CN108716398A - 基于慢特征分析的控压钻井过程故障检测方法及装置 - Google Patents
基于慢特征分析的控压钻井过程故障检测方法及装置 Download PDFInfo
- Publication number
- CN108716398A CN108716398A CN201810643845.0A CN201810643845A CN108716398A CN 108716398 A CN108716398 A CN 108716398A CN 201810643845 A CN201810643845 A CN 201810643845A CN 108716398 A CN108716398 A CN 108716398A
- Authority
- CN
- China
- Prior art keywords
- controlled pressure
- pressure drilling
- data
- slow
- slow feature
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 title claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000002087 whitening effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241001074085 Scophthalmus aquosus Species 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
- E21B49/003—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells by analysing drilling variables or conditions
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
- E21B47/009—Monitoring of walking-beam pump systems
Landscapes
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供一种基于慢特征分析的控压钻井过程故障检测方法及装置，包括：采集第一控压钻井数据，对其进行归一化处理、白化处理、奇异值分解，并计算变化矩阵，根据第一控压钻井归一化数据和变化矩阵计算主导慢特征和剩余慢特征，并基于给定的显著水平，计算四个统计量的控制限；实时采集第二控压钻井数据，并对其进行归一化处理；根据归一化数据和变化矩阵，计算第二控压钻井归一化数据的主导慢特征和剩余慢特征，并根据其计算第二控压钻井数据的四个统计量；将第二控压钻井数据的四个统计量与四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。该方案可有效提高控压钻井过程故障检测的准确性。
Description
技术领域
本发明涉及控压钻井过程故障检测技术领域，特别涉及一种基于慢特征分析的控压钻井过程故障检测方法及装置。
背景技术
在油气田的开发过程中，钻井作业是高风险、高投入的，且钻井事故不仅损害操作人员的身体健康而且会对自然环境造成破坏。随着石油资源的日益枯竭，为了开发不易钻采的储层资源，控压钻井技术(Managed Pressure Drilling，MPD)得到了广泛应用。控压钻井技术的目的就是要精确地控制井底环空压力，使其处于岩层的窄压力窗口之内。在应用控压钻井技术过程中，主要的花费来自于非生产时间(Non-productive time,NPT)，约占钻井总时间的20％-25％，而各种钻井故障又是造成非生产时间的主要原因。因此，对控压钻井***的钻井过程进行检测及时发现各种钻井故障，可以大大缩短非生产时间，降低钻井成本。
随着井下信号采集与传输技术以及电子司钻***的发展，大量的钻井数据被记录、存储在数据库中。基于钻井数据，利用多变量统计过程监控(MultivariateStatistical Process Monitoring,MSPM)技术可以对控压钻井过程执行故障检测。然而在实际的钻井过程中，随着钻井深度的增加，基于不同窄压力窗口井底压力需被控制在不同的设定值。当井底压力设定值被改变时，由于控制器的调节作用井底压力会维持在新的设定值，钻井过程仍然能安全、高效地进行。在这种情况下，基于监测稳态工作点偏移的传统监控方法会给出错误的报警信息，不能够区分正常的井底压力设定值变化与确实发生的钻井故障，使司钻人员陷入大量的虚假报警信息中，一方面为了排查并确认故障与否会显著地增加非生产时间，提高钻井成本，另一方面也会降低司钻人员对于故障检测的信任度以至于面对确实发生的故障时可能因为轻易忽略而导致灾难性故障的发生。因此，非常有必要开发一种高效的控压钻井过程故障检测方法，能有效地区分真正发生的不可控故障和操作状态切换。
