈值相比，当最终趋势变化指数大于阈值时，触发警报，没有则进行下一时间步的检测算法。

如附图3所示，本实施例在04:25左右，最终趋势变化指数大于动态阈值，触发异常警报。

本应用实施例异常趋势检测法，不需要额外的设备，也不依靠物理模型，利用基于数据驱动的异常趋势检测方法，采用多种算法组合，通过分配权重函数来决定最终趋势变化指数，检测的时间短能够做到快速响应。本发明相较于现有的实时钻井数据趋势分析法，本发明还能检测到数据的异常增减速度变化趋势。在阈值设置方面利用动态阈值法，在新环境下也能充分检测潜在风险并不会产生大量误报现象。

需要说明的是：本实施例使用的趋势检测指标为本发明的部分趋势检测指标，本实施例是示例性的，不能理解为对本发明的限制。在其他情况下，趋势检测指标的使用可根据实际情况进行选取。

Claims (1)

1.一种动态钻井数据异常趋势检测方法，其特征在于，按照下述步骤进行：

步骤一、通过利用五个趋势检测指标来确定实时数据的趋势，其中包括：

1)原始数据移动平均值的偏差(DMA)

DMA_t＝MA_α，t-MA_β，t (α＞β) (1)

式中：MA_α，t和MA_β，t为t时刻窗口长度分别为α和β的移动平均值，DMA为正值时表示增长趋势，负值表示降低趋势；

2)移动平均斜率的偏差(DMAK)

F(x)＝a₀+a₁x (2)

MK_t＝a_1，min (4)

式中：x为实时数据；F(x)为实时数据的一个线性拟合函数；a₀和a₁为常数；Γ(a₀，a₁)为目标函数，用于计算误差平方和；a_1，min为目标函数最小值时，即最优线性拟合函数的斜率；

加权移动平均值算法如下所示：

i＝t-n+1，°t-n+2，......，°t (6)

式中：MAK_t表示较长时间范围内的平均趋势用，MAK_t的符号和绝对值都代表数据趋势，n为移动窗口的长度；

DMAK_t＝MAK_α，t-MAK_β，t (α＞β) (8)

式中：DMAK_t为移动平均斜率的偏差，MAK_α，t和MAK_β，t为MAK_t在窗口长度α和β下的值，DMAK_t为正值时表示数据的加速趋势，负值表示减速趋势；

3)累加移动平均值的偏差(DCMA)

累加移动平均值是所有数据的未加权平均值，在未出现新数据时，数据的累加移动平均值为：

出现新数据点，累加移动平均值为：

累加移动平均值的偏差(DCMA)计算公式如下：

DCMA_t＝CMA_i-x_i (11)

4)指法平滑差值(DES)

当所需预测数据无明显趋势变化时，一次指数平滑法的预测精度较高，其平滑预测模型如下所示：

式中，为第t期的一次指数平滑值；/>为第t+1期的预测值；x_t为第t期的实际值；α(0＜α＜1)为平滑系数

当数据呈线性趋势时二次指数平滑法预测精度较高，其平滑公式和预测模型如下所示：

式中，为第t期的2次指数平滑值

当数据呈非线性趋势时三次指数平滑法的预测精度高，其平滑公式和平滑预测模型如下：

式中，为第t期的3次指数平滑值

指数平滑差值的计算公式如下：

5)平均值-标准差(SFA)

式中，为t时刻时间窗口数据中间三个数值的平均值；μ_t为t时刻时间窗口的均值；σ_t为t时刻时间窗口数据的标准差；

步骤二、最终趋势变化指数计算

最终计算结果通过各趋势检测指标投票决定，通过分配给各异常趋势检测指标不同的权重，得到一个最终趋势变化指数(ATI)，利用如下公式将ATI转换为从0到1的数值，计算公式如下(该公式为使用所有异常趋势检测指标进行投票)：

式中，w_i为各异常趋势检测指标的加权因子，可使用相同权重；计算ATI所用的各趋势检测指标可按实际情况进行选择

步骤三、阀值设定与报警

1)报警阀值设定

阈值的设定利用动态阈值设定法，参考过去一段时间内数据的均值、最大值以及最小值，取当前时刻前一段时间的均值、最大值以及最小值，然后计算最值与均值之差，并取最小值；

threshold＝min(X_max，avg-X_avg，min) (25)

式中，threshold为阈值；X_max，avg为最大值与均值的差；X_avg，min为均值与最小值的差

2)当ATI大于设定的阈值时，系统触发警报。