NO20101425L - System og fremgangsmate for tilstandsvurdering av nedihullsverktoy - Google Patents

System og fremgangsmate for tilstandsvurdering av nedihullsverktoy

Info

Publication number
NO20101425L
NO20101425L NO20101425A NO20101425A NO20101425L NO 20101425 L NO20101425 L NO 20101425L NO 20101425 A NO20101425 A NO 20101425A NO 20101425 A NO20101425 A NO 20101425A NO 20101425 L NO20101425 L NO 20101425L
Authority
NO
Norway
Prior art keywords
observations
data
failure
examples
rul
Prior art date
Application number
NO20101425A
Other languages
English (en)
Other versions
NO343417B1 (no
Inventor
Dustin Garvey
Wesley J Hines
Original Assignee
Baker Hughes Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baker Hughes Inc filed Critical Baker Hughes Inc
Publication of NO20101425L publication Critical patent/NO20101425L/no
Publication of NO343417B1 publication Critical patent/NO343417B1/no

Links

Classifications

    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/40Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Fluid Mechanics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

Et system for vurdering av tilstanden til en mekanisme innbefatter en prosessor for å motta observasjonsdata fra minst en sensor, hvor prosessoren innbefatter: en detektor som kan motta observasjonsdataene og som er i stand til å identifisere om mekanismen opererer på en normal eller forringet måte; en diagnoseenhet for å identifisere en feiltype fra minst ett symptommønster; og en prognoseenhet innrettet for å beregne en gjenværende levetid (RUL) for mekanismen, hvor prognoseenheten innbefatter en populasjons-prognoseenhet for beregning av RUL basert på en varighet for bruk av mekanismen, en årsaksprognoseenhet for beregning av RUL basert på kausaldata, og en effektprognoseenhetfor beregning av RUL basert på effektdata generert fra feilen. En fremgangsmåte og et datamaskin-programprodukt for vurdering av tilstanden til et brønnhullsverktøy, er også beskrevet.

Description

BAKGRUNN FOR OPPFINNELSEN
[0001]Forskjellige verktøy blir brukt ved leting etter og produksjon av hydro-karboner for å måle egenskaper ved geologiske formasjoner under eller etter utgraving av et borehull. Egenskapene blir målt ved hjelp av formasjons-evalueringsverktøy (FE-verktøy) og andre egnede innretninger som typisk er integrert i en bunnhullsanordning. Sensorer blir brukt i FE-verktøyene for å overvåke forskjellige brønnhullstilstander og formasjonskarakteristikker.
[0002] Miljøer i hvilke FE-verktøy, boringsutstyr og andre borestreng-komponenter opererer, er meget barske og innbefatter tilstander slik som høye brønnhulls-temperaturer (f.eks. i overkant av 200 °C) og hendelser med høye støt og vibrasjoner. Riggoperatører er videre for tiden i ferd med å bruke verktøyene til å fremskaffe føringsprofiler som tidligere har vært umulige for derved å øke påkjenningen på verktøyene. Samtidig krever kunder høy pålitelighet for å hjelpe dem til å hindre kostbare brønnhullssvikt.
[0003]Inntil nå, har periodisk vedlikehold vært den mest utstrakte fremgangsmåten for å opprettholde verktøy-pålitelighet. Etter hvert som tiden går, har det vært en forskyvning mot tilstandsbasert vedlikehold som for tiden benytter konstruksjonsforskrifter og grove terskler for nominell drift til å vurdere individuell verktøybeskaffenhet. Foreliggende teknikker er imidlertid underlegne ved at en stor mengde telemetridata som er innsamlet under drift, ennå ikke er blitt effektivt behandlet.
KORT BESKRIVELSE AV OPPFINNELSEN
[0004]Et system for vurdering av tilstanden til en mekanisme innbefatter: minst én sensor tilknyttet mekanismen for å generere observasjonsdata; et lager i operativ kommunikasjon med den minst ene sensoren, hvor lageret innbefatter en database for å lagre observasjonsdata generert av sensoren; og en prosessor i operativ kommunikasjon med lageret, for å motta observasjonsdataene, hvor prosessoren innbefatter: en detektor som kan motta observasjonsdataene og som er i stand til å identifisere om mekanismen opererer på en normal eller forringet måte, hvor den forringede måten er en indikasjon på en feil i mekanismen; diagnoseutstyr som reagerer på observasjonsdata for å identifisere en feiltype fra minst ett symptommønster; og prognoseutstyr i operativ kommunikasjon med den minst ene sensoren, detektoren og diagnoseutstyret, hvor prognoseutstyret er i stand til å beregne en gjenværende brukbar levetid (RUL, remaining useful life) for mekanismen basert på informasjon fra minst én av sensoren, detektoren og diagnoseutstyret, hvor prognoseutstyret innbefatter et populasjonsprognoseutstyr for beregning av RUL basert på en varighet for bruk av mekanismen, årsaks-prognoseutstyr for beregning av RUL-verdien basert på årsaksdata og effekt-prognoseutstyr for beregning av RUL-verdien basert på effektdata generert på grunn av feilen.
[0005]En fremgangsmåte for å vurdere tilstanden til en mekanisme, innbefatter: å motta observasjonsdata generert av minst én sensor i forbindelse med mekanismen; å identifisere om mekanismen opererer på normal eller forringet måte, hvor den forringede måten er en induksjon på en feil i mekanismen; og som reaksjon på en identifikasjon av den degraderte måten, å identifisere en type feil fra minst ett symptommønster, og å beregne en gjenværende levetid (RUL, Remaining Useful Life) for mekanismen basert på en sammenligning av observasjonsdataene og eksempler på forringelsesdata i forbindelse med feiltypen, hvor beregningen av RUL er basert på: en varighet for bruk av mekanismen, kausal-data og effektdata generert fra feilen.
[0006]Et datamaskin-programprodukt er lagret på maskinlesbare media for å vurdere tilstanden til en mekanisme ved å utføre maskinimplementerbare instruksjoner. Instruksjonene utfører: å motta observasjonsdata generert av minst én sensor i tilknytning til mekanismen; å identifisere om mekanismen opererer på en normal eller forringet måte; hvor den forringede måten er en indikasjon på en feil i mekanismen; og som reaksjon på en identifikasjon av den forringede måten, å identifisere en type feil fra minst ett symptommønster, og beregne en gjenværende levetid (RUL) for mekanismen basert på en sammenligning av observasjons-dataene med eksempler på forringelsesdata i tilknytning til feiltypen.
KORT BESKRIVELSE AV TEGNINGENE
[0007]Den følgende beskrivelse skal ikke betraktes som begrensende på noen måte. Det vises til de vedføyde tegningene hvor like elementer er blitt nummeret likt, og hvor: Fig. 1 skisserer en utførelsesform av et brønnloggingssystem; Fig. 2 skisserer en utførelsesform av et system for vurdering av tilstanden til et brønnhullsverktøy; Fig. 3 er et blokkskjema over en annen utførelsesform av systemet på fig. 2; Fig. 4 er et flytskjema som gir et eksempel på en fremgangsmåte for treningsmodellen av systemet på fig. 3; Fig. 5 er et blokkskjema over en del av systemet på fig. 2 for generering av en estimert observasjon; Fig. 6 er et blokkskjema over en del av systemet på fig. 2 for generering av en alarm som en indikasjon på en feil; Fig. 7 er et blokkskjema over en del av systemet på fig. 2 for generering av en symptomobservasjon; Fig. 8 er et blokkskjema over en del av systemet på fig. 2 for generering av et feilklasseestimat; Fig. 9 er et blokkskjema over en del av systemet på fig. 2 for generering av en forringelsesbane og en tilknyttet levetid; Fig. 10 er et blokkskjema over en del av systemet på fig. 2 for generering av et estimat over en gjenværende levetid for brønnhullsverktøyet; Fig. 11 illustrerer eksempler på forringelsesbaner; Fig. 12 illustrerer en observert forringelsesbane og eksemplene på forringelsesbaner på fig. 11; Fig. 13 er et flytskjema for å tilveiebringe et eksempel på en fremgangsmåte for å klassifisere en forringelsesbane og estimere den gjenværende levetiden i forbindelse med forringelsesbanen; og Fig. 14 skisserer en alternativ utførelsesform av et system for å vurdere tilstanden til et brønnhullsverktøy.
DETALJERT BESKRIVELSE AV OPPFINNELSEN
[0008]Det er tilveiebrakt et system og en fremgangsmåte for å vurdere tilstanden til et brønnhullsverktøy eller en annen mekanisme. Fremgangsmåten er en datadrevet løsning for å estimere tilstanden til borehulls-verktøyenheter. Fremgangsmåten innbefatter å analysere data innhentet fra et formasjons-evalueringsverktøy (FE-verktøy) eller en annen brønnhullsanordning for å bestemme: 1) om det er en feil i anordningen eller ikke, 2) hvis det er en feil, type feil, og 3) en gjenværende levetid (RUL) for verktøyet. I en utførelsesform, innbefatter fremgangsmåten å sammenligne innsamlede telemetridata og tilknyttede statistikker med datadrevne modeller som er blitt trent for: 1) å differensiere mellom nominell og forringet drift for feildeteksjon, 2) å differensiere mellom rekker av mulige feilklasser for diagnose, og 3) å differensiere mellom like og ulike forringelsesbaner for prognoseformål (dvs. estimering av den gjenværende nyttige levetiden).
[0009] En detaljert beskrivelse av én eller flere utførelsesformer av det frembrakte systemet og den frembrakte fremgangsmåten, blir her presentert som eksempler og ikke som begrensende under henvisning til figurene. Nærmere beskrivelse av systemet og fremgangsmåten er gitt i følgende publikasjoner: 1) Dustin R. Garvey og J. Wesley Hines, " Data Based Fault Detection, Diagnosis, and Prognosis of Oil Drill Steering Systems", The University of Tennessee, Knoxville, Department of Nuclear Engineering, og 2) J. Wesley Hines og Dustin R. Garvey, " Monitoring, Diagnostics, and Prognostics for Drilling Operations: Final Report", august 2007, Nuclear Engineering Department; University of Tennessee, som begge herved i sin helhet inkorporeres ved referanse.
[0010]Det vises til fig. 1, hvor et eksempel på en utførelsesform av et brønn-loggingssystem 10 innbefatter en borestreng 11 som er vist anbrakt i et borehull 12 som trenger inn i minst én grunnformasjon 14 for å ta målinger av egenskaper ved formasjonen 14 og/eller borehullet 12. Borevæske, eller boreslam 16 kan pumpes gjennom borehullet 12. Som beskrevet her, refererer "formasjoner" til de forskjellige egenskapene og materialene som kan påtreffes i et undergrunnsmiljø. Det skal følgelig anses at selv om uttrykket "formasjon" generelt referer til geologiske formasjoner av interesse, at uttrykket "formasjoner" slik det brukes her, i noen tilfeller innbefatter alle geologiske punkter eller volumer av interesse (slik som et leteområde). I tillegg skal det bemerkes at "borestreng" slik det brukes her, refererer til en hvilken som helst konstruksjon som er egnet for å senke et verktøy gjennom et borehull eller å forbinde et bor med overflaten, og er ikke begrenset til de konstruksjonene og konfigurasjonene som er beskrevet her.
[0011]I en utførelsesform er en borehullsanordning (BHA) 18 anordnet i brønn-loggingssystemet 10 ved eller nær den nedre delen av borestrengen 11. BHA 18 innbefatter et antall formasjonsevaluerende (FE) brønnhullsverktøy 20 for måling av én eller flere fysiske størrelser i eller omkring et borehull som en funksjon av dybde og/eller tid. Det å ta disse målingene refereres til som "logging", og en registrering av slike målinger blir referert til som en "logg". Mange typer målinger blir tatt for å fremskaffe informasjon om de geologiske formasjonene. Noen eksempler på målinger innbefatter gammastrålelogger, nukleære magnetiske resonanslogger, nøytron logge r, resistivitetslogger og soniske eller akustiske logger.
[0012]Eksempler på loggeprosesser som kan utføres ved hjelp av systemet 10, innbefatter prosesser for måling-under-boring (MWD) og logging-under-boring (LWD) hvor målinger av egenskaper ved formasjonene og/eller borehullet blir tatt nede i hullet under eller kort etter boring. De dataene som er innhentet under disse prosessene, kan overføres til overflaten og kan også lagres i brønnhullsverktøyet for senere opphenting. Andre eksempler innbefatter loggemålinger etter boring, kabellogging og senkeskuddlogging.
[0013]Brønnhullsverktøyet 20 innbefatter i en utførelsesform én eller flere sensorer eller mottakere 22 for å måle forskjellige egenskaper ved formasjonen 14 etter hvert som verktøyet 20 blir senket ned i borehullet 12. Slike sensorer 22 innbefatter f.eks. kjernemagnetiske resonanssensorer (NMR-sensorer), resistivitetssensorer, porøsitetssensorer, gammastrålesensorer, seismiske mottakere og andre.
[0014]Hver av sensorene 22 kan være en enkelt sensor eller flere sensorer lokalisert ved en enkelt posisjon. I en utførelsesform innbefatter én eller flere av sensorene mange sensorer plassert i nærheten av hverandre og tildelt en spesiell posisjon på borestrengen. I andre utførelsesformer, innbefatter videre hver sensor 22 ytterligere komponenter slik som klokker, lagerprosessorer, osv.
[0015]I en utførelsesform er verktøyet 20 utstyrt med senderutstyr for til slutt å kommunisere med en behandlingsenhet 24 på overflaten. Slikt overføringsutstyr kan ha en hvilken som helst ønsket form, og forskjellige overføringsmedia og fremgangsmåter kan brukes. Eksempler på forbindelser innbefatter kablede, fiberoptiske, trådløse forbindelser eller slampulstelemetri.
[0016]I en utførelsesform, innbefatter behandlingsenheten 24 på overflaten og/eller verktøyet 20 komponenter som er nødvendige for å sørge for lagring og/eller behandling av data innsamlet fra verktøyet 20. Eksempler på komponenter innbefatter, uten å være begrensende, minst én prosessor, lager, hurtiglager, innmatingsanordninger, utmatningsanordninger og lignende. Behandlingsenheten 24 på overflaten er fortrinnsvis innrettet for å styre verktøyet 20.
[0017]I en utførelsesform, innbefatter verktøyet 20 også en brønnhullsklokke 26 eller en annen tidsmålingsanordning for å indikere et tidspunkt ved hvilket hver måling ble tatt av sensoren 20. Sensoren 20 og brønnhullsklokken 26 kan være innbefattet i et felles hus 28. Når det gjelder den foreliggende beskrivelse kan huset 28 representere en hvilken som helst struktur som brukes til å understøtte minst én av sensoren, brønnhullsklokken 26 og andre komponenter.
[0018]Det vises til fig. 2, hvor det er vist et system 30 for vurdering av tilstanden til brønnhullsverktøyet 20 eller en annen anordning brukt i forbindelse med bunnhullsanordningen 18 og/eller borestrengen 11. Systemet kan være inkorporert i en datamaskin eller en annen behandlingsenhet som er i stand til å motta data fra verktøyet. Behandlingsenheten kan være innbefattet i verktøyet 20 eller være inkludert som en del av behandlingsenheten 24 på overflaten.
[0019]I en utførelsesform, innbefatter systemet 30 en datamaskin 31 koplet til verktøyet 20. Eksempler på komponenter innbefatter, uten noen begrensning, minst én prosessor, et lager, et hurtiglager, innmatingsanordninger, utmatings-anordninger og lignende. Ettersom disse komponentene er kjent for fagkyndige på området, blir disse ikke beskrevet detaljert her. Datamaskinen 31 kan være anordnet i minst én av behandlingsenheten 24 på overflaten og verktøyet 20.
[0020]Noen av beskrivelsene som er gitt her, er redusert til en algoritme som er lagret på maskinlesbare media. Algoritmen blir implementert ved hjelp av datamaskinen 31 og forsyner operatører med ønskede utmatinger.
[0021]Verktøyet 20 genererer måledata som blir lagret i et lager i forbindelse med verktøyet og/eller behandlingsenheten på overflaten. Datamaskinen 31 mottar data fra verktøyet 20 og/eller behandlingsenheten på overflaten for vurdering av tilstanden til verktøyet 20. Selv om datamaskinen 31 her blir beskrevet som separat fra verktøyet 20 og behandlingsenheten 24 på overflaten, kan datamaskinen 31 være en komponent i enten verktøyet 20 eller behandlingsenheten 24 på overflaten, og følgelig kan enten verktøyet 20 eller behandlingsenheten 24 på overflaten tjene som en anordning for evaluering av verktøyets tilstand.
[0022]Det vises til fig. 3, hvor systemet 30 innbefatter et lager 32 i hvilket én eller flere databaser 34, 36 og 38 er lagret. Systemet 30 innbefatter også en prosessor 40 som innbefatter én eller flere analyseenheter som innbefatter empiriske modeller 42, 44, 46 og 48. Modellene som beskrives her, er datadrevne modeller, dvs. at de dataene som beskriver innmatings- og utmatingskarakteristikkene definerer modellen.
[0023]De dataene som brukes av systemet 30, er en overflod av data som beskriver forskjellige aspekter ved hvordan individuelle verktøy i en flåte fungerer, blir brukt og i noen tilfeller svikter. I en utførelsesform, blir de dataene som er tilknyttet et valgt verktøy 20, kategorisert i tre hovedtyper. Datatypene innbefatter lagerdumpedata 34, driftsdata 36 og vedlikeholdsdata 38.
[0024]Lagerdumpedata 34 er en samling og/eller visning av innholdet i et internlager tilknyttet verktøyet 20. Lagerdumpedataene 34 innbefatter f.eks. sensor-avlesninger relatert til avfølte fysiske størrelser i og/eller omkring borehullet, slik som temperatur, trykk og vibrasjon. Driftsdata 36 innbefatter målinger vedrørende driften av verktøyet, slik som elektrisk strøm og motor- eller borrotasjon. Vedlikeholdsdata 38 innbefatter data hentet fra verktøyet etter at en feil er observert.
[0025]Prediktoren 42 og detektoren 44 blir brukt til å bestemme om verktøyet 20 opererer på en enten nominell (dvs. normal) eller forringet måte eller ikke. Prediktoren 42 frembringer estimater av målte observasjoner og genererer estimatrester basert på sammenligning med observasjonseksempler, og detektoren 44 evaluerer om verktøyet opererer på en forringet måte basert på estimatrestene. Diagnoseenheten 46 blir brukt til å identifisere typen eller klassen av eventuelle detekterte feil fra symptommønstre generert fra observasjonene. Symptom-mønstre, innbefatter, men er ikke begrenset til, prediktor-estimatrester, alarmmønstre og signaler som kan brukes til å kvantifisere omgivelses- eller driftspåkjenninger. Prognoseenheten 48 blir brukt til å utlede den gjenværende nyttige levetiden (RUL) til verktøyet 20 fra observasjoner av dets forringelses-mønster eller historie.
[0026]I en utførelsesform, er systemet et ikke-parametrisk fuzzy-interferenssystem (NFIS). NFIS er et fuzzy-interferenssystem (FIS) hvis funksjonssentre og parametere er observasjoner av eksempler på innmatinger og utmatinger.
[0027]I en utførelsesform, forut for benyttelse av systemet 30 for vurdering av verktøytilstand, blir modellene 42, 44, 46, 48 trent basert på feilfrie data for å bli i stand til å detektere feil, diagnostisere feilene og bestemme gjenværende levetid. Denne treningen blir i en utførelsesform utført via en treningsprosedyre 50.
[0028]Fig. 4 illustrerer en fremgangsmåte, dvs. en treningsprosedyre 50, for å trene modellene i systemet 10. Fremgangsmåten 50 innbefatter ett eller flere trinn 51, 52, 53 og 54.1 en utførelsesform innbefatter fremgangsmåten 50 utførelse av alle trinnene 51, 52, 53 og 54 i den beskrevne rekkefølgen. Visse trinn kan imidlertid utelates, trinn kan tilføyes eller rekkefølgen av trinnene kan endres.
[0029]I det første trinnet 51 blir prediktoren 42 trent ved å bygge opp en saksbase i internlageret til prediktoren 42. Prediktorens saksbase blir bygd opp ved å velge et antall eksempler på observasjoner referert til som "Eksempel Obs. #1-#NP" på fig. 3, fra signaler innsamlet fra en feilfri verktøydrift. Disse signalene, er i en utførelsesform innhentet fra lagerdumpedata 34. Uttrykket "signal" eller "observasjon" slik det brukes her, refererer til måle-, observasjons- eller vedlikeholdsdata mottatt for verktøyet 20. Hvert signal består i en utførelsesform av ett eller flere datapunkter over et valgt tidsintervall.
[0030]I en utførelsesform, kan hvert signal behandles ved å bruke fremgangsmåter som innbefatter statistisk analyse, datatilpasning og datamodellering for å frembringe en observasjonskurve. Eksempler på statistisk analyse innbefatter beregning av en sum, et gjennomsnitt, en varians, et standard-awik, t-fordeling, et konfidensintervall og annet. Eksempler på datatilpasning innbefatter forskjellige regresjonsmetoder, slik som lineær regresjon, minste kvadrater, segmentert regresjon, hierarkisk lineær modellering og andre.
[0031]I det andre trinnet 52, blir detektoren 44 trent ved beregning av en rest for hver observasjon ved å beregne en feil mellom de målte verdiene av observasjonen og predikerte verdier. Hver rest blir ført til en statistisk rutine for å konstruere et antall fordelingsfunksjoner for hver rest, slik som sannsynlighets-fordelingsfunksjoner (PDF), som er representative for nominell systemdrift. Disse eksemplene på nominelle fordelingsfunksjoner er representert som "nominelle ford. #P" på fig. 3, hvor "P" refererer til antallet restsignaler.
[0032]I det tredje trinnet 53 blir resultatene av prediktor- og detektortreningen kombinert med et valgt signal, drifts- og vedlikeholdsdata for å skape diagnose-enhetens saksbase som vil bli brukt til å kartlegge symptom-mønstre til feilklasser.
[0033]I dette trinnet, blir data slik som restene, ekstrahert fra én eller flere av databasene 32, 34, 36 for å frembringe symptom-mønstre tilknyttet en kjent feiltype, dvs. feilklasse. Disse symptom-mønstrene blir så konsolidert og innbefattet som eksempler i diagnosenheten 46. Ved dette punkt, har diagnoseenheten 46 effektivt lært forholdet mellom de estimerte restene og kjente feilklasser.
[0034] Det fjerde trinnet 54, analyse av resultater fra foregående trinn, blir kombinert med ytterligere signal-, drifts- og vedlikeholdsdata for å frembringe prognoseenhetens saksbase som kartlegger forringelsesbaner, slik som absorbert vibrasjon, til verktøylevetid. Forringelsesbaner benytter datapunkter fra prediktoren 42, detektoren 44 og diagnoseenheten 46, slik som observasjonsdata og alarmdata over et tidsintervall som innbefatter det tidsrom hvor verktøyet 20 sviktet. Ytterligere informasjon fra lagerdumpedataene 34 kan også kombineres, slik som ytterligere signaler eller sammensatte signaler (f.eks. løpende sum over en terskel) for å frembringe forringelsesbanene. Eventuelle egnede regresjonsfunksjoner eller datatilpasningsteknikker kan anvendes på de dataene som er mottatt fra verktøyet 20 for å generere forringelsesbanen.
[0035]Figurene 5-10 illustrerer fremgangsmåter for vurdering av tilstanden til et brønnhullsverktøy eller en annen komponent i et formasjons-evaluerings/ undersøkelsessystem, slik som et verktøy brukt i forbindelse med boring for å utføre en brønnhullsmåling. Fremgangsmåtene innbefatter forskjellige trinn som beskrives her. Fremgangsmåtene kan utføres kontinuerlig eller intermitterende etter ønske. Fremgangsmåtene blir her beskrevet i forbindelse med brønnhulls-verktøyet 20 selv om fremgangsmåtene kan utføres i forbindelse med et hvilket som helst antall og utforming av sensorer og verktøy, så vel som enhver anordning for å senke verktøyet og/eller bore et borehull. Fremgangsmåtene kan utføres ved hjelp av én eller flere prosessorer eller andre anordninger som er i stand til å motta og behandle måledata slik som datamaskinen 31.1 en utførelsesform, innbefatter fremgangsmåten utførelse av alle trinnene i den beskrevne rekkefølgen. Visse trinn kan imidlertid utelates, trinn kan tilføyes eller rekkefølgen av trinnene kan endres.
[0036]Det vises til fig. 5, hvor det første trinnet, verktøy-dumpedata 34 eller andre data innsamlet fra verktøyet eller en annen komponent i brønnloggingssystemet 10, blir innsamlet fra verktøyets internlager for å ekstrahere nyttig informasjon. Fra disse dataene blir et antall spørreobservasjoner 58 ("Obs. #1 - #NQ), dvs., målte observasjoner, innført i prediktoren 42.
[0037]I en utførelsesform, innbefatter spørreobservasjoner 58 enhver type data vedrørende målte karakteristikker for formasjonen og/eller borehullet, så vel som data vedrørende driften av verktøyet. I et eksempel, innbefatter dataene trykk, elektrisk strøm, motor-RPM, borerotasjons-hastighet, vibrasjon og temperatur-målinger.
[0038]Prediktoren 42 beregner estimerte observasjoner 60 ("Estimerte Obs. #1-#NQ), ved å bestemme hvilke av predikterens observasjonseksempler som er mest lik hver spørreobservasjon 60.
[0039]I en utførelsesform, er prediktoren 42 en NFIS-prediktor. Denne utførelses-formen av prediktoren 42 er en ikke-parametrisk, auto-assosiativ modell som utfører signalkorreksjon ved korrelasjoner som er iboende i signalene. Denne utførelsesformen reduserer effekter av støy eller utstyrsanomaliteter og frembringer signalmønstre som ligner på de fra normale driftstilstander. I en annen utførelsesform, er prediktoren 42 en autoassosiativ kjerneregresjons-prediktor (AAKR-prediktor).
[0040]Fordi prediktoren 42 tidligere er blitt trent på eksklusivt "gode" data, dvs. data generert under kjent nominell drift, lærer prediktoren 42 effektivt de korrela-sjonene som er tilstede under nominell, feilfri verktøydrift. Når disse korrelasjo-nene så endres, noe som ofte er tilfelle når en feil er tilstede, er prediktoren 42 fremdeles i stand til å estimere hva signalverdiene bør være hvis det ikke hadde vært en endring i korrelasjonen. Systemet 30 tilveiebringer således et dynamisk referansepunkt som kan sammenlignes med målte observasjoner slik at så snart det er en endring i signalkorrelasjonene, vil det være en tilsvarende divergens av estimatene fra observasjonene. Når en feil er tilstede i brønnloggingssystemet 10, vil estimatene generelt være langt fra sine observerte verdier for de påvirkede signalene.
[0041]I en utførelsesform benytter prediktoren 42 forskjellige regresjonsmetoder, innbefattende ikke-parametrisk regresjon slik som kjerneregresjon, for å generere et observasjonsestimat 60 som svarer til en spørreobservasjon 58. Kjerneregresjon (KR) innbefatter å estimere verdien ved å beregne et vektet gjennomsnitt av hisoriske observasjonseksempler. De her beskrevne fremgangsmåtene er ikke begrenset til noen spesiell statistisk analyse ettersom en hvilken som helst fremgangsmåte, slik som kurvetilpasning, kan brukes.
[0042]For et antall observasjonseksempler, blir f.eks. KR-estimering utført ved å beregne en avstand "d" til en spørreobservasjon, dvs. en innmating "x", fra hver av observasjonseksemplene "Xi", innmating av avstandene i en kjernefunksjon som omdanner avstandene til vekter, dvs. likheter, og estimering av utgangen ved å beregne et vektet gjennomsnitt av et utmatingseksempel.
[0043]Avstanden kan beregnes via en hvilken som helst kjent teknikk. Et eksempel på en avstand er en euklid-avstand representert ved følgende ligning:
hvor "i" representerer et antall innmatinger. Et annet eksempel på avstand er den adaptive euklidske avstanden hvor avstandsberegningen blir ekskludert for de målte observasjonene som ligger utenfor rekkevidden til de maksimale og minimale innmatingseksemplene.
[0044]For å transformere avstanden d til en vekt eller en likhet, blir i én utførelses-form en kjernefunksjon "Kh(d)" brukt. Et eksempel på en slik kjernefunksjon er en del av gauss-kjernen, som er representert ved følgende ligning:
hvor "h" refererer til kjernens båndbredde og blir brukt til å regulere hvilke effektive avstander som anses like. Andre eksempler på kjernefunksjoner innbefatter den inverse avstands-eksponensielle, absolutte eksponensielle, uniformvektede, triangulære, bikvadratiske, og trikubiske kjernes.
[0045]I en utførelsesform blir de beregnede likhetene for spørreinnmatingen x kombinert med hvert av eksempelverdiene Xi for å generere estimater av utmatingen, det vil si estimerte observasjoner 60. Dette blir i KR utført for eksempel ved å beregne et vektet gjennomsnitt av utgangseksemplene ved å bruke likhetene mellom spørreobservasjonen og innmatingseksemplene som vektede parametere, som vist i følgende ligning:
hvor "n" er antallet observasjonseksempler i KR-modellen, "Xi" og "Y" er inn-matingen og utmatingen for det i. observasjonseksempelet, x er en spørre-innmating, K(Xi- x) er kjernefunksjonen og y(x) er et estimat av y, når x er gitt.
[0046]I en utførelsesform kan varierende antall og typer av innmatinger og utmatinger analyseres ved å bruke forskjellige KR-arkitekturer. De variable og innmatingene som er beskrevet her, blir i en utførelsesform representert ved hjelp av vektorer når flere innmatinger blir brukt. En inferensial KR-modell bruker flere innmatinger til å utlede en utgang, en heteroassosiativ KR-modell bruker flere innganger til å forutsi flere utganger, og en autoassosiativ KR-modell (AAKR-modell) bruker innmatinger til å forutsi de "korrekte" verdiene for innmatingene, hvor "korrekt" refererer til relasjonene og oppførslene som er et innhold i observasjonseksemplene.
[0047]Det vises til fig. 6, hvor de estimerte observasjonene 60 i det andre trinnet blir brukt til å bestemme om en feil har inntruffet. Et antall rester 62 svarende til antallet "Nq" av observasjoner 58 blir beregnet ved å subtrahere hvert observert estimat 60 fra en tilsvarende spørreobservasjon 58. De resulterende restobservasjonene 62 har hver en verdi som representerer en endring i korrelasjon fra den feilfrie observasjonen.
[0048]Hver restobservasjon 62 blir så ført til detektoren 44 som benytter en statistisk test til å bestemme om den aktuelle sekvensen av restobservasjoner 62 mer sannsynlig er blitt generert av en nominell måte (måling som det ikke er noen feil ved) eller en forringet måte (noe som betyr at det er en feil). I en utførelsesform blir restobservasjonene 62 evaluert ved hjelp av en kumulativ sum (CUSUM) eller en sekvensiell sannsynlighetsforholdstest (SPRT) statistikk-detektor for å bestemme om verktøyet opererer på en normal eller forringet måte.
[0049]I en utførelsesform blir terskelverdier for å bestemme om verktøyet 20 opererer på en forringet måte, bestemt. I et eksempel blir den nominelle måten definert under trening, og et antall degraderte måter blir nummeret med hensyn til den nominelle måten. Hver forringet måte svarer til en valgt terskel. Midlere oppforskjøvne og midlere nedforskjøvne forringede modeller blir f.eks. definert ved å forskyve den nominelle fordelingen til henholdsvis en høyere og lavere middelverdi. En rekke tester blir så utført for å indikere hvilken fordeling sekvensen mest sannsynlig er blitt generert av.
[0050]I en utførelsesform blir en sekvensiell analyse slik som en sekvensiell sannsynlighets-forholdstest (SPRT) utført for å bestemme om restobservasjonen 62 er et resultat av nominell driftsmåte eller forringet driftsmåte. SPRT blir brukt til å bestemme om en sensor er mer sannsynlig i en nominell modus, "Ho", eller i en forringet modus, "Hi". SPRT innbefatter beregning av et sannsynlighetsforhold, "Ln", vist i følgende ligning: hvor {xn) r en sekvens av "n" påfølgende observasjoner av x. Sannsynlighetsforholdet blir så sammenlignet med en nedre (A) og en øvre (B) grense, som de som er definert av en falsk alarmsannsynlighet (a) og en tapt alarmsannsynlighet (P) vist i følgende ligninger:
[0051]Hvis sannsynlighetsforholdet er mindre enn A, blir restobservasjonen 62 bestemt å tilhøre systemets normale driftsmåte Ho. Hvis sannsynlighetsforholdet er større enn B, blir restobservasjonen 62 bestemt å tilhøre systemets forringede driftsmåte Hi og en feil blir registrert.
[0052]Hvis noe testresultat indikerer at restene sannsynligvis ikke er blitt generert fra den nominelle driftsmåten, genererer detektoren 44 en alarm 64 som indikerer at en feil i verktøyet 20 eventuelt har inntruffet. Slike alarmer 64 blir referert til som "Alarm Obs. #1-#Nq", og kan være et hvilket som helst antall alarmer 64 mellom null og NQ.
[0053]Hvis utgangen fra detektoren 44 indikerer at verktøyet 20 opererer normalt (dvs. at ingen feil eller uregelmessighet har inntruffet), så blir ingen vedlikeholds-eller styringshandling utført, og systemet 60 undersøker den neste observasjonen. Hvis imidlertid detektoren 44 indikerer at verktøyet 20 arbeider på en forringet måte, blir prediksjons- og deteksjonsresultatene videresendt til diagnoseenheten 46 som tilordner frembrakte symptommønstre 66 (dvs. prediksjonsrester, signaler, alarmer, osv.) til kjente feiltilstander for å bestemme beskaffenheten av feilen.
[0054]Det vises til fig. 7, hvor symptom-mønstrene 66 i det tredje trinnet blir frembrakt ved hjelp av prosessoren 40 som innkapsler en tilstrekkelig mengde med informasjon til å differensiere mellom de identifiserte feilene. Symptom-mønstrene 66 blir referert til som "Symptom Obs. #1-NQS" på fig. 7, hvor "NQS" er et tall mindre enn eller lik NQ. Symptom-mønstrene 66 blir beregnet ved å kombinere dataene fra prediktoren 42 og detektoren 44, innbefattende én eller flere av spørre-observasjonene 58, estimat-observasjonene 60, restobservasjonene 62 og alarmene 64 for hvert signal. I en utførelsesform blir ytterligere informasjon fra lagerdumpedataene 34, slik som ytterligere signaler eller en syntese av ytterligere signaler, og/eller signaler som kan brukes til å kvantifisere miljø- eller driftspåkjenninger, kombinert med data fra prediktoren 42 og detektoren 44 for å frembringe symptom-observasjonene 66.
[0055]I en utførelsesform blir restobservasjonene 62, eventuelt i kombinasjon med alarmene 64, tilveiebrakt som symptom-mønstrene 66. Eksempler på symptom-mønstre 66 innbefatter målte hydrauliske enhets-signalverdier alene og med tilknyttede rester, luggesignaler (dvs. en hastighet ved hvilken et bor roterer i sin sjakt) med tilhørende estimatrester, og vibrasjonssignaler med tilhørende estimatrester.
[0056]Det vises til fig. 8, hvor observasjonene i det fjerde trinnet, tilknyttet alarmer og rester, blir innbefattet i diagnoseenheten 46.1 en utførelsesform, er diagnoseenheten 46 en NFIS-diagnoseenhet. I en annen utførelsesform blir bare data relatert til observasjoner som genererer en alarm 64, innført i diagnoseenheten 66.
[0057]I en utførelsesform, blir symptom-observasjonene 66 innført i diagnoseenheten 46, som utleder klassen eller typen for feil for hver symptom-observasjon 66. Klassifikasjon av klassen (dvs. klasse "A"-"Z") blir utført ved å sammenligne symptom-observasjonene 66 med eksempler på symptom-mønstre som tidligere er generert av diagnoseenheten 46, og så å kombinere resultatene av denne sammenligning med hvert eksempel på symptom-mønster for å generere et estimat 68 av klassen. I en utførelsesform, blir hver symptom-observasjon 66 sammenlignet med symptom-mønstrene, og blir tilordnet en klasse som er assosiert med symptom-mønsteret som det ligner mest på. Dette klasseestimatet 68, referert til som "klasseestimat-Obs. #1-#NQS" på fig. 8, blir frembrakt for hver observasjon 58 som oppviser en feil. I en utførelsesform, blir hyppigheten av klassene (f.eks. klasse A, klasse B, osv.) i estimatobservasjonene 60 bestemt for å fremskaffe en endelig diagnose for verktøyet 20 og/eller dets komponenter.
[0058]Feil kan inntreffe for en hvilken som helst av mange forskjellige grunner, og tilhørende feilklasser blir utpekt. Eksempler på feilklasser innbefatter "slaminvasjon" (Ml) hvor boreslam 16 strømmer inn i et verktøy 20 og forårsaker feil, "trykktransduser-forskyvning" (PTO), hvor sensorforskyvning (negativ og positiv) forårsaker problemer ved styring av systemet 10 som til slutt resulterer i system-svikt, og "pumpestart" (PS), hvor en pumpe svikter etter at boret er startet.
[0059]I en utførelsesform, blir "nærmeste nabo"-klassifikasjon (NN)-klassifikasjon) benyttet for å bestemme hvilken klasse en symptom-observasjon 66 faller inn i, som innebærer tildeling til et uklassifisert prøvepunkt hvor klassifikasjonen av den nærmeste av et sett med tidligere klassifiserte punkter befinner seg. Et eksempel på nærmeste nabo-klassifikasjon er k-nærmeste nabo (kNN). kNN refererer til den klassifikasjonsanordningen som undersøker antall "k" nærmeste naboer til et spørremønster, og NN refererer til klassifikasjons-anordningen som undersøker den nærmeste naboen (dvs. k = 1). NN-klassifikasjon innbefatter beregning av en avstand mellom et spørremønster og hvert eksempel på symptom-mønster, og tilknytter spørremønsteret til en klasse som er assosiert med eksempelet på symptom-mønster som har den minste avstanden.
[0060]kNN-klassifikasjon innebærer beregning av avstandene for hvert eksempel på symptom-mønster, sortering av avstandene og ekstrahering av utgangs-klassene for de k. minste avstandene. Antallet tilfeller av hver klasse som er representert av de k. minste avstandene, blir talt, og klassen til spørremønsteret blir betegnet som den klassen med den største representasjon i de k nærmeste naboene.
[0061]Et eksempel på nærmeste nabo-klassifikasjon blir beskrevet her. I dette eksempel blir et antall "n" med eksempler på symptom-mønstre innsamlet for "p" innmatinger (dvs. variabler) som er eksempler på et antall "nc" klasser. "C" betegner også den i. klassen og "n" betegner antallet eksempler for en klasse. Ved å bruke disse definisjonene blir summen av antallet eksempler for hver klasse lik antallet eksempler på symptom-mønstre.
[0062]I dette eksempelet, er treningsinnmatingene (dvs. eksempler på symptom-mønstre) betegnet med X, og utmatingene (dvs. klassene) er betegnet med Y. "Lagermatriser" eller vektorer blir frembrakt for innmatingene og utmatingene som følger:
[0063] Klassifikasjon av en spørreobservasjon for p innmatinger, som er betegnet med x, blir utført. Spørreobservasjonen x blir representert ved følgende ligning:
[0064]Avstanden, slik som euklidavstanden, kan brukes til å bestemme hvor nær spørreobservasjonen er hvert av innmatingseksemplene. I lignings form, er avstanden av spørringen til det i. eksempel gitt ved:
[0065]Avstandsberegningen blir gjentatt for de n eksemplene, hvor resultatet er en vektor med n avstander:
[0066]For å klassifisere x med nærmeste naboklassifikasjonsenhet blir utmatingen eller klassifikasjonen det klasseeksempelet som svarer til den minste avstanden.
[0067]De forskjellige typer fremgangsmåter for klassifikasjon som benyttes her, er kun ment som eksempler. Et hvilket som helst antall eller en hvilken som helst type teknikk kan brukes for sammenligning av datamønstre fra en sensor eller flere sensorer med kjente datamønstre for feilklassifikasjon.
[0068]Det vises til fig. 9, hvor en forringelsesbane 70 og en tilsvarende levetid 72 i det siste trinnet blir beregnet for hvert signal. Forringelsesbanene 70 blir referert til som "forringelsesbane #1-#Nqd" og levetidene 72 blir referert til som "levetid #1-#Nqd", hvor Nqder antall forringelsesbaner 70. Fra disse dataene kan den gjenværende nyttige levetiden til verktøyet beregnes. Forringelsesbanen 70 er frembrakt ved å kombinere data fra prediktoren 42, detektoren 44 og diagnoseenheten 46, innbefattende én eller flere av signalobservasjonene 58, signal-estimatene 60, estimatrester 62, alarmer 64, symptom-observasjoner 66 og klasse-estimater 68. Ytterligere informasjon fra lagerdumpedataene 34 kan også kombineres, slik som ytterligere signaler eller sammensatte signaler (f.eks. løpende sum over en terskel), for å frembringe forringelses-banene. En hvilken som helst egnet regresjonsfunksjon eller datatilpasningsteknikk kan anvendes på de dataene som er innhentet fra verktøyet, for å generere forringelsesbanen. Mange typer statistisk analyse blir anvendt for å beregne forringelsesbanen, slik som polynom regresjon, effektregresjon, osv. for enkle datarelasjoner, og anvendelse av fuzzy-interferenssystemer, neurale nettverk, og så videre for komplekse relasjoner.
