CN116993077A - 一种基于大数据的采油设备维护管理系统及方法 - Google Patents
一种基于大数据的采油设备维护管理系统及方法 Download PDFInfo
- Publication number
- CN116993077A CN116993077A CN202310838394.7A CN202310838394A CN116993077A CN 116993077 A CN116993077 A CN 116993077A CN 202310838394 A CN202310838394 A CN 202310838394A CN 116993077 A CN116993077 A CN 116993077A
- Authority
- CN
- China
- Prior art keywords
- data
- oil extraction
- extraction equipment
- fault
- abnormal
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 167
- 238000012423 maintenance Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 58
- 238000012216 screening Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 24
- 238000012706 support-vector machine Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005923 long-lasting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的采油设备维护管理系统及方法,属于设备维护管理技术领域。本发明系统包括数据采集模块、数据处理模块、数据分析模块以及维护管理模块;所述数据采集模块的输出端与所述数据处理模块的输入端相连接;所述数据处理模块的输出端与所述数据分析模块的输入端相连接;所述数据分析模块的输出端与所述维护管理模块的输入端相连接;本发明还通过历史数据获得采油设备异常特征和采油设备故障特征,经过采油设备异常预测模型和采油设备故障预测模型,可以预测采油设备的异常和故障,及时处理异常和故障的情况,维护和修理采油设备,确保采油设备稳定运行,提高采油效率和成本效益。
Description
技术领域
本发明涉及设备维护管理技术领域,具体为一种基于大数据的采油设备维护管理系统及方法。
背景技术
石油工业是国民经济的重要支柱产业,采油设备作为石油生产的核心设备,对采油生产的效率和质量起着至关重要的作用。在采油设备的运行过程中,由于设备的磨损、老化、异常等原因,经常出现设备故障和停机现象,严重影响了采油生产的稳定性和效率。因此,采油设备的维护管理对于提高采油生产效益和设备可靠性至关重要。
传统的采油设备维护管理方法多采用基于经验的管理模式,主要应用于设备的整体检修和预防性维护,对于设备的实时监测、故障预警、精准维护等方面则存在较大的局限性,具体表现为:
传统的维护管理模式主要采用经验的方式进行维护管理,无法实时监测设备运行状态,难以及时发现异常情况和预测设备故障,从而无法采取及时的维护措施。
传统的维护管理模式主要采用定期检修的方式进行设备维护,无法针对设备的实际情况和运行状态进行差异化的维护,因此维护计划不够精准。
由于传统的维护管理模式无法实现故障预警和精准维护,当设备出现问题时,需要进行大量的维修和更换部件,导致维修成本较高。
传统的维护管理模式主要依赖于人工经验,无法实现数字化和信息化管理,因此管理效率较低。
发明内容
本发明的目的在于提供一种基于大数据的采油设备维护管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于大数据的采油设备维护管理系统,该系统包括数据采集模块、数据处理模块、数据分析模块以及维护管理模块;
数据采集模块用于获取采油设备的历史数据;数据处理模块用于对采油设备数据进行筛分;数据分析模块用于建立精准的预测模型,进行采油设备的维护管理;维护管理模块用于制定维护计划和管理维护过程;
数据采集模块的输出端与所述数据处理模块的输入端相连接;数据处理模块的输出端与所述数据分析模块的输入端相连接;数据分析模块的输出端与所述维护管理模块的输入端相连接。
进一步的,数据采集模块包括设备远程监控功能,能够实现对采油设备进行远程监控,及时发现异常情况,保障设备的安全运行。
进一步的,数据处理模块对采油设备的历史数据进行筛分处理。
进一步的,数据分析模块包括采油设备异常分析子模块、采油设备故障分析子模块;
所述采油设备异常分析子模块用于对采油设备运行状态进行判断是否为设备异常;所述采油设备故障分析子模块用于对采油设备运行状态进行判断是否为设备故障;
进一步的,维护管理模块将数据采集、处理、分析和维护管理进行有机集成,实现设备维护数字化、信息化和自动化控制。
一种基于大数据的采油设备维护管理方法,该方法包括以下步骤:
S1.获取采油设备的历史数据,并将其上传至数据处理模块进行处理,实时监测采油设备的运行状态;
S2.利用数据处理模块,判断采油设备是否存在异常和故障,完成数据的筛分;
S3.启动数据分析模块,对采油设备的历史数据进行分析和建模,形成精准的预测模型;
S4.根据数据分析模块的预测模型,对采油设备的实时数据进行预测,根据预测结果制定维护计划和方案,集成维护管理模块,进行维护管理。
进一步的,在步骤S1中,采油设备的历史数据包括采油设备的传感器数据、运行参数以及工作状态;
其中传感器数据包括设备的温度、压力、流量、振动、电流、电压数据;运行参数包括设备的输出功率、负载、转速;工作状态包括设备的开关状态、工作时间、停机时间。
进一步的,在步骤S2中,数据的筛分根据历史数据判断采油设备是否存在异常和故障,筛选出异常数据与故障数据;
根据历史数据,筛选异常数据与故障数据的步骤如下:
S801.获取采油设备的历史数据;
S802.根据历史数据观察时间序列,找到设备异常数据,制定相应的异常数据的阈值区间;
其中,制定相应的异常数据的阈值区间步骤如下:
i.将历史数据以一天为一个周期划分为n个统计区间,n≥2;
ii.对于每个统计区间,计算平均值和标准差,并根据公式计算出其对应的离散系数值C;
iii.对所有离散系数的值按照从大到小进行排序,选择前m%的统计区间作为数据异常区间,其中m=1,2,...,m;
iv.将上述数据异常区间的数据进行汇总,计算平均值与标准差,将平均值减去n个标准差作为下限,均值加上n个标准差作为上限,即可确定异常数据的阈值区间,其中n=1,2,...,n;
S803.观察历史数据,找到设备故障数据,制定相应的故障数据的阈值;
其中,制定相应的故障数据的阈值区间步骤如下:
i.将历史数据以一天为一个周期划分为n个统计区间,n≥2;
ii.对于每个统计区间,计算平均值、中位数、标准差、方差;
iii.通过对每个统计区间数据的计算,对数据绘制直方图;
iv.根据数据的分布情况,找到标准差最大的统计区间,就将这个统计区间作为数据错误区间;
v.将上述数据错误区间的数据进行汇总,计算平均值与标准差,将平均值减去n个标准差作为下限,均值加上n个标准差作为上限,即可确定故障数据的阈值区间,其中n=1,2,...,n;
S804.在历史数据中,筛选出属于异常数据的阈值区间的数据,作为采油设备异常数据;筛选出属于故障数据的阈值区间的数据,作为采油设备故障数据。
进一步的,在步骤S3中,构建预测模型分为采油设备异常预测模型和采油设备故障预测模型;
其中,采油设备异常是指设备运行过程中出现的非正常状态,通常是短暂、临时性的问题,不影响设备的正常工作,也不需要立即进行维修处理,因此采油设备异常特征可以由历史数据直观反映;构建采油设备异常预测模型步骤如下:
SA01.根据筛选得到的异常数据,提取采油设备异常特征;
SA02.根据已提取的采油设备异常特征,构造异常分类器,实现对多种异常的分类;分类器构造方法采用支持向量机SVM方法;
其中,支持向量机的分类器构造方法具体实现步骤如下:
i.根据采油设备的异常特征构建多种异常特征集,设定特征集标签,将其中一类异常的特征设定标签为1,作为分类的第一种异常类型;剩余异常类型的特征设定标签为-1;
ii.引入SVM分类器原理的径向基RBF核函数,构建基于RBF核函数的SVM学习训练,RBF核函数如下所示:
其中,x为输入特征向量,即异常特征的均值,特征z为核函数中心,σ为核函数宽度;
iii.构建基于RBF核函数的SVM学习模型进行训练,其分类训练模型如下:
其中,xj为异常特征均值,αj为拉格朗日算子,0<αj<C,C为对错分样本的惩罚系数,n为训练样本数,b为分类阈值,yj为分类标记-1或1,即1表示已设定的某种异常,-1表示剩余异常类型;
iv.通过交叉验证的方法对上述训练模型中的惩罚系数C和RBF核函数宽度σ进行优化选择,取最优惩罚系数值为最优拉格朗日算子α*,由此获得如下所示的第一个SVM分类预测模型:
v.重复以上步骤遍历所有异常特征,并形成n个SVM分类预测模型,其中n≥2;
其中,采油设备故障是指设备出现了破坏或失效的状况,通常是长期、持久性的问题,会导致设备停机或影响设备的正常工作,从而会导致数据缺失,因此采油设备故障特征无法直观的用历史数据表示;构建采油设备故障预测模型步骤如下:
SB01.根据采油设备维修记录,获取采油设备故障相关的特征;
SB02.根据采油设备故障相关的特征,构建采油设备故障类型集合A={a1,a2,…,an};其中a1,a2,…,an分别代表采油设备故障类型中的一种,且每种故障类型包括两个故障特征;n为数据编号;
SB03.根据历史数据,得到故障类型集合A={a1,a2,…,an}中的每种故障类型的发生次数,计算总的故障次数,即所有故障类型的发生次数之和;分别计算每种故障类型的发生概率,即该故障类型的发生次数除以总的故障次数;
SB04.利用线性回归算法建立故障预测模型,其以故障概率P为因变量,以采油设备故障特征x为自变量构建预测模型:
P=β0+β1x1+β2x2
其中,β0,β1,...,βn为预测模型的回归系数,x1,x2代表采油设备故障特征,且故障特征分别为磨损指数和波动指数,磨损指数根据公式计算,波动指数根据公式/>计算。
进一步的,在步骤S4中,预测结果分别为采油设备异常和采油设备故障;其中采油设备故障优先级高于采油设备异常,即在判断过程中,若满足采油故障条件优先判断为采油设备故障,并按照概率从大到小的顺序输出至维修管理模块;输出采油设备故障概率后,再获取采油设备异常类别,并将采油设备异常类别输送至维修管理模块。
与现有技术相比,本发明所达到的有益效果是:
1.基于大数据分析技术,能够将历史数据的采油设备异常数据和采油设备故障数据筛选出来,通过所述数据能够获取设备的异常特征和故障特征,能够判断设备是否存在异常和故障,及时发现异常情况和处理故障,减少停机时间和维护成本。
2.通过数据处理和分析,建构采油设备异常预测模型和采油设备故障预测模型,提高维护计划的准确性和精准度,实现差异化的维护管理,从而最大限度地保障设备可靠性和降低设备维修成本。
3.通过自动化控制技术实现设备维护的精准执行和监测,减轻工作人员的工作负担,提高维护效率和管理精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的采油设备维护管理系统的流程示意图;
图2是本发明一种基于大数据的采油设备维护管理方法的步骤示意图。
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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供技术方案:
一种基于大数据的采油设备维护管理系统,该系统包括数据采集模块、数据处理模块、数据分析模块以及维护管理模块;
数据采集模块用于获取采油设备的历史数据;数据处理模块用于对采油设备数据进行筛分;数据分析模块用于建立精准的预测模型,进行采油设备的维护管理;维护管理模块用于制定维护计划和管理维护过程;
数据采集模块的输出端与所述数据处理模块的输入端相连接;数据处理模块的输出端与所述数据分析模块的输入端相连接;数据分析模块的输出端与所述维护管理模块的输入端相连接。
数据采集模块包括设备远程监控功能,能够实现对采油设备进行远程监控,及时发现异常情况,保障设备的安全运行。
数据处理模块对采油设备的历史数据进行筛分处理。
数据分析模块包括采油设备异常分析子模块、采油设备故障分析子模块;
采油设备异常分析子模块用于对采油设备运行状态进行判断是否为设备异常;采油设备故障分析子模块用于对采油设备运行状态进行判断是否为设备故障;
维护管理模块将数据采集、处理、分析和维护管理进行有机集成,实现设备维护数字化、信息化和自动化控制。
一种基于大数据的采油设备维护管理方法,该方法包括以下步骤:
S1.获取采油设备的历史数据,并将其上传至数据处理模块进行处理,实时监测采油设备的运行状态;
S2.利用数据处理模块,判断采油设备是否存在异常和故障,完成数据的筛分;
S3.启动数据分析模块,对采油设备的历史数据进行分析和建模,形成精准的预测模型;
S4.根据数据分析模块的预测模型,对采油设备的实时数据进行预测,根据预测结果制定维护计划和方案,集成维护管理模块,进行维护管理。
在步骤S1中,采油设备的历史数据包括采油设备的传感器数据、运行参数以及工作状态;
其中传感器数据包括设备的温度、压力、流量、振动、电流、电压数据;运行参数包括设备的输出功率、负载、转速;工作状态包括设备的开关状态、工作时间、停机时间。
在步骤S2中,数据的筛分根据历史数据判断采油设备是否存在异常和故障,筛选出异常数据与故障数据;
根据历史数据,筛选异常数据与故障数据的步骤如下:
S801.获取采油设备的历史数据;
S802.根据历史数据观察时间序列,找到设备异常数据,制定相应的异常数据的阈值区间;
其中,制定相应的异常数据的阈值区间步骤如下:
i.将历史数据以一天为一个周期划分为n个统计区间,n≥2;
ii.对于每个统计区间,计算平均值和标准差,并根据公式计算出其对应的离散系数值C;
iii.对所有离散系数的值按照从大到小进行排序,选择前m%的统计区间作为数据异常区间,其中m=1,2,...,m;
iv.将上述数据异常区间的数据进行汇总,计算平均值与标准差,将平均值减去n个标准差作为下限,均值加上n个标准差作为上限,即可确定异常数据的阈值区间,其中n=1,2,...,n;
S803.观察历史数据,找到设备故障数据,制定相应的故障数据的阈值;
其中,制定相应的故障数据的阈值区间步骤如下:
i.将历史数据以一天为一个周期划分为n个统计区间,n≥2;
ii.对于每个统计区间,计算平均值、中位数、标准差、方差;
iii.通过对每个统计区间数据的计算,对数据绘制直方图;
iv.根据数据的分布情况,找到标准差最大的统计区间,就将这个统计区间作为数据错误区间;
v.将上述数据错误区间的数据进行汇总,计算平均值与标准差,将平均值减去n个标准差作为下限,均值加上n个标准差作为上限,即可确定故障数据的阈值区间,其中n=1,2,...,n;
S804.在历史数据中,筛选出属于异常数据的阈值区间的数据,作为采油设备异常数据;筛选出属于故障数据的阈值区间的数据,作为采油设备故障数据。
在步骤S3中,构建预测模型分为采油设备异常预测模型和采油设备故障预测模型;
其中,采油设备异常是指设备运行过程中出现的非正常状态,通常是短暂、临时性的问题,不影响设备的正常工作,也不需要立即进行维修处理,因此采油设备异常特征可以由历史数据直观反映;构建采油设备异常预测模型步骤如下:
SA01.根据筛选得到的异常数据,提取采油设备异常特征;
SA02.根据已提取的采油设备异常特征,构造异常分类器,实现对多种异常的分类;分类器构造方法采用支持向量机SVM方法;
其中,支持向量机的分类器构造方法具体实现步骤如下:
i.根据采油设备的异常特征构建多种异常特征集,设定特征集标签,将其中一类异常的特征设定标签为1,作为分类的第一种异常类型;剩余异常类型的特征设定标签为-1;
ii.引入SVM分类器原理的径向基RBF核函数,构建基于RBF核函数的SVM学习训练,RBF核函数如下所示:
其中,x为输入特征向量,即异常特征的均值,特征z为核函数中心,σ为核函数宽度;
iii.构建基于RBF核函数的SVM学习模型进行训练,其分类训练模型如下:
其中,xj为异常特征均值,αj为拉格朗日算子,0<αj<C,C为对错分样本的惩罚系数,n为训练样本数,b为分类阈值,yj为分类标记-1或1,即1表示已设定的某种异常,-1表示剩余异常类型;
iv.通过交叉验证的方法对上述训练模型中的惩罚系数C和RBF核函数宽度σ进行优化选择,取最优惩罚系数值为最优拉格朗日算子α*,由此获得如下所示的第一个SVM分类预测模型:
v.重复以上步骤遍历所有异常特征,并形成n个SVM分类预测模型,其中n≥2;
其中,采油设备故障是指设备出现了破坏或失效的状况,通常是长期、持久性的问题,会导致设备停机或影响设备的正常工作,从而会导致数据缺失,因此采油设备故障特征无法直观的用历史数据表示;构建采油设备故障预测模型步骤如下:
SB01.根据采油设备维修记录,获取采油设备故障相关的特征;
SB02.根据采油设备故障相关的特征,构建采油设备故障类型集合A={a1,a2,…,an};其中a1,a2,…,an分别代表采油设备故障类型中的一种;n为数据编号;
SB03.根据历史数据,得到故障类型集合A={a1,a2,…,an}中的每种故障类型的发生次数,计算总的故障次数,即所有故障类型的发生次数之和;分别计算每种故障类型的发生概率,即该故障类型的发生次数除以总的故障次数;
SB04.利用线性回归算法建立故障预测模型,其以故障概率P为因变量,以采油设备故障特征x为自变量构建预测模型:
P=β0+β1x1+β2x2
其中,β0,β1,...,βn为预测模型的回归系数,x1,x2代表采油设备故障特征,且故障特征分别为磨损指数和波动指数,磨损指数根据公式计算,波动指数根据公式/>计算。
在步骤S4中,预测结果分别为采油设备异常和采油设备故障;其中采油设备故障优先级高于采油设备异常,即在判断过程中,若满足采油故障条件优先判断为采油设备故障,并按照概率从大到小的顺序输出至维修管理模块;输出采油设备故障概率后,再获取采油设备异常类别,并将采油设备异常类别输送至维修管理模块。
在本实施例中:
异常数据的筛选,假设采油设备的温度传感器,记录了其过去24小时的温度数据。按照下列步骤,对这些数据进行异常检测并制定异常数据的阈值区间:
a.将过去24小时的温度数据划分为n=24个统计区间,每个统计区间为1小时;
b.对每个统计区间,计算温度数据的平均值和标准差,并根据公式,计算出其对应的离散系数值C;
c.对所有离散系数的值按照从大到小进行排序,并选择前m%的统计区间作为数据异常区间。在此选择m=20%,即选择离散系数值最大的前5个统计区间作为异常数据区间;
d.将这些异常数据区间对应的温度数据取出来,作为异常温度数据集合;
e.对于异常温度数据集合,根据其平均值和标准差计算其阈值区间。假设选择以95%的可信度作为阈值,即正常温度数据均匀分布在异常温度数据的正负两个标准差之间。根据正态分布的性质,均值加减2倍标准差的区间,能够覆盖95%的正态分布数据。因此,将异常温度数据的平均值加减2倍标准差,作为异常温度数据的阈值区间;
f.对于过去24小时的所有温度数据,判断每个数据是否在异常温度数据集合的阈值区间之内。如果不在,则判定该数据为异常数据。
故障数据的筛选,对于一台采油设备的历史数据按照下列步骤,对这些数据进行故障检测并制定故障数据的阈值区间:
a.将过去24小时的历史数据划分为n=4个统计区间,每个统计区间为6小时;对于每个统计区间,计算数据的平均值、中位数、标准差、方差;
b.针对于每个统计区间的数据,绘制直方图;
c.根据数据的分布情况,找到标准差最大的统计区间,就将这个统计区间作为故障数据区间;
d.对于故障电压数据,根据其平均值和标准差计算其阈值区间,假设选择以95%的可信度作为阈值,即正常电压数据均匀分布在故障电压数据的正负两个标准差之间。根据正态分布的性质,均值加减2倍标准差的区间,能够覆盖95%的正态分布数据。因此,将故障电压数据的平均值加减2倍标准差,作为故障电压数据的阈值区间;
e.对于过去24小时的所有电压数据,判断每个数据是否在故障电压数据集合的阈值区间之内。如果不在,则判定该数据为异常数据。
对于故障预测模型,假设有一组采油设备的历史数据,包括以下故障和特征:
a.故障1:电机过载,配件磨损指数为0.8,电压波动指数为0.3;
b.故障2:水管破裂,配件磨损指数为0.2,水压波动指数为0.6;
c.故障3:压缩机堵塞,配件磨损指数为0.5,压力波动指数为0.4;
d.故障4:传动带断裂,配件磨损指数为0.7,转速波动指数为0.5。
可以根据这些故障的特征,构建采油设备故障类型集合:
i.故障类型a1:电机过载;
ii.故障类型a2:水管破裂;
iii.故障类型a3:压缩机堵塞;
iv.故障类型a4:传动带断裂。
然后,根据历史数据,计算每种故障类型的发生概率。假设在过去的100次运行中,故障类型a1发生了20次,故障类型a2发生了15次,故障类型a3发生了35次,故障类型a4发生了30次,则每种故障类型的发生概率分别为:
i.发生概率a1=20/100=0.2
ii.发生概率a2=15/100=0.15
iii.发生概率a3=35/100=0.35
iv.发生概率a4=30/100=0.3。
这样就得到了每种故障类型的发生概率,可以作为故障预测模型中的一个输入参数。
最后,可以利用线性回归算法,根据故障概率P为因变量,以采油设备故障特征为自变量构建预测模型。假设利用历史数据训练出的模型为:P=0.4+0.5×磨损指数-0.2×波动指数;其中0.4表示误差因子,0.5表示磨损指数的回归系数,-0.2表示波动指数的回归系数。
假设有一组新的采油设备故障特征:配件磨损指数为0.6,电压波动指数为0.2。可以应用预测模型来预测故障概率:P=0.4+0.5×0.6-0.2×0.2=0.66;这样就得到了预测的故障概率为0.66。根据预测结果,可以对采油设备进行维护和保养计划。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (10)
1.一种基于大数据的采油设备维护管理系统,其特征在于:该系统包括数据采集模块、数据处理模块、数据分析模块以及维护管理模块;
所述数据采集模块用于获取采油设备的历史数据;所述数据处理模块用于对采油设备数据进行筛分;所述数据分析模块用于建立精准的预测模型,进行采油设备的维护管理;所述维护管理模块用于制定维护计划和管理维护过程;
所述数据采集模块的输出端与所述数据处理模块的输入端相连接;所述数据处理模块的输出端与所述数据分析模块的输入端相连接;所述数据分析模块的输出端与所述维护管理模块的输入端相连接。
2.根据权利要求1所述的一种基于大数据的采油设备维护管理系统,其特征在于:所述数据采集模块包括设备远程监控功能,能够实现对采油设备进行远程监控,及时发现异常情况,保障设备的安全运行。
3.根据权利要求1所述的一种基于大数据的采油设备维护管理系统,其特征在于:所述数据处理模块对采油设备的历史数据进行筛分处理。
4.根据权利要求1所述的一种基于大数据的采油设备维护管理系统,其特征在于:所述数据分析模块包括采油设备异常分析子模块、采油设备故障分析子模块;
所述采油设备异常分析子模块用于对采油设备运行状态进行判断是否为设备异常;所述采油设备故障分析子模块用于对采油设备运行状态进行判断是否为设备故障。
5.根据权利要求1所述的一种基于大数据的采油设备维护管理系统,其特征在于:所述维护管理模块将数据采集、处理、分析和维护管理进行有机集成,实现设备维护数字化、信息化和自动化控制。
6.一种基于大数据的采油设备维护管理方法,其特征在于:该方法包括以下步骤:
S1.获取采油设备的历史数据,并将其上传至数据处理模块进行处理,实时监测采油设备的运行状态;
S2.利用数据处理模块,判断采油设备是否存在异常和故障,完成数据的筛分;
S3.启动数据分析模块,对采油设备的历史数据进行分析和建模,形成预测模型;
S4.根据数据分析模块的预测模型,对采油设备的实时数据进行预测,根据预测结果,进行维护管理。
7.一种基于大数据的采油设备维护管理方法,其特征在于:在步骤S1中,采油设备的历史数据包括采油设备的传感器数据、运行参数以及工作状态;
其中传感器数据包括设备的温度、压力、流量、振动、电流、电压数据;运行参数包括设备的输出功率、负载、转速;工作状态包括设备的开关状态、工作时间、停机时间。
8.根据权利要求6所述的种基于大数据的采油设备维护管理方法,其特征在于:在步骤S2中,数据的筛分根据历史数据判断采油设备是否存在异常和故障,筛选出异常数据与故障数据;
根据历史数据,筛选异常数据与故障数据的步骤如下:
S801.获取采油设备的历史数据;
S802.根据历史数据观察时间序列,找到设备异常数据,制定相应的异常数据的阈值区间;
其中,制定相应的异常数据的阈值区间步骤如下:
i.将历史数据以一天为一个周期划分为n个统计区间,n≥2;
ii.对于每个统计区间,计算平均值和标准差,并根据公式计算出其对应的离散系数值C;
iii.对所有离散系数的值按照从大到小进行排序,选择前m%的统计区间作为数据异常区间,其中m=1,2,...,m;
iv.将上述数据异常区间的数据进行汇总,计算平均值与标准差,将平均值减去n个标准差作为下限,均值加上n个标准差作为上限,即可确定异常数据的阈值区间,其中n=1,2,...,n;
S803.观察历史数据,找到设备故障数据,制定相应的故障数据的阈值;
其中,制定相应的故障数据的阈值区间步骤如下:
i.将历史数据以一天为一个周期划分为n个统计区间,n≥2;
ii.对于每个统计区间,计算平均值、中位数、标准差、方差;
iii.通过对每个统计区间数据的计算,对数据绘制直方图;
iv.根据数据的分布情况,找到标准差最大的统计区间,就将这个统计区间作为数据错误区间;
v.将上述数据错误区间的数据进行汇总,计算平均值与标准差,将平均值减去n个标准差作为下限,均值加上n个标准差作为上限,即可确定故障数据的阈值区间,其中n=1,2,...,n;
S804.在历史数据中,筛选出属于异常数据的阈值区间的数据,作为采油设备异常数据;筛选出属于故障数据的阈值区间的数据,作为采油设备故障数据。
9.根据权利要求6所述的一种基于大数据的采油设备维护管理方法,其特征在于:在步骤S3中,构建预测模型分为采油设备异常预测模型和采油设备故障预测模型;
其中,构建采油设备异常预测模型步骤如下:
SA01.根据筛选得到的异常数据,提取采油设备异常特征;
SA02.根据已提取的采油设备异常特征,构造异常分类器,实现对多种异常的分类;分类器构造方法采用支持向量机SVM方法;
其中,支持向量机的分类器构造方法具体实现步骤如下:
i.根据采油设备的异常特征构建多种异常特征集,设定特征集标签,将其中一类异常的特征设定标签为1,作为分类的第一种异常类型;剩余异常类型的特征设定标签为-1;
ii.引入SVM分类器原理的径向基RBF核函数,构建基于RBF核函数的SVM学习训练,RBF核函数如下所示:
其中,x为输入特征向量,即异常特征的均值,特征z为核函数中心,σ为核函数宽度;
iii.构建基于RBF核函数的SVM学习模型进行训练,其分类训练模型如下:
其中,xj为异常特征均值,αj为拉格朗日算子,0<αj<C,C为对错分样本的惩罚系数,n为训练样本数,b为分类阈值,yj为分类标记-1或1,即1表示已设定的某种异常,-1表示剩余异常类型;
iv.通过交叉验证的方法对上述训练模型中的惩罚系数C和RBF核函数宽度σ进行优化选择,取最优惩罚系数值为最优拉格朗日算子α*,由此获得如下所示的第一个SVM分类预测模型:
v.重复以上步骤遍历所有异常特征,并形成n个SVM分类预测模型,其中n≥2;
其中,构建采油设备故障预测模型步骤如下:
SB01.根据采油设备维修记录,获取采油设备故障相关的特征;
SB02.根据采油设备故障相关的特征,构建采油设备故障类型集合A={a1,a2,…,an};其中a1,a2,…,an分别代表采油设备故障类型中的一种,且每种故障类型包括两个故障特征;n为数据编号;
SB03.根据历史数据,得到故障类型集合A={a1,a2,…,an}中的每种故障类型的发生次数,计算总的故障次数,即所有故障类型的发生次数之和;分别计算每种故障类型的发生概率,即该故障类型的发生次数除以总的故障次数;
SB04.利用线性回归算法建立故障预测模型,其以故障概率P为因变量,以采油设备故障特征x为自变量构建预测模型:
P=β0+β1x1+β2x2
其中,β0,β1,β2为预测模型的回归系数,x1,x2代表采油设备故障特征,且故障特征分别为磨损指数和波动指数,磨损指数根据公式计算,波动指数根据公式计算。
10.根据权利要求6所述的一种基于大数据的采油设备维护管理方法,其特征在于:在步骤S4中,预测结果分别为采油设备异常和采油设备故障;其中采油设备故障优先级高于采油设备异常,即在判断过程中,若满足采油故障条件优先判断为采油设备故障,并按照概率从大到小的顺序输出至维修管理模块;输出采油设备故障概率后,再获取采油设备异常类别,并将采油设备异常类别输送至维修管理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310838394.7A CN116993077A (zh) | 2023-07-10 | 2023-07-10 | 一种基于大数据的采油设备维护管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310838394.7A CN116993077A (zh) | 2023-07-10 | 2023-07-10 | 一种基于大数据的采油设备维护管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993077A true CN116993077A (zh) | 2023-11-03 |
Family
ID=88531203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310838394.7A Pending CN116993077A (zh) | 2023-07-10 | 2023-07-10 | 一种基于大数据的采油设备维护管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993077A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708552A (zh) * | 2024-02-06 | 2024-03-15 | 华能江苏综合能源服务有限公司 | 一种基于边缘计算的发电站运维数据实时监控方法 |
CN117787926A (zh) * | 2024-02-28 | 2024-03-29 | 长春电子科技学院 | 一种基于大数据的设备管理系统及方法 |
-
2023
- 2023-07-10 CN CN202310838394.7A patent/CN116993077A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708552A (zh) * | 2024-02-06 | 2024-03-15 | 华能江苏综合能源服务有限公司 | 一种基于边缘计算的发电站运维数据实时监控方法 |
CN117708552B (zh) * | 2024-02-06 | 2024-05-10 | 华能江苏综合能源服务有限公司 | 一种基于边缘计算的发电站运维数据实时监控方法 |
CN117787926A (zh) * | 2024-02-28 | 2024-03-29 | 长春电子科技学院 | 一种基于大数据的设备管理系统及方法 |
CN117787926B (zh) * | 2024-02-28 | 2024-05-14 | 长春电子科技学院 | 一种基于大数据的设备管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993077A (zh) | 一种基于大数据的采油设备维护管理系统及方法 | |
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN108335021B (zh) | 一种风力机状态可靠度评估的方法及维修决策优化 | |
CN111667102B (zh) | 一种用于电力系统变压器元件运行状态故障预警的智能挖掘算法 | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN110097209A (zh) | 一种基于参数残差的设备劣化分析方法 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN111930790B (zh) | 一种基于时序分析的阀冷设备进阀温度预测方法 | |
CN116991130A (zh) | 一种石化生产智能化自动化控制系统和方法 | |
Abbasi et al. | Development of predictive maintenance interface using multiple linear regression | |
CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
CN108376293B (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN110991799A (zh) | 一种配电网生产综合预警方法 | |
CN113285654B (zh) | 基于流体压力执行机构中的油田石化伺服马达系统 | |
CN113176530A (zh) | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 | |
CN111652393A (zh) | 基于大数据技术的电力设备异常预警方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
Xue et al. | A data-driven method to predict future bottlenecks in a remanufacturing system with multi-variant uncertainties | |
CN114298467A (zh) | 用于民航运行管理自动化系统的智能监管系统及方法 | |
Bahar et al. | Predictive Maintenance System Integrated with Periodic Maintenance: Machine Learning and Classical Approaches | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
Fan et al. | An Online Remaining Life Prediction Method Based on Nonlinear Degradation Model of Equipment Electronic System | |
Ohtani | Application of AI to Oil Refineries and Petrochemical Plants | |
Xuefeng et al. | Study on Multi-Sensor Parameter Warning Based on Gaussian Mixed Model and Nonlinear State Estimation Technique |
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 |