DE112021006211T5

DE112021006211T5 - System und Verfahren zur Voraussage von Ausfällen

Info

Publication number: DE112021006211T5
Application number: DE112021006211.5T
Authority: DE
Inventors: Akansha Kumar; Krusheel MUNNANGI; Shailesh Kumar
Original assignee: Jio Platforms Ltd
Current assignee: Jio Platforms Ltd
Priority date: 2020-11-30
Filing date: 2021-11-25
Publication date: 2023-09-14
Also published as: US20230359193A1; CA3194153A1; CN116420152A; WO2022112991A1

Abstract

Ein System und ein Verfahren zur Voraussage von Ausfällen und zur Optimierung, die eine Lösung für Modelle für nicht überwachtes Lernen auf der Grundlage begrenzter Daten bereitstellen können, die verschiedene Ausfalltypen und Vor-Ausfall-Vorfälle voraussagen können. Die Lösung stellt eine Verbesserung gegenüber bisherigen Kennzeichnungsverfahren durch Markierung von Daten gewisser Tage vor dem Ausfall als zu den Ausfalldaten gehörend dar, was zu einer Reduzierung von verrauschten Daten führt und Daten guter Arbeitsbedingungen verbessert. Die vorliegende Erfindung trägt durch Kennzeichnung zur Verbesserung der Datenqualität bei, da das vorgeschlagene Verfahren komplexe Verteilungen von Merkmalsvektoren genau modelliert und Abweichungen von der normalen Datenverteilung besser erkennen kann, was zum Detektieren von Ausfällen verwendet wird. Die neue Lösung trägt zur Analyse und Kategorisierung des Ausfallstyps für derzeit in CBM-Feldern verwendete PC-Pumpen bei, für die Ausfalltage im Voraus vorausgesagt werden können.

Description

GEBIET DER ERFINDUNG
Die vorliegende Erfindung betrifft im Allgemeinen Data-Mining, überwachtes maschinelles Lernen auf der Grundlage von Deep Learning für Szenarien mit spärlicher Verfügbarkeit von gekennzeichneten Daten und insbesondere die Voraussage von Ausfällen und die Optimierung für Exzenterschneckenpumpen, die in Methangasbohrlöchern auf Kohlebasis verwendet werden, sowie die Voraussage anderer Ausfälle verschiedener Anwendungen im Bereich von Petrochemiewirtschaft, Gesundheitswesen und anderen verwandten Branchen.
HINTERGRUND
Die nachstehende Beschreibung der verwandten Technik soll Hintergrundinformationen betreffend das Gebiet der Offenbarung geben. Dieser Abschnitt kann gewisse Aspekte der Technik aufweisen, die mit verschiedenen Merkmale der vorliegenden Offenbarung verwandt sein können. Es sollte jedoch zu verstehen sein, dass dieser Abschnitt nur dazu dient, das Verständnis des Lesers in Bezug auf die vorliegende Offenbarung zu verbessern, und nicht als Anerkennung als Stand der Technik.
Methan in Kohleflözen (CBM oder Kohleflözmethan) ist eine Form von Erdgas, das aus Kohleflözsand extrahiert wird und in vielen Ländern, darunter Indien, eine wichtige Energiequelle darstellt. Der Begriff bezieht sich auf Methan, das in der festen Matrix der Kohle adsorbiert ist. Wegen seines Mangels an Schwefelwasserstoff wird es auch als „süßes Gas“ bezeichnet. Das Vorhandensein dieses Gases ist durch sein Vorkommen beim Untertagekohlebergbau gut bekannt. Kohleflözmethan unterscheidet sich von typischem Sandstein oder anderen herkömmlichen Gaslagerstätten, da das Methan durch einen als Adsorption bezeichneten Prozess in der Kohle gespeichert wird. Das Methan befindet sich in einem nahezu flüssigen Zustand und kleidet das Innere der Poren in der Kohle (die sogenannte Matrix) aus. Die offenen Risse in der Kohle (die sogenannten Brüche) können ebenfalls freies Gas enthalten oder mit Wasser gesättigt sein.
Um das Gas zu extrahieren, wird ein stahlummanteltes Loch 100 bis 1.500 Meter (330 bis 4.920 Fuß) unter der Erde in das Kohleflöz gebohrt. Wenn der Druck in dem Kohleflöz durch natürliches Fördern oder Pumpen von Wasser aus dem Kohleflöz sinkt, kommen sowohl das Gas als auch das geförderte Wasser durch Rohre an die Oberfläche, wie in 1A dargestellt. Dann wird das Gas zu einer Verdichterstation und in Erdgasleitungen geleitet. Sowohl das Gas als auch das geförderte Wasser werden von einer Exzenterschneckenpumpe (PCP) befördert. Die PCP ist ein Typ von Verdrängerpumpe und auch als Moineau-Pumpe bekannt. Die PCP besteht aus einem Stator und einem Rotor, während das PCP-System aus der PCP zusammen mit der gesamten oberirdischen Gerätschaft wie dem Antriebskopf und der unterirdischen Gerätschaft wie etwa Schläuchen, Pumpstangen, Torsionsanker/Drehsperrwerkzeug usw. besteht. Bei der PCP wird Fluid mittels der Vorwärtsbewegung, durch die Pumpe, einer Reihe kleiner einzelner Hohlräume mit fester Form befördert, wenn der Rotor gedreht wird. Dies führt dazu, dass die Volumendurchflussrate proportional zu der Rotationsrate (bidirektional) ist und das gepumpte Fluid einer geringen Scherung ausgesetzt ist. Die PCP wird in verschiedenen Bereichen verwendet, wie etwa beim Pumpen von Lebensmitteln und Getränken, Öl, Kohleslurry, Abwasser und Schlamm, zähflüssigen Chemikalien, Regenwassersiebung, Bohrlochmotoren für Ölfeldrichtungsbohrungen (sie kehrt den Prozess um und wandelt hydraulische in mechanische Kraft um), Wasser aus Bohrlöchern mit begrenzter Energie usw. Es werden künstliche Hebevorrichtungen verwendet, um die Erzeugung von Bohrlochsohlendruck (BHP) auf die Formation zu senken und so eine höhere Förderrate aus dem Bohrloch zu erzielen. Dies kann mit einer Bohrlochverdrängerpumpe wie etwa einer Balkenpumpe, einer Exzenterschneckenpumpe (PCP) oder einer Bohrlochzentrifugalpumpe erfolgen, um den Bohrlochsohlendruck in der Lagerstätte zu senken.
Das anfängliche Betriebsziel aller CBM-Bohrlöcher besteht darin, den Druck in der Lagerstätte durch kontinuierliches Fördern von Wasser bei einem Niedrigströmungs-Bohrlochsohlendruck zu senken. Die PCP werden aufgrund ihrer folgend genannten wichtigsten Vorteile beim Betrieb ausgewählt:

• Feststoffhandhabungsfähigkeit der PCP.
• Fähigkeit, einen hohen Anteil an freiem Gas zu tolerieren.
• Geringer Wartungsaufwand.
• Geringe Kosten.

Das Gas wird durch Entwässern der CBM-Bohrlöcher unter Verwendung eines künstlichen Hebesystems gefördert. In allen Bohrlöchern wird eine Exzenterschneckenpumpe (PCP) als künstliches Hebesystem verwendet. Zur Optimierung der Gasproduktion ist es sehr wichtig, die Ausfallzeiten des PCP-Betriebs zu minimieren.
PCP-Pumpen können jedoch ausfallen. Der Ausfall von PCP-Pumpen in CBM-Bohrlöchern macht über 70-80 % aller Bohrstellenausfälle aus und verursacht laut statistischen Berichten jährlich etwa 40 Tage Ausfallzeit pro Bohrloch. Probleme mit der Unversehrtheit des Strangs (Ausfall der Pumpstange und/oder des Rohrstrangs) sind die Hauptursache für ungeplante Aufwältigungsarbeiten; wenn diese durch eine verbesserte Überwachung verhindert werden, kann dies zu besseren Laufzeiten und geringeren Kosten führen. In einem CBM-Feld sind PCP-Systemausfälle die Hauptursache für Ausfallzeiten bei der Bohrlochförderung, und eine frühzeitige Voraussage kann die Ausfallzeiten erheblich reduzieren.
Diese Ausfälle führen zu hohen Gesamtkosten pro Einheit. Somit ist die genaue Voraussage von Ausfällen das wichtigste Ziel, um eine konstante Produktion zu erreichen und Pumpenausfälle im Voraus vorauszusagen, um den Einsatz des Wartungsteams und die Vorbereitung von Ersatzteilen zu optimieren, wodurch Kosten gesenkt werden. Der Typ von Ausfall hinsichtlich der Unversehrtheit des Strangs in dem PCP-System in dem CBM-Feld wird unter eine der folgenden Kategorien fallen:

1. Rohrdurchschlag
2. Herausschrauben/Brechen der Pumpstange oder Herausschrauben/Brechen des Rohrs

Die PCP-Pumpen, die in Methangasbohrlöchern auf Kohlebasis verwendet werden, unterliegen einem hohen Verschleiß und ein anschließender Ausfall von Komponenten oder des Bohrlochs als Ganzes führt zu Betriebs- und Geschäftsverlusten. Der Ausfall einer Komponente oder mehrerer Komponenten oder auch die Ansammlung von Sand kann zu Betriebsverlusten führen. Die Ausfälle müssen auch je nach Ausfallursache und Ausfalltyp (Unversehrtheit der Rohre, Sandreinigung, Pumpenausfall, Sand und Pumpe, Unversehrtheit der Pumpstange usw.) gekennzeichnet und definiert werden. In einem CBM-Feld sind PCP-Systemausfälle die Hauptursache für Ausfallzeiten im Laufe der Lebensdauer des Bohrlochs und eine frühzeitige Voraussage wird die Ausfallzeiten erheblich reduzieren.
Modelle für überwachtes maschinelles Lernen können zur Identifikation und Voraussage von Ausfallen verwendet werden. Für solche Modelle von überwachtem Lernen sind jedoch Daten für verschiedene Ausfalltypen und Vor-Ausfall-Vorfälle erforderlich. Es ist unter Umständen nicht möglich, Daten für alle Ausfalltypen zu haben, und Modelle, die auf der Grundlage begrenzter Daten erstellt werden, sind möglicherweise nicht genau genug, um Ausfälle vorauszusagen, für die keine Daten verfügbar sind. Derzeit sind keine Lösungen für Modelle für nicht überwachtes Lernen auf der Grundlage begrenzter Daten verfügbar, die verschiedene Ausfalltypen und Vor-Ausfall-Vorfälle voraussagen können. Es sind auch keine Lösungen verfügbar, die zu einer Verbesserung der Datenqualität durch Kennzeichnung beitragen, während das vorgeschlagene Verfahren komplexe Verteilungen von Merkmalsvektoren genau modelliert und Abweichungen von der normalen Datenverteilung besser erkennen kann, was zum Detektieren von Ausfällen verwendet wird. Ferner gibt es keine Lösung, die die bisherigen Kennzeichnungsverfahren durch Markierung von Daten gewisser Tage vor dem Ausfall als zu den Ausfalldaten gehörend verbessert, was zu einer Reduzierung von verrauschten Daten führt und Daten guter Arbeitsbedingungen verbessert. Eine weitere Einschränkung bei der derzeitigen Technologie besteht darin, dass es keine Lösung für die Analyse und Kategorisierung der Ausfalltypen für derzeit in CBM-Feldern verwendete PC-Pumpen gibt, für die Ausfalltage im Voraus vorausgesagt werden können. Ferner gibt es keine Lösung für eine bessere optimale Lösung zur Erhöhung der Voraussagegenauigkeit, wobei falsch positive und falsch negative Ergebnisse minimal sein sollten.
Es besteht daher auf dem technischen Gebiet ein Bedarf an einer Methodik zur Optimierung der Produktion auf der Grundlage begrenzter Daten, die verschiedene Gasförderkomponenten zugeordnete Ausfalltypen und Vor-Ausfall-Vorfälle voraussagen kann.
AUFGABEN DER VORLIEGENDEN OFFENBARUNG
Eine Aufgabe der vorliegenden Erfindung ist die Bereitstellung eines Verfahrens und eines Systems, die eine Lösung für Modelle für überwachtes Lernen auf der Grundlage begrenzter Daten bereitstellen können, die verschiedene Ausfalltypen und Vor-Ausfall-Vorfälle voraussagen können.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer Lösung, die bisherige Kennzeichnungsverfahren durch Markierung von Daten gewisser Tage vor dem Ausfall als zu den Ausfalldaten gehörend verbessert, was zu einer Reduzierung von verrauschten Daten führt und Daten guter Arbeitsbedingungen verbessert.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer Lösung, die zu einer Verbesserung der Datenqualität durch Kennzeichnung beiträgt, da das vorgeschlagene Verfahren komplexe Verteilungen von Merkmalsvektoren genau modelliert und Abweichungen von einer normalen Datenverteilung besser erkennen kann, was zum Detektieren von Ausfällen verwendet wird.
Eine Aufgabe der vorliegenden Erfindung ist die Bereitstellung eines Verfahrens und eines Systems zur intelligenten Identifizierung von Lösungen, um die Ansätze zu verbessern, die sich mit begrenzter oder nicht vorhandener Verfügbarkeit von Ausfalldaten befassen.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer Lösung, die zur Analyse und Kategorisierung der Ausfalltypen für derzeit in CBM-Feldern verwendete PC-Pumpen beiträgt, für die Ausfalltage im Voraus vorausgesagt werden können.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer Lösung, die zur Voraussage von Ausfällen in der Exzenterschneckenpumpe (PCP) beiträgt, die bei Kohleflözmethan(CBM)-Bohrlöchern zur Gasförderung verwendet wird.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer Lösung, die zur Analyse und Kategorisierung der Ausfalltypen für jegliche ähnliche Gerätschaft beiträgt, für die Ausfalltage im Voraus vorausgesagt werden können.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer besseren optimalen Lösung zur Erhöhung der Vorhersagegenauigkeit, wobei falsch positive und falsch negative Ergebnisse minimal sein sollten.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung einer Lösung, die durch Voraussagen von Geräteausfällen Leasing-Betriebskosten von Gerätschaft senken, eine verzögerte Gasproduktion reduzieren, unproduktive Zeit reduzieren, Einstellungsbeschränkungen mildern, den Geldfluss in einem unsicheren Umfeld verbessern und eine nachhaltige wirtschaftliche Produktion ermöglichen, die Ressourcenausbeute maximieren kann, usw.
Noch eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung eines Mechanismus zur Ermöglichung einer nahtlosen Verbesserung der Voraussageanalyse, um informative Ergebnisse für Präzisions- und Entscheidungsdienste in drahtlosen Netzwerken bereitzustellen, die 5G/4G/3G/EV-Do/eHRPD-fähige Technologie umfassen, aber nicht darauf beschränkt sind.
Noch eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung eines Mechanismus zur Ermöglichung einer nahtlosen Verbesserung der Voraussageoptimierungsanalyse, um informative Ergebnisse für Präzisions- und Entscheidungsdienste in den Benutzerendgeräten unabhängig davon bereitzustellen, ob das Benutzerendgerät eine 5G/4G/3G/EV-Do/eHRPD-fähige Technologie ist.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung von Mehrwertdiensten für Förderunternehmen durch Voraussagen der betrieblichen Herausforderungen und Kosteneinsparungen.
KURZDARSTELLUNG
Dieser Abschnitt dient dazu, gewisse Aufgaben und Aspekte der vorliegenden Erfindung, die nachstehend in der ausführlichen Beschreibung beschrieben werden, in vereinfachter Form einzuführen. Diese Kurzdarstellung soll nicht die Hauptmerkmale oder den Umfang des beanspruchten Gegenstandes bestimmen.
Um die vorstehend beschriebenen Ziele zu erreichen, stellt die vorliegende Erfindung in einem Aspekt ein System und ein Verfahren zur Erleichterung der Voraussage von Verschleiß und anschließendem Ausfall von Komponenten bereit, die der Gasförderung in einem Förderbohrloch zugeordnet sind. Das System kann eines oder mehrere Benutzerendgeräte aufweisen, die kommunikativ mit dem Förderbohrloch zur Gasförderung gekoppelt sind, sowie einen oder mehrere Sensoren, die mit einer oder mehreren Pumpen in dem Förderbohrloch gekoppelt sind. Das eine oder die mehreren Benutzerendgeräte können ferner einen oder mehrere Prozessoren aufweisen, die einen Satz von in einem Speicher gespeicherten ausführbaren Anweisungen ausführen, auf deren Ausführung hin der Prozessor das System veranlassen kann, einen Satz von Datenpaketen von einem oder mehreren Sensoren durch eine Datenerfassungsmaschine zu erfassen, wobei der Satz von Datenpaketen zu jeglichen synchronen und asynchronen Zeiten empfangen werden kann, und einen Satz von Attributen durch eine Merkmalerzeugungsmaschine aus den synchronisierten Datenpaketen zu extrahieren. Die Merkmalerzeugungsmaschine kann dazu ausgelegt sein, Merkmale aus dem extrahierten Satz von Attributen zu erzeugen, die der Interpolation der empfangenen Datenpakete zugeordnet sind. Der Prozessor kann auch veranlassen, dass das System durch eine Generative Adaptive Network(GAN)-Maschine einen Satz von Modellparametern auf der Grundlage der erzeugten Merkmale des extrahierten Satzes von Attributen auswertet und auf der Grundlage der Auswertung des Satzes von Modellparametern durch eine Voraussagemaschine Ausfälle voraussagt, die dem empfangenen Satz von Datenpaketen zugeordnet sind.
In einem Aspekt stellt die vorliegende Erfindung ein Verfahren zur Erleichterung der Voraussage von Verschleiß und anschließendem Ausfall von Komponenten bereit, die der Gasförderung in einem Förderbohrloch zugeordnet sind. Das Verfahren kann die Schritte aufweisen des Erfassens, durch eine Datenerfassungsmaschine, eines Satzes von Datenpaketen von einem oder mehreren Sensoren, wobei der Satz von Datenpaketen zu jeglichen synchronen und asynchronen Zeiten empfangen werden kann; des Extrahierens, durch eine Merkmalerzeugungsmaschine, eines Satzes von Attributen aus dem erfassten Satz von Datenpaketen, wobei die Merkmalerzeugungsmaschine dazu ausgelegt sein kann, Merkmale aus dem extrahierten Satz von Attributen zu erzeugen, die der Interpolation der erfassten Datenpakete zugeordnet sind; des Auswertens, durch eine Generative Adaptive Network (GAN)-Maschine, eines Satzes von Modellparametern auf der Grundlage der erzeugten Merkmale des extrahierten Satzes von Attributen und auf der Grundlage der Auswertung des Satzes von Modellparametern, des Voraussagens, durch eine Voraussagemaschine, von Ausfällen, die dem empfangenen Satz von Datenpaketen zugeordnet sind.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Die beiliegenden Zeichnungen, die hierin aufgenommen und Bestandteil der vorliegenden Erfindung sind, stellen beispielhafte Ausführungsformen der offenbarten Verfahren und Systeme dar, wobei sich gleichartige Zahlen auf gleichartige Elemente in den verschiedenen Zeichnungen beziehen. Die Komponenten in den Zeichnungen sind nicht notwendigerweise maßstabsgetreu dargestellt, da der Schwerpunkt darauf liegt, die Prinzipien der vorliegenden Erfindung deutlich darzustellen. In einigen Zeichnungen sind die Komponenten unter Verwendung von Blockdiagrammen angegeben und stellen nicht unbedingt die inneren Schaltungsanordnungen jeder Komponente dar. Der Fachmann wird verstehen, dass die Erfindung solcher Zeichnungen die Erfindung elektrischer Komponenten, elektronischer Komponenten oder Schaltungsanordnungen aufweist, die üblicherweise zur Implementierung solcher Komponenten verwendet werden.

