CN115358560B - 油气田集成一体化采集监控系统 - Google Patents

油气田集成一体化采集监控系统 Download PDF

Info

Publication number
CN115358560B
CN115358560B CN202210976196.2A CN202210976196A CN115358560B CN 115358560 B CN115358560 B CN 115358560B CN 202210976196 A CN202210976196 A CN 202210976196A CN 115358560 B CN115358560 B CN 115358560B
Authority
CN
China
Prior art keywords
monitoring
variable
period
node
equipment
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
CN202210976196.2A
Other languages
English (en)
Other versions
CN115358560A (zh
Inventor
胡晓辉
徐其瑞
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.)
Xi'an Huasheng Communication Co ltd
Original Assignee
Xi'an Huasheng Communication 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 Xi'an Huasheng Communication Co ltd filed Critical Xi'an Huasheng Communication Co ltd
Priority to CN202210976196.2A priority Critical patent/CN115358560B/zh
Publication of CN115358560A publication Critical patent/CN115358560A/zh
Application granted granted Critical
Publication of CN115358560B publication Critical patent/CN115358560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种油气田集成一体化采集监控系统，包括：在每一节点处设置有监测设备；提供一监控服务器，所述监控服务器包括：编码模块、识别模块、机器学习模型、比较模块，本申请将油气田的生产设备按照获取工艺路线和工艺流程的进行建立生产设备的流程图谱，基于所述流程图谱建立生产设备之间的逻辑关系，并在逻辑关系中写入生产设备的功能特性；基于逻辑关系来分析生产设备之间的附属关系；基于附属关系将生产设备划分成多个独立功能单元的节点，基于所述节点来设立监控设备，并将监控设备和节点进行对应，这样，整个生产流程的生产设备的所有节点的监测数据输送至服务器后就能进行统一处理，将整个生产设备进行有效的链接。

Description

油气田集成一体化采集监控系统
技术领域
本发明涉及油气田监控技术领域，特别涉及一种油气田集成一体化采集监控系统。
背景技术
传统的油气田的监控一般采用采集不同传感器的监测数据或者是采集现场设备的监控图像，通过所有单个设备监测状况来确定整体的运行工况，各个功能系统都是独立运行的，很难形成统一的部署。
发明内容
为了解决现有技术的问题，本发明提供了一种油气田集成一体化采集监控系统。
本发明提供了一种油气田集成一体化采集监控系统，包括：
将油气田同一工艺下的生产设备按照工艺条件划分成为多个节点，在每一节点处设置有监测设备；
提供一监控服务器，所述监控服务器包括：
编码模块，用于基于工艺条件对每一监测设备进行编码，通过编码界定不同节点设备与节点设备处对应设置的监测设备的区别，并将所述编码写入在识别模块的基础库中进行存储；
所述监测设备用于按照设定周期获取每一节点的监测数据，将每一设定周期的监测数据通过监测设备内置的通信模块发送至监控服务器；
识别模块获取所述监测数据并进行解析，解析后调取基础库中的编码以进行匹配，得到任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量；
机器学习模型，用于基于任意一个节点在第一周期内获取的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
比较模块，用于接收基于至少一个监测状态的基准阈值在第二周期内的测量值，并将基于至少一个监测状态的基准阈值在第二周期内预测的第二变量与基于至少一个监测状态的基准阈值在第二周期内测量值进行比较，以确定任意一个节点是否触发预警条件。
进一步地，所述机器学习模型具有至少一个主神经网络单元用于匹配任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
所述主神经网络单元用于基于至少一个监测状态的基准阈值的第一变量并使用基准阈值的上和下限值来检测第一变量超出基准阈值的非安全范围值；当确定第一变量的非安全范围值后，将第一变量和非安全范围值之间的差值设定成至少一个监测状态变化的变量基准，将所述变量基准输入至主神经网络单元中并以第一周期之前的多个历史时间周期获取的基于至少一个监测状态的基准阈值的历史变量作为模型训练的基础数据进行迭代训练，以获取变量基准以历史变量为参照的变化趋势，基于变化趋势沿时间的变动来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量。
进一步地，所述差值以所述第一变量的单位量为参考并将所述差值按照至少一个单位量设定成至少一个监测状态变化的变量基准。
进一步地，将油气田同一工艺下的生产设备按照工艺条件划分成为多个节点包括：
获取工艺路线和工艺流程；
依据所述工艺路线和工艺流程建立生产设备的流程图谱，基于所述流程图谱建立生产设备之间的逻辑关系，并在逻辑关系中写入生产设备的功能特性；
基于所述逻辑关系来分析生产设备之间的附属关系；
基于所述附属关系将生产设备划分成多个独立功能单元的节点。
进一步地，所述编码模块具有：
匹配表，基于多个独立功能单元的节点的划分来设定每一所述节点与监测设备之间的所述匹配表，基于所述匹配表对应的将所述监测设备进行编码，并将编码对应的写入在匹配表中；
其中，所述编码用于界定不同节点、节点对应设置的监测设备的区别；
输出单元，将所述匹配表输入至识别模块的基础库中进行存储以便所述识别模块基于存储在基础库中的匹配表对应的识别监测设备以及监测设备对应的节点。
进一步地，所述识别模块包括：
接收单元，具有多个接收通道，每一接收通道用于接收对应的监测设备发送来的监测数据；
解析单元，具有多个并列的解析器，每一解析器对应与接收通道连接，所述解析器用于将监测数据进行解析，
所述解析器在解析过程中利用设定的加载线程调取基础库中的匹配表以获取所解析的监测数据对应的监测设备及节点；
在所述解析器中设置有第一比较器，所述第一比较器用于将每一节点在第一周期内基于至少一个监测状态的基准阈值与所述监测数据进行比较，以获取第一变量。
进一步地，所述预警条件是按照生产设备标准工作参数设定的非安全变量，所述非安全变量具有一个变量因子，该变量因子嵌入在更新程序中，所述更新程序依据所述机器学习模型的学习结果进行更新。
进一步地，所述机器学习模型中还具有依据主神经网络单元建立的支神经网络单元，所述支神经网络单元用于基于比较模块的比较结果调取主神经网络单元建立的学习资源进行迭代训练得到生产设备标准工作参数随工况运行的优化值，基于所述优化值生产一个动态的优化指令发送至更新程序，所述更新程序接收到优化指令后调取优化值以对应的生成优化因子，将所述优化因子转化为变量因子后更新程序自动的驱动变量因子对所述非安全变量进行周期性的动态更新。
本申请将油气田的生产设备按照获取工艺路线和工艺流程的进行建立生产设备的流程图谱，基于所述流程图谱建立生产设备之间的逻辑关系，并在逻辑关系中写入生产设备的功能特性；基于所述逻辑关系来分析生产设备之间的附属关系；基于所述附属关系将生产设备划分成多个独立功能单元的节点，基于所述节点来设立监控设备，并将所述监控设备和节点进行对应，这样，整个生产流程的生产设备的所有节点的监测数据输送至服务器后就能进行统一处理，将整个生产设备进行有效的链接，每一节点出现的状况都可以进行独立分析和进行上下节点关联分析，有利于进行统一部署。
本申请中，所述监测设备按照设定周期获取每一节点的监测数据，将每一设定周期的监测数据通过监测设备内置的通信模块发送至监控服务器；在监控服务器中，识别模块得到任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量；机器学习模型用于基于任意一个节点在第一周期内获取的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；比较模块用于接收基于至少一个监测状态的基准阈值在第二周期内的测量值，并将基于至少一个监测状态的基准阈值在第二周期内预测的第二变量与基于至少一个监测状态的基准阈值在第二周期内测量值进行比较，以确定任意一个节点是否触发预警条件。整个监控过程按照生产设备工况的实时进行来进行监控，其可以依据设备的运行状态、老化状态等对设备触发预警条件进行动态的更新，保证设备的最佳运行工况，减少满负荷运载或者临负荷运载造成的突发事件的发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明提供的框架原理示意图；
图2是本发明提供的机器学习模型的学习原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参照图1和图2，本发明提供了一种油气田集成一体化采集监控系统，包括：将油气田同一工艺下的生产设备按照工艺条件划分成为多个节点，在每一节点处设置有监测设备；
提供一监控服务器，所述监控服务器包括：
编码模块，用于基于工艺条件对每一监测设备进行编码，通过编码界定不同节点设备与节点设备处对应设置的监测设备的区别，并将所述编码写入在识别模块的基础库中进行存储；
所述监测设备用于按照设定周期获取每一节点的监测数据，将每一设定周期的监测数据通过监测设备内置的通信模块发送至监控服务器；
识别模块获取所述监测数据并进行解析，解析后调取基础库中的编码以进行匹配，得到任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量；
机器学习模型，用于基于任意一个节点在第一周期内获取的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
比较模块，用于接收基于至少一个监测状态的基准阈值在第二周期内的测量值，并将基于至少一个监测状态的基准阈值在第二周期内预测的第二变量与基于至少一个监测状态的基准阈值在第二周期内测量值进行比较，以确定任意一个节点是否触发预警条件。
在上述中，将油气田的生产设备按照获取工艺路线和工艺流程的进行建立生产设备的流程图谱，基于所述流程图谱建立生产设备之间的逻辑关系，并在逻辑关系中写入生产设备的功能特性；基于所述逻辑关系来分析生产设备之间的附属关系；基于所述附属关系将生产设备划分成多个独立功能单元的节点，基于所述节点来设立监控设备，并将所述监控设备和节点进行对应，这样，整个生产流程的生产设备的所有节点的监测数据输送至服务器后就能进行统一处理，将整个生产设备进行有效的链接，每一节点出现的状况都可以进行独立分析和进行上下节点关联分析，有利于进行统一部署。
本申请中，所述监测设备按照设定周期获取每一节点的监测数据，将每一设定周期的监测数据通过监测设备内置的通信模块发送至监控服务器；在监控服务器中，识别模块得到任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量；机器学习模型用于基于任意一个节点在第一周期内获取的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；比较模块用于接收基于至少一个监测状态的基准阈值在第二周期内的测量值，并将基于至少一个监测状态的基准阈值在第二周期内预测的第二变量与基于至少一个监测状态的基准阈值在第二周期内测量值进行比较，以确定任意一个节点是否触发预警条件。整个监控过程按照生产设备工况的实时进行来进行监控，其可以依据设备的运行状态、老化状态等对设备触发预警条件进行动态的更新，保证设备的最佳运行工况，减少满负荷运载或者临负荷运载造成的突发事件的发生。
在上述中，所述机器学习模型具有至少一个主神经网络单元用于匹配任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
所述主神经网络单元用于基于至少一个监测状态的基准阈值的第一变量并使用基准阈值的上和下限值来检测第一变量超出基准阈值的非安全范围值；当确定第一变量的非安全范围值后，将第一变量和非安全范围值之间的差值设定成至少一个监测状态变化的变量基准，将所述变量基准输入至主神经网络单元中并以第一周期之前的多个历史时间周期获取的基于至少一个监测状态的基准阈值的历史变量作为模型训练的基础数据进行迭代训练，以获取变量基准以历史变量为参照的变化趋势，基于变化趋势沿时间的变动来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量。
在上述中，所述差值以所述第一变量的单位量为参考并将所述差值按照至少一个单位量设定成至少一个监测状态变化的变量基准。
在上述中，所述编码模块具有：
匹配表，基于多个独立功能单元的节点的划分来设定每一所述节点与监测设备之间的所述匹配表，基于所述匹配表对应的将所述监测设备进行编码，并将编码对应的写入在匹配表中；
其中，所述编码用于界定不同节点、节点对应设置的监测设备的区别；
输出单元，将所述匹配表输入至识别模块的基础库中进行存储以便所述识别模块基于存储在基础库中的匹配表对应的识别监测设备以及监测设备对应的节点。
进一步地，所述识别模块包括：
接收单元，具有多个接收通道，每一接收通道用于接收对应的监测设备发送来的监测数据；
解析单元，具有多个并列的解析器，每一解析器对应与接收通道连接，所述解析器用于将监测数据进行解析，
所述解析器在解析过程中利用设定的加载线程调取基础库中的匹配表以获取所解析的监测数据对应的监测设备及节点；
在所述解析器中设置有第一比较器，所述第一比较器用于将每一节点在第一周期内基于至少一个监测状态的基准阈值与所述监测数据进行比较，以获取第一变量。
本发明的原理为：
首先，将油气田同一工艺下的生产设备按照工艺条件划分成为多个节点，在每一节点处设置有监测设备，具体的，将油气田的生产设备按照获取工艺路线和工艺流程的进行建立生产设备的流程图谱，基于所述流程图谱建立生产设备之间的逻辑关系，并在逻辑关系中写入生产设备的功能特性；基于所述逻辑关系来分析生产设备之间的附属关系；基于所述附属关系将生产设备划分成多个独立功能单元的节点；
基于多个独立功能单元的节点的划分来设定每一所述节点与监测设备之间的匹配表，基于所述匹配表对应的将所述监测设备进行编码，并将编码对应的写入在匹配表中；其中，所述编码用于界定不同节点、节点对应设置的监测设备的区别；将所述匹配表输入至识别模块的基础库中进行存储以便所述识别模块基于存储在基础库中的匹配表对应的识别监测设备以及监测设备对应的节点。
识别模块中每一接收通道用于接收对应的监测设备发送来的监测数据；每一解析器对应与接收通道连接，所述解析器用于将监测数据进行解析，所述解析器在解析过程中利用设定的加载线程调取基础库中的匹配表以获取所解析的监测数据对应的监测设备及节点；在所述解析器中设置有第一比较器，所述第一比较器用于将每一节点在第一周期内基于至少一个监测状态的基准阈值与所述监测数据进行比较，以获取第一变量。
所述主神经网络单元用于基于至少一个监测状态的基准阈值的第一变量并使用基准阈值的上和下限值来检测第一变量超出基准阈值的非安全范围值；当确定第一变量的非安全范围值后，将第一变量和非安全范围值之间的差值设定成至少一个监测状态变化的变量基准，将所述变量基准输入至主神经网络单元中并以第一周期之前的多个历史时间周期获取的基于至少一个监测状态的基准阈值的历史变量作为模型训练的基础数据进行迭代训练，以获取变量基准以历史变量为参照的变化趋势，基于变化趋势沿时间的变动来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
比较模块接收基于至少一个监测状态的基准阈值在第二周期内的测量值，并将基于至少一个监测状态的基准阈值在第二周期内预测的第二变量与基于至少一个监测状态的基准阈值在第二周期内测量值进行比较，以确定任意一个节点是否触发预警条件。
在上述中，所述预警条件是按照生产设备标准工作参数设定的非安全变量，所述非安全变量具有一个变量因子，该变量因子嵌入在更新程序中，所述更新程序依据所述机器学习模型的学习结果进行更新。
在上述中，所述机器学习模型中还具有依据主神经网络单元建立的支神经网络单元，所述支神经网络单元用于基于比较模块的比较结果调取主神经网络单元建立的学习资源进行迭代训练得到生产设备标准工作参数随工况运行的优化值，基于所述优化值生产一个动态的优化指令发送至更新程序，所述更新程序接收到优化指令后调取优化值以对应的生成优化因子，将所述优化因子转化为变量因子后更新程序自动的驱动变量因子对所述非安全变量进行周期性的动态更新。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.油气田集成一体化采集监控系统，其特征在于，包括：
将油气田同一工艺下的生产设备按照工艺条件划分成为多个节点，在每一节点处设置有监测设备；
提供一监控服务器，所述监控服务器包括：
编码模块，用于基于工艺条件对每一监测设备进行编码，通过编码界定不同节点设备与节点设备处对应设置的监测设备的区别，并将所述编码写入在识别模块的基础库中进行存储；
所述监测设备用于按照设定周期获取每一节点的监测数据，将每一设定周期的监测数据通过监测设备内置的通信模块发送至监控服务器；
识别模块获取所述监测数据并进行解析，解析后调取基础库中的编码以进行匹配，得到任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量；其中，所述识别模块包括：
接收单元，具有多个接收通道，每一接收通道用于接收对应的监测设备发送来的监测数据；
解析单元，具有多个并列的解析器，每一解析器对应与接收通道连接，所述解析器用于将监测数据进行解析，
所述解析器在解析过程中利用设定的加载线程调取基础库中的匹配表以获取所解析的监测数据对应的监测设备及节点；
在所述解析器中设置有第一比较器，所述第一比较器用于将每一节点在第一周期内基于至少一个监测状态的基准阈值与所述监测数据进行比较，以获取第一变量；
机器学习模型，用于基于任意一个节点在第一周期内获取的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
比较模块，用于接收基于至少一个监测状态的基准阈值在第二周期内的测量值，并将基于至少一个监测状态的基准阈值在第二周期内预测的第二变量与基于至少一个监测状态的基准阈值在第二周期内测量值进行比较，以确定任意一个节点是否触发预警条件。
2.根据权利要求1所述的油气田集成一体化采集监控系统，其特征在于，所述机器学习模型具有至少一个主神经网络单元用于匹配任意一个节点在第一周期内基于至少一个监测状态的基准阈值的第一变量来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量；
所述主神经网络单元用于基于至少一个监测状态的基准阈值的第一变量并使用基准阈值的上和下限值来检测第一变量超出基准阈值的非安全范围值；当确定第一变量的非安全范围值后，将第一变量和非安全范围值之间的差值设定成至少一个监测状态变化的变量基准，将所述变量基准输入至主神经网络单元中并以第一周期之前的多个历史时间周期获取的基于至少一个监测状态的基准阈值的历史变量作为模型训练的基础数据进行迭代训练，以获取变量基准以历史变量为参照的变化趋势，基于变化趋势沿时间的变动来确定基于至少一个监测状态的基准阈值在第二周期内预测的第二变量。
3.根据权利要求2所述的油气田集成一体化采集监控系统，其特征在于，所述差值以所述第一变量的单位量为参考并将所述差值按照至少一个单位量设定成至少一个监测状态变化的变量基准。
4.根据权利要求1所述的油气田集成一体化采集监控系统，其特征在于，将油气田同一工艺下的生产设备按照工艺条件划分成为多个节点包括：
获取工艺路线和工艺流程；
依据所述工艺路线和工艺流程建立生产设备的流程图谱，基于所述流程图谱建立生产设备之间的逻辑关系，并在逻辑关系中写入生产设备的功能特性；
基于所述逻辑关系来分析生产设备之间的附属关系；
基于所述附属关系将生产设备划分成多个独立功能单元的节点。
5.根据权利要求1所述的油气田集成一体化采集监控系统，其特征在于，所述编码模块具有：
匹配表，基于多个独立功能单元的节点的划分来设定每一所述节点与监测设备之间的所述匹配表，基于所述匹配表对应的将所述监测设备进行编码，并将编码对应的写入在匹配表中；
其中，所述编码用于界定不同节点、节点对应设置的监测设备的区别；
输出单元，将所述匹配表输入至识别模块的基础库中进行存储以便所述识别模块基于存储在基础库中的匹配表对应的识别监测设备以及监测设备对应的节点。
6.根据权利要求1所述的油气田集成一体化采集监控系统，其特征在于，所述预警条件是按照生产设备标准工作参数设定的非安全变量，所述非安全变量具有一个变量因子，该变量因子嵌入在更新程序中，所述更新程序依据所述机器学习模型的学习结果进行更新。
7.根据权利要求6所述的油气田集成一体化采集监控系统，其特征在于，所述机器学习模型中还具有依据主神经网络单元建立的支神经网络单元，所述支神经网络单元用于基于比较模块的比较结果调取主神经网络单元建立的学习资源进行迭代训练得到生产设备标准工作参数随工况运行的优化值，基于所述优化值生产一个动态的优化指令发送至更新程序，所述更新程序接收到优化指令后调取优化值以对应的生成优化因子，将所述优化因子转化为变量因子后更新程序自动的驱动变量因子对所述非安全变量进行周期性的动态更新。
CN202210976196.2A 2022-08-15 2022-08-15 油气田集成一体化采集监控系统 Active CN115358560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210976196.2A CN115358560B (zh) 2022-08-15 2022-08-15 油气田集成一体化采集监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210976196.2A CN115358560B (zh) 2022-08-15 2022-08-15 油气田集成一体化采集监控系统

Publications (2)

Publication Number Publication Date
CN115358560A CN115358560A (zh) 2022-11-18
CN115358560B true CN115358560B (zh) 2023-10-17

Family

ID=84001022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210976196.2A Active CN115358560B (zh) 2022-08-15 2022-08-15 油气田集成一体化采集监控系统

Country Status (1)

Country Link
CN (1) CN115358560B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116345676B (zh) * 2023-02-15 2024-02-06 西安宇翔电气工程有限公司 一种配电柜智能监测系统
CN116414096A (zh) * 2023-04-26 2023-07-11 武汉慧友佳华电子有限公司 智慧化工厂生产管控系统
CN118445324B (zh) * 2024-07-08 2024-09-17 西安交通大学城市学院 基于大数据的人工智能数据聚合系统
CN118504848A (zh) * 2024-07-19 2024-08-16 江西金德锂新能源科技有限公司 硫酸铯生产管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104019935A (zh) * 2014-06-17 2014-09-03 天津市天泽化工有限公司 一种用于化工设备的无线自动测压报警系统
WO2019094729A1 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN110728443A (zh) * 2019-09-30 2020-01-24 鞍钢集团自动化有限公司 一种电机全生命周期管控系统
CN111369665A (zh) * 2020-02-24 2020-07-03 中煤华晋集团有限公司 一种基于三维建模技术的生产状态监测系统及监测方法
CN113689123A (zh) * 2021-08-26 2021-11-23 北京大漠石油工程技术有限公司 一种天然气模块化采集智能管理平台
CN114458967A (zh) * 2020-10-22 2022-05-10 中国石油化工股份有限公司 存储器、油气管道监测预警方法、装置和设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8676721B2 (en) * 2009-09-18 2014-03-18 Apo Offshore, Inc. Method, system and apparatus for intelligent management of oil and gas platform surface equipment
US9753796B2 (en) * 2013-12-06 2017-09-05 Lookout, Inc. Distributed monitoring, evaluation, and response for multiple devices
WO2019028269A2 (en) * 2017-08-02 2019-02-07 Strong Force Iot Portfolio 2016, Llc METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104019935A (zh) * 2014-06-17 2014-09-03 天津市天泽化工有限公司 一种用于化工设备的无线自动测压报警系统
WO2019094729A1 (en) * 2017-11-09 2019-05-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
CN110728443A (zh) * 2019-09-30 2020-01-24 鞍钢集团自动化有限公司 一种电机全生命周期管控系统
CN111369665A (zh) * 2020-02-24 2020-07-03 中煤华晋集团有限公司 一种基于三维建模技术的生产状态监测系统及监测方法
CN114458967A (zh) * 2020-10-22 2022-05-10 中国石油化工股份有限公司 存储器、油气管道监测预警方法、装置和设备
CN113689123A (zh) * 2021-08-26 2021-11-23 北京大漠石油工程技术有限公司 一种天然气模块化采集智能管理平台

Also Published As

Publication number Publication date
CN115358560A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115358560B (zh) 油气田集成一体化采集监控系统
CN112384924B (zh) 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统
CN109102189B (zh) 一种电气设备健康管理系统和方法
CN105956734B (zh) 动态设置it设备的性能的指标阈值的方法及系统
CN112926257A (zh) 往复式天然气压缩机故障诊断系统以及诊断方法
CN106209405A (zh) 故障诊断方法及装置
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN112700622B (zh) 一种基于storm的铁路地质灾害监测大数据预处理方法及系统
CN114019927A (zh) 基于智能精密模具制造的监管反馈控制系统
CN117217020A (zh) 一种基于数字孪生的工业模型构建方法及系统
CN110134040B (zh) 工业设备的运行数据的处理方法及系统
CN109523030B (zh) 一种基于机器学习的遥测参数异常监测系统
CN113111585A (zh) 一种智能机柜故障预测方法、系统及智能机柜
CN116859838B (zh) 一种设备运行情况监测的预警系统
CN110633314A (zh) 车联网数据处理方法及装置
CN111768113A (zh) 一种基于公有云的水利工程管理系统和方法
CN108737164B (zh) 一种电信网络实时告警过滤方法及装置
CN115952030A (zh) 一种数据追溯方法及其系统
CN114089206A (zh) 一种电池冗余模块的寿命预测方法、系统、介质及设备
CN113168739B (zh) 用于检查至少一台车辆的方法以及电子计算装置
CN113204332A (zh) 智能家居设备控制程序生成系统及方法
CN111832805A (zh) 一种基于电力大数据的经济预警分析系统及方法
CN117765374B (zh) 一种基于人工智能的数据分析系统及方法
CN117808157B (zh) 基于智能识别的未报备停电行为预测分析系统
CN113138875B (zh) 一种故障检测方法、终端以及计算机存储介质

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
CP02 Change in the address of a patent holder

Address after: Room 10301, 3rd Floor, Block F, BDEF, Airport International Business Center, Airport New City, Xixian New Area, Shaanxi Province, 712034, A-347

Patentee after: Xi'an Huasheng Communication Co.,Ltd.

Address before: 710000 No. 11702, 17th floor, building B, national digital publishing base, No. 996, Tiangu seventh Road, high tech Zone, Xi'an, Shaanxi Province

Patentee before: Xi'an Huasheng Communication Co.,Ltd.

CP02 Change in the address of a patent holder