发明内容
本发明实施例提供了一种基于慢特征分析的控压钻井过程故障检测方法及装置，可有效提高控压钻井过程故障检测的准确性。
该基于慢特征分析的控压钻井过程故障检测方法包括：
采集正常工况下的第一控压钻井数据；
对所述第一控压钻井数据进行归一化处理，获得第一控压钻井归一化数据；
对所述第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据；
对所述第一控压钻井白化数据进行奇异值分解，获得第一控压钻井奇异值分解数据；
根据所述第一控压钻井白化数据和所述第一控压钻井奇异值分解数据，计算变化矩阵；
根据所述第一控压钻井归一化数据和所述变化矩阵，计算第一控压钻井归一化数据的慢特征的快慢程度；
根据所述第一控压钻井归一化数据的慢特征的快慢程度，计算第一主导慢特征和第一剩余慢特征；
根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限；
实时采集第二控压钻井数据，对所述第二控压钻井数据进行归一化处理，获得第二控压钻井归一化数据；
根据所述第二控压钻井归一化数据和所述变化矩阵，计算第二控压钻井归一化数据的慢特征、第二主导慢特征和第二剩余慢特征；
根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量；
将所述第二控压钻井数据的四个统计量与所述四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。
该基于慢特征分析的控压钻井过程故障检测装置包括：
控压钻井数据采集模块，用于采集正常工况下的第一控压钻井数据；
归一化处理模块，用于对所述第一控压钻井数据进行归一化处理，获得第一控压钻井归一化数据；
白化处理模块，用于对所述第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据；
奇异值分解处理模块，用于对所述第一控压钻井白化数据进行奇异值分解，获得第一控压钻井奇异值分解数据；
变化矩阵计算模块，用于根据所述第一控压钻井白化数据和所述第一控压钻井奇异值分解数据，计算变化矩阵；
慢特征计算模块，用于根据所述第一控压钻井归一化数据和所述变化矩阵，计算第一控压钻井归一化数据的慢特征的快慢程度；
所述慢特征计算模块还用于：根据所述第一控压钻井归一化数据的慢特征的快慢程度，计算第一主导慢特征和第一剩余慢特征；
统计量控制限计算模块，用于根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限；
所述控压钻井数据采集模块还用于：实时采集第二控压钻井数据；
所述归一化处理模块还用于：对所述第二控压钻井数据进行归一化处理，获得第二控压钻井归一化数据；
所述慢特征计算模块还用于：根据所述第二控压钻井归一化数据和所述变化矩阵，计算第二控压钻井归一化数据的慢特征、第二主导慢特征和第二剩余慢特征；
统计量计算模块，用于根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量；
比较分析模块，用于将所述第二控压钻井数据的四个统计量与所述四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。
在本发明实施例中，利用慢特征分析技术，通过离线建立检测模型(计算变换矩阵、构造统计量和计算统计量控制限)，采用检测模型对实时控压钻井数据计算统计量，然后将统计量和统计量控制限进行比较，根据比较结果来综合解释控压钻井过程的故障检测结果，可有效提高控压钻井过程故障检测的准确性，降低误报警率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是典型控压钻井过程的流程结构图；
图2是本发明实施例提供的一种基于慢特征分析的控压钻井过程故障检测方法流程图；
图3-图8本发明实施案例所述基于慢特征分析的故障检测方法对控压钻井故障的检测效果图；
图9是本发明实施例提供的一种基于慢特征分析的控压钻井过程故障检测装置结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中，提供了一种基于慢特征分析的控压钻井过程故障检测方法，该方法是在司钻控制***中实现的，方法中的数据采样是基于图1所示的典型控压钻井过程，其中，PI是压力指示值的意思，测量此处的压力。如图2所示，该方法包括：
步骤201：采集正常工况下的第一控压钻井数据；
步骤202：对所述第一控压钻井数据进行归一化处理，获得第一控压钻井归一化数据；
步骤203：对所述第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据；
步骤204：对所述第一控压钻井白化数据进行奇异值分解，获得第一控压钻井奇异值分解数据；
步骤205：根据所述第一控压钻井白化数据和所述第一控压钻井奇异值分解数据，计算变化矩阵；
步骤206：根据所述第一控压钻井归一化数据和所述变化矩阵，计算第一控压钻井归一化数据的慢特征的快慢程度；
步骤207：根据所述第一控压钻井归一化数据的慢特征的快慢程度，计算第一主导慢特征和第一剩余慢特征；
步骤208：根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限；
步骤209：实时采集第二控压钻井数据，对所述第二控压钻井数据进行归一化处理，获得第二控压钻井归一化数据；
步骤210：根据所述第二控压钻井归一化数据和所述变化矩阵，计算第二控压钻井归一化数据的慢特征、第二主导慢特征和第二剩余慢特征；
步骤211：根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量；
步骤212：将所述第二控压钻井数据的四个统计量与所述四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。
由图1所示的流程可知，在本发明实施例中，步骤201按如下方式执行：
采集正常工况下共N个采样时刻的控压钻井数据，构成输入数据t＝1,2,…,N。uj(t)表示第j个控压钻井数据，j＝1,2,…,m。变量u1(t),u2(t),…,um(t)是与控压钻井***有关的井下及井上各种传感器数据，如：井底压力、钻头压降、泥浆密度、泥浆泵入量、泥浆返出量、节流阀开度、节流阀压力与泥浆泵压力。采样时刻间隔的大小需满足香农采样定理，m为输入数据的维数。
在本发明实施例中，步骤202按如下方式执行：
对输入数据的每个分量进行归一化处理：减去均值，除以标准差(是对N个控压钻井数据进行处理，并且按照每一行分别求均值和标准差)。
其中，xj(t)表示归一化后的第j个控压钻井数据，j＝1,2,L,m。记归一化之后的输入数据为t＝1,2,…,N。mean(·)表示求均值，std(·)表示求标准差。
在本发明实施例中，步骤203按如下方式执行：
对归一化之后的输入数据进行白化处理。具体步骤为：对输入数据的协方差矩阵E{x(t)xT(t)}进行奇异值分解E{x(t)xT(t)}＝UΛUT，得到白化矩阵Q＝Λ-1/2UT，其中Λ＝diag{λ1,λ2,…,λm}为对角阵，λi为协方差矩阵E{x(t)xT(t)}的特征值，U为特征值所对应的特征向量所组成的矩阵，E{·}表示求期望，T表示转置。记白化处理之后的数据为z(t)＝Qx(t)＝Λ-1/2UTx(t)。
因为x(t)经归一化处理之后其均值为0，即E{X(t)}＝0，故采用输入数据的协方差矩阵。
在本发明实施例中，步骤204按如下方式执行：
求白化数据z(t)的一阶导其分量为j＝1,2,…,m，Δt为采样时间间隔。
对矩阵进行奇异值分解其中Ω＝diag{ω1,ω2,…,ωm}为对角阵，ωi为矩阵的特征值且按从小到大的顺序排列即ω1≤ω2≤…≤ωm，保证慢特征亦按变化速度从小到大排列即P为特征值所对应的特征向量所组成的矩阵。
在本发明实施例中，步骤205按如下方式执行：
按照如下公式计算变换矩阵W：
W＝PQ＝PΛ-1/2UT。
在本发明实施例中，步骤206按如下方式执行：
计算经过归一化后的输入变量x(t)变化的快慢程度其分量为j＝1,2,…,m，Δt为采样时间间隔。
按照如下公式计算慢特征：
s(t)＝Wx(t)；
且慢特征变化的快慢程度为
在本发明实施例中，步骤207按如下方式执行：
根据慢特征s(t)变化的快慢程度依据公式计算剩余慢特征个数，依据公式M＝m-Me计算主导慢特征个数，j,k＝1,2,…,m，Card{·}表示集合中元素的个数，q＝0.1表示q分位数。据此，主导慢特征可以表示为剩余慢特征可以表示为
在本发明实施例中，步骤208按如下方式执行：
计算统计量T2、S2、的控制限。统计量T2服从自由度为M的分布，控制限统计量服从自由度为Me的分布，控制限统计量S2服从第一自由度为M，第二自由度为N-M-1的FM，N-M-1分布，控制限 服从第一自由度为Me，第二自由度为N-Me-1的分布，控制限其中，α为显著性水平，通常取0.01，0.02和0.05。
在本发明实施例中，步骤209按如下方式执行：
实时采集N′个井下及井上传感器数据，构成输入数据t＝1,2,…,N′，u1(t),u2(t),…,um(t)的类型同建模数据，并对数据进行预处理，这包括：剔除数据的离群点，以及对数据的归一化处理。其中，归一化处理包括减去建模数据的均值，除以建模数据的标准差。记归一化后的数据为t＝1,2,…,N′。
在本发明实施例中，步骤210按如下方式执行：
计算实时数据的慢特征s(t)＝Wx(t)，并按照建模时每个慢特征的所属关系构成主导慢特征sd(t)与残余慢特征se(t)，W为离线建模过程中所获得的变换矩阵。
在本发明实施例中，步骤211按如下方式执行：
计算实时数据的统计量，各个统计量的计算方法如下：
