CN100511041C - 基于分层模糊***的石油钻井工程事故预警方法 - Google Patents
基于分层模糊***的石油钻井工程事故预警方法 Download PDFInfo
- Publication number
- CN100511041C CN100511041C CNB2007100551786A CN200710055178A CN100511041C CN 100511041 C CN100511041 C CN 100511041C CN B2007100551786 A CNB2007100551786 A CN B2007100551786A CN 200710055178 A CN200710055178 A CN 200710055178A CN 100511041 C CN100511041 C CN 100511041C
- Authority
- CN
- China
- Prior art keywords
- variable
- fuzzy
- input
- signal
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分层模糊***的石油钻井工程事故预警方法,1.建立石油钻井工程事故预警的模型数据库;2.建立石油钻井工程事故预警的输入变量;3.分析输入信号的特征信息;4.建立分层模糊***的结构模型;5.对第三步中确定的输入变量进行区间映射和统一模型的分层模糊推理;6.确定石油钻井工程事故预警***输出量;7.预警结果的自调整。本发明优点在于利用分层模糊***,将石油钻井工程事故预警***中多输入物理变量转化为由低维模糊单元分层连接构成的分层***,使模糊***的规则数只随输入变量数线性增长,因此,杜绝了“维数灾”现象的发生,从而实现准确、有效、便捷地对石油钻井工程事故进行预警的目的。
Description
技术领域
本发明涉及一种多输入物理变量的模糊推理模型在石油钻井工程中的应用,尤其是涉及基于分层模糊***的石油钻井工程事故预警方法。
背景技术
石油钻井是一项高风险、高耗资的***工程,在钻井施工过程中,存在着大量的模糊性、随机性和不确定性问题,工程事故发生的可能性随时存在,一旦发生将造成资金和时间上的巨大浪费和损失。石油钻井工程事故的发生和发展是一个复杂的多因素过程,难以用经典的数学模型进行描述和预警;而且人们根据实践和认知所建立的判别钻井事故的经验和知识也不能保证准确及时地进行预警。因此,利用模糊理论建立事故的推理模型既是描述石油钻井工程事故的有效方法也是进行工程事故预警的基础。石油钻井工程事故预警***是一个具有超大维输入、输出物理变量的不确定性***,应用现有模糊理论时不可避免地会出现维数灾问题:事故预警所依据的石油钻井传感器信息及其派生信息数量超过40个(M>40),若每个输入变量的模糊子集个数为7(N=7),事故(输出)种类为10个(T=10),则预警***的规则总数将达到S=T*NM=10*740,这就是典型的“维数灾”问题。因此,利用现有传统的模糊理论对石油钻井工程事故预警是不现实的。
发明内容
本发明目的在于提供一种适于工业应用的基于分层模糊***的石油钻井工程事故预警方法。
为实现上述目的,本发明可采取下述技术方案:
本发明所述的基于分层模糊***的石油钻井工程事故预警方法,它由下述步骤构成:
第一步、建立石油钻井工程事故预警的模型数据库:
数据来源于石油钻井现场综合录井仪器采集的各种传感器信号和派生参数,通过对长期积累的数据信息进行分析,,结合石油钻井操作人员以及相关专家的经验知识,建立石油钻井工程事故预警模型数据库;对石油钻井的整个过程根据传感器变化情况的逻辑组合关系以及钻井过程规范确定不同的工作状态,这些工作状态相互之间具有不同的特性,可能发生事故的种类和传感器变量征兆也各不相同;
第二步、建立石油钻井工程事故预警的输入变量:
根据第一步中模型数据库中的信息,利用相应的传感器采集数据,所采集的数据主要有:利用压力传感器采集大钩负荷、立管压力、套管压力、扭矩等信号;利用温度传感器采集出入口的温度信号;利用电导率传感器采集出入口电导率的信号;利用流量传感器采集出口流量信号;利用密度传感器采集出入口密度信号;利用脉冲传感器采集大钩高度、泵冲、转盘转速信号;利用液位传感器采集体积信号;利用硫化氢传感器采集硫化氢气体浓度信号;
第三步、分析输入变量的特征信息
对第二步所确定的传感器变量通过采用统计相关分析、小波变换、频谱分析、时域分析方法确定传感器变量在各个钻井工作过程的波动幅度、波动频率、变化率以及变化趋势等特征信息;由这些信息将同一个传感器变量根据其变化特征的不同分解为相应不同的中间特征变量;按照钻井过程中的状态依存与递进关系,结合各种参数传感器的实际测量结果,根据生产工艺的要求,将钻井过程分为若干典型状态,并将其个种对应的传感器变量划归为所对应的状态模型进行处理。对每一个钻井状态中的数据分解为稳态数据和暂态数据;对每一过程中的输入变量信号进行AR模型滤波及其最小二乘优化、小波降噪滤波以及动态均值的计算,确定信号的正常变化范围;
