宋俊述 王國防 王磊 孫捷

摘?要：隨著油田生產(chǎn)信息化的全面覆蓋，設備體量大、類型多、分布廣等現(xiàn)狀為其高效運維帶來巨大挑戰(zhàn)。如何實現(xiàn)故障準確定位和快速診斷成為當前重要的研究課題。本文主要研究基于大數(shù)據(jù)的油田設備智能診斷技術，對設備狀態(tài)進行全口集成融合，建立基于狀態(tài)評估的故障診斷模型，可識別故障類型，追溯故障原因。進一步地，通過歸因分析訓練數(shù)據(jù)集，利用機器學習對故障診斷進行動態(tài)優(yōu)化調(diào)試，所訓練的優(yōu)化模型預測準確性更高，故障診斷時間大幅縮短，有效提升生產(chǎn)信息化運維水平。

關鍵詞：油田生產(chǎn)；故障診斷；機器學習；大數(shù)據(jù)

1?研究背景

隨著油田生產(chǎn)信息化的全面覆蓋，物聯(lián)網(wǎng)設備體量大、類型多、分布廣、運行環(huán)境差、專業(yè)性強，對油田日常運維管理提出了更高要求。當前基層運維人員流動大，專業(yè)經(jīng)驗難以固化傳承，被動應急、人工診斷分析的運維方式已不能滿足運維管理要求。

如何保障設備安全穩(wěn)定運行，提升運維效率，減少運維成本是當前油田重要的研究課題。故障診斷技術可以診斷并對設備故障進行預警，可以有效發(fā)現(xiàn)異常情況，精確定位、及時處置響應，使工作人員有明確的工作目標對設備進行維修。

智能系統(tǒng)應用在油田的設備運行狀態(tài)中可以達到較好的效果，并得到了較為廣泛的應用。借助各種傳感器和智能監(jiān)測技術，對油田設備的運行進行全方位的監(jiān)控，并做出設備運行動態(tài)的分析，經(jīng)過一定的專業(yè)經(jīng)驗積累從而做出故障的應急處理。

2?發(fā)展現(xiàn)狀

當前油田生產(chǎn)化運維主要存在以下三方面問題。

一是數(shù)據(jù)采集傳輸鏈路長、節(jié)點多、故障精準定位難。一般油田系統(tǒng)從數(shù)據(jù)采集、傳輸?shù)綌?shù)據(jù)應用需要經(jīng)過10余個環(huán)節(jié)，傳輸鏈路缺乏可視化監(jiān)控，從發(fā)現(xiàn)問題到現(xiàn)場落實判斷耗時長、精準定位難。

二是故障類型多，診斷經(jīng)驗未能有效傳承。生產(chǎn)信息化運維專業(yè)性強，受知識傳承和人員管理的方面約束，油田業(yè)務的運維工作效率仍有很大提升空間。

三是相關業(yè)務系統(tǒng)關聯(lián)程度低，數(shù)據(jù)關聯(lián)分析能力弱。油田生產(chǎn)信息化網(wǎng)絡、工業(yè)控制系統(tǒng)、生產(chǎn)指揮系統(tǒng)、視頻監(jiān)控系統(tǒng)等相關業(yè)務數(shù)據(jù)無法自動關聯(lián)分析。

目前對油田故障診斷的研究主要集中在機械設備故障診斷及發(fā)展智能系統(tǒng)方面。文獻［5］對當前的油液分析技術和無損探傷技術進行了詳細的對比分析。文獻［6］分析了聲發(fā)射監(jiān)測、噪聲監(jiān)控、振動監(jiān)測技術在設備狀態(tài)監(jiān)測中的應用，同時指出要積極推進油田機械設備狀態(tài)檢測現(xiàn)代化、智能化轉(zhuǎn)變，提升油田企業(yè)的生產(chǎn)效率與安全性。文獻［7］提出了基于灰度矩陣的示功圖特征提取算法，通過算法提出的典型故障示功圖各特征值，可作為故障識別應用的可靠依據(jù)。文獻［8］以單井為最小經(jīng)營單元的投入產(chǎn)出分析，進而建立了單井效益評價系統(tǒng)，該系統(tǒng)不僅提高了數(shù)據(jù)錄入、處理的效率及運算精度，還確保了評價方法和投入產(chǎn)出口徑的一致性。文獻［9］將基于SWE的迭代多模型PCA診斷技術應用于油田系統(tǒng)故障診斷，不僅能夠?qū)崿F(xiàn)對油田生產(chǎn)的在線監(jiān)控，還能同時對多個故障進行診斷，具有較高的診斷效率。

可以看出，針對故障診斷的研究主要集中在狀態(tài)監(jiān)測和系統(tǒng)開發(fā)方面，而著眼于全數(shù)據(jù)集成融合，開展全流程的故障診斷相關研究仍存在空白。