其中Ωd＝diag(ω1,ω2,L,ωM)，为离线建模时所得对角阵Ω前M个元素构成的矩阵；为离线建模时所得对角阵Ω后Me个元素构成的矩阵。其分量为j＝1,2,…,M，其分量为k＝M+1,M+2,…,M+Me。
在本发明实施例中，步骤212按如下方式执行：
比较各个统计量与各自的控制限，综合四个统计量指标T2、S2、对控压钻井钻井过程的故障检测结果进行综合解释。
T2＞T2_index，两种情况中任何一个发生，表明控压钻井***稳态操作点发生偏离；S2＞S2_index，两种情况中任何一个发生，表明控压钻井***的动态特性发生改变。
综合上述条件给出三个判别准则：
1.当T2或持续超限，同时S2和不超限，表明此时控压钻井钻井过程的稳态操作点发生变化且***的动态性能不变。即井底压力的设定值改变，且控制器有能力调节执行机构进行补偿并维持井底压力在一个新的设定值。控压钻井***无故障，控制器性能无变化。
2.当T2或持续超限，同时S2和在某区间连续超限后又恢复正常，表明此时控压钻井钻井过程的稳态操作点发生变化且***的动态性能有所改变。即井底压力的设定值改变，且控制器有能力调节执行机构进行补偿并维持井底压力在一个新的设定值。控压钻井***无故障，控制器性能有所下降。
3.当T2或持续超限，同时S2和亦持续超限，表明此时控压钻井钻井过程的稳态操作点发生变化且***的动态性能改变。即井底压力的设定值改变，且控制器有没有足够的能力调节执行机构进行补偿。控压钻井***产生故障，控制器性能下降。
实施例
使用Drillbench对控压钻井过程进行仿真。在仿真过程中，采集井底压力、钻头压降、泥浆密度、泥浆泵入量、泥浆返出量、节流阀开度、节流阀压力和泥浆泵压力共8个测量变量，并在数据中加入高斯白噪声。采集2000个正常工况下的样本数据作为训练数据集。另外模拟了3类故障的发生，每一类故障分别采集2000个样本点，在第401个采样时刻添加故障，3类故障的类型见表1。
表1
在本实施例控压钻井仿真中，本发明基于慢特征分析的控压钻井过程故障检测方法分别设置分位数q＝0.1，显著性水平α＝0.01。采用基于慢特征分析的控压钻井过程故障检测方法可以得到如图3至图8所示的基于慢特征分析的故障检测方法对控压钻井故障的检测效果图，横坐标均为样本序列个数(sample sequence)。
其中，故障F1模拟随着钻井深度的增加由于窄压力窗口的缘故而改变MPD控制***的设定值。如图3所示，为被控变量井底压力与执行机构节流阀开度。图4为基于慢特征分析的故障检测效果图。当BHP设定值变大时，控制器调节节流阀的开度从11.4％下降并维持在9.6％为井筒提供背压，使井底压力从1193bar升高到1299bar。换句话说，控制器有能力通过调节执行机构而维持所期望的BHP设定值，在这个过程中没有发生任何故障。图4为基于慢特征分析的故障检测效果图，从401采样点开始T2统计量持续超限，这意味着***的稳态操作点发生了变化。S2和统计量大部分仍位于控制限以内，表明钻井过程的动态特性没有改变且钻井操作进入一个新的状态。在S2统计量中明显的波峰跳变揭示了控制器调节执行机构对设定值改变的补偿作用。
故障F2模拟控压钻井***控制器性能下降。如图5所示，为被控变量井底压力与执行机构节流阀开度。图5中，黑色的点状椭圆曲线标示出执行机构的调节作用，从图中我们可以知道BHP仍旧被维持在一个新的设定值，整个MPD控制***没有发生故障，但是控制器性能有所下降，控制器将花费更多时间更加剧烈的调节背压泵。图6为基于慢特征分析的故障检测效果图。从大约400个采样点开始T2统计量持续超限，说明控制***的操作条件发生改变。最重要的是S2统计量在500-650采样点之间持续超限，生动形象的说明了执行机构的动态调节作用。值得注意的是，控制器花费了更长的时间调节节流阀的开度以抵消设定值与真实值之间的误差。然而，尽管控制器的控制性能有所下降，但其仍有足够的能力维持BHP的期望设定值。
故障F3模拟控压钻井***控制器性能恶化。如图7所示，为被控变量井底压力与执行机构节流阀开度。可以明显的看出，在大约500个采样点后井底压力值在1299bar附近波动，相应的执行机构背压阀也处于持续振动中。图8为基于慢特征分析的故障检测效果图。可以看到描述***稳态特性的T2统计量持续超限，MPD控制***的稳态操作点发生了变化。描述***动态特性的S2统计量在500采样点之后持续超限，表征了控制***的动态特性发生了变化。综合分析这四个统计量，表明MPD钻井过程发生了真正的故障，控制器的控制性能下降，已没有能力继续精确维持井底压力于设定值。
基于同一发明构思，本发明实施例中还提供了一种基于慢特征分析的控压钻井过程故障检测装置，如下面的实施例所述。由于基于慢特征分析的控压钻井过程故障检测装置解决问题的原理与基于慢特征分析的控压钻井过程故障检测方法相似，因此基于慢特征分析的控压钻井过程故障检测装置的实施可以参见基于慢特征分析的控压钻井过程故障检测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图9是本发明实施例的基于慢特征分析的控压钻井过程故障检测装置的一种结构框图，如图9所示，包括：
控压钻井数据采集模块901，用于采集正常工况下的第一控压钻井数据；
归一化处理模块902，用于对所述第一控压钻井数据进行归一化处理，获得第一控压钻井归一化数据；
白化处理模块903，用于对所述第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据；
奇异值分解处理模块904，用于对所述第一控压钻井白化数据进行奇异值分解，获得第一控压钻井奇异值分解数据；
变化矩阵计算模块905，用于根据所述第一控压钻井白化数据和所述第一控压钻井奇异值分解数据，计算变化矩阵；
慢特征计算模块906，用于根据所述第一控压钻井归一化数据和所述变化矩阵，计算第一控压钻井归一化数据的慢特征的快慢程度；
所述慢特征计算模块906还用于：根据所述第一控压钻井归一化数据的慢特征的快慢程度，计算第一主导慢特征和第一剩余慢特征；
统计量控制限计算模块907，用于根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限；
所述控压钻井数据采集模块901还用于：实时采集第二控压钻井数据；
所述归一化处理模块902还用于：对所述第二控压钻井数据进行归一化处理，获得第二控压钻井归一化数据；
所述慢特征计算模块906还用于：根据所述第二控压钻井归一化数据和所述变化矩阵，计算第二控压钻井归一化数据的慢特征、第二主导慢特征和第二剩余慢特征；
统计量计算模块908，用于根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量；
比较分析模块909，用于将所述第二控压钻井数据的四个统计量与所述四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。
综上所述，本发明利用慢特征分析技术，通过离线建立检测模型(计算变换矩阵、构造统计量和计算统计量控制限)，采用检测模型对实时控压钻井数据计算统计量，然后将统计量和统计量控制限进行比较，根据比较结果来综合解释控压钻井过程的故障检测结果，可有效提高控压钻井过程故障检测的准确性，降低误报警率。并可以对司钻控制***中的控制器性能进行初步评价。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于慢特征分析的控压钻井过程故障检测方法，其特征在于，包括：
采集正常工况下的第一控压钻井数据；
对所述第一控压钻井数据进行归一化处理，获得第一控压钻井归一化数据；
对所述第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据；
对所述第一控压钻井白化数据进行奇异值分解，获得第一控压钻井奇异值分解数据；
根据所述第一控压钻井白化数据和所述第一控压钻井奇异值分解数据，计算变化矩阵；
根据所述第一控压钻井归一化数据和所述变化矩阵，计算第一控压钻井归一化数据的慢特征的快慢程度；
根据所述第一控压钻井归一化数据的慢特征的快慢程度，计算第一主导慢特征和第一剩余慢特征；
根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限；
实时采集第二控压钻井数据，对所述第二控压钻井数据进行归一化处理，获得第二控压钻井归一化数据；
根据所述第二控压钻井归一化数据和所述变化矩阵，计算第二控压钻井归一化数据的慢特征、第二主导慢特征和第二剩余慢特征；
根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量；
将所述第二控压钻井数据的四个统计量与所述四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。
2.如权利要求1所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下公式对第一控压钻井数据进行归一化处理：
其中，u(t)表示由N个采样时刻的控压钻井数据构成的输入数据，uj(t)表示第j个控压钻井数据，j＝1,2,…,m，m为输入数据的维数；mean(·)表示求均值，std(·)表示求标准差；x(t)表示归一化后的输入数据，xj(t)表示归一化后的第j个控压钻井数据。
3.如权利要求2所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下方式对第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据：
对归一化后的输入数据的协方差矩阵E{x(t)xT(t)}进行奇异值分解E{x(t)xT(t)}＝UΛUT，得到白化矩阵Q＝Λ-1/2UT，其中，Λ为对角阵，Λ＝diag{λ1,λ2,…,λm}，λi为协方差矩阵E{x(t)xT(t)}的特征值，U为特征值所对应的特征向量所组成的矩阵，E{·}表示求期望，T表示转置；z(t)表示白化数据，z(t)＝Qx(t)＝Λ-1/2UTx(t)。
4.如权利要求3所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下方式对所述第一控压钻井白化数据进行奇异值分解：
计算白化数据z(t)的一阶导其中， Δt为采样时间间隔；
对矩阵进行奇异值分解其中，Ω为对角阵，Ω＝diag{ω1,ω2,…,ωm}，ωi为矩阵的特征值，i＝1,2,…,m，ω1≤ω2≤…≤ωm，P为特征值所对应的特征向量所组成的矩阵。
5.如权利要求4所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下公式计算变化矩阵：
W＝PQ＝PΛ-1/2UT；
其中，W表示变化矩阵。
6.如权利要求5所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下方式计算第一控压钻井归一化数据的慢特征的快慢程度：
计算经过归一化后的输入数据x(t)变化的快慢程度 其中，Δt为采样时间间隔；
计算慢特征s(t)，s(t)＝Wx(t)，其中，慢特征s(t)变化的快慢程度为
7.如权利要求6所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下方式计算第一主导慢特征和第一剩余慢特征：
其中，sd(t)表示主导慢特征，se(t)表示剩余慢特征，M表示主导慢特征个数，M＝m-Me，Me表示剩余慢特征个数，M＝m-Me；j,k＝1,2,…,m，Card{·}表示集合中元素的个数，q表示分位数，q＝0.1。
8.如权利要求7所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，所述四个统计量为T2、S2、
按照如下方式根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限：
统计量T2服从自由度为M的分布，控制限
统计量服从自由度为Me的分布，控制限
统计量S2服从第一自由度为M，第二自由度为N-M-1的FM,N-M-1分布，控制限
统计量服从第一自由度为Me，第二自由度为N-Me-1的分布，控制限
其中，M为主导慢特征的个数，Me为剩余慢特征的个数，N为采样点个数，α为显著性水平。
9.如权利要求7所述的基于慢特征分析的控压钻井过程故障检测方法，其特征在于，按照如下公式根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量：
其中，Ωd表示对角阵Ω前M个元素构成的矩阵，Ωd＝diag(ω1,ω2,…,ωM)，Ωe表示对角阵Ω后Me个元素构成的矩阵， 表示第二主导慢特征， 表示第二剩余慢特征，
10.一种基于慢特征分析的控压钻井过程故障检测装置，其特征在于，包括：
控压钻井数据采集模块，用于采集正常工况下的第一控压钻井数据；
归一化处理模块，用于对所述第一控压钻井数据进行归一化处理，获得第一控压钻井归一化数据；
白化处理模块，用于对所述第一控压钻井归一化数据进行白化处理，获得第一控压钻井白化数据；
奇异值分解处理模块，用于对所述第一控压钻井白化数据进行奇异值分解，获得第一控压钻井奇异值分解数据；
变化矩阵计算模块，用于根据所述第一控压钻井白化数据和所述第一控压钻井奇异值分解数据，计算变化矩阵；
慢特征计算模块，用于根据所述第一控压钻井归一化数据和所述变化矩阵，计算第一控压钻井归一化数据的慢特征的快慢程度；
所述慢特征计算模块还用于：根据所述第一控压钻井归一化数据的慢特征的快慢程度，计算第一主导慢特征和第一剩余慢特征；
统计量控制限计算模块，用于根据所述第一主导慢特征和第一剩余慢特征，基于给定的显著水平，计算四个统计量的控制限；
所述控压钻井数据采集模块还用于：实时采集第二控压钻井数据；
所述归一化处理模块还用于：对所述第二控压钻井数据进行归一化处理，获得第二控压钻井归一化数据；
所述慢特征计算模块还用于：根据所述第二控压钻井归一化数据和所述变化矩阵，计算第二控压钻井归一化数据的慢特征、第二主导慢特征和第二剩余慢特征；
统计量计算模块，用于根据所述第二主导慢特征和第二剩余慢特征，计算第二控压钻井数据的四个统计量；
比较分析模块，用于将所述第二控压钻井数据的四个统计量与所述四个统计量的控制限进行相应比较，根据比较结果对控压钻井过程的故障检测结果进行分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810643845.0A CN108716398B (zh) | 2018-06-21 | 2018-06-21 | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810643845.0A CN108716398B (zh) | 2018-06-21 | 2018-06-21 | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108716398A true CN108716398A (zh) | 2018-10-30 |
| CN108716398B CN108716398B (zh) | 2019-03-05 |
Family
ID=63913062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810643845.0A Active CN108716398B (zh) | 2018-06-21 | 2018-06-21 | 基于慢特征分析的控压钻井过程故障检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108716398B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126671A (zh) * | 2019-11-29 | 2020-05-08 | 南京富岛信息工程有限公司 | 一种炼油生产中初馏塔冲塔故障预警的方法 |
| CN111736567A (zh) * | 2020-05-12 | 2020-10-02 | 江南大学 | 一种基于故障敏感慢特征的多块故障监测方法 |
| CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
| CN112947150A (zh) * | 2021-01-28 | 2021-06-11 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825876A (zh) * | 2009-11-30 | 2010-09-08 | 浙江大学 | 应用于石油化工生产装置的便携式故障诊断仪 |
| CN104537260A (zh) * | 2015-01-14 | 2015-04-22 | 清华大学 | 基于缓慢特征回归的动态软测量方法和*** |
| CN104598681A (zh) * | 2015-01-14 | 2015-05-06 | 清华大学 | 基于缓慢特征分析的过程监控方法和*** |
| CN105700517A (zh) * | 2016-03-09 | 2016-06-22 | 中国石油大学(北京) | 一种炼化过程自适应数据驱动的早期故障监测方法及装置 |
| CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
| CN107423503A (zh) * | 2017-07-21 | 2017-12-01 | 江南大学 | 基于核慢特征分析和时滞估计的gpr建模 |
-
2018
- 2018-06-21 CN CN201810643845.0A patent/CN108716398B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825876A (zh) * | 2009-11-30 | 2010-09-08 | 浙江大学 | 应用于石油化工生产装置的便携式故障诊断仪 |
| CN104537260A (zh) * | 2015-01-14 | 2015-04-22 | 清华大学 | 基于缓慢特征回归的动态软测量方法和*** |
| CN104598681A (zh) * | 2015-01-14 | 2015-05-06 | 清华大学 | 基于缓慢特征分析的过程监控方法和*** |
| CN105700517A (zh) * | 2016-03-09 | 2016-06-22 | 中国石油大学(北京) | 一种炼化过程自适应数据驱动的早期故障监测方法及装置 |
| CN106647718A (zh) * | 2017-01-20 | 2017-05-10 | 中国石油大学(华东) | 基于贝叶斯核慢特征分析的非线性工业过程故障检测方法 |
| CN107423503A (zh) * | 2017-07-21 | 2017-12-01 | 江南大学 | 基于核慢特征分析和时滞估计的gpr建模 |
Non-Patent Citations (2)
| Title |
|---|
| 商丹丹: "基于数据驱动的控制***故障诊断研究", 《中国优秀硕士学位论文全文数据库》 * |
| 狄克松 等: "基于非线性慢特征回归的动态软测量建模", 《计算机与应用化学》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126671A (zh) * | 2019-11-29 | 2020-05-08 | 南京富岛信息工程有限公司 | 一种炼油生产中初馏塔冲塔故障预警的方法 |
| CN111736567A (zh) * | 2020-05-12 | 2020-10-02 | 江南大学 | 一种基于故障敏感慢特征的多块故障监测方法 |
| CN112631258A (zh) * | 2020-12-29 | 2021-04-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
| CN112631258B (zh) * | 2020-12-29 | 2021-11-09 | 南京富岛信息工程有限公司 | 一种工业过程关键指标的故障预警方法 |
| CN112947150A (zh) * | 2021-01-28 | 2021-06-11 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
| CN112947150B (zh) * | 2021-01-28 | 2023-02-28 | 南京富岛信息工程有限公司 | 一种考虑在线分析仪异常的过程故障预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108716398B (zh) | 2019-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108716398B (zh) | 基于慢特征分析的控压钻井过程故障检测方法及装置 | |
| RU2366804C2 (ru) | Система и способ оптимизации добычи в скважине с искусственным подъемом | |
| RU2595277C1 (ru) | Система и способ для моделирования скважинных событий с использованием кластеров аномальных данных ("rimlier") | |
| US20200104229A1 (en) | Proactive information technology infrastructure management | |
| US20130080117A1 (en) | System and method for failure detection for artificial lift systems | |
| CN105041293A (zh) | 用于监测钻井***的***及方法 | |
| BR112015009197B1 (pt) | Método e sistema para realizar uma operação de perfuração | |
| CN106406270A (zh) | 用于飞机的空气管理***的***层级故障诊断 | |
| CN110621846B (zh) | 从流动网络记录数据 | |
| CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
| CN112801525A (zh) | 机械设备的健康状态评估方法及装置 | |
| CN106647650B (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
| CN110765699B (zh) | 一种压裂装备作业时健康状态的评估方法及装置 | |
| CN109143995A (zh) | 一种基于质量相关慢特征充分分解的闭环***精细运行状态监测方法 | |
| Gu et al. | Singular value diagnosis in dam safety monitoring effect values | |
| CN106663086A (zh) | 用于核回归模型的集体的设备和方法 | |
| CN106647581A (zh) | 压裂施工过程井下故障诊断方法及装置 | |
| AU2013266874A1 (en) | Optimization visualization using normalized achievement variables | |
| CN108153987A (zh) | 一种基于超限学习机的液压泵多故障诊断方法 | |
| CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
| CN111831715A (zh) | 一种基于人工智能大数据智慧接访及存证***及方法 | |
| CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
| CN109932904A (zh) | 基于特征选择与主元控制的异常状态监测与控制*** | |
| Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
| US10655409B2 (en) | Sensor optimization for mud circulation systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |