CN112379659A - 一种石油钻机故障预测系统 - Google Patents
一种石油钻机故障预测系统 Download PDFInfo
- Publication number
- CN112379659A CN112379659A CN202011261692.7A CN202011261692A CN112379659A CN 112379659 A CN112379659 A CN 112379659A CN 202011261692 A CN202011261692 A CN 202011261692A CN 112379659 A CN112379659 A CN 112379659A
- Authority
- CN
- China
- Prior art keywords
- wireless signal
- data set
- drilling machine
- taking
- fault
- 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
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
本发明提供了一种石油钻机故障预测系统；包括：无线信号收发装置、PC端以及预警装置；所述无线信号收发装置，包括：无线信号发射装置和无线信号接收装置；其中，所述无线信号收发装置对钻机现场采集到的数据进行传输，PC端对这些数据进行分析处理并输出最终的预测结果。钻机现场采集到的实时数据通过无线信号发射装置传输给无线信号接收装置，无线信号接收装置再将接收到的钻机实时数据传输给主控室的PC端，PC端则将传入的数据送到通过机器学习的方式已经建立好的故障预测模型中进行分析并得出预测结论。本发明的故障预测系统采用了机器学习的方式来建立故障预测模型，相对于传统预测方法而言，该模型具有较高的准确率，并且预测所需时间较短。
Description
技术领域
本发明属于石油化工故障预测技术领域；尤其涉及一种石油钻机故障预测系统。
背景技术
石油和天然气是当今世界上最主要的能源和化工原料，同时石油和天然气的产量也在一定程度上反映了一个国家的经济和技术发展水平。石油的开采一般都是靠石油钻机来完成。但由于地下情况复杂多变，常常有一些不可预知的因素出现，又或者是技术人员操作失误，等等。这些不确定的因素就有可能导致钻机在钻进过程中发生故障。钻机在钻机过程中常出现卡钻、烧钻、埋钻以及断钻这几种故障。若可以对这些故障进行及时的预测，那么就会在一定程度上减少因钻机故障而带来的损失。
发明内容
本发明的目的是提供了一种石油钻机故障预测系统。
本发明是通过以下技术方案实现的：
本发明涉及一种石油钻机故障预测系统，包括：无线信号收发装置、PC端以及预警装置；所述无线信号收发装置，包括：无线信号发射装置和无线信号接收装置；
所述无线信号发射装置通过数据传输总线与钻机现场的设备相连接，将钻机现场的实时钻井数据传输给无线信号接收装置；
所述无线信号接收装置通过数据传输总线与主控室的PC端相连接，将接收到的实时数据传入PC端；
所述PC端将通过无线信号接收装置传入的实时数据送入到通过机器学习方式建立故障预测模型中进行分析并得出预测结论；
所述的预警装置为当所述PC端预测到将要发生故障时，预警装置就会自动启动，用来及时通知技术人员采取相应的措施。
优选地，所述通过机器学习方式建立故障预测模型，具体步骤为：
步骤1，收集历次钻机发生卡钻、烧钻、埋钻以及断钻四种故障时的特征信号的具体数据；
步骤2，对收集到的四种故障的特征信号的具体数据，进行数据的预处理，构建训练数据集以及测试数据集；
步骤3，通过机器学习的方式将已经构建好的训练数据集进行训练，得出故障预测模型；
步骤4，将构建好的测试数据集输入到训练过后的故障预测模型中，检验其预测的准确性，即对模型进行评估。
优选地，步骤1中，所述特征信号包括：钻压、泵压、机械钻速、转速、扭矩、电流。
优选地，步骤2中，所述数据的预处理，构建训练数据集以及测试数据集，具体步骤为：
步骤2.1，将收集到的故障特征信号的原始数据进行归一化处理。一般的归一化就是将原始数据通过适当的变化方法映射到区间[0,1]。归一化的目的是为了保证每个故障所对应的特征信号值不会对最终的预测结果产生较大的影响。归一化的具体公式为
其中，x'表示归一化后的数据，x为原始数据的特征信号值，min为原始数据中的最小值，max为原始数据中的最大值；
步骤2.2，将归一化之后的数据集按照8:2的比例关系，分别划分为训练数据集以及测试数据集。
优选地，步骤3中，所述机器学习的方式，采用SVM支持向量机的“一对其余”方式，即one-versus-rest(O∨R)，具体步骤为：
步骤3.1，首先将需要预测的石油钻机的四种故障(卡钻、烧钻、埋钻、断钻)，每一种故障都单独的分为一类，分别命名为类别1、类别2、类别3、类别4，共四类；
步骤3.2，将类别1作为正样本，其余三个类别作为负样本；
步骤3.3，将类别2作为正样本，其余三个类别作为负样本；
步骤3.4，将类别3作为正样本，其余三个类别作为负样本；
步骤3.5，将类别4作为正样本，其余三个类别作为负样本；
步骤3.6，用构建好的训练数据集对步骤3.2-3.5组成的四种组合进行训练，得到四个二分类器，编号分别为分类器1,2,3,4。这里分类器1可以指出新的样本是否属于类别1，分类器2可以指出新的样本是否属于类别2，分类器3、4与之类似。
本发明具有以下优点：本发明的故障预测系统采用了机器学习的方式来建立故障预测模型，相对于传统预测方法而言，该模型具有较高的准确率，并且预测所需时间较短。
附图说明
图1为钻机故障预测系统结构图；
图2为钻机故障预测模型建立的流程图；
图3为SVM支持向量机的“一对其余”方式的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。应当指出的是，以下的实施实例只是对本发明的进一步说明，但本发明的保护范围并不限于以下实施例。
实施例
如图1所示，本实施例涉及一种钻机故障预测系统，包括无线信号收发装置、PC端以及预警装置；所述无线信号收发装置，包括：无线信号发射装置和无线信号接收装置；
所述无线信号收发装置的作用是对钻机现场采集到的数据进行传输，而PC端则是要对这些数据进行分析处理并输出最终的预测结果；
钻机现场采集到的实时数据通过无线信号发射装置传输给无线信号接收装置，无线信号接收装置再将接收到的钻机实时数据传输给主控室的PC端，PC端则将传入的数据送到通过机器学习的方式已经建立好的故障预测模型中进行分析并得出预测结论。若PC端预测钻机将要发生故障，则预警装置自动启动，及时提醒施工人员采取相应的故障处理方法。
进一步地，所述无线信号收发装置是对钻机现场采集到的数据进行传输。所述无线信号发射装置通过数据传输总线与钻机现场的设备相连接，将钻机现场的实时钻井数据传输给无线信号接收装置；所述的无线信号接收装置通过数据传输总线与主控室的PC端相连接，将接收到的实时数据传入PC端。
进一步地，所述PC端则是将通过无线信号接收装置传入的实时数据送入到已经通过机器学习方式建立好的故障预测模型中进行分析并得出预测结论。
如图2所示，通过机器学习方式建立故障预测模型，具体步骤为：
步骤1、收集历次钻机发生卡钻、烧钻、埋钻以及断钻这四种故障时的特征信号的具体数据。
所述故障时的特征信号主要包括：钻压、泵压、机械钻速、转速、扭矩、电流等这几种特征信号。
步骤2、对收集到的四种故障的特征信号的具体数据进行数据的预处理，构建训练数据集以及测试数据集。
步骤2中，所述数据预处理，构建训练数据集以及测试数据集，具体步骤为：
步骤2.1、将收集到的故障特征信号的原始数据进行归一化处理。一般的归一化就是将原始数据通过适当的变化方法映射到区间[0,1]。归一化的目的是为了保证每个故障所对应的特征信号值不会对最终的预测结果产生较大的影响。归一化的具体公式为
其中，x'表示归一化后的数据，x为原始数据得特征信号值，min为原始数据中的最小值，max为原始数据中的最大值。
步骤2.2、将归一化之后的数据集按照8:2的比例关系，分别划分为训练数据集以及测试数据集
步骤3，通过机器学习的方式将已经构建好的训练数据集进行训练，得出故障预测模型；
步骤3中，所述机器学习的方式，采用SVM支持向量机的“一对其余”方式，即one-versus-rest(O∨R)，具体步骤为：
步骤3.1、首先将需要预测的石油钻机的四种故障(卡钻、烧钻、埋钻、断钻)，每一种故障都单独的分为一类，分别命名为类别1、类别2、类别3、类别4，共四类；
步骤3.2、将类别1作为正样本，其余类别(2,3,4)作为负样本；
步骤3.3、将类别2作为正样本，其余类别(1,3,4)作为负样本；
步骤3.4、将类别3作为正样本，其余类别(1,2,4)作为负样本；
步骤3.5、将类别4作为正样本，其余类别(1,2,3)作为负样本；
步骤3.6、用构建好的训练数据集对步骤3.2-3.5组成的四种组合进行训练，得到四个二分类器，编号分别为分类器1,2,3,4。这里分类器1可以指出新的样本是否属于类别1，分类器2可以指出新的样本是否属于类别2，分类器3、4与之类似，见图3所示。
步骤4，将构建好的测试数据集输入到训练过后的故障预测模型中，检验其预测的准确性，即对模型进行评估。
所述预警装置则是当PC端预测到将要发生故障时，预警系统就会自动启动，用来及时通知技术人员采取相应的措施。
本发明的故障预测系统采用了机器学习的方式来建立故障预测模型，该故障预测模型的预测准确率较传统预测方法更高，并且预测所需的时间短。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。
Claims (5)
1.一种石油钻机故障预测系统，其特征在于，包括：无线信号收发装置、PC端以及预警装置；
所述无线信号收发装置，包括：无线信号发射装置和无线信号接收装置；
所述无线信号发射装置通过数据传输总线与钻机现场的设备相连接，将钻机现场的实时钻井数据传输给无线信号接收装置；
所述无线信号接收装置通过数据传输总线与主控室的PC端相连接，将接收到的实时数据传入PC端；
所述PC端将通过无线信号接收装置传入的实时数据送入到通过机器学习方式建立故障预测模型中进行分析并得出预测结论；
所述预警装置为当所述PC端预测到将要发生故障时，预警装置就会自动启动，用来及时通知技术人员采取相应的措施。
2.如权利要求1所述的石油钻机故障预测系统，其特征在于，所述通过机器学习方式建立故障预测模型，具体步骤为：
步骤1，收集历次钻机发生卡钻、烧钻、埋钻以及断钻四种故障时的特征信号的具体数据；
步骤2，对收集到的四种故障的特征信号的具体数据，进行数据的预处理，构建训练数据集以及测试数据集；
步骤3，通过机器学习的方式将已经构建好的训练数据集进行训练，得出故障预测模型；
步骤4，将构建好的测试数据集输入到训练过后的故障预测模型中，检验其预测的准确性，即对模型进行评估。
3.如权利要求1所述的石油钻机故障预测系统，其特征在于，步骤1中，所述特征信号包括：钻压、泵压、机械钻速、转速、扭矩、电流。
4.如权利要求1所述的石油钻机故障预测系统，其特征在于，步骤2中，所述数据的预处理，构建训练数据集以及测试数据集，具体步骤为：
步骤2.1，将收集到的故障特征信号的原始数据进行归一化处理；
步骤2.2，将归一化之后的数据集按照8:2的比例关系，分别划分为训练数据集以及测试数据集。
5.如权利要求1所述的石油钻机故障预测系统，其特征在于，步骤3中，所述机器学习的方式，具体步骤为：
步骤3.1，首先将需要预测的石油钻机的四种故障，每一种故障都单独的分为一类，分别命名为类别1、类别2、类别3、类别4，共四类；
步骤3.2，将类别1作为正样本，其余三个类别作为负样本；
步骤3.3，将类别2作为正样本，其余三个类别作为负样本；
步骤3.4，将类别3作为正样本，其余三个类别作为负样本；
步骤3.5，将类别4作为正样本，其余三个类别作为负样本；
步骤3.6，用构建好的训练数据集对步骤3.2-3.5组成的四种组合进行训练，得到四个二分类器，编号分别为分类器1，2，3，4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011261692.7A CN112379659A (zh) | 2020-11-12 | 2020-11-12 | 一种石油钻机故障预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011261692.7A CN112379659A (zh) | 2020-11-12 | 2020-11-12 | 一种石油钻机故障预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112379659A true CN112379659A (zh) | 2021-02-19 |
Family
ID=74583251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011261692.7A Pending CN112379659A (zh) | 2020-11-12 | 2020-11-12 | 一种石油钻机故障预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112379659A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
| CN108107808A (zh) * | 2017-12-15 | 2018-06-01 | 天水电气传动研究所有限责任公司 | 一种石油钻机电控系统报警的方法 |
| CN109359668A (zh) * | 2018-09-07 | 2019-02-19 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
| CN110322135A (zh) * | 2019-06-26 | 2019-10-11 | 国网江苏省电力有限公司南京供电分公司 | 一种电网设备安全运行状态的实时监控方法及系统 |
| EP3564647A1 (en) * | 2017-01-13 | 2019-11-06 | Huawei Technologies Co., Ltd. | Cloud-based vehicle fault diagnosis method, device and system thereof |
| CN110567703A (zh) * | 2019-10-15 | 2019-12-13 | 徐州徐工基础工程机械有限公司 | 基于声音的旋挖钻机故障远程诊断预测系统及方法 |
| CN111291783A (zh) * | 2020-01-15 | 2020-06-16 | 北京市燃气集团有限责任公司 | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 |
| CN111414289A (zh) * | 2020-03-16 | 2020-07-14 | 上海威固信息技术股份有限公司 | 一种基于迁移学习的磁盘故障预测方法及装置 |
| CN111667198A (zh) * | 2020-06-23 | 2020-09-15 | 宝石电气设备有限责任公司 | 石油钻机远程在线监测与预测性维护系统与评价方法 |
-
2020
- 2020-11-12 CN CN202011261692.7A patent/CN112379659A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
| EP3564647A1 (en) * | 2017-01-13 | 2019-11-06 | Huawei Technologies Co., Ltd. | Cloud-based vehicle fault diagnosis method, device and system thereof |
| CN108107808A (zh) * | 2017-12-15 | 2018-06-01 | 天水电气传动研究所有限责任公司 | 一种石油钻机电控系统报警的方法 |
| CN109359668A (zh) * | 2018-09-07 | 2019-02-19 | 南京航空航天大学 | 一种航空发动机多故障并发诊断方法 |
| CN110322135A (zh) * | 2019-06-26 | 2019-10-11 | 国网江苏省电力有限公司南京供电分公司 | 一种电网设备安全运行状态的实时监控方法及系统 |
| CN110567703A (zh) * | 2019-10-15 | 2019-12-13 | 徐州徐工基础工程机械有限公司 | 基于声音的旋挖钻机故障远程诊断预测系统及方法 |
| CN111291783A (zh) * | 2020-01-15 | 2020-06-16 | 北京市燃气集团有限责任公司 | 一种燃气调压设备的智能化故障诊断方法、系统、终端及存储介质 |
| CN111414289A (zh) * | 2020-03-16 | 2020-07-14 | 上海威固信息技术股份有限公司 | 一种基于迁移学习的磁盘故障预测方法及装置 |
| CN111667198A (zh) * | 2020-06-23 | 2020-09-15 | 宝石电气设备有限责任公司 | 石油钻机远程在线监测与预测性维护系统与评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738620B (zh) | 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 | |
| CN111222683B (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
| CN104062953B (zh) | 金湿法冶金过程运行状态在线评价方法 | |
| CN201943686U (zh) | 油井故障实时预警系统 | |
| CN111322082B (zh) | 一种tbm滚刀状态监测及故障诊断方法、系统 | |
| CN103615236A (zh) | 一种远程录井信息实时监测地层压力的方法 | |
| CN115628930B (zh) | 一种基于rbf神经网络的掘进机井下截割工况预测方法 | |
| CN105019482B (zh) | 一种用于隧道悬挂风机基础稳定性在线监测方法及系统 | |
| CN113137221B (zh) | 瓦斯抽采全系统三级漏气评价系统及评价方法 | |
| CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
| CN112379659A (zh) | 一种石油钻机故障预测系统 | |
| CN101701935A (zh) | 耐火砖内部质量在线检测装置 | |
| CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
| CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
| Li | Fault prediction and diagnosis system for large-diameter auger rigs based on digital twin and BP neural network | |
| CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 | |
| CN110593847B (zh) | 一种基于LabVIEW智能化钻井系统及其应用 | |
| CN113685166B (zh) | 一种钻井事故预警方法及系统 | |
| CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
| CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
| CN112097858B (zh) | 一种液位传感器及其监测水位的方法 | |
| CN111993158A (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
| CN104863571A (zh) | 一种基于煤层气双管双循环的压力监控装置 | |
| CN112443319B (zh) | 一种井涌监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210219 |