CN114529106B - 一种用于油田加热炉盘管结垢预测算法 - Google Patents
一种用于油田加热炉盘管结垢预测算法 Download PDFInfo
- Publication number
- CN114529106B CN114529106B CN202210419047.6A CN202210419047A CN114529106B CN 114529106 B CN114529106 B CN 114529106B CN 202210419047 A CN202210419047 A CN 202210419047A CN 114529106 B CN114529106 B CN 114529106B
- Authority
- CN
- China
- Prior art keywords
- data
- heating furnace
- temperature difference
- algorithm
- analysis algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000010438 heat treatment Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000012530 fluid Substances 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 239000007789 gas Substances 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 239000003921 oil Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H9/00—Details
- F24H9/20—Arrangement or mounting of control or safety devices
- F24H9/2007—Arrangement or mounting of control or safety devices for water heaters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Fuzzy Systems (AREA)
- Chemical & Material Sciences (AREA)
- Thermal Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
Abstract
本发明提出一种用于油田加热炉盘管结垢预测算法,实现多维度智能化加热炉盘管结垢预测机制,增加了可解释性以及提升了准确性和算法的鲁棒性,其特征在于,包含以下步骤:步骤S1,采集加热炉运行过程中各PLC点位的实时数据;步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集;步骤S3,结合至少一种分析算法对加热炉实时数据进行分析,判断是否需要清垢并告警;该分析算法包括压差分析算法,或/和温差分析算法,或/和机器学习分析算法;步骤S4,结合上述至少一种分析算法的结果,生成并展示结垢信息。
Description
技术领域
本发明涉及一种用于油田加热炉盘管结垢预测算法。
背景技术
水套加热炉是为满足油田特殊需要而设计的一种专用加热设备,主要用于油气集输系统过程中,将原油天然气加热到工艺要求的温度,以便进行输送、沉降、分离、脱水和初加工。水套炉以天然气为原料,燃烧器点燃火筒内的天然气,使水套中的水被加热,在通过热水将浸浴其中的盘管里的介质加热到指定温度以上,盘管的介质(油气水混合物)由于含有、多种离子、细菌、泥沙等介质,以及含蜡量高等,很容易造成结垢。盘管结垢后容易造成换热不良,燃料量增加以及盘管堵塞,还会诱发局部腐蚀,导致盘管渗漏,甚至穿孔造成事故。
随着近些年大数据,物联网兴起,企业希望借助大数据、算法来对水套加热炉盘管结垢趋势进行预测,推荐合适的清垢时间给现场工作人员,一方面可以提高炉效,节约资源,减少燃料浪费;另一方面可以避免因结垢导致的穿孔等加热炉事故发生。
发明内容
为克服现有技术中存在的缺陷,本发明提出一种用于油田加热炉盘管结垢预测算法,其基于理论计算同时结合机器学习技术,实现多维度智能化加热炉盘管结垢预测机制,具体通过以下技术手段实现:
一种用于油田加热炉盘管结垢预测算法,其包含以下步骤:
步骤S1,采集加热炉运行过程中各PLC点位的实时数据,并将历史清垢时间与实时数据对应存入数据库中;
步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集;
步骤S3,结合至少一种分析算法对加热炉实时数据进行分析,判断是否需要清垢并告警;该分析算法包括
压差分析算法,即按照介质流量细分不同区间形成压差统计表,结合压差统计表判断是否需要清垢;或/和
温差分析算法,即按照燃气流量、介质流量一起细分区间形成温差统计表,结合温差统计表判断是否需要清垢;或/和