第四步、建立分层模糊***的结构模型:
对第三步所确定的n个输入变量x1、x2、……xn,分别为事故预警***中的特征输入变量,各层的基本模糊单元均有两个输入变量,其中x1、x2作为第一层基本模糊单元的输入,其输出y1以及第三个输入变量x3作为第二层基本模糊单元的输入,其余各层以此类推;每一层均只有两个输入变量;
第五步、对第四步中确定的输入变量进行区间映射和统一模型的分层模糊推理:
对第四步所确定的n个不同种类的输入变量,通过对实际物理变量的统计分析,确定该输入变量的变化范围及变化特征,利用分析得到的映射关系,将这些输入变量映射到统一的区间上,在此基础上对分层模糊***各层基本模糊单元进行统一模型的模糊推理;
第六步、确定石油钻井工程事故预警***输出量:
石油钻井工程事故预警***的最终输出量为各层基本模糊单元输出结果的加权和,即 其中k为分层数,α为加权系数, yk为各层输出解模糊后的结果;
第七步、预警结果的自学习和调整:
通过对输入量论域映射进行调整的方式来实现,即对预警结果的评价指标设定为四种:分析合适、误报、低报、高报;除第一种评价不需要对***参数进行调整外,其他的评价结果均通过***对相关的参数进行修正。
在第四步中,对分层模糊模型的输入变量采取缺位替补方式进行处理:
具体处理过程为:当在模型数据库中已经定义引起某一事故的特征变量个数多于实际工程中出现的异常特征变量时,没有出现异常的特征变量不作为输入量进入模糊单元层,由下一个实际工程中出现异常的特征变量替补。
在第五步中,对分层模糊***的模糊推理采用统一模型的方式进行处理:具体过程为通过定义统一的论域区间,分析实际物理输入量的变化范围,将输入量统一映射到所定义的区间上,该区间即作为模糊***的基本论域;每个基本模糊单元采用相同的模糊推理方式,即相同的论域、模糊化方法以及统一的模糊推理规则,模糊推理采用计算简便的Mamdani合成算法。
本发明优点在于利用分层模糊***,将石油钻井工程事故预警***中多输入物理变量转化为由低维模糊单元分层连接构成的分层***,使模糊***的规则数只随输入变量数线性增长,杜绝了“维数灾”现象的发生,利用信号处理技术得到能够反映物理输入变量变化趋势的信号,并通过统一模型的分层模糊***进行模糊推理,从而实现准确、有效、便捷地对石油钻井工程事故进行预警的目的。
附图说明
图1是本发明所述分层模糊***的结构示意图。
图2是本发明所述的隶属度函数曲线图。
图3是本发明所述的基于分层模糊***的石油钻井工程事故预警方法框图。
图4是本发明所述的基于统一模型的分层模糊***框图。
具体实施方式
本发明所述基于分层模糊***的石油钻井工程事故预警方法,由下述步骤构成:
第一步、建立石油钻井工程事故预警的模型数据库:
首先,通过总结石油钻井操作人员以及相关专家的经验知识,建立石油钻井工程事故预警的模型数据库。对石油钻井的整个过程根据传感器状态的逻辑组合关系以及钻井过程规范确定五个不同的工作状态,这些工作状态具有不同的特性,可能发生事故的种类和传感器变量征兆也各不相同。已建立的模型数据库如表1所示,该数据库是一个开放的***,可以根据实际情况以及新的专家知识进行修改和补充。
第二步、建立石油钻井工程事故预警的输入变量:
根据模型数据库中的信息,利用相应的传感器采集数据,主要有:利用压力传感器采集大钩负荷、立管压力、套管压力、扭矩等信号;利用温度传感器采集出入口的温度信号;利用电导率传感器采集出入口电导率的信号;利用流量传感器采集出口流量信号;利用密度传感器采集出入口密度信号;利用脉冲传感器采集大钩高度、泵冲、转盘转速等信号;利用液位传感器采集体积信号;利用硫化氢传感器采集硫化氢气体浓度信号;
第三步、分析输入变量的特征信息
按照钻井过程中的状态依存与转化关系,结合各种参数传感器的实际测量结果,根据生产工艺的要求,将钻井过程分为若干典型状态,并将其个种对应的传感器参数划归为所对应的状态模型进行处理。对每一个钻井状态中的数据分解为稳态数据和暂态数据;对所采集的传感器变量进行分析和处理,通过采用滤波、统计相关分析、小波变换、频谱分析、时域分析等方法确定传感器变量在各个钻井工作过程的波动幅度、波动频率、变化率以及变化趋势等特征信息,由这些信息将同一个物理传感器变量根据其变化特征的不同分解为相应不同的中间变量,如大钩负荷这一个传感器变量可以分解为大钩负荷上升、大钩负荷下降、大钩负荷波动、大钩负荷变化率异常等不同的特征变量,这些特征变量属于中间变量,但是它们具有明确的物理含义,和实际工程中传感器变量的特征变化相对应,便于现场技术人员进行提取和理解,同时技术人员也可以通过模型数据库对这些特征变量进行修改、删除、添加等操作。
(1)输入信号的AR模型滤波器及其最小二乘优化
滤波算法为y(i)=a1x(i)+a2x(i-1)+Λ+anx(i-n+1),式中x为参数的采样值,i为当前采样时刻,a为滤波系数,z为该输入信号的滤波值,式中右端x的项数可以变化,比如只取前两项或者是前三项,称之为x的阶次,阶次越高,滤波程度越高,对采样值的抑制越厉害,阶次低,参数变化越灵敏;阶次的确定可以根据对采样数据波动的要求以及对采样延迟的要求来综合确定,一般情况下阶次选3~5。在石油钻井工程事故预警***中,滤波的目的是要反映出输入信号的变化趋势,因此阶次确定为5。
模型中参数a的确定是利用最小二乘法优化得到的,其计算过程为:
y(i)=H(i)*A
其中,H(i)=[x(i),x(i-1),x(i-2),x(i-3),x(i-4)]
A=[a(1),a(2),a(3),a(4),a(5)]
由于y是滤波值,在i时刻实际上是个未知量,但是在公式中这个量应该是已知的,因此我们将它作为期望的参数,该参数的数值是利用离线的已知数据进行5点平均平滑方法得到的:
i时刻平滑后的结果为y(i),采样值是x,则
对于数据段两端不够平滑长度(这里平滑长度即为5)的数据则不再进行平滑处理,直接取采样值作为平滑值。
这样处理后,根据最小二乘优化理论,可以求出滤波系数为:
A=(HT*H)-1*HT*Y
(2)小波降噪滤波器
小波降噪滤波器通过对输入变量信号进行小波分解,对分解后的高频细节系数进行抑制,然后将抑制后的高频系数和低频系数进行重构,得到滤波后的信号,该信号能够真实反映实际信号的变化趋势。
(3)稳态数据特征分析
各输入变量信息在进入一个新的钻井状态并且数据相对稳定、无严重振荡之后直到下一个状态转换点之间的数据称为该状态的稳定数据。稳定数据的信息特征如滤波均值、均方误差、变化趋势、变化阈值、谐波分量及其功率谱等的异常现象将作为判断事故发生的重要依据。
(4)暂态数据特征分析
各传感信息在进入一个新的钻井状态得起始点至数据稳定点之间的数据称为该状态的暂态数据。暂态数据的信息特征如超调量、振荡峰值、振荡频率、振荡次数、上升时间等的异常现象将作为判断事故发生的重要依据。
(5)阈值分析
通过上述的滤波处理,可以得到输入信号的变化趋势信号,在稳态过程和暂态过程中,对该信号求取动态均值,作为信号的基准值,由统计分析可以得到该信号正常变化过程中相对于基准值的上下变化范围,从而可以确定该输入信号正常变化的上下阈值,通过计算动态均值以及信号阈值可以得到信号正常变化范围,当实际信号数值的超过该范围时,即作为异常信号处理。
第四步、建立分层模糊***的结构模型:
石油钻井工程事故预警***的传感器变量多达数十个,提取的特征变量数量更多,要根据这些信息进行事故预警的同时还要考虑到***的实时性要求,因此,采用如下结构的分层模糊模型。
如图1所示,对第二步所确定的n个输入变量x1、x2、……xn,分别为事故预警***中的特征输入变量,各层的基本模糊单元均有两个输入变量,其中x1、x2作为第一层基本模糊单元的输入,其输出y1以及第三个输入变量x3作为第二层基本模糊单元的输入,其余各层以此类推;每一层均只有两个输入变量。
考虑到在实际的石油钻井工程中引起某一事故的变量并不是一成不变的,可能会少于模型数据库中所确定的变量,具有一定的不确定性,为此在分层模糊模型中采用缺位替补的方式进行处理,具体处理过程为:假设在模型数据库中已经定义引起某一事故的特征输入变量依次为x1、x2、x3、x4,这样按上述分层模糊模型的结构可以构成一个三层的模糊推理模型,各层的输入变量分别为x1和x2、x3、x4,但是在实际工程中只有特征变量x1、x2、x4出现了异常,采用缺位替补的方式将原先处于第三层的变量x4替补到第二层原先x3的位置,由此分层模糊模型变为两层的结构,各层输入变量分别为x1和x2、x4。
对分层模糊模型中的各层模糊单元建立统一的模糊模型,使用同样的模糊推理规则,以解决实际使用中的实时性和异常输入变量不确定的问题。因此***具有很好的开放性、扩展性以及计算的简便性,也使得事故预警的模糊推理模型具有很好的通用性,便于根据实际要求进行输入变量的调整以及根据专家知识对模糊规则调整,减小了***的复杂性。
第五步、输入变量的区间映射:
在石油钻井工程事故预警***中,输入变量的种类不同,物理单位也各不相同,为便于使用分层模糊***的统一模型进行模糊推理,通过对实际物理变量的统计分析,确定该输入变量的变化范围及变化特征,利用分析得到的映射关系,将这些输入变量映射到统一的区间上,进行模糊化以后由统一模型的模糊单元进行模糊推理。设某一个输入变量(或特征变量)v的正常变化范围是v1~v2,通过阈值分析可以确定其异常变化的上下阈值范围是[vmin-,vmax-],[vmin+,vmax+],vmax-≤v1,vmin+≥v2,这样通过线性映射将实际阈值范围[vmin-,vmax-]、[vmin+,vmax+]分别映射到一个统一的区间[d1,d2]上,其映射关系为d=k1v+k2,k1、k2分别为映射系数,可以确定为 k2=d1-k1*vmin。
同时为增强***的实时性、减少运算量,***对输入变量的处理采用异常变化时激活的方式,也就是当数据处理模块判断特征变量处于正常变化时,并不对它进行模糊运算,只有当数据处理模块判断该特征变量处于异常时,才激活相应的模糊模型进行推理分析。
第六步、统一模型的模糊推理:
分层模糊***采用统一模型的模糊推理,其主要特征是各个基本模糊单元的模糊推理过程采用相同的方式:各个输入变量采用相同的模糊化方式、在相同的论域区间上进行模糊化和解模糊,采用相同的模糊推理规则,因此具有很好的开放性、扩展性以及计算的简便性,也使得事故预警的模糊推理模型具有很好的通用性,便于根据实际要求进行输入变量的调整以及根据专家知识对模糊规则进行调整,减小了***的复杂性。
具体实现过程描述如下:
基本模糊单元中两个输入变量以及输出变量的模糊化均在统一的论域区间上进行,对于石油钻井工程事故预警***而言,该映射区间确定为[1,10],输入变量通过不同的映射关系映射到该区间上,并用统一的隶属函数得到输入变量的模糊量,具体算法如下:
1、定义语言变量:根据石油钻井生产中对事故程度的描述,定义四个语言变量:“小”,“中”,“大”,“很大”。事故及特征变量的异常等级就用这四个模糊语言变量来进行表示,其隶属度函数为在论域区间[1,10]上的离散型隶属函数。
2、定义论域区间:将各个特征变量的数值根据不同的映射系数映射到区间[1~10]上,这样虽然各个物理变量的数值大小不同,但均映射分布在区间1~10上。
3、定义隶属度函数:根据生产人员对事故程度的描述,可以采用一般的梯形隶属函数,即对于语言变量“中”,“大”均采用统一的隶属度函数,即梯形分布,而对语言变量“小”采用Z型隶属函数,对语言变量“很大”采用S型隶属函数,如图2所示。
这些隶属函数的解析表达式为:
梯形隶属度函数为:
x为映射值,a、b、c、d分别为梯形从左到右的四个拐点;
z形隶属度函数为:
x为映射值,a、b分别为隶属度值为1和0所对应的区间映射值。
S形隶属度函数为:
x为映射值,a、b分别为隶属度值为0和1所对应的区间映射值。
4、模糊规则的确定:
根据石油钻井生产中物理变量与事故关系的描述,确定如表2所示的模糊规则,该模糊规则的形式为:if x1是A并且x2是B那么y是C。其中x1、x2分别代表基本模糊单元的两个输入量,y代表基本模糊单元的输出量,这些量均是实际物理特征量在论域区间上映射值,A、B、C分别代表输入量以及输出量的模糊语言值。
表2
分层模糊模型各层的各个特征变量在推理时也均按照该规则进行。表2中模糊规则一共为16条,对每一条均进行模糊合成运算。设A和B分别是输入模糊集合,C为输出模糊集合,则规则“if A and B then C”所决定的三元模糊关系R为
R=(A×B)×C
设论域中各个离散元素(i=1~10)对应于模糊集合A的隶属度为μA(i),对应于模糊集合B的隶属度为μB(j),(j=1~10),对应于模糊集合C的隶属度为μC(m),(m=1~10),则具体运算过程为:
A×B=μA(i)^μB(j)
Rk=μA(i)^μB(j)^μC(m)
符号^代表取小运算,即μA(i)^μB(j)=min(μA(i),μB(j))。
对每一条规则均进行这样的合成运算,则可以得到16条规则的模糊关系。将这16条规则的模糊关系Rk,k=1,2,......,16,进行合并,则得到上述模糊规则库所对应的模糊关系矩阵。
5、模糊规则所激活的模糊子集的统一:
对于基本模糊单元的每一个输入变量,其映射值最多可激活两个模糊子集,即语言变量,为了计算的实时性和简便性考虑,将激活的两个模糊子集统一为一个综合的模糊子集,即该修正模糊子集中反映了所激活的两个模糊子集的作用。具体方法为:
设某一输入变量在论域区间上的映射值为x,在上述确定的隶属函数下该映射值最多对应于两个模糊子集(即语言变量),设这两个模糊子集分别为A和B,其在论域区间上的离散隶属度分布分别为[ai]和[bi],i=1,2,......10,映射值x隶属于这两个模糊子集的隶属度分别为μA(x)和μB(x),则综合以后有C=[ci]=ai*μA(x)+bi*μB(x),如果[ci]中出现大于1的元素,则通过归一化将ci转变为0~1之间的数值,这样就将C作为输入变量的模糊化结果进行模糊推理。
6、模糊推理规则:
各个基本模糊单元的模糊推理采用通常的mamdani推理规则,设两个输入变量在论域区间上进行综合模糊化后的隶属度分布为C1和C2,则推理结果为U=(C1×C2)oR,其中R为前面由(3)所求得的模糊关系矩阵。符号o代表合成运算。
7、解模糊算法:
基本模糊单元的推理结果是一个在论域区间上离散分布的隶属分布,即由两个异常变量经模糊推理后得到该结果的隶属度在区间1~10上的分布值,由加权法解模糊可得到该推理结果在1~10论域区间上所对应的映射值。重心法解模糊算法为
i为论域区间上的离散值,μi为对应离散点的隶属度。
8、***输出量的确定:
为体现不同变量对事故影响程度的不同,基于分层模糊***的石油钻井工程事故预警***的最终输出为各层输出结果的加权和,即: 其中k为分层数,α为加权系数, yk为各层输出解模糊后的结果。加权系数的确定通过模糊层次分析方法得到,这样就可以避免人为确定权重系数的主观性和不一致性;同时通过对基本模糊单元输入变量对输出变量的影响程度分析,可以确定各个事故输入变量在分层模糊模型中的结构位置,从而将不同变量对事故影响程度的大小在分层模糊模型的位置上得到体现。
9、预警过程的自学习和调整过程
为使***具有更强的灵活性、扩展性和适应性,本发明通过对输入量论域映射进行调整的方式来实现预警过程的自学习和调整。
在事故预警分层模糊***中,模糊子集的隶属函数和模糊推理规则的调整主要依靠技术人员离线的调整为主,而在线的自调整功能则通过输入量模糊论域的调整来完成,这样一方面减小了***的复杂程度,另一方面也可以减少了在线的实时运算量。为保证预警模型的通用性和适用性,事故预警分层模糊***中各层使用统一的模糊论域,***通过不同的映射关系将输入参数的测量值映射到该论域区间上,自调整的功能就在于利用映射关系的不同,将测量值映射到不同的模糊量上来进行处理。利用对现场情况和数据的学习,预警***可以逐渐通过这种方式建立相应事故预警模型的映射关系。
石油钻井工程事故预警***的自调整功能是通过对预警结果进行综合评价来实现的。对预警结果的评价指标有四种:分析合适、误报、低报、高报。除第一种评价不需要对***参数进行调整外,其他的评价结果均可通过***对相关的参数进行修正。
在自调整过程中,对事故的调整分为两个层次,首先是对事故预警结果的调整过程,其次是对异常特征变量定义的学习调整。
a、对事故预警结果的调整
对于钻井过程通过数据处理和模糊推理,可进行事故的模糊预警。按照模糊变量的定义,事故等级分为“小、中、大、较大”四级,当推理结果为某一个等级时,通过与实际情况的对比,可以给出四种评价:分析合适、误报、低报、高报。评价为“合适”时,无须对推理过程进行修正。评价为“高报”时,则说明算法的分析结果比实际事故的程度要高,此时需要对相关变量的映射系数进行修正,降低算法对事故的预报等级使之与实际情况相符合;评价为“低报”时,则说明算法的分析结果比实际事故的程度要低,此时需要对相关变量的映射系数进行修正,提高算法对事故的预报等级使之与实际情况相符合;评价为“误报”时,则说明算法的分析与实际情况不相符,此时按照异常特征变量映射值的大小,依次对构成异常特征变量的阈值系数进行修正,并对引起此事故的相关特征变量作出一一判定,对这些特征变量再作出进一步的评价,如果认定某一个变量实际并未异常,则对该变量的阈值系数进行修正。
对事故预警结果评价为“低报”,则需要对引起此事故的相关特征变量作出一一判定,对这些特征变量再作出是否需要将其映射值调高的判定,如果认定某一个异常变量的映射值比实际期望的为低,则对该变量的映射系数进行修正,使其映射值提高,最终通过特征变量映射系数的调整,达到调高事故预警结果的目。
对事故预警结果评价为“高报”,则需要对引起此事故的相关`特征变量作出一一判定,对这些特征变量再作出是否需要将其映射值调低的判定,如果认定某一个特征变量的映射值比实际期望的为高,则对该变量的映射系数进行修正,使其映射值降低,最终通过特征变量映射系数的调整,达到调低事故预警结果目的。对特征变量的调整过程
b、对特征变量的调整
主要是对定义变量是否异常的阈值系数和衡量变量异常大小的映射系数进行调整。
在模糊推理过程中对映射系数的调整方法为:
1、当评价为“高报”时,首先将当前的模糊语言变量降低一级,比如预报等级为“大”,评价为“高报”,则相应的将预报等级降低为“中”,通过定义的隶属度函数可以得到该等级模糊量的离散型隶属度函数,通过最大隶属度法进行解模糊运算得到其在区间1~10中的一个映射值,这个映射值为目标值,通过对映射系数k1、k2的调整,使当前特征量的映射值变为目标映射值。
通过新的映射系数,模糊推理的预报结果将降低一个等级,如果评价还是为高,则再重复上述调整过程,使的最终结果与实际相符合。
2、当评价为“低报”时,进行调整时首先将当前的模糊语言变量提高一级,比如预报等级为“中”,评价为“低报”,则相应的将预报等级提高为“大”,通过定义的隶属度函数可以得到该等级模糊量的离散型隶属度函数,通过最大隶属度法进行解模糊运算得到其在区间1~10中的一个映射值,这个映射值为目标值,通过对映射系数k1、k2的调整,使当前特征量的映射值变为目标映射值。
3、当评价为“误报”时,则说明特征变量的定义需要进行调整,主要是对定义变量异常的阈值系数进行修正。
通过对阈值系数的修正,使得变量不再定义为异常,这样模糊推理的预报结果也将得到修正,使得最终结果与实际相符合。
本发明优点在于利用分层模糊***,将石油钻井工程事故预警***中多输入物理变量转化为由低维模糊单元分层连接构成的分层***,使模糊***的规则数只随输入变量数线性增长,杜绝了“维数灾”现象的发生,利用信号处理技术得到能够反映物理输入变量变化趋势的信号,并通过统一模型的分层模糊***进行模糊推理,从而实现准确、有效、便捷地对石油钻井工程事故进行预警的目的。
附录:
表2 石油钻井工程事故专家库
说明:各个表格中第一行为工程事故名称,如井漏、井涌等
各个表格中第二行为石油钻井的工艺过程,如钻进、离井底、起钻、下钻、划眼等。
其它各行为导致该事故的采集物理量的异常变化过程,其中~表示异常波动、↑表示异常上升、↓表示异常下降。
Claims (4)
1、一种基于分层模糊***的石油钻井工程事故预警方法,其特征在于:它由下述步骤构成:
第一步、建立石油钻井工程事故预警的模型数据库:
数据来源于石油钻井现场综合录井仪器采集的各种传感器信号和派生参数,通过对长期积累的数据信息进行分析,根据长期积累的石油钻井所使用的各种传感器提供的数据信息,结合石油钻井操作人员以及相关专家的经验知识,建立石油钻井工程事故模型数据库;对石油钻井的整个过程根据传感器变化情况的逻辑组合关系以及钻井过程规范确定不同的工作状态,这些工作状态相互之间具有不同的特性,可能发生事故的种类和传感器变量征兆也各不相同;
第二步、建立石油钻井工程事故预警的输入变量:
根据第一步中模型数据库中的信息,利用相应的传感器采集数据,所采集的数据主要有:利用压力传感器采集大钩负荷、立管压力、套管压力、扭矩信号;利用温度传感器采集出入口的温度信号;利用电导率传感器采集出入口电导率的信号;利用流量传感器采集出口流量信号;利用密度传感器采集出入口密度信号;利用脉冲传感器采集大钩高度、泵冲、转盘转速信号;利用液位传感器采集体积信号;利用硫化氢传感器采集硫化氢气体浓度信号;
第三步、分析输入信号的特征信息:
按照钻井过程中的状态依存与转化关系,结合各种参数传感器的实际测量结果,根据生产工艺的要求,将钻井过程分为若干典型状态,并将其对应的传感器参数划归为所对应的状态模型进行处理;对每一个钻井状态,分解为稳态过程和暂态过程;对所采集的传感器变量通过采用统计相关分析、小波变换、频谱分析、时域分析方法确定传感器变量在各个钻井工作过程的波动幅度、波动频率、变化率以及变化趋势特征信息;由这些信息将同一个传感器变量根据其变化特征的不同分解为相应不同的中间特征变量;通过动态均值的计算和阈值分析确定变量的正常变化范围;
第四步、建立分层模糊***的结构模型:
对第三步所确定的n个输入变量x1、x2、……xn,分别为事故预警***中的特征输入变量,各层的基本模糊单元均有两个输入变量,其中x1、x2作为第一层基本模糊单元的输入,其输出y1以及第三个输入变量x3作为第二层基本模糊单元的输入,其余各层以此类推;每一层均只有两个输入变量;
第五步、对第三步中确定的输入变量进行区间映射和统一模型的分层模糊推理:
对第三步所确定的n个不同种类的输入变量,通过对实际物理变量的统计分析,确定该输入变量的变化范围及变化特征,利用分析得到的映射关系,将这些输入变量映射到统一的论域区间上,在此基础上对分层模糊***各层基本模糊单元进行统一模型的模糊推理;
第六步、确定石油钻井工程事故预警***输出量:
石油钻井工程事故预警***的最终输出量为各层基本模糊单元输出结果的加权和,即: 其中k为分层数,α为加权系数, yk为各层输出解模糊后的结果;
第七步、预警过程的自学习和调整:
通过对输入量论域映射进行调整的方式来实现预警过程的自学习和调整,即对预警结果的评价指标设定为四种:分析合适、误报、低报、高报;除第一种评价不需要对***参数进行调整外,其他的评价结果均通过***对相关的参数进行修正。
2、根据权利要求1所述基于分层模糊***的石油钻井工程事故预警方法,其特征在于:在第三步中,对输入变量的信号进行AR模型滤波及其最小二乘优化、小波降噪滤波以及动态均值的计算:
具体处理过程为:对每一个钻井状态中的数据分解为稳态数据和暂态数据,对输入信号利用已知的离线历史数据通过5点平滑算法得到目标值,并利用最小二乘法得到AR模型的滤波系数,利用该滤波器对输入数据进行处理得到能够反映输入变量变化趋势的信号;小波降噪滤波器通过对输入变量信号进行小波分解,对分解后的高频细节系数进行抑制,然后将抑制后的高频系数和低频系数进行重构,得到滤波后的信号,该信号能够真实反映实际信号的变化趋势,通过计算滤波后信号的动态均值以及信号阈值分析可以得到信号正常变化范围。
3、根据权利要求1所述基于分层模糊***的石油钻井工程事故预警方法,其特征在于:在第四步中,对分层模糊模型采取缺位替补方式进行处理:
具体处理过程为:当在模型数据库中已经定义引起某一事故的特征变量个数多于实际工程中出现的异常特征变量时,没有出现异常的特征变量不作为输入量进入模糊单元层,由下一个实际工程中出现异常的特征变量替补。
4、根据权利要求1所述基于分层模糊***的石油钻井工程事故预警方法,其特征在于:在第五步中,对分层模糊***的模糊推理采用统一模型的方式进行处理:具体过程为通过定义统一的论域区间,分析实际物理输入量的变化范围,将输入量统一映射到所定义的区间上,该区间即作为模糊***的基本论域;每个基本模糊单元采用相同的模糊推理方式,即相同的论域、模糊化方法以及统一的模糊推理规则,模糊推理采用计算简便的Mamdani合成算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100551786A CN100511041C (zh) | 2007-09-18 | 2007-09-18 | 基于分层模糊***的石油钻井工程事故预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100551786A CN100511041C (zh) | 2007-09-18 | 2007-09-18 | 基于分层模糊***的石油钻井工程事故预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101118420A CN101118420A (zh) | 2008-02-06 |
CN100511041C true CN100511041C (zh) | 2009-07-08 |
Family
ID=39054565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100551786A Expired - Fee Related CN100511041C (zh) | 2007-09-18 | 2007-09-18 | 基于分层模糊***的石油钻井工程事故预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100511041C (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095590B (zh) * | 2010-11-29 | 2013-07-31 | 中国石油大学(北京) | 一种动态环境下储运动力机组的安全监测方法 |
CN102128022B (zh) * | 2010-12-30 | 2013-06-12 | 中国电子科技集团公司第二十二研究所 | 钻井工程预警方法及*** |
CN103488080B (zh) * | 2013-09-09 | 2015-11-11 | 河北科技师范学院 | 基于分层模糊***的月球探测车协调驱动自适应容错控制方法 |
CN105089620B (zh) * | 2014-05-14 | 2018-03-09 | 中国石油天然气集团公司 | 卡钻的监测***、方法及装置 |
CN104537446B (zh) * | 2015-02-09 | 2017-12-22 | 四川大学 | 二层带模糊随机时间窗口车辆路径优化方法 |
CN104715326A (zh) * | 2015-03-04 | 2015-06-17 | 中国石油化工股份有限公司 | 利用石油化工职业安全绩效数据的事故预警方法 |
CN105466600B (zh) * | 2015-12-16 | 2017-11-28 | 东南大学 | 一种基于模糊算法的分布式绞盘液压油温度监测方法 |
CN109359871B (zh) * | 2018-10-19 | 2022-03-15 | 中国海洋石油集团有限公司 | 油气井套管可靠性评价方法 |
CN109711632B (zh) * | 2018-12-29 | 2023-04-18 | 辽宁工程技术大学 | 一种基于瓦斯涌出异常敏感指标的煤与瓦斯突出预测方法 |
CN109989740B (zh) * | 2019-04-10 | 2022-09-23 | 中煤科工集团西安研究院有限公司 | 基于多源信息融合的煤系地层钻进智能识别***及其方法 |
CN113393334B (zh) * | 2020-03-11 | 2024-05-14 | 中国石油化工股份有限公司 | 一种钻井参数优化推荐方法及*** |
CN111724290B (zh) * | 2020-06-24 | 2023-09-26 | 山东建筑大学 | 基于深度分层模糊算法的环保设备识别方法与*** |
CN117927289B (zh) * | 2024-03-21 | 2024-05-31 | 中煤北京煤矿机械有限责任公司 | 基于大倾角超前支架可拆卸旋转梁的自适应调控*** |
-
2007
- 2007-09-18 CN CNB2007100551786A patent/CN100511041C/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
钻井工程事故监测和预警方法研究. 吴俊杰.录井工程,第17卷第1期. 2006 |
钻井工程事故监测和预警方法研究. 吴俊杰.录井工程,第17卷第1期. 2006 * |
Also Published As
Publication number | Publication date |
---|---|
CN101118420A (zh) | 2008-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100511041C (zh) | 基于分层模糊***的石油钻井工程事故预警方法 | |
CN102128022B (zh) | 钻井工程预警方法及*** | |
Wei et al. | Predicting injection profiles using ANFIS | |
Su et al. | Identification model for dam behavior based on wavelet network | |
Li et al. | Prediction of the failure point settlement in rockfill dams based on spatial-temporal data and multiple-monitoring-point models | |
CN112857658B (zh) | 一种基于云平台的压力检测*** | |
CN108204895A (zh) | 一种风电机组变速齿轮箱故障诊断方法及*** | |
CN110826237A (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
CN111859814A (zh) | 基于lstm深度学习的岩石时效变形预测方法及其*** | |
Schmelzer | On solutions of stochastic differential equations with parameters modeled by random sets | |
Tong et al. | The prediction of concrete dam displacement using Copula-PSO-ANFIS hybrid model | |
Zhang et al. | A hierarchical early kick detection method using a cascaded GRU network | |
CN107992112A (zh) | 一种基于排列熵的控制回路性能评估方法及*** | |
Kajornrit et al. | Rainfall prediction in the northeast region of Thailand using modular fuzzy inference system | |
CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
Wei et al. | A new BRB model for cloud security-state prediction based on the large-scale monitoring data | |
Zheng et al. | fault diagnosis model and application of water injection well based on SPC rules and real-time data fusion | |
CN112819378B (zh) | 一种基于污染状况的河流生态流量调控方法 | |
Wang et al. | Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach | |
Tsaur | Forecasting analysis by fuzzy grey model GM (1, 1) | |
Chakrabarti et al. | Diagnosis using a first-order stochastic language that learns | |
CN102393819A (zh) | 一种基于matlab的模糊控制器hdl代码自动生成方法 | |
Quyang et al. | Prediction of comprehensive water cut in periodic waterflood reservoir based on variable weight combination model | |
Zhao et al. | Research on fault diagnosis knowledge representation method of hydraulic system based on ontology-production rule | |
Jin et al. | Overview of Research on Health Assessment and Fault Prediction of Complex Equipment Driven by Big Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090708 Termination date: 20100918 |