1A stellt ein Kohleflözmethan-Bohrloch gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
1B stellt eine typische PCP-Installation gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
2A stellt eine beispielhafte Netzwerkarchitektur (200) dar, in der oder mit der das System der vorliegenden Offenbarung gemäß einer Ausführungsform der vorliegenden Offenbarung realisiert sein kann.
2B stellt eine beispielhafte Darstellung (200) eines Systems (110) oder eines zentralen Servers (112) gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
3A stellt eine beispielhafte Darstellung einer Systemarchitektur von an verschiedene RATS angeschlossenen Benutzerendgeräten gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
3B stellt eine beispielhafte Darstellung einer Benutzerendgerätarchitektur des Systems gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
4 stellt ein beispielhaftes Verfahrensablaufdiagramm (400) dar, das ein Verfahren zur Voraussage von Ausfallen gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt.
5A stellt eine beispielhafte Darstellung einer Systemarchitektur einer Generative Adaptive Network (GAN)-Maschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
5B stellt eine beispielhafte Darstellung einer Systemarchitektur einer Datenkennzcichnungsmaschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
6A stellt eine beispielhafte Darstellung einer Systemarchitektur einer GAN-Trainingsmaschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
6B stellt eine beispielhafte Darstellung eines Ablaufdiagramms zur Detektion von Anomalien gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
6C stellt eine beispielhafte Darstellung eines Streudiagramms von Erfassungswerten gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
7 stellt eine beispielhafte Darstellung eines Prozessablaufdiagramms gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
8 stellt eine beispielhafte Darstellung einer Systemarchitektur einer PCP-Fehlervoraussagemaschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.

KURZE BESCHREIBUNG DER ERFINDUNG
In der nachstehenden Beschreibung werden zu Erklärungszwecken spezielle Details dargelegt, um ein genaues Verständnis der Ausführungsformen der Erfindung zu ermöglichen. Es wird jedoch ersichtlich sein, dass verschiedene Ausführungsformen auch ohne diese speziellen Details ausgeführt werden können. Die Figuren und die Beschreibung sollen nicht einschränkend sein.
Es wird Bezug auf 2A genommen, die eine beispielhafte Netzwerkarchitektur 100 darstellt, in der oder mit der das System 106 der vorliegenden Offenbarung gemäß einer Ausführungsform der vorliegenden Offenbarung realisiert sein kann. Wie dargestellt, weist die beispielhafte Architektur 100 ein Modellierungssystem 106 auf, das mit einer Voraussagemaschine 218 mit maschinellem Lernen (nachstehend auch als Voraussagemaschine 218 bezeichnet) zur Erleichterung der Voraussage von Verschleiß und anschließendem Ausfall von Komponenten versehen ist, die der Gasförderung in Kohleflözmethan(CBM)-Bohrlöchern zugeordnet sind. Das Modellierungssystem 106 kann ferner mit einem oder mehreren Benutzerendgeräten 102-1, 102-2, 102-3...102-n (nachstehend gemeinsam als Benutzerendgerät 102 und einzeln als Benutzerendgerät 102 bezeichnet) gekoppelt sein, die kommunikativ mit Kohleflözmethan(CBM)-Bohrlöchern zur Gasförderung gekoppelt sind. Das Modellierungssystem 106 kann auch mit einem oder mehreren Sensoren 110 gekoppelt sein, die mit einer Exzenterschneckenpumpe (PCP) in Kohleflözmethan(CBM)-Bohrlöchern über ein Netzwerk 104 gekoppelt sind (austauschbar als einer oder mehrere Sensoren 110 oder Sensoren 110 bezeichnet), um Sensordaten von dem einen oder den mehreren Sensoren zur Verarbeitung an das Modellierungssystem zu senden und von diesem zu empfangen.
Gemäß einer Ausführungsform und wie in 2A dargestellt, kann die Architektur die Voraussage von Ausfällen ermöglichen, die jeglichem Schaden oder Ausfall von Komponenten in der PCP in CBM-Bohrlöchern zugeordnet sind, woraufhin Anomalien und Ausfälle vorausgesagt werden. Die Ausfälle werden für eine optimierte und problemlose Gasförderung aus den Bohrlöchern sogar in verschiedene Kennzeichnungen kategorisiert. Ausfälle verschiedener Komponenten können von dem einem oder den mehreren Sensoren 110 erfasst werden und die Sätze von Datenpaketen können an das mit dem Benutzerendgerät 102 gekoppelte Modellierungssystem 106 gesendet werden. Unter Verwendung der Voraussagemaschine 218 in dem System (106) können Anomalien und Ausfälle auf der Grundlage von empfangenen Sätzen von Datenpaketen von dem einen oder den mehreren Sensoren 110 ausgewertet werden.
In einer Ausführungsform kann auf Informationen, die sich auf Ausfälle beziehen, unter Verwendung des Benutzerendgeräts über einen Satz von Anweisungen zugegriffen werden, die sich auf einem Betriebssystem befinden, das Android TM, iOS TM und dergleichen umfasst, aber nicht darauf beschränkt ist. In einer Ausführungsform kann es sich bei dem einen oder den mehreren Benutzerendgeräten um jegliche intelligenten Rechenvorrichtungen handeln, die einem elektrischen, elektronischen, elektromechanischen Gerät oder einer Kombination aus einer oder mehreren der vorstehend genannten Vorrichtungen entsprechen. Intelligente Rechenvorrichtungen können Mobiltelefone, Smartphones, IoT-Vorrichtungen, Vorrichtungen für virtuelle Realität (VR), Vorrichtungen für erweiterte Realität (AR), Pager, Laptops, Allzweckcomputer, Desktop-Computer, persönliche digitale Assistenten, Tablet-Computer, Großrechner oder jegliche andere für den Fachmann ersichtliche Rechenvorrichtung umfassen, sind aber nicht darauf beschränkt. Im Allgemeinen ist eine intelligente Rechenvorrichtung eine digitale, benutzerkonfigurierte, computervernetzte Vorrichtung, die autonom arbeiten kann. Eine intelligente Rechenvorrichtung ist eines der geeigneten Systeme zur Speicherung von Daten und anderen privaten/sensiblen Informationen. Die Vorrichtung arbeitet auf allen sieben Ebenen des ISO-Referenzmodells, aber die Hauptfunktion bezieht sich auf die Anwendungsschicht zusammen mit der Vermittlungs-, Sitzungs- und Darstellungsschicht mit jeglichen zusätzlichen Merkmalen eines Touchscreens, eines Apps-Ökosystems, physischer und biometrischer Sicherheit und dergleichen.
Die intelligenten Rechenvorrichtungen oder das Benutzerendgerät können Smartphones aufweisen, die über eine Vorrichtung für mobile drahtlose zellulare Konnektivität verfügen, die es Endbenutzern ermöglicht, Dienste über 2G-, 3G-, 4G- oder SG-Mobilbreitband-Internetverbindungen mit einem fortschrittlichen mobilen Betriebssystem zu nutzen, das Funktionen eines Personalcomputer-Betriebssystems mit anderen nützlichen Funktionen für mobilen oder handgehaltenen Gebrauch kombiniert. Die Smartphones können auf das Internet zugreifen, haben eine Touchscreen-Benutzeroberfläche, können Anwendungen von Drittanbietern ausführen, einschließlich der Möglichkeit, Online-Anwendungen zu hosten, haben Musikplayer und sind Kamerahandys, die über mobiles Hochgeschwindigkeits-Breitband-Internet 4G/5G LTE mit Videogesprächen, Hotspot-Funktionalität, Bewegungssensoren, mobile Zahlungsmechanismen und verbesserte Sicherheitsfunktionen mit Alarm und Warnung in Notfällen verfügen. Mobile Vorrichtungen können Smartphones, am Körper tragbare Vorrichtungen, Smartwatches, Smartarmbänder, am Körper tragbare erweiterte Vorrichtungen usw. umfassen. Der Einfachheit halber wird in dieser Offenbarung auf mobile Vorrichtungen wie Mobiltelefone und Smartphones Bezug genommen, was jedoch den Umfang der Offenbarung nicht einschränkt und sich auf jegliche mobile Vorrichtung für die Realisierung der technischen Lösungen erstrecken kann. Die vorstehend genannten intelligenten Vorrichtungen, die sowohl die Smartphones als auch Mobiltelefone aufweisen, die IoT-Vorrichtungen umfassen, ermöglichen die Kommunikation über diese Vorrichtungen.
Der Satz von Datenpaketen wird von den Sensoren 110 über das Netzwerk 104 übertragen. In einer beispielhaften Ausführungsform, die ein Beispiel, aber keine Einschränkung darstellt, kann das Netzwerk 104 ein Evolved Universal Terrestrial Radio Access (E-UTRA) sein, das ein Funkzugangsnetzstandard ist, der als Ersatz für die UMTS- und HSDPA/HSUPA-Technologien gedacht ist, die in den 3GPP-Versionen 5 und darüber hinaus spezifiziert sind. Im Gegensatz zu HSPA ist E-UTRA von LTE ein völlig neues Luftschnittstellensystem, das mit W-CDMA nicht verwandt und nicht kompatibel ist. Es bietet höhere Datenraten, geringere Latenzzeiten und ist für Datenpakete optimiert. Das frühere UTRAN ist das Funkzugangsnetz (RAN), das als Teil des Universal Mobile Telecommunications System (UMTS) definiert wurde, einer Mobiltelefontechnologie der dritten Generation (3G), die von dem 3rd Generation Partnership Project (3GPP) unterstützt wird. UMTS ist der Nachfolger der Global System for Mobile Communications(GSM)-Technologien und unterstützt derzeit verschiedene Luftschnittstellenstandards wie Wideband-Code Division Multiple Access (W-CDMA), Time Division-Code Division Multiple Access (TD-CDMA) und Time Division-Synchronous Code Division Multiple Access (TD-SCDMA). UMTS unterstützt auch erweiterte 3G-Datenkommunikationsprotokolle wie High-Speed Packet Access (HSPA), das den zugeordneten UMTS-Netzen höhere Datenübertragungsgeschwindigkeiten und Kapazität bietet. Da die Nachfrage nach mobilem Daten- und Sprachzugang weiter steigt, werden die Technologien durch Forschung und Entwicklung ständig weiterentwickelt, nicht nur um der wachsenden Nachfrage nach Zugang gerecht zu werden, sondern auch um die Benutzererfahrung mit dem Benutzerendgerät zu verbessern. Einige der Technologien haben sich ausgehend von den GSM/EDGE-, UMTS/HSPA-, CDMA2000/EV-DO- und TD-SCDMA-Funkschnittstellen mit der 3GPP-Version 8 entwickelt und e-UTRA soll einen einzigen Evolutionspfad zur Steigerung der Datengeschwindigkeiten und der spektralen Effizienz bereitstellen und die Bereitstellung von mehr Funktionen ermöglichen.
Als spezielle Art von Beispiel und nicht als Einschränkung kann die vorliegende Offenbarung eine neue Technologie NB-loT in Version 13 für 3GPP verwenden. Mit dieser Technologie können Low-End-IoT-Anwendungen bedient werden. Mit dem Abschluss der Standardisierung von NB-IoT wurden Anstrengungen unternommen, um die loT-Märkte anzusprechen. Die NB-IoT-Technologie wurde in lizenzierten Bändern realisiert. Die lizenzierten Bänder von LTE werden für die Nutzung dieser Technologie verwendet. Diese Technologie nutzt eine minimale Systembandbreite von 180 kHz, d. h. ein PRB (Physical Resource Block) wird für diese Technologie zugewiesen. NB-IoT kann als separate RAT (Radio Access Technology) betrachtet werden. NB-IoT kann in 3 Modi verwendet werden: „In-Band“, „Guard Band“ und „Standalone“. Im „In-Band“-Betrieb werden die im LTE-Träger vorhandenen Ressourcenblöcke verwendet. Es gibt spezielle Ressourcenblöcke, die für die Synchronisierung von LTE-Signalen reserviert sind, die für NB-loT nicht verwendet werden. Im „Guard Band“-Betrieb werden Ressourcenblöcke zwischen LTE-Trägern verwendet, die von keinem Betreiber genutzt werden. Im „Standalone“-Betrieb werden GSM-Frequenzen oder möglicherweise ungenutzte LTE-Bänder verwendet. Version 13 enthält wichtige Neuerungen wie diskontinuierlichen Empfang (eDRX) und Stromsparmodus. Der PSM (Stromsparmodus) sorgt in der Version 12 für eine lange Batterielebensdauer und wird bei Vorrichtungen, die häufiger Daten empfangen müssen, durch eDRX ergänzt.
2B stellt mit Bezugnahme auf 2A eine beispielhafte Darstellung eines Modellierungssystems 106/Benutzerendgeräts 102 zur Erleichterung der Voraussage von Gasfördersystemen zugeordneten Ausfällen gemäß einer Ausführungsform der vorliegenden Offenbarung dar. In einem Aspekt kann das System (106)/Benutzerendgerät 102 einen oder mehrere Prozessoren (202) umfassen. Der eine oder die mehreren Prozessoren 202 können als eine(r) oder mehrere Mikroprozessoren, Mikrocomputer, Mikrocontroller, digitale Signalprozessoren, digitale Basisbandprozessoren, zentrale Verarbeitungseinheiten, logische Schaltungen und/oder jegliche Vorrichtungen realisiert sein, die Daten auf der Grundlage von Betriebsanweisungen verarbeiten. Neben anderen Fähigkeiten können der eine oder die mehreren Prozessoren 202 dazu ausgelegt sein, in einem Speicher 204 des Systems 106 gespeicherte computerlesbare Anweisungen abzurufen und auszuführen. Der Speicher 204 kann dazu ausgelegt sein, eine oder mehrere computerlesbare Anweisungen oder Routinen in einem nichtflüchtigen computerlesbaren Speichermedium zu speichern, die abgerufen und ausgeführt werden können, um Datenpakete zu erstellen oder über einen Netzwerkdienst auszutauschen. Der Speicher 206 kann jegliche nichtflüchtige Speichervorrichtung umfassen, z. B. einen flüchtigen Speicher wie RAM oder einen nichtflüchtigen Speicher wie EPROM, Flash-Speicher und dergleichen.
In einer Ausführungsform kann das Modellierungssystem 106/Benutzerendgerät (102) eine oder mehrere Schnittstellen 204 umfassen. Die Schnittstelle(n) 204 kann (können) eine Vielzahl von Schnittstellen umfassen, z. B. Schnittstellen für Dateneingabe- und - ausgabevorrichtungen, die als E/A-Vorrichtungen bezeichnet werden, Speichervorrichtungen und dergleichen. Die Schnittstelle(n) 204 kann (können) die Kommunikation mit dem Modellierungssystem 106 erleichtern. Die Schnittstelle(n) 204 kann (können) auch einen Kommunikationspfad für eine oder mehrere Komponenten des Benutzerendgeräts 102 bereitstellen. Beispiele für solche Komponenten umfassen die Verarbeitungsmaschine(n) 208 und eine Datenbank 210, sind aber nicht darauf beschränkt.