机器学习分析算法,即AI模型根据实时数据对清垢时间目标值进行预判;
步骤S4,结合上述至少一种分析算法的结果,生成并展示结垢信息。
进一步的,在步骤S2当中,对平稳运行的历史数据的提取包有以下步骤:
步骤S21,根据盘管ID对历史数据进行分组,以K小时为扫描窗口区间,计算区间时间内相关PLC点位的标准差;
步骤S22,将计算获得的相关PLC点位的标准差与设定的标准差阈值界限进行比较,若全部在标准差阈值界限以内,则认为该扫描窗口区间的炉况数据稳定。
进一步的,该压差分析算法为:
根据连续性方程:V*A=V1*A1;其中,V为流体流速、V1为PLC点位处所测的流体流速、A为盘管的横截面积,A1为PLC点位处的横截面积;由于加热炉盘管中结垢将导致管径变细,管内流体流速随之增大;
根据伯努利方程: ;其中,V为流体流速、V1为PLC点位处所测的流体流速、A为盘管的横截面积,A1为PLC点位处的横截面积,p为流体压强,p1为PLC点位处所测的流体压强;随着V1增大,p1会减小,结垢越厚,p1减小越多,压差p-p1,故当进出口的压差p-p1大于设定的压差上限时,判断为有垢;
其中包括:
1)压差统计表的生成步骤;
将清垢后一段时间预处理好的历史数据按介质流量分区间,计算各区间箱线图检测中的轻度异常值,作为对应介质流量分区间的压差上限值,将计算值存入表中;
2)分析步骤;
每隔一段时间传入实时数据,并依据步骤S2所设规则判断数据是否稳定;
若数据不稳定,则丢弃此段时间数据,等待下一个周期循环判断;
若数据稳定,则计算盘管进出口的压差p-p1,并与压差统计表中对应介质流量区间的压差上限作比较,若超过压差上限,则判断为结垢,反之则判断为不结垢。
进一步的,该温差分析算法为:
由于加热炉盘管结垢后会降低盘管的导热系数,结垢越厚,导热性能越差,当进出口的温差低于温差下限时,判断为有垢;
其中包括:
1)温差统计表的生成步骤;
将清垢后一段时间预处理好的历史数据按介质流量和燃气流量分区间,计算各区间箱线图检测中的轻度异常值,作为温差下限值,将计算值存入表中;
2)分析步骤;
每隔一段时间传入实时数据,并依据步骤S2所设规则判断数据是否稳定;
若数据不稳定,则丢弃此段时间数据,等待下一个周期循环判断;
若数据稳定,则计算进出口温差,并与温差统计表中对应介质流量、燃气流量区间的温差下限作比较,若低于温差下限,则判断为结垢,反之则判断为不结垢。
进一步的,该机器学习分析算法为:
1)对实时数据进行标记,新增标签列,清垢前6个月标签值为“-1”,清垢后6个月数据标签值为“1”;
2)特征工程,选取预处理后的稳定数据,采取人工经验以及结合PCA做特征选择及特征衍生,最后选用xgboost算法模型作为训练模型,训练结垢模型;
3)预测时将现场稳定数据传入训练好的模型,最终输出xgboost模型预测的概率值对应的结果:结垢or不结垢。
进一步的,在步骤S4当中,读取各分析算法的判定信息;选取一个时间段数据,并统计在这时间段内判断为结垢的判定信息条数的比率;若超过告警阈值,则执行结垢警告。
本发明的有益效果是:
1、本发明只需现场员工记录清垢时间,容易实现;
2、理论方案与大数据结合,从多个维度做判断,增加了可解释性以及提升了准确性和算法的鲁棒性;
3、与前端结合,将本发明所计算的结果在前台可视化展示,便于员工判断清垢时间。
附图说明
图1为本发明的算法流程图。
图2为盘管压差机理示意图。
具体实施方式
如下对本申请方案作进一步描述:
参见附图1,用于油田加热炉盘管结垢预测算法包含以下步骤:
步骤S1,采集加热炉运行过程中各PLC点位的实时数据,并将历史清垢时间与实时数据一并存入数据库中;
步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集和验证数据集;
具体提取步骤是:
步骤S21,以炉子盘管ID为标识,按盘管ID将历史数据进行分组,以K=3小时为扫描窗口区间,计算区间时间内相关PLC点位的标准差;
步骤S22,将计算获得的相关PLC点位的标准差与设定的标准差阈值界限进行比较,若全部在标准差阈值界限以内,则认为该扫描窗口区间(3小时)的炉况数据稳定;同时,为了消除相关点位滞后性影响,取该3小时区间内每个PLC点位的中间1小时内数据(比如,满足条件的1:00-4:00时间段,则只取2:00-3:00内这1小时数据),作为一批训练样本;
需说明的是,以上所列的点位与阈值界限,可以根据现场具体情况,适当增、删其它点位,选取点位的准则是能反应炉子在某个工况下是稳定运行的。
步骤S3,结合至少一种分析算法对加热炉实时数据进行分析,判断是否需要清垢并告警;该分析算法包括压差分析算法、温差分析算法和机器学习分析算法;
该压差分析算法即按照介质流量细分不同区间形成压差统计表,结合压差统计表判断是否需要清垢,具体实施步骤为:
参见附图2,根据连续性方程:V*A=V1*A1;其中,V为流体流速、V1为PLC点位处所测的流体流速、A为盘管的横截面积,A1为PLC点位处的横截面积;由于加热炉盘管中结垢将导致管径变细,管内流体流速随之增大;
根据伯努利方程: ;其中,V为流体流速、V1为PLC点位处所测的流体流速、A为盘管的横截面积,A1为PLC点位处的横截面积,p为流体压强,p1为PLC点位处所测的流体压强;随着V1增大,p1会减小,结垢越厚,p1减小越多,压差p-p1,故当进出口的压差p-p1大于设定的压差上限时,判断为有垢;
其中包括:
1)压差统计表的生成步骤;
将清垢后一段时间(6个月内,可根据实际情况调整)预处理好的历史数据按介质流量分区间,计算各区间箱线图检测中的轻度异常值,作为对应介质流量分区间的压差上限值,将计算值存入表中,如表1;
压差示例划分数据表
2)分析步骤;
每隔一段时间(如3小时)传入实时数据,并依据步骤S2所设规则判断数据是否稳定;
若数据不稳定,则丢弃此段时间数据,等待下一个周期循环判断;
若数据稳定,则计算盘管进出口的压差p-p1,并与压差统计表中对应介质流量区间的压差上限作比较,若超过压差上限,则判断为结垢,反之则判断为不结垢。将此条判断结论(结垢or不结垢)录入相关数据库存好备用。
该温差分析算法即按照燃气流量、介质流量一起细分区间形成温差统计表,结合温差统计表判断是否需要清垢;具体实施步骤为:
由于加热炉盘管结垢后会降低盘管的导热系数,结垢越厚,导热性能越差,当进出口的温差低于温差下限时,判断为有垢;
其中包括:
1)温差统计表的生成步骤;
将清垢后一段时间预处理好的历史数据按介质流量和燃气流量分区间,计算各区间箱线图检测中的轻度异常值,作为温差下限值,将计算值存入表中;
2)分析步骤;
每隔一段时间(如3小时)传入实时数据,并依据步骤S2所设规则判断数据是否稳定;
若数据不稳定,则丢弃此段时间数据,等待下一个周期循环判断;
若数据稳定,则计算进出口温差,并与温差统计表中对应介质流量、燃气流量区间的温差下限作比较,若低于温差下限,则判断为结垢,反之则判断为不结垢。将此条判断结论(结垢or不结垢)录入相关数据库存好备用。
该机器学习分析算法即AI模型根据实时数据对清垢时间目标值进行预判;具体实施步骤为:
1)对实时数据进行标记,新增标签列,清垢前6个月标签值为“-1”,清垢后6个月数据标签值为“1”;
2)特征工程,选取预处理后的稳定数据,采取人工经验以及结合PCA做特征选择及特征衍生,最后选用xgboost算法模型作为训练模型,训练结垢模型;
3)预测时将现场稳定数据传入训练好的模型,最终输出xgboost模型预测的概率值对应的结果:结垢or不结垢。
步骤S4,结合上述至少一种分析算法的结果,生成并展示结垢信息。具体的,读取各分析算法的判定信息;选取一个时间段数据,并统计在这时间段内判断为结垢的判定信息条数的比率;若超过告警阈值(例如0.5),则在最终界面显示该加热炉盘管发生结垢警告,反之则未结垢显示正常。
上述优选实施方式应视为本申请方案实施方式的举例说明,凡与本申请方案雷同、近似或以此为基础作出的技术推演、替换、改进等,均应视为本专利的保护范围。
Claims (6)
1.一种用于油田加热炉盘管结垢预测算法,其特征在于,包含以下步骤:
步骤S1,采集加热炉运行过程中各PLC点位的实时数据,并将历史清垢时间与实时数据对应存入数据库中;
步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限判断历史数据是否稳定,在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集;
步骤S3,结合至少一种分析算法对加热炉实时数据进行分析,判断是否需要清垢并告警;该分析算法包括
压差分析算法,即按照介质流量细分不同区间形成压差统计表,结合压差统计表判断是否需要清垢,压差分析算法为:
根据连续性方程:V*A=V1*A1;其中,V为流体流速、V1为PLC点位处所测的流体流速、A为盘管的横截面积,A1为PLC点位处的横截面积;由于加热炉盘管中结垢将导致管径变细,管内流体流速随之增大;
根据伯努利方程:;其中,V为流体流速、V1为PLC点位处所测的流体流速、A为盘管的横截面积,A1为PLC点位处的横截面积,p为流体压强,p1为PLC点位处所测的流体压强;随着V1增大,p1会减小,结垢越厚,p1减小越多,压差p-p1,故当进出口的压差p-p1大于设定的压差上限时,判断为有垢;
其中包括:
1)压差统计表的生成步骤;
将清垢后一段时间预处理好的历史数据按介质流量分区间,计算各区间箱线图检测中的轻度异常值,作为对应介质流量分区间的压差上限值,将计算值存入表中;
2)分析步骤;
每隔一段时间传入实时数据,并依据步骤S2所设规则判断数据是否稳定;
若数据不稳定,则丢弃此段时间数据,等待下一个周期循环判断;
若数据稳定,则计算盘管进出口的压差p-p1,并与压差统计表中对应介质流量区间的压差上限作比较,若超过压差上限,则判断为结垢,反之则判断为不结垢;或/和
温差分析算法,即按照燃气流量、介质流量一起细分区间形成温差统计表,结合温差统计表判断是否需要清垢,该温差分析算法为:
由于加热炉盘管结垢后会降低盘管的导热系数,结垢越厚,导热性能越差,当进出口的温差低于温差下限时,判断为有垢;
其中包括:
1)温差统计表的生成步骤;
将清垢后一段时间预处理好的历史数据按介质流量和燃气流量分区间,计算各区间箱线图检测中的轻度异常值,作为温差下限值,将计算值存入表中;
2)分析步骤;
每隔一段时间传入实时数据,并依据步骤S2所设规则判断数据是否稳定;
若数据不稳定,则丢弃此段时间数据,等待下一个周期循环判断;
若数据稳定,则计算进出口温差,并与温差统计表中对应介质流量、燃气流量区间的温差下限作比较,若低于温差下限,则判断为结垢,反之则判断为不结垢;和
机器学习分析算法,即AI模型根据实时数据对清垢时间目标值进行预判;
步骤S4,结合上述至少一种分析算法的结果,生成并展示结垢信息。
2.根据权利要求1所述的用于油田加热炉盘管结垢预测算法,其特征在于,在步骤S2当中,对平稳运行的历史数据的提取包有以下步骤:
步骤S21,根据盘管ID对历史数据进行分组,以K小时为扫描窗口区间,计算区间时间内相关PLC点位的标准差;
步骤S22,将计算获得的相关PLC点位的标准差与设定的标准差阈值界限进行比较,若全部在标准差阈值界限以内,则认为该扫描窗口区间的炉况数据稳定。
3.根据权利要求2所述的用于油田加热炉盘管结垢预测算法,其特征在于,在步骤S22当中,PLC点位的数据包括出口温度、进口温度、燃气流量、环境温度、汇管介质流量,其标准差分别表示为σ出、σ进、σ气、σ环和σ介。
4.根据权利要求2所述的用于油田加热炉盘管结垢预测算法,其特征在于,在步骤S21当中,所述扫描窗口区间划分为前、中、后三段,只取标准差满足阈值范围内的数据中断对应的PLC点位数据作为训练数据。
5.根据权利要求1所述的用于油田加热炉盘管结垢预测算法,其特征在于,该机器学习分析算法为:
1)对实时数据进行标记,新增标签列,清垢前6个月标签值为“-1”,清垢后6个月数据标签值为“1”;
2)特征工程,选取预处理后的稳定数据,采取人工经验以及结合PCA做特征选择及特征衍生,最后选用xgboost算法模型作为训练模型,训练结垢模型;
3)预测时将现场稳定数据传入训练好的模型,最终输出xgboost模型预测的概率值对应的结果:结垢or不结垢。
6.根据权利要求1-5任一项所述的用于油田加热炉盘管结垢预测算法,其特征在于,在步骤S4当中,读取各分析算法的判定信息;选取一个时间段数据,并统计在这时间段内判断为结垢的判定信息条数的比率;若超过告警阈值,则执行结垢警告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210419047.6A CN114529106B (zh) | 2022-04-21 | 2022-04-21 | 一种用于油田加热炉盘管结垢预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210419047.6A CN114529106B (zh) | 2022-04-21 | 2022-04-21 | 一种用于油田加热炉盘管结垢预测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114529106A CN114529106A (zh) | 2022-05-24 |
CN114529106B true CN114529106B (zh) | 2022-07-15 |
Family
ID=81628248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210419047.6A Active CN114529106B (zh) | 2022-04-21 | 2022-04-21 | 一种用于油田加热炉盘管结垢预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114529106B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7827006B2 (en) * | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US10295284B2 (en) * | 2016-08-18 | 2019-05-21 | The Boeing Company | Model-based method and system to detect heat exchanger fouling |
KR102211821B1 (ko) * | 2018-05-31 | 2021-02-10 | 권영민 | 기계학습과 경로 분류 기법적용을 통한 발전소 급수 가열기의 성능 저하 예측 시스템 |
US11867027B2 (en) * | 2019-05-13 | 2024-01-09 | Saudi Arabian Oil Company | Calcium carbonate scale prediction and inhibition in hydrocarbon wells using machine learning |
US11480517B2 (en) * | 2019-08-08 | 2022-10-25 | Saudi Arabian Oil Company | Heat exchanger fouling determination using thermography combined with machine learning methods |
US20220373171A1 (en) * | 2019-10-09 | 2022-11-24 | Tata Consultancy Services Limited | Method and system for realtime monitoring and forecasting of fouling of air preheater equipment |
CN111126686A (zh) * | 2019-12-18 | 2020-05-08 | 新奥数能科技有限公司 | 一种用于节能器中结垢维护的预测方法及装置 |
CN113282124B (zh) * | 2021-07-20 | 2021-09-21 | 深圳市佳运通电子有限公司 | 一种加热炉燃气流量的控制方法、温度托管方法及系统 |
-
2022
- 2022-04-21 CN CN202210419047.6A patent/CN114529106B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114529106A (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Burst detection in district metering areas using deep learning method | |
CN104063588A (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 | |
AU2008335610B2 (en) | Methods and systems to estimate wellbore events | |
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
CN108663995B (zh) | 一种工业过程变量趋势异常检测方法及装置 | |
CN110045594B (zh) | 一种用于锅炉四管状态风险预测的智能管控系统及方法 | |
Branisavljević et al. | Improved real-time data anomaly detection using context classification | |
CN113987033B (zh) | 主变在线监测数据群体偏差识别与校准方法 | |
CN105069486A (zh) | 基于极限学习机的石化设备腐蚀预测方法 | |
EP2090742A1 (en) | Methods and systems to estimate wellbore events | |
CN115060761A (zh) | 一种隔热油套管真空抽取监管控制系统 | |
CN114529106B (zh) | 一种用于油田加热炉盘管结垢预测算法 | |
CN107844679B (zh) | 一种分段式高炉铁水硅含量预测方法及装置 | |
CN112304657A (zh) | 空气预热器关键易结垢群组划分及换热效率状态监测方法 | |
CN111338310A (zh) | 一种工业过程稳态工况识别与分类方法 | |
US10456704B2 (en) | Method of real-time prognosis of flooding phenomenon in packed column | |
Hilgefort | Big data analysis using Bayesian network modeling: a case study with WG-ICDA of a gas storage field | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN114722724A (zh) | 一种基于轴向温降机理确定油田上游站出站温度的方法及系统 | |
CN116227378A (zh) | 一种油气处理行业管道结垢厚度预测方法 | |
CN113723649A (zh) | 基于半监督模型的化工工艺异常监控方法及模型优化方法 | |
CN111650894A (zh) | 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法 | |
CN114818516B (zh) | 一种井筒腐蚀形态剖面智能预测方法 | |
CN115618601B (zh) | 一种基于检测结果的集输管线安全评估方法和系统 | |
CN113781276B (zh) | 一种污水管网流量不确定性分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |