基于数据驱动的抽油机井实时故障诊断方法研究

Safety of petroleum production has important strategic significance. Realtime fault detection, recognition and prediction for rod pumped wells have become a key and urgent scientific problem in petroleum process safety monitoring. Aiming at the problems of bad performance of realtime fault detection and low correct rate of fault recognition from traditional fault diagnosis methods, this project utilizes the complex realtime measured data and is to study the data-driven realtime fault diagnosis methods for rod pumped wells. Research points are given as follows: A nonlinear slow feature analysis method for feature extraction is proposed to solve the problem of realtime fault detection based on fast temporal data. Multi-kernel one-class support vector machine is built to improve the correct rate of rod pumped well fault recognition. Dynamic multivariate time series analysis method using incremental nonlinear canonical variate analysis is studied for the early fault prediction. A multi-agent method with evolutional mechanism is designed for the monitoring of rod pumped well group.Simulations, experimentations and field testings are used to improve and perfect the studied methods. The project would be useful for ensuring the safety of petroleum production, build a new mechanism for rod pumped well fault diagnosis and enriches the fault diagnosis theory.

石油资源的安全开采具有重要的战略意义，抽油机井运行故障的实时检测、识别和预报是石油工业安全监控中亟待解决的关键科学问题。针对目前抽油机井故障诊断方法存在的检测实时性差、识别准确率低等问题，本项目立足于复杂的实时测控数据，拟研究基于数据驱动的抽油机井实时故障诊断方法。研究内容包括：提出一种基于非线性慢特征分析的特征提取方法，解决基于快速时变数据的故障实时检测问题；建立一种基于多核单类支持向量机的故障识别技术，解决抽油机井故障识别准确率低的问题；研究一种基于增量式非线性典型变量分析的动态多变量时间序列分析方法，解决油井缓变故障的早期预报问题；设计一种具有进化机制的多智能体技术，探索井群监控方法；通过仿真分析、实验验证和现场测试等手段对所研究的方法进行改进完善。项目研究成果将有助于保障采油过程安全性，建立一套基于数据驱动的抽油机井故障诊断新机制，进一步完善故障诊断理论研究.

抽油机井是石油开采过程中的主要装置，开展抽油机井故障诊断与预报技术研究对于保障生产安全性与提高采油经济效益具有重要意义。本项目针对抽油机井运行故障的实时检测、识别和预报等科学问题开展了深入研究，取得的研究成果主要包括以下几个方面：（1）立足于抽油机井数据特征分析，提出了一系列基于慢特征分析、非线性特征提取、鲁棒特征提取、结构特征提取和多模态特征分析的故障检测方法，有效地解决了基于快速时变数据的实时故障检测问题；（2）针对抽油机井故障识别中的数据不平衡性、标注缺失、蕴含高阶统计信息等问题，提出了基于多类不平衡支持向量机、统计量非线性相似度分析、改进的费舍判别分析等故障模式识别方法，有效提高了抽油机井故障识别的准确率；（3）针对抽油机井缓变故障的早期预报问题，提出了一种基于模糊自适应unscented卡尔曼滤波器的故障预报方法，根据故障参数的变化情况计算故障预测概率；（4）开展了基于人工智能技术的故障诊断方法研究，提出了基于随机森林、神经网络和人工蜂群算法的故障诊断方法；（5）结合理论研究成果，在实验室装置和油田现场装置上开展了算法的验证分析与应用研究。总体上，本项目的理论研究丰富了数据驱动的故障诊断理论体系，现场应用结果证明了方法的有效性，有利于保障油田生产的安全性。