Die Verarbeitungsmaschine(n) (208) kann (können) als eine Kombination aus Hardware und Programmierung (z. B. programmierbare Anweisungen) realisiert sein, um eine oder mehrere Funktionalitäten der Verarbeitungsmaschine(n) (208) zu realisieren. In den hierin beschriebenen Beispielen können solche Kombinationen aus Hardware und Programmierung auf verschiedene Weise realisiert sein. Beispielsweise kann die Programmierung für die Verarbeitungsmaschine(n) 208 aus prozessorausführbaren Anweisungen bestehen, die in einem nichtflüchtigen, maschinenlesbaren Speichermedium gespeichert sind, und kann die Hardware für die Verarbeitungsmaschine(n) 208 eine Verarbeitungsressource (z. B. einen oder mehrere Prozessoren) umfassen, um solche Anweisungen auszuführen. In den vorliegenden Beispielen kann das maschinenlesbare Speichermedium Anweisungen speichern, die bei Ausführung durch die Verarbeitungsressource die Verarbeitungsmaschine(n) (208) realisieren. In solchen Beispielen kann das System 106/Benutzerendgerät 102 das maschinenlesbare Speichermedium, das die Anweisungen speichert, und die Verarbeitungsressource zur Ausführung der Anweisungen umfassen, oder kann das maschinenlesbare Speichermedium getrennt vorgesehen, aber für das System 106/Benutzerendgerät 102 und die Verarbeitungsressource zugänglich sein. In anderen Beispielen kann (können) die Verarbeitungsmaschine(n) 208 durch elektronische Schaltungsanordnungen realisiert sein.
Die Verarbeitungsmaschine 208 kann eine oder mehrere aus jeglicher von einer Datenerfassungsmaschine 212, einer Merkmalerzeugungsmaschine 214, einer Generative Adaptive Network(GAN)-Maschine 216, einer Voraussagemaschine 218 und anderen Maschinen (220) ausgewählte Maschinen aufweisen. In einer Ausführungsform kann die Datenerfassungsmaschine 212 das Erfassen eines Satzes von Datenpaketen von einem oder mehreren Sensoren 110 ermöglichen. Der Satz von Datenpaketen kann zu jeglichen synchronen und asynchronen Zeiten empfangen werden, die dann von der Datenerfassungsmaschine 212 in synchrone Datenpakete umgewandelt werden. In einer Ausführungsform kann die Merkmalerzeugungsmaschine 214 das Extrahieren eines Satzes von Attributen, durch eine Merkmalerzeugungsmaschine, aus den synchronisierten Datenpaketen ermöglichen. Die Merkmalerzeugungsmaschine kann dazu ausgelegt sein, Merkmale aus dem extrahierten Satz von Attributen zu erzeugen, die der Interpolation der empfangenen Datenpakete zugeordnet sind. Die Generative Adaptive Network (GAN)-Maschine 216 kann dazu ausgelegt sein, einen Satz von Modellparametern auf der Grundlage der erzeugten Merkmale des extrahierten Satzes von Attributen auszuwerten und die Vorhersagemaschine 218 kann auf der Grundlage der Auswertung des Satzes von Modellparametern Anomalien detektieren, die den Datenpaketen zugeordnet sind, und Ausfälle voraussagen, die dem empfangenen Satz von Datenpaketen zugeordnet sind.
In einer Ausführungsform kann die GAN-Maschine 216 Techniken des maschinellen Lernens umfassen, bei denen diese Technik anhand eines vorgegebenen Trainingssatzes lernt, neue Daten mit den gleichen Statistiken wie der Trainingssatz zu erzeugen. Zum Beispiel kann ein an Daten trainiertes GAN neue Ereignisse erzeugen, die für menschliche Betrachter zumindest oberflächlich authentisch aussehen und viele realistische Eigenschaften umfassen. Obwohl ursprünglich als Form eines generativen Modells für überwachtes Lernen vorgeschlagen, haben sich GANs auch für halbüberwachtes Lernen, nicht überwachtes Lernen und bestärkendes Lernen als nützlich erwiesen. In einer beispielhaften Ausführungsform kann die GAN-Maschine dazu ausgelegt sein, jeden Satz der von den Sensoren empfangenen Datenpakete zu analysieren.
In einer Ausführungsform kann die Voraussagemaschine (218) Methoden des maschinellen Lernens unter Verwendung eines Gaußschen Prozesses umfassen. Der Gaußsche Prozess ist ein stochastischer Prozess (eine Sammlung von Zufallsvariablen, die durch Zeit oder Raum indiziert sind), so dass jede endliche Sammlung dieser Zufallsvariablen eine multivariate Normalverteilung hat, d. h. jede endliche lineare Kombination von ihnen ist normalverteilt. Die Verteilung eines Gaußschen Prozesses ist die gemeinsame Verteilung all dieser (unendlich vielen) Zufallsvariablen und als solche ist sie eine Verteilung über Funktionen mit einem stetigen Definitionsbereich, z. B. Zeit oder Raum. Ein Algorithmus für maschinelles Lernen, der einen Gaußschen Prozess verwendet, nutzt „Lazy Learning“ und ein Maß für die Ähnlichkeit zwischen Punkten (die Kernel-Funktion), um den Wert für einen nicht gesehenen Punkt aus Trainingsdaten vorauszusagen. Die Voraussage ist nicht nur eine Schätzung für diesen Punkt, sondern enthält auch Unsicherheitsinformationen - es handelt sich um eine eindimensionale Gaußsche Verteilung (die die Randverteilung an diesem Punkt ist). Für Voraussagen mit mehreren Ergebnissen werden multivariate Gaußsche Prozesse verwendet, bei denen die multivariate Gaußsche Verteilung die Randverteilung an jedem Punkt ist. Die Voraussagemaschine 218 kann auch künstliche Intelligenz, kognitive Modellierung und neuronale Netzwerke umfassen, d. h. Informationsverarbeitungsparadigmen, die sich an der Art und Weise orientieren, wie biologische neuronale Systeme Daten verarbeiten. Künstliche Intelligenz und kognitive Modellierung versuchen, einige Eigenschaften biologischer neuronaler Netzwerke zu simulieren. Auf dem Gebiet der künstlichen Intelligenz wurden künstliche neuronale Netzwerke bereits erfolgreich in der Spracherkennung, der Bildanalyse und der adaptiven Regelung angewendet. Ein neuronales Netzwerk (NN), im Fall künstlicher Neuronen auch künstliches neuronales Netzwerk (ANN) oder simuliertes neuronales Netzwerk (SNN) genannt, ist eine untereinander verbundene Gruppe natürlicher oder künstlicher Neuronen, die ein mathematisches Modell oder ein Berechnungsmodell für Informationsverarbeitung auf der Grundlage eines konnektionistischen Berechnungsansatzes verwendet. In den meisten Fällen handelt es sich bei einem ANN um ein adaptives System, das seine Struktur auf der Grundlage externer oder interner Informationen ändert, die durch das Netzwerk fließen. Praktisch gesehen sind neuronale Netzwerke nichtlineare statistische Datenmodellierungs- oder Entscheidungsfindungswerkzeuge. Sie können verwendet werden, um komplexe Beziehungen zwischen Eingaben und Ausgaben zu modellieren oder um in Daten Muster zu finden. Ferner kann die Voraussagemaschine 218 die Optimierung der von der GAN-Maschine 216 ausgewerteten Modellparameter beinhalten. Optimierung ist der Prozess der Bestimmung eines Satzes von Werten für die Konstruktionsparameter, der eine Maximierungs- oder Minimierungsfunktion eines von den interessierenden Größen (QOIs) abgeleiteten Satzes von Zielen löst. Die Optimierung eines komplexen Systems beinhaltet die Bestimmung optimaler Werte für einen Satz von Konstruktionsparametern, um einen speziellen Satz von Zielen zu erreichen, die auf den QOIs basieren, wobei die Konstruktionsparameter ein Teilsatz der Eingangsparameter sind und die QOIs aus den Ausgangsparametern bestimmt werden. Das System kann ein Experiment oder ein Berechnungsmodell sein. Insbesondere wenn der Parameterraum groß ist, erfordert die Optimierung eine beträchtliche Anzahl von Durchläufen des Systems, um eine gewünschte Lösung innerhalb der Toleranzgrenzen zu erhalten.
3A stellt eine beispielhafte Darstellung der Systemarchitektur mit einem an verschiedene Funkzugangstechnologiesysteme (RATS) angeschlossenen Benutzerendgerät gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
Wie gezeigt, stellt 3A in einer Ausführungsform die Systemarchitektur eines UE/IoT dar, das gleichzeitig mit einem LTE- und auch einem älteren (UMTS/GSMZLTE) oder 5G-NR-Betreiber verbunden ist. In einer Ausführungsform kann, wie in 3A dargestellt, ein Benutzerendgerät 102 (UE) kommunikativ mit eNodeB 304 und NodeB oder der Basisstation (BTS) 308 verbunden sein. Der eNodeB 304 kann ferner mit einem LTE-Netzwerk 306 gekoppelt sein, während die BTS 308 jeglichem oder einer Kombination aus UTRAN und GSM-Netzwerk 310 zugeordnet sein kann.
3B stellt eine beispielhafte Darstellung dar, die eine Benutzerendgerätarchitektur des Systems gemäß einer Ausführungsform der vorliegenden Offenbarung darstellt.
In einer weiteren Ausführungsform stellt das nachstehend beschriebene schematische Diagramm eine vereinfachte Blockdarstellung eines UE 102 (Smartphone/Feature-Telefon/jegliche andere Kommunikationsvorrichtung) in 3A dar. 3B stellt eine bevorzugte Ausführungsform der vorliegenden Offenbarung dar, die eine High-Level-Architektur eines Systems 300 zur Nutzung mindestens eines Dienstes durch das Benutzerendgerät 102 aufweist. Das System 300 kann das Benutzerendgerät 102 und die Teilnehmeridentitätsmaschine (SIM) 320 aufweisen, die innerhalb des Benutzerendgeräts 102 ausgebildet ist, um verschiedene Funktionalitäten gemäß der vorliegenden Offenbarung bereitzustellen. Das Benutzerendgerät 102 kann ferner eine Mehrzahl von Teilsystemen [312, 312A, 320B, 312C, 304, 314, 306 und 316] umfassen, wobei die Teilsysteme [312, 312A, 320B, 312C, 304, 314, 306 und 316] ein Modem-Teilsystem 312 mit einem Basisband-DSP-Prozessor 312C und einer Mehrzahl von Funkschnittstellen 312A umfassen können, ohne darauf beschränkt zu sein. Das Benutzerendgerät 102 kann ferner ein Mobilfunkgerät 102B zum Senden/Empfangen von Funkfrequenzen (HF) umfassen, das zum Senden/Empfangen von Drahtlosdiensten wie VoIP und Internet/Intranet-Diensten mit der Antenne 308 verbunden ist. Außerdem kann das Benutzerendgerät 102 einen Anwendungsprozessor 314, ein Speicher-Teilsystem 306, ein Energie-Teilsystem 316 und ein Teilsystem 304 für externe E/A-Schnittstellen umfassen. Die vorliegende Offenbarung beinhaltet ferner, dass die Teilnehmeridentitätsmaschine 320 einen Prozessor 320B, eine E/A-Schnittstelle 320A, einen RAM-Zwischenspeicher 320C, einen EEPROM / nichtflüchtigen Speicher (NVM) [320D] und ein SIM-Dateisystem [320E] umfassen kann. Ferner kann der EEPROM / nichtflüchtige Speicher (NVM) [320D] aus einem Betriebssystemcode, einem Code anderer SIM-Anwendungen und der Auto IMSI Switch SIM-Anwendung bestehen. Das SIM-Dateisystem [320E] und die USIM-Anwendung können elementare Dateien und Standortparameter wie EFLOCI (Standortinformationen), EFPSLOCI (PS-Standortinformationen), EFEPSLOCI (PS-Standortinformationen) und verschiedene anwendungsspezifische Dateien, die von SIM-Anwendungen verwendet werden, die auf der Teilnehmeridentitätsmaschine [320] laufen, zusammen mit einer Mehrzahl von Kontext- und Konfigurationsdateien der Auto IMSI Switch SIM-Anwendung enthalten.
4 stellt ein beispielhaftes Verfahrensablaufdiagramm (400) dar, das ein Verfahren zur Voraussage von Ausfallen gemäß einer Ausführungsform der vorliegenden Offenbarung zeigt.
In Schritt 402 weist das Verfahren den Schritt des Erfassens, durch die Datenerfassungsmaschine, eines Satzes von Datenpaketen von einem oder mehreren Sensoren auf, wobei der Satz von Datenpaketen zu jeglichen synchronen und asynchronen Zeiten empfangen wird, und in Schritt 404 kann das Verfahren das Extrahieren, durch eine Merkmalerzeugungsmaschine, eines Satzes von Attributen aus dem erfassten Satz von Datenpaketen aufweisen, wobei die Merkmalerzeugungsmaschine dazu ausgelegt ist, Merkmale aus dem extrahierten Satz von Attributen erzeugen, die der Interpolation der erfassten Datenpakete zugeordnet sind.
Ferner kann das Verfahren in Schritt 406 den Schritt des Auswertens, durch eine Generative Adaptive Network (GAN)-Maschine, eines Satzes von Modellparametern auf der Grundlage der erzeugten Merkmale des extrahierten Satzes von Attributen aufweisen und kann das Verfahren auf der Grundlage der Auswertung des Satzes von Modellparametern einen Schritt 408 des Voraussagens, durch eine Voraussagemaschine, von Ausfallen aufweisen, die dem empfangenen Satz von Datenpaketen zugeordnet sind.
5A stellt eine beispielhafte Darstellung der Systemarchitektur der Generative Adaptive Network (GAN)-Maschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
Das vorstehend beschriebene System nimmt die Sensoreingaben 502-1, 502-2 und 502-3 als Rohdaten für die Datenerfassung 504, die Bereinigung 506 und die Kennzeichnung 510 und speist die Daten der Merkmalerzeugung 508 in die GAN-Optimierungsmaschine 512 ein, die parallel verarbeitet werden, um die Ausgabe für die optimierte Ausfallvoraussagelösung bereitzustellen. Das System weist Tabellen von Szenarien, dynamischen Daten und Metadaten als Eingabe auf und erzeugt eine optimierte Ausfallvoraussagelösung (Dashboards, Plots und CSV-Dateien) als Ausgabe für die Beteiligten zur Analyse und Entscheidungsfindung.
Das vorstehend beschriebene System weist im Wesentlichen folgende Schritte auf:

• Merkmalsextraktion aus Zeitreihen verschiedener Sensoren
• Datenkennzeichnungsprozess
• Training von GAN-Modellen
• Inferenz-Pipeline

Eine ausführliche Beschreibung jeder der Komponenten wird im nachstehenden Abschnitt gegeben.
Datenerfassung 504 und Bereinigung 506 (Resampling und Interpolation): Jeder Sensor gibt in einem speziellen Zeitintervall Daten aus. Das Zeitintervall der Datenausgabe ist für jeden Sensor unterschiedlich. Abgesehen von dem Zeitintervall sind die Zeiten, zu denen Daten von den Sensoren ausgegeben werden, möglicherweise nicht synchronisiert. Die Daten mit asynchronem und unregelmäßigem Zeitintervall von verschiedenen Sensoren werden zu Daten mit synchronem und regelmäßigem Zeitintervall interpoliert. N sei die Anzahl von Sensoren, die Daten ausgeben. Nach Resampling und Interpolation wird zu jeder Zeit eine Beobachtung auf einen Satz von Werten ${r_{i}^{t}}_{i = 1}^{N}$
eingestellt, wobei jede Dimension einem interpolierten oder ursprünglichen Wert von einem Sensor entspricht und die Vektordarstellung r^t ist.
Merkmalerzeugung 508 (abgeleitete Merkmale): Einige wenige Merkmale werden durch Durchführen von Berechnungen an den Beobachtungen eines speziellen Sensors aus dem Interpolationsschritt abgeleitet. Die folgenden Berechnungstypen werden im Allgemeinen an dem Beobachtungsfenster von dem Sensor je nach den Leistungsverbesserungen, die durch diese Merkmale erzielt werden, durchgeführt.

1. Statistiken wie Mittelwert, Medianwert, Kurtosis usw. für ein Beobachtungsfenster. Die Berechnung der statistischen Ergebnisse ergibt einen skalaren Wert für jedes Beobachtungsfenster.
2. Frequenzbereichstransformationen wie Fourier-Transformation oder Zeit-Frequenz-Transformationen wie Wavelets usw. Die Ausgaben dieser Transformationen ergeben einen Vektor von Werten, wenn sie auf ein Beobachtungsfenster angewendet werden.
3. Eine Dimensionalitätsreduktion wie die Hauptkomponentenanalyse kann auf die in den Schritten 1 und 2 extrahierten Merkmale angewendet werden, um die Dimensionalität des Merkmalsvektors zu reduzieren, um so die Rechenleistung oder die Robustheit gegenüber Rauschen zu verbessern.

Angenommen, es gibt eine Anzahl M von abgeleiteten Merkmalen unter Verwendung von Transformationen der verschiedenen in Schritt 1 und Schritt 2 genannten Merkmale. Die Werte der abgeleiteten Merkmale werden an die Merkmalswerte aus dem Resamplings- und Interpolationsschritt angehängt, was als Vektor der abgeleiteten Merkmale bezeichnet wird. Das Ergebnis ist ein Vektor der abgeleiteten Merkmale mit den Werten , [[{x]_i^t}]_(i=1)^(M+N) wobei jede Dimension einem interpolierten oder rohen Signalwert von einem Sensor oder einem Wert abgeleiteter Merkmale entspricht und dessen Vektordarstellung x^t ist.
5B stellt eine beispielhafte Darstellung einer Systemarchitektur einer Datenkennzeichnungsmaschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
In einer Ausführungsform sind für jedes Gasbohrloch das Aufwältigungsstartdatum (ws^start) und das Aufwältigungsenddatum (ws^end) als csv-Datei verfügbar, die verwendet werden, um jede Beobachtung zu markieren, die in dem Merkmalsextraktionsprozess berechnet wird. Alle Beobachtungen zwischen dem Aufwältigungsstartdatum und dem Aufwältigungsenddatum werden als Ausfallbedingungsdaten markiert. Außerdem wird ein Beobachtungsfenster (W Tage) vor dem Aufwältigungsstartdatum auch als Ausfall markiert, um eine Voraussage des Ausfalls im Voraus zu ermöglichen. Alle anderen Beobachtungen außerhalb des Fensters (ws^start - W, ws^end) werden als Beobachtungen markiert, die zu den Daten guter Bedingungen gehören. Nach dem Kennzeichnungsprozess gibt es Daten im Format {x^t, y^t}, wobei y^t entweder den Wert gut oder Ausfall annimmt.
6A stellt eine beispielhafte Darstellung einer Systemarchitektur der GAN-Trainingsmaschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
Wie dargestellt, ist der GAN-Trainingsablauf in Form eines fettgedruckten Pfeils gezeigt. Der fettgedruckte Pfeil oben stellt den Trainingsprozessablauf dar und der gestrichelte Pfeil entspricht dem Testablauf. Nach dem Training können die Modellparameter (Gewichtungen) von Generator und Diskriminator in einem binären Format gespeichert werden. Während des Inferenzprozesses können diese Gewichtungen geladen und in dem Modell für Voraussagen verwendet werden.
Während des Trainingsprozesses wird, wie nachstehend in 6A dargestellt, das GAN-Modell zur Modellierung der Variabilität von guten Arbeitsbedingungen von Gasbohrlöchern verwendet. Ein GAN besteht aus adversarialen Maschinen, einem Generator G und einem Diskriminator D. Der Generator G lernt eine Verteilung p_g über Daten x mittels einer Abbildung G(z) von Erfassungswert z, 1D-Vektoren von gleichmäßig verteiltem Eingangsrauschen, die aus dem latenten Raum erfasst werden, auf den Merkmalsraum. In diesem Fall ist die Netzwerkarchitektur ein Standard-Dekoder für neuronale Netzwerke. Die Länge des Vektors z sei L_z. Hier werden verschiedene Werte von L_z untersucht und derjenige ausgewählt, der die beste Leistung des Modells ergibt.
Der Diskriminator D ist ein neuronales Netzwerk, das einen Vektor der abgeleiteten Merkmale auf einen einzelnen skalaren Wert D(.) abbildet. Die Ausgabe D(.) des Diskriminators kann als Wahrscheinlichkeit interpretiert werden, dass die gegebene Eingabe in den Diskriminator D ein Merkmalsvektor aus den Trainingsdaten war, die zu guten Arbeitsbedingungen des Bohrlochs gehören, oder dass G(z) von dem Generator G erzeugt wurde. D und G werden gleichzeitig durch das nachstehende Zwei-Spieler-Minimax-Spiel mit der Wertfunktion V(G, D) optimiert. $min_{G} max_{D} V (D, G) = E_{x \sim p_{d a t a} (x)} [l o g D (x)] + E_{z \sim p_{z} (z)} [l o g (1 - D (z))]$
Der Diskriminator wird so trainiert, dass er die Wahrscheinlichkeit maximiert, dass Trainingsbeispiele guter Arbeitsbedingungen der Kennzeichnung „gut“ und Erfassungswerte von p_g der Kennzeichnung „Ausfall“ zugewiesen werden. Der Generator wird gleichzeitig so trainiert, dass er D durch Minimieren von V(G) = log(1 - D(G(z))) fälscht, was einer Maximierung von V(G) = D(G(z)) entspricht. Während des adversarialen Trainings verbessert sich der Generator bei der Erzeugung abgeleiteter Merkmale unter guten Bedingungen und macht der Diskriminator Fortschritte bei der korrekten Identifizierung guter und nicht guter Merkmale.
Die Generator- und Diskriminator-Netzwerke werden unter Verwendung der Rückpropagierung von Gradienten der Verlustfunktion bezüglich verschiedener Parameter in dem Generator-G- und Diskriminator-D-Netzwerk trainiert. Die Generator- und Diskriminatorgewichtungen werden in der Trainingsmaschine iterativ aktualisiert. Bei jeder Wiederholung werden die Generator- und Diskriminatorgewichtungen aktualisiert. Während der Aktualisierung der Generatorgewichtungen werden die Diskriminatorgewichtungen konstant gehalten und während der Aktualisierung der Diskriminatorgewichtungen werden die Generatorgewichtungen konstant gehalten. Die Anzahl von Wiederholungen, bei denen die Generator- und Diskriminatorgewichtungen aktualisiert werden, wird als Anzahl von Epochen (N_epoch) bezeichnet.
Diskriminator: Der Diskriminator ist ein binärer Klassifikator, der identifiziert, ob es sich bei einem gegebenen Erfassungswert um einen normalen Erfassungswert oder um einen Ausfallerfassungswert handelt. Die Erfassungswerte sind mehrdimensional. Die Terme des Variablenraums lassen sich nur schwer vollständig visualisieren, weshalb eine Annäherung unter Verwendung der Hauptkomponentenanalyse (PCA) vorgenommen wird, um die Dimensionalität zu Visualisierungszwecken auf zwei zu reduzieren.
Z-Schätzer: Neues Merkmal auf latenten Raum: Wenn das adversariale Training abgeschlossen ist, hat der Generator die Abbildung G(z) von Darstellungen z des latenten Raums auf den Merkmalsraum der guten Arbeitsbedingung x des CBM-Bohrlochs gelernt. GANs liefern jedoch nicht automatisch die inverse Abbildung µ(x) von dem Merkmalsraum auf den latenten Raum. Der latente Raum hat glatte Übergänge, so dass die Erfassung von zwei nahe beieinander liegenden Punkten in dem latenten Raum zwei ähnliche abgeleitete Merkmale erzeugt. Bei einem Abfragemerkmal x wird ein Punkt z in dem latenten Raum bestimmt, der einem Merkmal G(z) entspricht, das dem Abfragemerkmalvektor x ähnlich ist. Um das beste z zu finden, wird z₁ zufällig aus der Verteilung des latenten Raums erfasst und in den Generator eingegeben, um einen Vektor des erzeugten abgeleiteten Merkmals G(z₁) zu erhalten. Auf der Grundlage des Vektor des erzeugten abgeleiteten Merkmals G(z₁) wird eine Verlustfunktion definiert, die Gradienten für die Aktualisierung von Koeffizienten von z, liefert, was zu einer aktualisierten Position in dem latenten Raum z₂ führt. Um das ähnlichste Bild G(z_Γ) zu finden, wird die Stelle von z in dem latenten Raum in einem iterativen Prozess über γ = 1, 2, 3, ..., Γ Rückpropagierungsschritte optimiert.
Eine Verlustfunktion zur Abbildung eines neuen abgeleiteten Merkmals auf den latenten Raum weist zwei Komponenten auf, einen Restverlust und einen Unterscheidungsverlust. Der Restverlust erzwingt die Ähnlichkeit zwischen dem Vektor des erzeugten Merkmals G(z_Γ) und dem Abfragemerkmalsvektor. Der Unterscheidungsverlust erzwingt, dass der Vektor des erzeugten Merkmals G(z_Γ) auf der gelernten Vervielfältigung liegt. Deshalb werden beide Komponenten des GAN verwendet, um die Koeffizienten von z über Rückpropagierung anzupassen.
Restverlust: Der Restverlust misst die visuelle Unähnlichkeit zwischen dem Abfragemerkmalsvektor x und dem Vektor des erzeugten Merkmals G(z_γ) in dem Merkmalsraum und ist definiert durch $L_{R} (z_{γ}) = \sum | x - G (z_{γ}) |$
Unterscheidungsverlust: $L_{D} (z_{γ}) = \sum | f (x) - f (G (z_{γ})) |$
Für die Abbildung auf den latenten Raum wird der Gesamtverlust als gewichtete Summe beider Komponenten definiert. $L_{D} (z_{γ}) = (1 - λ) L_{R} (z_{γ}) + λ L_{D} (z_{γ})$
Es werden nur die Koeffizienten von z über Rückpropagierung angepasst. Die trainierten Parameter des Generators und des Diskriminators bleiben fest.
6B stellt eine beispielhafte Darstellung eines Ablaufdiagramms zur Detektion von Anomalien gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
In einer beispielhaften Ausführungsform wird bei der Identifizierung von Anomalien in neuen Daten der neue Abfragemerkmalsvektor als zu einem normalen Szenario oder einem Ausfallszenario gehörend ausgewertet, wie in 6B dargestellt. Die Verlustfunktion, die für die Abbildung auf den latenten Raum verwendet wird, wertet bei jeder Aktualisierungswiederholung γ die Kompatibilität des Vektors des erzeugten Merkmals G(z_γ) mit den Merkmalsvektoren aus, die während des adversarialen Trainings zu sehen waren. Somit kann ein Anomaliebewertungswert, der die Anpassung eines Abfragemerkmalsvektors x an das Modell des Vektors der guten Merkmale ausdrückt, aus der Abbildungsverlustfunktion abgeleitet werden.
A(x) = (1 - λ) R(x) + λD(x), wobei der Restbewertungswert R(x) und der Diskriminatorbewertungswert D(x) durch den Restverlust L_R(z_Γ) und den Diskriminatorverlust L_D(z_Γ) bei der letzten Γ-ten Aktualisierungswiederholung des Prozesses der Abbildung auf den latenten Raum definiert sind. Das Modell liefert einen großen Anomaliebewertungswert für A(x) für einen Ausfallmerkmalsvektor, während ein kleiner Anomaliebewertungswert bedeutet, dass ein sehr ähnlicher Merkmalsvektor bereits beim Training gesehen wurde. Der Anomaliebewertungswert A(x) für die vektorbasierte Ausfalldetektion. Zusätzlich wird der Restvektor für die Identifizierung von Ausfallursachen auf der Grundlage der Dimensionen verwendet, in denen der Rest hoch ist.
6C stellt eine beispielhafte Darstellung eines Streudiagramms von Erfassungswerten gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
7 stellt eine beispielhafte Darstellung eines Prozessablaufdiagramms gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
In einer beispielhaften Ausführungsform können die Arbeitsschritte der Optimierungsmaschine des prädiktiven GMS-Systems (GMS) wie dargestellt mit anderen Maschinen/Systemen oder Teilsystemen wie nachstehend bereitgestellt werden.
In Schritt 702 werden die Daten erfasst: Jeder Sensor gibt Daten in einem speziellen Zeitintervall aus. Das Zeitintervall der Datenausgabe kann für jeden Sensor unterschiedlich sein. In Schritt 704 werden die Daten analysiert und bereinigt, um die Eingabeanforderungen zu erfüllen. Die Daten können verrauscht sein oder Werte können fehlen. Verrauschte Datenpunkte werden auf der Grundlage der Grenzen ermittelt, in denen die Signalwerte liegen sollen. Nach der Identifizierung von Fällen von verrauschten und fehlenden Daten werden die fehlenden Werte durch Verwendung von Interpolation geschätzt.
Ferner werden, wenn in Schritt 706 die Daten nicht synchronisiert sind, diese in Schritt 708 synchronisiert, wenn sie nicht synchronisiert sind. Abgesehen von dem Zeitintervall können die Zeiten, zu denen die Daten von den Sensoren ausgegeben werden, nicht synchronisiert sein. Die Daten mit asynchronem und unregelmäßigem Zeitintervall von verschiedenen Sensoren werden zu Daten mit synchronem und regelmäßigem Zeitintervall interpoliert. N sei die Anzahl von Sensoren, die Daten ausgeben. Nach Resampling und Interpolation wird zu jeder Zeit eine Beobachtung auf einen Satz von Werten ${r_{i}^{t}}_{i = 1}^{N}$
eingestellt, wobei jede Dimension einem interpolierten oder ursprünglichen Wert von einem Sensor entspricht und die Vektordarstellung r^t ist.
Ferner findet in Schritt 710 die Merkmalerzeugung statt, wenn synchronisiert wurde, um eine neue Merkmalerzeugung zu schaffen, d. h., die Kriterien für Rohdaten und abgeleitete Daten sind erfüllt. Einige wenige Merkmale können durch Durchführen von Berechnungen an Beobachtungen eines speziellen Sensors aus dem Interpolationsschritt abgeleitet werden. Die nachstehend beschriebenen Berechnungstypen werden im Allgemeinen an dem Beobachtungsfenster von dem Sensor je nach den Leistungsverbesserungen durchgeführt, die durch diese Merkmale erzielt werden. In Schritt 712 wird das GAN-Modul auf die erzeugten Daten angewendet und in Schritt 714 werden die Beobachtung und Aggregation der Bewertungswerte durchgeführt. Ferner werden in Schritt 716 die Typen und Wahrscheinlichkeiten von Ausfällen vorausgesagt.
In einer beispielhaften Ausführungsform, die nur ein Beispiel und keine Einschränkung darstellt, können verschiedene Modelle durch den Vergleich der Metriken Trefferquote, Präzision und Genauigkeit ausgewertet werden. Trefferquote - Die Trefferquote ist das Verhältnis zwischen der Anzahl von korrekt detektierten Ausfällen und der Gesamtanzahl von tatsächlich aufgetretenen Ausfällen.

Tabelle I stellt ein Beispiel für ein GAN-Maschinentraining gemäß einer Ausführungsform der vorliegenden Offenbarung dar.

Anzahl Epochen (N_epoch)	Gewichtung für Diskriminator-Funktion (λ)	Latente Dimension (L_z)	Präzision	Trefferquote	Genauigkeit
100	0,1	6	0,99	0,96	0,99
100	0,1	6	0,98	0,95	0,98
100	0,1	4	0,98	0,94	0,94
100	0,1	4	0,97	0,93	0,92
100	0,3	6	0,98	0,95	0,98
100	0,3	6	0,97	0,94	0,97
100	0,3	4	0,96	0,93	0,95
100	0,3	4	0,95	0,92	0,93

Wenn es beispielsweise N_F Ausfälle gibt und der GAN-Modus N_DC detektieren kann, dann ist die Trefferquote = N_DC/N_F.
Präzision - Die Präzision ist das Verhältnis zwischen der Anzahl von korrekt detektierten Ausfällen und der Gesamtzahl von detektierten Ausfällen. Beispielsweise detektieren GAN-Modelle, dass N_DF-Ausfälle auftreten werden und nur N_DC-Ausfälle sind tatsächlich aufgetreten. In diesem Fall ist die Genauigkeit = N_DC/N_DF.
Richtig positiv - ein Ausfall, der als Ausfall detektiert wird, wird als richtig positiv bezeichnet. Richtig negativ - eine normale Betriebsbedingung, die als normale Betriebsbedingung detektiert wird, wird als richtig negativ bezeichnet. Genauigkeit - die Genauigkeit ist das Verhältnis zwischen der Summe von richtig positiven Ergebnissen und richtig negativen Ergebnissen und der Gesamtanzahl von getroffenen Entscheidungen. In den vorstehend vorgeschlagenen Ausführungsformen für den Prozess der GMS-Plattformarchitektur für die Voraussageoptimierung wird während des Trainings des GAN-Modells der nachstehend genannte Satz von Parametern untersucht, um ein Modell mit der besten Leistung zu finden. Die Zahlen in Tabelle I sind lediglich indikativ und können durch Zahlen aus Experimenten ersetzt werden.
8 stellt eine beispielhafte Darstellung der Systemarchitektur einer PCP-Fehlervoraussagemaschine gemäß einer Ausführungsform der vorliegenden Offenbarung dar.
In einer beispielhaften Ausführungsform kann ein Beispiel für eine Erfassungsanwendungslösung der vorstehend beschriebenen GMS-Maschine die Voraussage von Ausfällen in der Exzenterschneckenpumpe (PCP) beinhalten, die in Kohleflözmethan(CBM)-Bohrlöchern zur Gasförderung verwendet wird. Eine vorausschauende Voraussage der Ausfallsignale würde zu einer Steigerung der Gesamtbetriebseffizienz führen und zur Planung von Wartungsplänen beitragen, um vorbeugende Maßnahmen zu ergreifen und Ausfallzeiten und Aufwältigungskosten zu reduzieren. Der Ausfall einer PCP kann durch Sandansammlungen, Wasseransammlungen und Rohrdurchbrüche verursacht werden. Diese Betriebsereignisse betreffen den Stator, den Rotor, die Rohrstangen sowie das Innen- und Außengehäuse. Nachstehend ist ein Teilsatz der Sensoren (IoT UEs) aufgeführt, die zur Messung der Parameter während des Betriebs der PCP verwendet werden: Stromsensor 804, Drehmomentsensor 802, Rohrdrucksensor 806, Ringdurchflussratensensor 808, Drehzahlsensor 810, Gasdurchflussratensensor 810 und Wasserdurchflussratensensor 810. Das nachstehend beschriebene System stellt einen ausführlichen Ablauf der GMS-Maschine zur Analyse des CBM-Ausfallvoraussageanwendungsfalls dar.
CBM-Datenerfassungsmodul 812: Die Datenerfassungsmaschine importiert/erfasst Daten von mehreren Sensoren und speichert sie in den Arbeitsdatenobjekten. Diese Datenobjekte können in einer verteilten Umgebung für die Datenverarbeitung verwaltet und aufgeteilt werden. Die Sensoren können Daten auf verschiedenen Zeitfrequenzebenen aufzeichnen. Diese Daten werden auch als Rohdaten bezeichnet, da die hier gespeicherten Daten noch nicht verarbeitet sind.
CBM-Zeitreihendatenverabeitungsmodul 814: Der Datenverarbeitungsschritt umfasst den größten Teil der Verarbeitung von Rohdaten in eine modelltaugliche Form. Er umfasst das Einfüllen fehlender Werte, die Reduzierung von Rauschen, die Datenbereinigung zur Verbesserung der Qualität und dann die Synchronisierung der Daten, um eine zeitliche Konsistenz zu erreichen.
CBM-GAN-Modell 816: Das CBM-GAN-Modell kann alle in den vorstehend beschriebenen Abschnitten erwähnten Prozesse umfassen. Es kann einen Generator, einen Diskriminator, einen z-Schätzer und Berechnungen von Rest- und Diskriminatorverlusten umfassen.
CBM-Voraussagemodul 818: Das CBM-Voraussagemodul 818 kann Aggregator- und Schwellenwertsysteme aufweisen, die den Ausfalltyp 820 und die Ausfallwahrscheinlichkeit 832 voraussagen. Der Ausfalltyp kann auf der Grundlage einer Rangfolge der Wahrscheinlichkeit aller Ausfalltypen bestimmt werden. Die Ausfallwahrscheinlichkeit kann eine Zahl zwischen 0 und 1,0 sein. Ein hoher Wert gibt an, dass die Wahrscheinlichkeit eines Ausfalls hoch ist.
Die vorstehend genannten Beispiele der verwandten Technik und die damit verbundenen Einschränkungen sollen veranschaulichend und nicht ausschließend sein. Andere Einschränkungen der verwandten Technik werden dem Fachmann beim Lesen der Beschreibung und beim Studium der Figuren ersichtlich sein. Außerdem ist die Einschränkung nicht auf Gerätschaft in der Kohleflözmethan-Branche beschränkt, da es sich hier nur um ein veranschaulichendes Beispiel handelt, das auf jegliche ähnliche Branche anwendbar ist, in der das Problem mit Ausfallvoraussagen bei schwerer Gerätschaft besteht.
In einer weiteren Ausführungsform kann die Lösung zur Voraussage von Ausfällen, zur Identifizierung von Anomalien und zur Überwachung des Zustands von Vorrichtungen und anderer schwerer oder leichter Gerätschaft verwendet werden. Die an der Vorrichtung oder Gerätschaft angebrachten Sensoren messen die Betriebsparameter in einer zeitlichen Abfolge. In der physischen Welt ist die Qualität der von den Systemen erfassten Daten jedoch wie nachstehend beschrieben.
VORTEILE DER VORLIEGENDEN OFFENBARUNG
Die vorliegende Offenbarung stellt ein System und ein Verfahren bereit, die Modelle für überwachtes Lernen auf der Grundlage begrenzter Daten ermöglichen, die verschiedene Ausfalltypen und Vor-Ausfall-Vorfälle voraussagen können.
Die vorliegende Offenbarung stellt eine Lösung bereit, die bisherige Kennzeichnungsverfahren durch Markierung von Daten gewisser Tage vor dem Ausfall als zu den Ausfalldaten gehörend verbessert, was zu einer Reduzierung von verrauschten Daten führt und Daten guter Arbeitsbedingungen verbessert.
Die vorliegende Offenbarung stellt eine Lösung zur Analyse und Kategorisierung der Ausfalltypen für PC-Pumpen bereit, die derzeit in CBM-Feldern verwendet werden, für die Ausfalltage im Voraus vorausgesagt werden können. Die vorliegende Offenbarung stellt eine Lösung bereit, die zur Voraussage von Ausfällen in der Exzenterschneckenpumpe (PCP) beiträgt, die bei Kohleflözmethan(CBM)-Bohrlöchern zur Gasförderung verwendet wird.
Die vorliegende Offenbarung stellt eine Lösung bereit, die zur Analyse und Kategorisierung der Ausfalltypen für jegliche ähnliche Gerätschaft beiträgt, für die Ausfalltage im Voraus vorausgesagt werden können.
Die vorliegende Offenlegung stellt eine bessere optimale Lösung zur Erhöhung der Vorhersagegenauigkeit bereit, wobei falsch positive und falsch negative Ergebnisse minimal sein sollten.
Die vorliegende Offenbarung stellt eine Lösung bereit, die durch Voraussagen von Geräteausfällen Leasing-Betriebskosten von Gerätschaft senken, eine verzögerte Gasproduktion reduzieren, unproduktive Zeit reduzieren, Einstellungsbeschränkungen mildern, den Geldfluss in einem unsicheren Umfeld verbessern und eine nachhaltige wirtschaftliche Produktion ermöglichen, die Ressourcenausbeute maximieren kann, usw.
Die vorliegende Offenbarung stellt einen Mechanismus zur Ermöglichung einer nahtlosen Verbesserung der Voraussageanalyse bereit, um informative Ergebnisse für Präzisions- und Entscheidungsdienste in drahtlosen Netzwerken bereitzustellen, die SG/4G/3G/EV-Do/eHRPD-fähige Technologie umfassen, aber nicht darauf beschränkt sind.
Die vorliegende Offenbarung sieht einen Mechanismus zur Ermöglichung einer nahtlosen Verbesserung der Voraussageoptimierungsanalyse vor, um informative Ergebnisse für Präzisions- und Entscheidungsdienste in den Benutzerendgeräten unabhängig davon bereitzustellen, ob das Benutzerendgerät eine 5G/4G/3G/EV-Do/eHRPD-fähige Technologie ist.
Die vorliegende Offenbarung stellt durch Voraussagen der betrieblichen Herausforderungen und Kosteneinsparungen Mehrwertdienste für Förderunternehmen bereit.

Claims

System zur Erleichterung der Voraussage von Verschleiß und anschließendem Ausfall von Komponenten, die der Gasförderung in einem Förderbohrloch zugeordnet sind, wobei das System aufweist: eines oder mehrere Benutzerendgeräte, die kommunikativ mit Kohleflözmethan(CBM)-Bohrlöchern zur Gasförderung gekoppelt sind; einen oder mehrere Sensoren, die mit einer oder mehreren Pumpen in dem Förderbohrloch gekoppelt sind; wobei das eine oder die mehreren Benutzerendgeräte einen oder mehrere Prozessoren aufweist, die einen Satz von in einem Speicher gespeicherten ausführbaren Ausführungen ausführen, auf deren Ausführung hin der Prozessor das System veranlasst zum: Erfassen, durch eine Datenerfassungsmaschine, eines Satzes von Datenpaketen von einem oder mehreren Sensoren, wobei der Satz von Datenpaketen zu jeglichen synchronen und asynchronen Zeiten empfangen wird; Extrahieren, durch eine Merkmalerzeugungsmaschine, eines Satzes von Attributen aus den synchronisierten Datenpaketen, wobei die Merkmalerzeugungsmaschine dazu ausgelegt ist, Merkmale aus dem extrahierten Satz von Attributen zu erzeugen, die der Interpolation der empfangenen Datenpakete zugeordnet sind; Auswerten, durch eine Generative Adaptive Network (GAN)-Maschine, eines Satzes von Modellparametern auf der Grundlage der erzeugten Merkmale des extrahierten Satzes von Attributen; auf der Grundlage der Auswertung des Satzes von Modellparametern Voraussagen, durch eine Voraussagemaschine, von Ausfällen, die dem empfangenen Satz von Datenpaketen zugeordnet sind.
System nach Anspruch 1, wobei das Förderbohrloch jegliches Öl, Methan, Kohleflöz oder eine Kombination davon aufweist.
System nach Anspruch 1, wobei die empfangenen Datenpakete durch Umwandeln der empfangenen Datenpakete in Datenpakete mit synchronem und regelmäßigem Zeitintervall synchronisiert werden.
System nach Anspruch 1, wobei die GAN-Maschine dazu ausgelegt ist, Anomalien zu detektieren, die dem Satz von Modellparametern zugeordnet sind.
System nach Anspruch 2, wobei das eine oder die mehreren Benutzerendgeräte eine SIM umfassen, wobei die SIM elementare Dateien und Standortparameter aufweist, die dem einen oder den mehreren Benutzerendgeräten zugeordnet sind.
System nach Anspruch 1, wobei eine GAN-Trainingsmaschine dazu ausgelegt ist, den einen oder die mehreren Modellparameter zu überwachen und zu aktualisieren, so dass das System dazu ausgelegt ist, sich zum Erlangen des einen oder der mehreren Modellparameter selbst zu trainieren, um Anomalien vorauszusagen und Ausfalldaten über eine Mehrzahl von Zeitintervallen zu erzeugen.
System nach Anspruch 1, wobei die GAN-Trainingsmaschine dazu ausgelegt ist, die Ausfälle durch Markierung von Daten gewisser Tage vor dem Ausfall als zu den Ausfalldaten gehörend zu kennzeichnen.
Verfahren zur Erleichterung der Voraussage von Verschleiß und anschließendem Ausfall von Komponenten, die der Gasförderung in einem Förderbohrloch zugeordnet sind, wobei das Verfahren aufweist: Erfassen, durch eine Datenerfassungsmaschine, eines Satzes von Datenpaketen von einem oder mehreren Sensoren, wobei der Satz von Datenpaketen zu jeglichen synchronen und asynchronen Zeiten empfangen wird; Extrahieren, durch eine Merkmalerzeugungsmaschine, eines Satzes von Attributen aus dem erfassten Satz von Datenpaketen, wobei die Merkmalerzeugungsmaschine dazu ausgelegt ist, Merkmale aus dem extrahierten Satz von Attributen zu erzeugen, die der Interpolation der erfassten Datenpakete zugeordnet sind; Auswerten, durch eine Generative Adaptive Network (GAN)-Maschine, eines Satzes von Modellparametern auf der Grundlage der erzeugten Merkmale des extrahierten Satzes von Attributen; auf der Grundlage der Auswertung des Satzes von Modellparametern Voraussagen, durch eine Voraussagemaschine, von Ausfällen, die dem empfangenen Satz von Datenpaketen zugeordnet sind.
Verfahren nach Anspruch 8, wobei die vorausgesagten Ausfälle für eine effiziente Planung gekennzeichnet und kategorisiert werden.
Verfahren nach Anspruch 8, wobei verrauschte und fehlende Daten identifiziert werden und wobei Interpolation zur Schätzung der verrauschten und fehlenden Daten verwendet wird.
Verfahren nach Anspruch 8, wobei die von der GAN-Maschine ausgewerteten Modellparameter der Trefferquote, der Präzision und der Genauigkeit entsprechen, wobei die Trefferquote der Anzahl an korrekt detektierten Ausfällen im Verhältnis zur Gesamtzahl an tatsächlich aufgetretenen Ausfällen zugeordnet ist, wobei die Präzision der Anzahl an korrekt detektierten Ausfällen und der Gesamtzahl an detektierten Ausfällen zugeordnet ist.