[0069]Forringelsesbanen 70 kan genereres fra alle ønskede måledata. Eksempler på slike data som brukes til forringelsesbaner, innbefatter: sprekklengde i bore streng, målt trykk, elektrisk strøm, motor- og/eller borrotasjon og temperatur over en valgt tidsperiode.
[0070]Levetider 72, som svarer til hver forringelsesbane 70, blir generert. I en utførelsesform kan en terskelverdi fastsettes for forringelsesbanen 70, for å indikere en svikt. Denne terskelen kan være basert på ekstrapolasjon av data fra den eksisterende forringelsesbanen 70, eller basert på forhåndseksisterende eksempler på forringelsesbaner i forbindelse med kjente svikttider.
[0071]Det vises til fig. 10, hvor forringelsesbanene 70 og levetidene 72 er innført i prognoseenheten 48, som bruker denne informasjonen til å generere estimater av gjenværende nyttig levetid (RUL) 74 i henhold til hver bane. RUL-verdien for hver bane kan refereres til som "RUL-estimat#1-#NQD". I en utførelsesform er prognoseenheten 48 en NFIS-prognoseenhet. Forringelsesbanene 70 blir sammenlignet med eksemplene på forringelsesbaner, og resultatene av sammenligningen med eksempler på levetider blir sammenlignet for å generere et estimat 74 av verktøyets 20 og/eller komponentens RUL-verdier. I en utførelsesform blir en klassifikasjons- og estimasjonsmodell (PACE-modell) som benytter en tilhørende PACE-algoritme, brukt til å generere RUL-estimatet 74.
[0072]PACE-algoritmen blir brukt i situasjoner hvor i) hver forringelsesbane 70 innbefatter en diskret feilterskel som nøyaktig forutsier når en anordning vil svikte, og ii) forringelsesbanene 70 ikke oppviser noen klar feilterskel. I en utførelsesform, kan for eksempel, for forringelsesbaner 70 som oppviser godt etablerte terskler (f.eks. kimet sprekkvekst, og kontrollerte testmiljøer, slik som konstant belastning eller uniform sykling), dataene formatteres slik at det øyeblikk hvor forringelsesbanen 70 krysser feilterskelen, blir tolket som en feilhendelse.
[0073]I andre utførelsesformer, er en definert diskret feilterskel ikke alltid til-gjengelig. I noen slike utførelsesformer, særlig i mange virkelige anvendelser, hvor feilmodusene ikke alltid er godt forstått eller kan være for komplekse til å bli kvantifisert ved hjelp av en enkelt terskel, erfeilgrensen grå på det beste.
[0074]PACE-algoritmen innebærer to generelle observasjoner: 1) å klassifisere en aktuell forringelsesbane 70 som tilhørende én eller flere tidligere innsamlede eksempler på forringelsesbaner, og 2) å bruke det resulterende medlemsskapet til å estimere RUL-verdien.
[0075]Det vises til fig. 11, hvor eksempler på forringelsessignaler 76 er vist, representert som "Yi(t)", og deres tilhørende tid til svikt (TTFi). I dette eksempel, kan det ses at det ikke er en tydelig terskel for forringelsesbanen 70.1 en utførelsesform er eksempelsignalene 76 generalisert ved tilpasning av en vilkårlig funksjon 78, referert til som "fi(t,8i)", til dataene via regresjon, maskinlæring eller andre tilpasningsteknikker.
[0076]I en utførelsesform, blir to informasjonselementer ekstrahert fra forringelsesbanene, spesielt TTF-verdier og "formen" av forringelsen som er beskrevet ved hjelp av funksjonelle tilnærmelser fi(t,6i). Disse informasjons-elementene kan brukes til å konstruere et eksempel på TTF-verdier og funksjonelle tilnærmelser, som følger:
hvor TTFi og fi(t,6i) er TTF og den funksjonelle tilnærmelsen av det i. eksempelet på forringelses-signalbane, 6i er parametrene for den i. funksjonelle tilnærmelsen av det i. eksempelet på forringelsessignalbane, og 0 er alle parametrene for enhver funksjonell tilnærmelse.
[0077]I en utførelsesform, blir forringelsesbanen beregnet ved å bruke en generell banemodell (GPM, General Path Modell). GPM innebærer parametrisering av et anordnings forringelsessignal for å beregne forringelsesbanen og bestemme TTF-verdien. I en utførelsesform, kan TTF-verdien beskrives som en sannsynlighet for svikt avhengig av tid. TTF-verdien kan fastsettes ved enhver valgt sannsynlighet for feil eller svikt.
[0078]I en utførelsesform, blir generiske PDF-verdier tilpasset et forringelsessignal for å måle forringelsesbanen og TTS-verdien. Hvis f.eks. N anordninger er testet og Nt er det totale antall anordninger som har sviktet opp til det nåværende tidspunkt T, så kan den andel anordninger som har sviktet tolket som sannsynligheten for svikt for alle tider mindre enn eller lik det aktuelle tidspunkt. Mer spesielt er den kumulative sannsynligheten for svikt ved tiden T, betegnet med P(T < t), forholdet mellom det aktuelle antall sviktede anordninger (NT) og det totale antall anordninger (N), som vist i følgende ligning:
[0079]Hvis en generisk sannsynlighetsdensitetsfunksjon (PDF) blir tilpasset observerte feildata, så kan ovenstående ligning skrives uttrykt ved en PDF, referert til som "f(t)" og dens tilhørende kontinuerlige fordelingsfunksjon (CDF, continuous distribution function), referert til som "F(t)":
[0080]Den ovenfor angitte ligningen kan også brukes til å definere sannsynligheten for at en feil eller svikt ikke har inntruffet for alle tider mindre enn den aktuelle tiden t, referert til som pålitelighetsfunksjonen "R(t)":
[0081]I en utførelsesform blir ytterligere pålitelighetsmål beregnet ved å bruke TTF-fordelingsdata og pålitelighetsfunksjonene til å predikere og melde om svikt, nemlig den midlere tiden til feil (MTTF) og 100 p. prosentandelen for pålitelighetsfunksjonen. MTTF karakteriserer den forventede feiltiden for en prøveanordning trukket fra en populasjon. Følgende ligning kan brukes til å beregne MTTF for en kontinuerlig TTF-fordeling: og kan videre defineres uttrykt ved de pålitelighetsfunksjonen:
[0082]I en utførelsesform, kan som et alternativ til MTTF, 100 p. prosentilen for pålitelighetsfunksjonen brukes til å bestemme tidspunktet (tp) hvor en spesifisert andel av anordningene har sviktet. I lignings form, er det tidspunkt hvor 100 p.% av anordningene har sviktet, ganske enkelt uttrykkes som det tidspunkt hvor pålitelighetsfunksjonen har en verdi lik p:
hvor p har en verdi mellom null og én.
[0083]Det vises til fig. 12, hvor RUL er beregnet for en observert forringelsesbane 70. Forringelsesbanen 70 har en verdi "y(t<*>)" av forringelsesbanen 70 ved en tid "t<*>". For å estimere RUL for anordningen via PACE-modellen, blir algoritmen som er representert på fig. 13, benyttet.
[0084]Det vises til fig. 13, hvor et eksempel på en fremgangsmåte 80 for estimering av RUL, i en utførelsesform innbefatter et antall trinn 81-83.
[0085]I det første trinnet 81, blir de forventede forringelses-signalverdiene i henhold til eksemplene på forringelsesbaner 76 estimert ved å evaluere regresjonsfunksjoner ved t<*.>Den aktuelle tiden t<*>blir brukt til å estimere de forventede verdiene for forringelsesbanen 70 i henhold til eksempelbanene 76.1 en utførelsesform, er de forventede verdiene av forringelsesbanen 70 i henhold til baneeksemplene 76 tilnærmelsesfunksjoner 78 evaluert ved tiden t<*>, som vist i følgende ligning:
[0086]Verdiene av ovennevnte funksjonsevalueringer kan tolkes som eksempler på forringelsesbanen 70 ved tiden t<*>. I denne forbindelse kan ovennevnte vektor omskrives som følger:
[0087]I trinn 82, blir de forventede RUL-verdiene beregnet ved å subtrahere den aktuelle tiden t<*>fra de observerte TTF-verdiene for eksempelbanene 76. Dette er vist f.eks. i følgende ligning:
[0088]I trinn 83, blir den observerte forringelsesbanen 70 ved tiden t<*>, y(t<*>), klassifisert basert på en sammenligning med de forventede forringelses-signalverdiene Y(t<*>). Forringelsesbanen 70 blir klassifisert som tilhørende den klasse som er tilknyttet eksempelbanen 76 som er den nærmeste i verdi. I en utførelsesform kan signalverdien y(t<*>) sammenlignes med de forventede forringelses-signalverdiene Y(t<*>) ved hjelp av én av et antall klassifikasjons-algoritmer for å fremskaffe en vektor med medlemsskapHy[y(t<*>)]. I denne utførelsesformen har medlemsskapene verdier lik null eller én, ogHyi[y(t<*>)] betegner medlemskapet til y(t<*>) til den i. eksempelbane, som vist i følgende ligning:
[0089]Vektoren til medlemskapene for signalverdien y(t<*>) med eksemplene på forringelsesbaner 76 blir kombinert med vektoren for forventede RUL-verdier for å estimere RUL-verdien for den individuelle anordningen.
[0090]I en utførelsesform, blir estimatet av RUL for en anordning generert ved å anvende én eller flere av mange typer prognoseenheter, innbefattende en populasjons-prognoseenhet for å estimere RUL-verdien fra populasjonsbasert feilstatistikk, og individuelle prognoseenheter innbefattende en kausal-prognoseenhet for å estimere RUL-verdien ved å overvåke årsakene til komponentfeil/svikt (f.eks. ved å undersøke spenningssignaler slik som vibrasjon, temperatur, osv.), og en effektprognoseenhet for å estimere RUL-verdien ved å undersøke effekten av komponentfeil/svikt på den enkelte anordning ved å undersøke utgangen fra et overvåkningssystem. I en utførelsesform blir flere effektprognoseenheter tilveiebrakt for å estimere RUL-verdien for hver feilklasse.
[0091]I et eksempel, benytter kausal-prognoseenheten data om absorbert vibrasjonsenergi til å estimere RUL-verdien ved å undersøke årsaken til svikt. I et annet eksempel beregner effektprognoseenheten en kumulativ sum av alarmene 64 som blir brukt til å estimere RUL-verdien ved å undersøke effekten av begynnelsen på svikten.
[0092]I et eksempel, blir populasjons-prognoseenheten kontinuerlig brukt til å estimere RUL-verdien ved å beregne den forventede RUL-verdi gitt den aktuelle tidsstørrelsen som anordningen har vært brukt under. Stressorsignal-data (f.eks. vibrasjon, temperatur, osv.) blir i tillegg brukt som innganger til kausal-prognoseenhetene for hver av de identifiserte effektene, som estimerer RUL-verdien ved å undersøke mengden med absorbert mekanisk spenning av anordningen. Relevante signaldata blir likeledes også ekstrahert fra de innsamlede anordningsdataene og brukt som innganger til et overvåkningssystem som bestemmer om anordningen for tiden opererer på en nominell eller forringet måte. Hvis overvåkningssystemet antyder at anordningen opererer på en forringet måte, så blir de opprinnelige signalene og overvåkningssystemets utganger brukt som innmatinger til et diagnosesystem som etterpå velger en passende effekt-prognoseenhet basert på de observerte mønstrene. Hvis f.eks. diagnoseenheten 46 klassifiserer den aktuelle driften av anordningen som representativ for den i. feilklassen, så vil den i. effekt-prognoseenheten bli brukt til å estimerer RUL-verdien.
[0093]Det vises til fig. 14, hvor et alternativt eksempel på et system 80 innbefatter en anordningsdatabase 82, en monitor 84, et diagnosesystem 86, en populasjons- prognoseenhet 88, en Ml-årsaksprognoseenhet 90, en PTO-årsaksprognoseenhet 92, en Ml-effektprognoseenhet 94 og en PTO-effektprognoseenhet 96. Monitoren 84 innbefatter f.eks. prediktoren 42 og detektoren 44. Diagnosesystemet 86 innbefatter f.eks. diagnoseenheten 46.
[0094] Populasjons-progroseenheten 88 mottar driftstidsdata og genererer RUL-verdien fra disse. Ml- og PTO-årsaksprognoseenhetene 90, 92 mottar tidsdata og kausaldata, slik som vibrasjonsdata, og predikerer RUL-verdien for den absolutte vibrasjonsenergien. Ml- og PTO-effektprognoseenhetene 94, 96 mottar data generert av diagnosesystemet 86 og beregner RUL-verdien fra dette. I en utførelsesform blir Ml- og PTO-effektprognoseenhetene 94, 96 trent til å estimere RUL-verdien for slaminvasjon (Ml) og trykktransduserforskyvnings (TTO) -feil. I en utførelsesform beregner Ml- og PTO-effektprognoseenhetene 94, 96 RUL-verdien fra den kumulative summen av feilalarmer 64.
[0095]Selv om årsaks- og effektprognoseenhetene benytter Ml- og PTO-feilklasser under generering av RUL-verdien, er systemet 80 ikke begrenset til spesifikke feilklasser. Selv om årsaks- og effektprognoseenhetene likeledes er beskrevet i denne utførelsesformen som NFIS-prognoseenheter, kan prognoseenhetene benytte en hvilken som helst egnet algoritme.
[0096]I en utførelsesform, for å utvikle populasjons-prognoseenheten 88, blir data innsamlet fra et antall anordninger som er utsatt for normale driftsbetingelser eller akselerert levetidstesting for å ekstrahere informasjon om tid til feil (TTF) for hver anordning. Den kumulative TTF-fordelingen blir så beregnet. Det første trinn i utviklingen av populasjons-prognoseenheten 88 er å tilpasse en sannsynlighetsdensitetsfunksjon (PDF) til TTF-dataene, slik som den kumulative TTF-fordelingen. I en utførelsesform, for å tilpasse dataene, blir en kumulativ fordelingsfunksjon (CDF) tilknyttet PDF-verdien estimert, og de resulterende estimatene blir brukt til å estimere parameterne for en generell fordeling. Flere PDF-verdier kan tilpasses dataene via f.eks. minste kvadraters metode, for å bestemme den beste modellen for feiltidene.
[0097]Andre funksjoner kan genereres av populasjons-prognoseenheten 88. Populasjons-prognoseenheten 88 kan f.eks. bruke akselerert levetidstesting eller proporsjonal risikovurdering for å definere svikthyppigheten som en funksjon av tid. I en utførelsesform kan populasjons-risikomodellen også ta hensyn til forskjellige mekaniske spenningsvariable i tillegg til tidsvariable.
[0098]I en utførelsesform blir en individuell basert prognoseenhet benyttet til å bestemme RUL-verdien. Eksempler på individuelt baserte prognoseenheter innbefatter årsaks- og effekt-prognoseenheter 88, 90, 92, 94 og 96. De individuelt baserte prognoseenhetene benytter i noen eksempler GPM og produserer RUL eller pålitelighetsestimater. I utførelsesformer som bruker GPM, blir anordnings-forringelsen behandlet som en igangsettelse av en progresjon mot en feilterskel. Eksempler på algoritmer som bruker GPM, innbefatter kategorisk dataanalyse, livskonsumerings-modellering og proporsjonal faremodellering, som hver frembringer enten pålitelighetsestimater eller RUL. Et annet eksempel på en algoritme som bruker GPM, innbefatter forskjellige ekstrapoleringsmetoder som blir brukt til å frembringe RUL-verdien. Et eksempel på en algoritme som ikke bruker GPM, er en neural-nettverksalgoritme som blir brukt til å frembringe RUL-verdien.
[00100]I en utførelsesform benytter de individuelt baserte prognosealgoritmene følgende metode. Først blir eksempler på forringelsesbanerkarakterisert vedbestemmelse av "formen" til banen og den kritiske feilterskelen. Uttrykket "form" refererer til parameterverdiene til forringelsessignalet og formen på en fysisk modell for forskjellige aspekter ved en anordning, slik som forringelsen, parameterne og formen til regresjonsfunksjonen på banen. I denne utførelsesformen må eksemplene på forringelsesbaner ikke frembringes ved anordningseksempler, men kan være et produkt av fysiske modeller av forringelses-mekanismen. Feilterskelen kan fastsettes manuelt hvis den er kjent eller kan utledes fra baneeksemplene.
[00101]Resultatene av bane-parametriseringen og terskelen blir så brukt til å konstruere en individuell prognosemodell. Foren testanordning, for å estimere påliteligheten (dvs. estimere en sannsynlighet for svikt) eller en RUL-verdi ved en viss tid t, blir til slutt den aktuelle progresjonen av testbanen presentert som en innmating til prognosealgoritmen, som frembringer et estimat av anordningens pålitelighet eller RUL-verdi.
[00102]Forskjellige algoritmer eller modeller kan anvendes for å parameterisere eksemplene på og de målte forringelses-signalene (f.eks. miljø- eller driftspåkjennings-signaler) for å generere forringelsesbanene, og for å estimere RUL-verdien. Eksempler på slike algoritmer, er beskrevet her.
[00103]Kategorisk dataanalyse-algoritmer (CDA-algoritmer) anvender logistisk regresjon for å tilordne observerte forringelses-parametere til én eller to tilstander, slik som "ingen feil" (0) og "feil" (1). CDA bruker logistisk regresjon til å etablere et forhold mellom et sett med innganger (kontinuerlige eller kategoriske) for kategoriske utganger.
[00104] I denne metoden, blir sannsynligheten forfeil for en observasjon av forringelses-signaler estimert via en logistisk regresjonsmodell trent på historiske forringelsesdata. For hvert forringelsessignal er det en tilhørende kritisk terskel, og en feil blir ansett å ha inntruffet når noen av forringelsessignalene krysser sin til-hørende terskel. Denne metoden tilveiebringer et pålitelighetsestimat, men genererer ikke RUL-verdien. I en utførelsesform, blir forskjellige tidsserie-analyser, slik som autoregressivt bevegelig gjennomsnitt (ARMA) eller kurvetilpasning brukt til å ekstrapolere forringelsessignalet til en svikttid hvor påliteligheten er lik null eller hvor den ekstrapolerte banen krysser terskelen og dermed estimerer RUL-verdien.
[00l05]Ved proporsjonal faremodellering (PH-modellering, proportionel hazard modeling) avhenger feilhyppigheten eller farefunksjonen av den aktuelle tiden så vel som rekker av variable påkjenningsfaktorer som beskriver miljømessige og driftsmessige påkjenninger som en anordning blir utsatt for. Et annet eksempel for estimering av RUL er livskonsumerings-modellering (LCM, life consumption modeling). Ved LCM begynner en ny komponent sin levetid med perfekt tilstand/pålitelighet. Etter hvert som anordningen blir brukt og/eller eksponert for forskjellige driftstilstander, blir tilstanden/påliteligheten forringet med størrelser som er relatert til den skaden som absorberes av anordningen. Et eksempel på en LCM-algoritme er akkumulert skademodellering (ADM, accumulated damage modeling) som bruker grove klasser for påkjenninger til å estimere det inkrement ved hvilket komponentens tilstand er forringet etter hver bruk. En annen lignende løsning er den kumulative slitasjemodellen (CV-modellen, the cumulative wear model) som estimerer den direkte påliteligheten til en anordning ved inkremental minskning av dens pålitelighet etter hvert som den blir brukt.
[00106]Ekstrapoleringsmetoder innebærer generelt ekstrapolering av tilstanden til anordningen ved å bruke en a priori kunnskap og observasjoner av historisk anordningsdrift. Generelt kan ekstrapoleringen utføres ved enten: 1) å predikere fremtidige anordningspåkjenninger og så anvende påkjennings-tilstandene på en modell for anordnings-forringelse for å estimere RUL-verdien, eller 2) bruke trend-teknikker til å ekstrapolere banen for forringelses- eller pålitelighetssignalet til en feilterskel.
[00107]Forskjellige typer forhåndskunnskap kan brukes til å estimere de fremtidige miljø- og driftspåkjenningene. Denne kunnskapen kan være i form av flere stress-funksjoner (dvs. stressorer), hver over et spesifikt tidsintervall. En deterministisk sekvens kan f.eks. brukes hvis fremtidige stressnivåer og eksponeringstider er kjent, ved iterativ innmating av de forutbestemte stressnivåene og eksponeringstidene til en modell for anordningsforringelse for å estimere den fremtidige tilstanden til anordningen.
[00108] I populasjonsbaserte sannsynlighets-sekvensmetoder blir historiske data innsamlet fra en populasjon av lignende anordninger, brukt til å estimere sannsynligheter for forekomst av spesifikke stressnivåer og eksponeringstider. I individuelt baserte probalistiske sekvensmetoder blir historiske data innsamlet fra den individuelle anordning brukt til å estimere sannsynlighetene. For å estimere fordelingen av RUL-verdiene for en anordning gitt dens aktuelle tilstand, blir simuleringer, slik som Monte Carlo-simuleringer kjørt hvor stressnivået og eksponeringstidene blir samplet i henhold til de estimerte sannsynlighetene. Til slutt, blir RUL-verdien for den individuelle anordning estimert ved å ta den forventede verdien av den resulterende PDF for RUL-verdiene.
[00109]Andre eksempler på prognose-algoritmer innbefatter fuzzy-prognosealgoritmen slik som fuzzy-inferenssystemer (FIS) og adaptive neurale fuzzy-inferenssystemer (ANFIS). Forskjellige regresjonsfunksjoner og neurale nettverk og andre analytiske teknikker kan brukes til å estimere RUL-verdien.
[00110] Systemene og fremgangsmåtene som er beskrevet her, tilveiebringer forskjellige fordeler i forhold til tidligere kjente teknikker. Systemene og fremgangsmåtene som er beskrevet her, er enklere og mindre brysomme enn tidligere kjente teknikker som generelt anvender detaljerte fysiske modeller eller brysomme ekspertsystemer. I motsetning til fremgangsmåter som påfører struktur på dataene ved bruk av fysiske modeller eller detaljerte ekspertsystemer, utleder de systemene og fremgangsmåtene som er beskrevet her, struktur fra dataene ved å tillate eksempler å definere analysekomponentene fullstendig.
[00111] Siden systemene og fremgangsmåtene som er beskrevet her, i tillegg bruker datadrevne teknikker (dvs. at dataene definerer modellen), blir de resulterende systemene enkle å automatisere og er fleksible nok til å bli tilpasset for foranderlige utplasseringskrav.
[00112] Som støtte for den læren som er angitt her, kan forskjellige analyser og/eller analytiske komponenter brukes, innbefattende digitale og/eller analoge systemer. Systemet kan ha komponenter slik som en prosessor, lagringsmedia, internlager, innmating, utmating, kommunikasjonsforbindelser (ledningsførte, trådløse, pulset slam, optiske eller andre), brukergrensesnitt, programvare, signalprosessorer, (digitale eller analoge) og andre slike komponenter (slik som resistorer, kondensatorer, induktorer og andre) for å sørge for drift og analyse av anordningene og fremgangsmåtene som er beskrevet her på én av flere måter som er velkjente på området. Det er ment at denne læren kan være, men ikke behøver å være, implementert i forbindelse med et sett med datamaskinutførbare instruksjoner lagret på et datamaskinlesbart medium, innbefattende internlagre (ROM, RAM), optiske (CD-ROM) eller magnetiske (plater, hard-disker) eller av en hvilken som helst annen type som, når de utføres, får en datamaskin til å imple-mentere fremgangsmåten ifølge foreliggende oppfinnelse. Disse instruksjonene kan sørge for utstyrsdrift, datainnsamling og analyse og andre funksjoner som anses relevante for en systemdesigner, eier, bruker eller annet lignende personale, i tillegg til de funksjonene som er beskrevet i denne beskrivelsen.
[00113]Forskjellige andre komponenter kan videre være innbefattet og påkalt for å tilveiebringe aspekter ved den angitte oppfinnelsen. For eksempel kan en prøvetakningsledning, en prøve-ekstraheringpumpe, et stempel, en kraftforsyning (f.eks. minst én av en generator, en fjernforsyning og et batteri), vakuum-forsyning, en fryseenhet (dvs. kjøleenhet) eller forsyning, en varmekomponent, en drivkraft, (slik som en translatorisk kraft, en fremdriftskraft eller en rotasjonskraft), en magnet, elektromagnet, sensor, elektrode, sender, mottaker, kombinert sender/mottaker, styringsenhet, optisk enhet, elektrisk enhet eller elektromekanisk enhet kan være innbefatter for understøttelse av de forskjellige aspektene som er diskutert her eller som understøttelse for andre funksjoner ut over denne beskrivelsen.
[00114]En fagkyndig på området vil innse at de forskjellige komponentene eller teknologiene kan tilveiebringe disse nødvendige eller gunstige funksjonaliteter eller trekk. Disse funksjonene og trekkene som kan være nødvendig for understøttelse av de vedføyde patentkrav og varianter av disse, er følgelig ansett som iboende innbefattet som en del av den her angitte lære og som en del av den beskrevne oppfinnelsen.
[00115] Selv om oppfinnelsen er blitt beskrevet under henvisning til utførelses-eksempler, vil fagkyndige på området forstå at forskjellige endringer kan gjøres og ekvivalenter kan erstattes for elementer uten å avvike fra oppfinnelsens ramme. Mange modifikasjoner vil i tillegg kunne finnes av fagkyndige på området for å tilpasse spesielle instrumenter, situasjoner eller materialer til læren i oppfinnelsen uten å avvike fra hovedrammen for denne. Det er derfor ment at oppfinnelsen ikke skal begrenses til den spesielle utførelsesformen som er beskrevet som den beste måten som kan tenkes for å utføre oppfinnelsen, men at oppfinnelsen skal innbefatte alle utførelsesformer som faller innenfor rammen av de vedføyde patentkrav.

Claims (18)

1. System for vurdering av tilstanden til en mekanisme, hvor systemet omfatter: (a) minst én sensor tilknyttet mekanismen for å generere observasjonsdata; (b) et internlager i operativ kommunikasjon med den minst ene sensoren, hvor internlageret innbefatter en database for lagring av observasjonsdata generert av sensoren; og (c) en prosessor i operativ kommunikasjon med internlageret, for å motta observasjonsdataene, hvor prosessoren innbefatter: (d) en detektor som er mottakelig for observasjonsdataene og i stand til å identifisere om mekanismen opererer på en normal eller forringet måte, hvor den forringede måten er en indikasjon på en feil i mekanismen; (e) en diagnoseenhet som reagerer på observasjonsdataene for å identifisere en type feil fra minst et symptommønster; og (f) en prognoseenhet i operativ kommunikasjon med den minst ene sensor, detektoren og diagnoseenheten, hvor prognoseenheten er i stand til å beregne en gjenværende levetid (RUL) for mekanismen basert på informasjon fra minst én av sensoren, detektoren og diagnoseenheten, hvor prognoseenheten innbefatter en populasjons-prognoseenhet for beregning av RUL basert på en varighet for bruk av mekanismen, en årsaks-prognoseenhet for beregning av RUL basert på kausal-data og en effekt-prognoseenhet for beregning av RUL basert på effektdata generert fra feilen.
2. System ifølge krav 1, videre omfattende en prediktor i operativ kommunikasjon med detektoren, idet prediktoren er innrettet for å motta ett eller flere eksempler på observasjoner og sammenligne observasjonsdataene med den ene eller de flere eksempel-observasjonene for å generere én eller flere estimerte observasjoner.
3. System ifølge krav 2, hvor prosessoren er innrettet for å generere én eller flere restobservasjoner basert på en sammenligning av observasjonsdataene og den ene eller de flere estimerte observasjonene, og detektoren er innrettet for å generere ett eller flere eksempler på restobservasjoner og identifisere den forringede driftsmåten basert på en sammenligning mellom den ene eller de flere restobservasjonene og den ene eller de flere eksemplene på restobservasjoner.
4. System ifølge krav 3, hvor diagnoseenheten er innrettet for å identifisere den forringede driftsmåten som reaksjon på den ene eller de flere restobservasjonene som overskrider en valgt terskel.
5. System ifølge krav 1, hvor prosessoren er innrettet for å generere symptom-mønsteret for observasjonsdata identifisert som representative for den forringede driftsmåten, og diagnoseenheten er innrettet for å generere ett eller flere eksempler på symptom-mønstre og identifisere en type feil basert på en sammenligning mellom symptom-mønsteret og den ene eller de flere eksemplene på symptom-mønstre.
6. System ifølge krav 1, hvor prosessoren er innrettet for å generere en forringelsesbane og en tilhørende levetid for observasjonsdata identifisert som representative for den forringede driftsmåten, og hvor prognoseenheten er innrettet for å estimere RUL basert på en sammenligning av forringelsesbanen og ett eller flere eksempler på forringelsesbaner.
7. System ifølge krav 6, hvor prognoseenheten er innrettet for å estimere RUL ved å identifisere et nærmeste eksempel på forringelsesbane i forbindelse med feiltypen ved et tidspunkt for feilen, å beregne en tid til feil for det nærmeste eksempelet på forringelsesbane, og å subtrahere tiden for feilen fra tiden-til-feilen.
8. System ifølge krav 1, hvor detektoren, diagnoseenheten og prognoseenheten utgjør en datadrevet modell.
9. System ifølge krav 8, hvor den datadrevne modellen er et ikke-parametrisk fuzzy-interferenssystem (NFIS).
10. Fremgangsmåte for vurdering av tilstanden til en mekanisme, hvor fremgangsmåten omfatter: (a) å motta observasjonsdata generert av minst én sensor tilknyttet mekanismen; (b) å identifisere om mekanismen opererer på en normal eller forringet måte, hvor den forringede driftsmåten er en indikasjon på en feil i mekanismen; og (c) som reaksjon på en identifikasjon av den forringede driftsmåten, å identifisere en type feil fra minst ett symptom-mønster, og beregning av en gjenværende levetid (RUL) for mekanismen basert på en sammenligning av observasjonsdataene med eksempler på forringelsesdata tilknyttet feiltypen, hvor beregning av RUL er basert på: en varighet for bruken av mekanismen, kausaldata og effektdata generert fra feilen.
11. Fremgangsmåte ifølge krav 10, videre omfattende å motta ett eller flere eksempler på observasjoner og sammenligne observasjonsdataene med det ene eller de flere eksemplene på observasjoner for å generere én eller flere estimerte observasjoner.
12. Fremgangsmåte ifølge krav 11, videre omfattende å generere én eller flere restobservasjoner basert på en sammenligning av observasjonsdataene og det ene eller de flere estimerte observasjonene, å generere én eller flere eksempler på restobservasjoner, og å identifisere den forringede driftsmåten basert på en sammenligning mellom den ene eller de flere restobservasjonene og den ene eller de flere eksemplene på restobservasjoner.
13. Fremgangsmåte ifølge krav 12, hvor identifisering av den forringede driftsmåten reagerer på den ene eller de flere restobservasjonene som overskrider en valgt terskel.
14. Fremgangsmåte ifølge krav 10, videre omfattende generering av symptom-mønstrene for observasjonsdata identifisert som representative for den forringede driftsmåten, generering av ett eller flere eksempler på symptom-mønstre, og identifisering av en type feil basert på en sammenligning mellom symptom-mønsteret og det ene eller de flere eksemplene på symtom-mønstre.
15. Fremgangsmåte ifølge krav 10, hvor prosessoren er innrettet for å generere en forringelsesbane og en tilhørende levetid for observasjonsdata identifisert som representative for den forringede driftsmåten, og hvor prognoseenheten er innrettet for å estimere den gjenværende levetiden basert på en sammenligning av forringelsesbanen og ett eller flere eksempler på forringelsesbaner.
16. Fremgangsmåte ifølge krav 10, hvor estimering av RUL innbefatter å identifisere et nærmeste eksempel på en forringelsesbane tilknyttet feiltypen ved et tidspunkt for feilen, å beregne en tid til feil for det nærmeste eksempelet på forringelsesbane og subtrahere tidspunktet for feilen fra tiden til feil.
17. Datamaskin-programprodukt lagret på maskinlesbare media for vurdering av tilstanden til en mekanisme ved å utføre maskinimplementerbare instruksjoner, hvor instruksjonene er for: (a) å motta observasjonsdata generert av minst én sensor tilknyttet mekanismen; (b) å identifisere om mekanismen opererer på en normal eller forringet måte, hvor den forringede driftsmåten er en indikasjon på en feil i mekanismen; og (c) som reaksjon på en identifikasjon av den forringede driftsmåten, å identifiser en type feil fra minst ett symptom-mønster, og å beregne en gjenværende levetid (RUL) for mekanismen basert på en sammenligning av observasjons-dataene og eksemplene på forringelsesdata tilknyttet typen feil.
18. Programprodukt ifølge krav 17, hvor instruksjonene videre innbefatter: (a) å motta ett eller flere eksempler på observasjoner og sammenligne observasjonsdata med det ene eller de flere eksemplene på observasjoner for å generere én eller flere estimerte observasjoner; (b) å generere én eller flere restobservasjoner basert på en sammenligning av observasjonsdataene og det ene eller de flere estimerte observasjonene; (c) å generere ett eller flere eksempler på restobservasjoner; og (d) å identifisere den forringede driftsmåten basert på en sammenligning mellom den ene eller de flere restobservasjonene og den ene eller de flere eksemplene på restobservasjoner.
NO20101425A 2008-04-24 2010-10-14 System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy NO343417B1 (no)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US4751908P 2008-04-24 2008-04-24
US12/428,654 US8204697B2 (en) 2008-04-24 2009-04-23 System and method for health assessment of downhole tools
PCT/US2009/041679 WO2009132281A1 (en) 2008-04-24 2009-04-24 System and method for health assessment of downhole tools

Publications (2)

Publication Number Publication Date
NO20101425L true NO20101425L (no) 2010-11-16
NO343417B1 NO343417B1 (no) 2019-03-04

Family

ID=41217158

Family Applications (1)

Application Number Title Priority Date Filing Date
NO20101425A NO343417B1 (no) 2008-04-24 2010-10-14 System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy

Country Status (4)

Country Link
US (1) US8204697B2 (no)
GB (1) GB2472524B (no)
NO (1) NO343417B1 (no)
WO (1) WO2009132281A1 (no)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100042327A1 (en) * 2008-08-13 2010-02-18 Baker Hughes Incorporated Bottom hole assembly configuration management
CA2803114C (en) * 2010-06-30 2016-06-07 Schlumberger Canada Limited System, method, and apparatus for oilfield equipment prognostics and health management
US9411913B2 (en) * 2010-10-05 2016-08-09 Baker Hughes Incorporated Wear-out detection methods for printed circuit board assembly components used in downhole oilfield environments
US20120101863A1 (en) * 2010-10-22 2012-04-26 Byron Edwin Truax Machine-management system
US8712726B2 (en) * 2010-12-01 2014-04-29 Xerox Corporation System and method for predicting remaining useful life of device components
US8596385B2 (en) 2011-12-22 2013-12-03 Hunt Advanced Drilling Technologies, L.L.C. System and method for determining incremental progression between survey points while drilling
US9297205B2 (en) 2011-12-22 2016-03-29 Hunt Advanced Drilling Technologies, LLC System and method for controlling a drilling path based on drift estimates
US11085283B2 (en) * 2011-12-22 2021-08-10 Motive Drilling Technologies, Inc. System and method for surface steerable drilling using tactical tracking
US8210283B1 (en) 2011-12-22 2012-07-03 Hunt Energy Enterprises, L.L.C. System and method for surface steerable drilling
EP2823134B1 (en) 2012-03-09 2016-01-20 Halliburton Energy Services, Inc. Method for communicating with logging tools
US20140121973A1 (en) * 2012-10-25 2014-05-01 Schlumberger Technology Corporation Prognostics And Health Management Methods And Apparatus To Predict Health Of Downhole Tools From Surface Check
US9638756B2 (en) * 2012-12-11 2017-05-02 Honeywell International Inc. Load cell residual fatigue life estimation system and method
WO2014171952A1 (en) 2013-04-19 2014-10-23 Halliburton Energy Services, Inc. Fluid flow during landing of logging tools in bottom hole assembly
US9857271B2 (en) * 2013-10-10 2018-01-02 Baker Hughes, A Ge Company, Llc Life-time management of downhole tools and components
US9260943B2 (en) * 2013-10-23 2016-02-16 Schlumberger Technology Corporation Tool health evaluation system and methodology
US9784099B2 (en) * 2013-12-18 2017-10-10 Baker Hughes Incorporated Probabilistic determination of health prognostics for selection and management of tools in a downhole environment
CN109901531A (zh) * 2014-02-20 2019-06-18 李新华 一种油田管理系统及管理方法
US10082942B2 (en) * 2014-03-26 2018-09-25 Schlumberger Technology Corporation Telemetry diagnostics
CA2944635A1 (en) 2014-04-03 2015-10-08 Schlumberger Canada Limited State estimation and run life prediction for pumping system
WO2015187396A2 (en) 2014-06-06 2015-12-10 Austin Star Detonator Company Methods and apparatus for confirmation time break (ctb) determination and shotpoint in-situ recording in seismic electronic detonators
US11106185B2 (en) 2014-06-25 2021-08-31 Motive Drilling Technologies, Inc. System and method for surface steerable drilling to provide formation mechanical analysis
US9624763B2 (en) * 2014-09-29 2017-04-18 Baker Hughes Incorporated Downhole health monitoring system and method
WO2016094530A1 (en) 2014-12-09 2016-06-16 Schlumberger Canada Limited Electric submersible pump event detection
SG11201708421YA (en) * 2015-05-18 2017-11-29 Halliburton Energy Services Inc Condition based maintenance program based on life-stress acceleration model and time-varying stress model
GB2553456B (en) * 2015-05-18 2021-03-10 Halliburton Energy Services Inc Condition based maintenance program based on life-stress acceleration model and cumulative damage model
US10542961B2 (en) 2015-06-15 2020-01-28 The Research Foundation For The State University Of New York System and method for infrasonic cardiac monitoring
US10648317B2 (en) 2015-10-22 2020-05-12 Halliburton Energy Services, Inc. Improving fault detectability through controller reconfiguration
US10584698B2 (en) 2016-04-07 2020-03-10 Schlumberger Technology Corporation Pump assembly health assessment
CN105863608A (zh) * 2016-05-16 2016-08-17 陕西太合科技有限公司 一种具有专家诊断功能的矿用有线随钻测量装置
US11248463B2 (en) 2016-07-07 2022-02-15 Baker Hughes, A Ge Company, Llc Evaluation of sensors based on contextual information
US11933158B2 (en) 2016-09-02 2024-03-19 Motive Drilling Technologies, Inc. System and method for mag ranging drilling control
BR112019004026A2 (pt) * 2016-09-20 2019-05-28 Halliburton Energy Services Inc método, ferramenta de análise de fluidos e mídia de armazenamento não transitória legível por computador
US11136884B2 (en) 2017-02-02 2021-10-05 Schlumberger Technology Corporation Well construction using downhole communication and/or data
US10591908B2 (en) 2017-06-16 2020-03-17 Forum Us, Inc. Rig or wellsite safety intervention
US10208589B2 (en) 2017-06-16 2019-02-19 Forum Us, Inc. Methods and systems for tracking drilling equipment
US10794150B2 (en) 2017-06-16 2020-10-06 Forum Us, Inc. Predicting and optimizing drilling equipment operating life using condition based maintenance
KR101978569B1 (ko) * 2017-09-01 2019-05-14 두산중공업 주식회사 플랜트 데이터 예측 장치 및 방법
WO2019147689A1 (en) 2018-01-23 2019-08-01 Baker Hughes, A Ge Company, Llc Methods of evaluating drilling performance, methods of improving drilling performance, and related systems for drilling using such methods
US11293275B2 (en) 2018-05-04 2022-04-05 Schlumberger Technology Corporation Recording device for measuring downhole parameters
US11347213B2 (en) * 2018-06-22 2022-05-31 Siemens Industry, Inc. Deep-learning-based fault detection in building automation systems
US10808517B2 (en) 2018-12-17 2020-10-20 Baker Hughes Holdings Llc Earth-boring systems and methods for controlling earth-boring systems
WO2020167350A1 (en) 2019-02-12 2020-08-20 Halliburton Energy Services, Inc. Bias correction for a gas extractor and fluid sampling system
GB2595128B (en) * 2019-03-15 2023-06-07 Halliburton Energy Services Inc Downhole tool diagnostics
US11409592B2 (en) 2020-02-13 2022-08-09 Baker Hughes Oilfield Operations Llc Methods of predicting electronic component failures in an earth-boring tool and related systems and apparatus
US11808260B2 (en) 2020-06-15 2023-11-07 Schlumberger Technology Corporation Mud pump valve leak detection and forecasting
US12000260B2 (en) 2020-07-27 2024-06-04 Schlumberger Technology Corporation Monitoring and diagnosis of equipment health
US11814954B2 (en) * 2021-02-04 2023-11-14 Black Diamond Oilfield Rentals LLC Optimization of automated telemetry for a downhole device

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183404A1 (en) * 2007-01-13 2008-07-31 Arsalan Alan Emami Monitoring heater condition to predict or detect failure of a heating element

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6006832A (en) 1995-02-09 1999-12-28 Baker Hughes Incorporated Method and system for monitoring and controlling production and injection wells having permanent downhole formation evaluation sensors
US5924499A (en) 1997-04-21 1999-07-20 Halliburton Energy Services, Inc. Acoustic data link and formation property sensor for downhole MWD system
US6464004B1 (en) 1997-05-09 2002-10-15 Mark S. Crawford Retrievable well monitor/controller system
US5942689A (en) 1997-10-03 1999-08-24 General Electric Company System and method for predicting a web break in a paper machine
US6105149A (en) 1998-03-30 2000-08-15 General Electric Company System and method for diagnosing and validating a machine using waveform data
US6257332B1 (en) 1999-09-14 2001-07-10 Halliburton Energy Services, Inc. Well management system
US6405140B1 (en) 1999-09-15 2002-06-11 General Electric Company System and method for paper web time-break prediction
US6466877B1 (en) 1999-09-15 2002-10-15 General Electric Company Paper web breakage prediction using principal components analysis and classification and regression trees
US6542852B2 (en) 1999-09-15 2003-04-01 General Electric Company System and method for paper web time-to-break prediction
US6522978B1 (en) 1999-09-15 2003-02-18 General Electric Company Paper web breakage prediction using principal components analysis and classification and regression trees
US6442542B1 (en) 1999-10-08 2002-08-27 General Electric Company Diagnostic system with learning capabilities
US6892317B1 (en) 1999-12-16 2005-05-10 Xerox Corporation Systems and methods for failure prediction, diagnosis and remediation using data acquisition and feedback for a distributed electronic system
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
US6609212B1 (en) 2000-03-09 2003-08-19 International Business Machines Corporation Apparatus and method for sharing predictive failure information on a computer network
DE60137122D1 (de) 2000-03-09 2009-02-05 Smartsignal Corp Winkelähnlichkeitsoperator mit verallgemeinertem lensing
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6411908B1 (en) 2000-04-27 2002-06-25 Machinery Prognosis, Inc. Condition-based prognosis for machinery
US6917839B2 (en) 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
US6609036B1 (en) 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6556939B1 (en) 2000-11-22 2003-04-29 Smartsignal Corporation Inferential signal generator for instrumented equipment and processes
US7233886B2 (en) 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
US6859739B2 (en) 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based monitoring
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
US7120830B2 (en) 2002-02-22 2006-10-10 First Data Corporation Maintenance request systems and methods
US7133804B2 (en) 2002-02-22 2006-11-07 First Data Corporatino Maintenance request systems and methods
US6892163B1 (en) 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
US7243265B1 (en) 2003-05-12 2007-07-10 Sun Microsystems, Inc. Nearest neighbor approach for improved training of real-time health monitors for data processing systems
US7149657B2 (en) 2003-06-23 2006-12-12 General Electric Company Method, system and computer product for estimating a remaining equipment life
US7561926B2 (en) 2003-08-13 2009-07-14 Drs Sustainment Systems, Inc. Apparatus for monitoring and controlling an isolation shelter and providing diagnostic and prognostic information
US6950034B2 (en) 2003-08-29 2005-09-27 Schlumberger Technology Corporation Method and apparatus for performing diagnostics on a downhole communication system
US7292659B1 (en) 2003-09-26 2007-11-06 Sun Microsystems, Inc. Correlating and aligning monitored signals for computer system performance parameters
US7171589B1 (en) 2003-12-17 2007-01-30 Sun Microsystems, Inc. Method and apparatus for determining the effects of temperature variations within a computer system
US7292962B1 (en) 2004-03-25 2007-11-06 Sun Microsystems, Inc. Technique for detecting changes in signals that are measured by quantization
US7107154B2 (en) 2004-05-25 2006-09-12 Robbins & Myers Energy Systems L.P. Wellbore evaluation system and method
US7103509B2 (en) 2004-11-23 2006-09-05 General Electric Company System and method for predicting component failures in large systems
US7085681B1 (en) 2004-12-22 2006-08-01 Sun Microsystems, Inc. Symbiotic interrupt/polling approach for monitoring physical sensors
US20080036457A1 (en) 2005-03-18 2008-02-14 Baker Hughes Incorporated NMR Echo Train Compression
US7614302B2 (en) 2005-08-01 2009-11-10 Baker Hughes Incorporated Acoustic fluid analysis method
US7801707B2 (en) 2006-08-02 2010-09-21 Schlumberger Technology Corporation Statistical method for analyzing the performance of oilfield equipment
US7934123B2 (en) * 2008-09-05 2011-04-26 Oracle America, Inc. Prolonging the remaining useful life of a power supply in a computer system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080183404A1 (en) * 2007-01-13 2008-07-31 Arsalan Alan Emami Monitoring heater condition to predict or detect failure of a heating element

Also Published As

Publication number Publication date
US8204697B2 (en) 2012-06-19
GB201016899D0 (en) 2010-11-17
NO343417B1 (no) 2019-03-04
GB2472524B (en) 2012-06-20
US20090299654A1 (en) 2009-12-03
WO2009132281A1 (en) 2009-10-29
GB2472524A (en) 2011-02-09

Similar Documents

Publication Publication Date Title
NO20101425L (no) System og fremgangsmate for tilstandsvurdering av nedihullsverktoy
US20100042327A1 (en) Bottom hole assembly configuration management
Engel et al. Prognostics, the real issues involved with predicting life remaining
Widodo et al. Application of relevance vector machine and survival probability to machine degradation assessment
CN110515351A (zh) 异常检测器
US8423484B2 (en) Prognostics and health management method for aging systems
US8849586B1 (en) Path classification and estimation method and system for prognosticating asset life
NO20110188A1 (no) System og fremgangsmate for evaluering av strukturbaret lyd i et borehull
JP2016538645A (ja) 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム
NO20130061A1 (no) System og fremgangsmate for estimering av gjenvaerende levetid for et nedihullsverktoy
EP1960853A1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
CN110795309A (zh) 一种用于微小卫星的层次化软件健康管理方法和系统
JP7142257B2 (ja) 劣化診断システム追加学習方法
US11286752B2 (en) In-situ evaluation of gauges
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
RU2745136C1 (ru) Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
Kumar et al. Degradation assessment of bearing based on machine learning classification matrix
CN117150445B (zh) 一种区间隧道近距离下穿河流的沉降监测和评价方法
Liu et al. Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade
KR102512615B1 (ko) 수명분포를 고려한 생애주기데이터 확장 기능을 가지는 잔존수명 예측 시스템 및 방법
CN117609716A (zh) 基于状态健康信息的电力设备剩余寿命远程预测方法及系统
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
US8548749B1 (en) Path classification and estimation method and system for prognosticating asset life
Aye et al. Fault detection of slow speed bearings using an integrated approach

Legal Events

Date Code Title Description
CHAD Change of the owner's name or address (par. 44 patent law, par. patentforskriften)

Owner name: BAKER HUGHES, US