3?總體思路

本文主要研究基于大數(shù)據(jù)的油田設備智能診斷技術，整合全口徑的運維數(shù)據(jù)，進行多維度、多參數(shù)、多層次的關聯(lián)數(shù)據(jù)集成融合，進而結合專家經(jīng)驗和研究分析建立油田故障智能診斷模型，實現(xiàn)設備故障預測。進一步地，利用大數(shù)據(jù)處理和AI算法分析數(shù)據(jù)變化規(guī)律和趨勢，分析設備運維狀態(tài)，通過機器自學習，持續(xù)優(yōu)化修正智能診斷模型，有效提升故障診斷精準度。下面將從數(shù)據(jù)集成融合、故障診斷模型、模型優(yōu)化修正三個方面進行研究討論。

4?主要研究內(nèi)容

4.1?數(shù)據(jù)集成融合

現(xiàn)有的油田運維業(yè)務鏈條長，各環(huán)節(jié)之間數(shù)據(jù)體量大且相互獨立，極大程度阻礙了實際運維過程中開展全業(yè)務流程智能排查與診斷。為此，本文提出基于油田物聯(lián)網(wǎng)進行數(shù)據(jù)的集成融合，打通各平臺之間的數(shù)據(jù)壁壘，依托各類信息化設備統(tǒng)一采集數(shù)據(jù)，以傳感設備為媒介將油氣生產(chǎn)工業(yè)控制系統(tǒng)，乃至整個生產(chǎn)環(huán)節(jié)的參數(shù)和控制連接在一起。

4.1.1?運維信息全口徑采集

當前，油田系統(tǒng)的信息化設備主要包括現(xiàn)場儀表、網(wǎng)絡設備、視頻設備等，通過SCADA感知、網(wǎng)絡感知、視頻感知、應用感知、人工采集等手段，可采集到生產(chǎn)類、網(wǎng)絡類、資產(chǎn)類等運維數(shù)據(jù)，是數(shù)據(jù)的集成融合的重要前提，如圖1所示。

圖1?油田物聯(lián)網(wǎng)全口徑數(shù)據(jù)采集

4.1.2?油田物聯(lián)網(wǎng)數(shù)據(jù)集成

可以看出，全口徑采集的數(shù)據(jù)呈現(xiàn)出覆蓋專業(yè)廣、數(shù)據(jù)類型雜、數(shù)據(jù)節(jié)點多，數(shù)據(jù)體量大的特點。根據(jù)故障診斷業(yè)務需求從全口徑數(shù)據(jù)中篩選出關聯(lián)設備運行狀態(tài)的數(shù)據(jù)，建立適用于智能診斷的數(shù)據(jù)庫。

具體地，通過整合SCADA/PCS生產(chǎn)指揮、視頻流媒體數(shù)據(jù)、運維數(shù)據(jù)、設備數(shù)據(jù)等數(shù)據(jù)資源，抽取各類設備的監(jiān)控信息、維護信息、故障信息、報警信息、處置信息及相關臺賬信息，利用數(shù)據(jù)集合并、連接、轉(zhuǎn)換等融合規(guī)則，進行合并、過濾、轉(zhuǎn)碼，最終實現(xiàn)針對故障診斷的多維度、多參數(shù)、多層次的關聯(lián)數(shù)據(jù)集成融合，為診斷模型的研究提供基礎。

4.2?建立智能診斷模型

現(xiàn)有的故障診斷處理主要依賴人工完成，流程繁雜，耗時較長，往往出現(xiàn)因維保不及時影響設備運行壽命的問題，對油田系統(tǒng)的安全穩(wěn)定運行造成威脅。如何實現(xiàn)主動預判故障并進行診斷，從而實現(xiàn)故障快速處理成為重要課題。

為此，本文建立智能診斷模型，基于采集的設備實時運行數(shù)據(jù)進行狀態(tài)分析和故障檢測，建立多類型故障智能診斷模型。

主要分為三個步驟：

（1）監(jiān)測特征信號。在實際運維過程中將會對特征信號進行實時監(jiān)測，針對不同類型故障狀態(tài)值設置報警閾值，當發(fā)現(xiàn)功圖、溫壓、套壓、流量等數(shù)據(jù)超出設定閾值或發(fā)生異常時，將會啟動告警信號。

（2）根據(jù)特征信號分析故障預警。通過抓取實時數(shù)據(jù)和設置閾值，系統(tǒng)對異常數(shù)據(jù)進行告警，不同類型的告警數(shù)據(jù)反映出不同故障類型

（3）識別故障類型及原因。針對不同類型的故障信號，依據(jù)專家經(jīng)驗規(guī)劃構建覆蓋自控設備類、網(wǎng)絡傳輸類、輔助生產(chǎn)類、生產(chǎn)管控類等不同類型的規(guī)范性故障處理模型。該模型多角度、多層面地對設備狀態(tài)進行評判和預測，識別故障類型，追溯故障原因，進行設備故障預測，有助于開展設備的預知性檢修，縮短非計劃停機時間，降低運維成本，最大限度發(fā)揮設備綜合效能。

4.3?基于大數(shù)據(jù)的智能診斷模型優(yōu)化

正如前文所述，所提出的智能診斷模型是建立在專家經(jīng)驗和固定工作流程基礎上的，而在實際運行中，通過歷史數(shù)據(jù)建立起來的診斷模型不具時效性，無法在第一時間對油田故障進行預警。

因此，本文進一步提出基于大數(shù)據(jù)的智能診斷優(yōu)化模型，該模型使用機器學習算法對已有的智能診斷模型進行持續(xù)動態(tài)優(yōu)化調(diào)試，實現(xiàn)對油田運行狀況的實時分析和故障預測，如圖2所示。

圖2?智能診斷模型優(yōu)化示意圖

具體地，利用已構建診斷算法模型進行大量現(xiàn)場試點驗證，采集實時數(shù)據(jù)；抽取實時工況數(shù)據(jù)的關鍵特征標簽，通過多維度、多參數(shù)、多層次歸因分析，確定構建模型所需的訓練數(shù)據(jù)集；進而使用數(shù)據(jù)集構建機器學習模型，并對模型進行優(yōu)化和調(diào)參以獲取預測性能高的模型，形成異常原因分析及故障預測智能診斷模型。

通過完善診斷算法模型、沉淀學習歸因分析，優(yōu)化后的智能診斷模型一方面能大幅提升診斷精準度，高效指導報警消除及故障排查，故障處理的速度也得到大幅提升；另一方面可精準判定設備運行狀態(tài)，預測設備維保周期，為設備運行與維修提供科學可靠的建議。

4.4?案例分析

在油田實際運維過程中，油井變頻柜停井故障時有發(fā)生，傳統(tǒng)的處理方法是運維人員現(xiàn)場排查故障，進行故障診斷，耗時半小時左右，經(jīng)常發(fā)生因故障處理不及時處理導致的設備燒毀情況。

基于本文提出的故障診斷優(yōu)化模型，首先采集油井變頻柜中控制柜溫度監(jiān)控點，設置55℃的報警閾值，通過遠程解析逆變單元U項保護，進行狀態(tài)實時監(jiān)測，如表1所示。表2為#4井報警情況統(tǒng)計。

針對告警數(shù)據(jù)，不同廠家變頻器故障代碼進行遠程編譯，將報警信息、RTU溫度、油井功率平衡度、PCS是否停井報警等信息進行關聯(lián)集成，進行故障智能診斷。試驗表明，所提模型可準確診斷出故障類型和點位，故障排查周期由之前的平均半小時縮短為5分鐘，效率大幅提升。

該模型不僅有效解決了每年高溫季節(jié)頻繁燒毀變頻柜及儀器儀表的現(xiàn)象，延長設備使用壽命，提高了采油時率，同時也將被動維保逐步轉(zhuǎn)化為主動維護，促進油田生產(chǎn)運行管理提質(zhì)增效。

結語

本文通過研究集數(shù)據(jù)融合、智能診斷、自主優(yōu)化于一體的油田設備智能診斷技術，有效實現(xiàn)數(shù)據(jù)全面融合、故障精確定位、報警及時響應。所提出的基于大數(shù)據(jù)的智能診斷技術使用數(shù)據(jù)集構建機器學習模型，實現(xiàn)故障診斷的動態(tài)優(yōu)化，預測準確性更高，故障診斷時間大幅縮短，有效提升生產(chǎn)信息化高效運維水平，該技術可廣泛應用于海上及陸地油田，具有良好的適用性及推廣前景。

參考文獻：

［1］程騁，楊濤，唐漾，等.基于大數(shù)據(jù)的故障診斷與預測理論及技術專題序言［J］.控制工程，2022，29（02）：193197.

［2］彭旭樹.基于工業(yè)互聯(lián)的儀器儀表健康狀態(tài)在線監(jiān)測技術研究［D］.電子科技大學，2019.

［3］劉侃，周沙沙.海上石油鉆井平臺關鍵設備故障在線監(jiān)測安全設計分析［J］.化工安全與環(huán)境，2022，35（18）：2124.

［4］翟磊.海上油田機械設備狀態(tài)監(jiān)測與故障診斷探討［J］.內(nèi)燃機與配件，2019（14）：205206.

［5］夏紅宇，李興華，張挺，等.簡述油田機械設備狀態(tài)監(jiān)測與故障診斷技術［J］.化工管理，2017（29）：202.

［6］田紅山.油田機械設備狀態(tài)監(jiān)測與故障診斷技術分析［J］.設備管理與維修，2020（03）：158160.

［7］王森.智慧油田數(shù)據(jù)采集與故障診斷研究與實現(xiàn)［D］.中國石油大學（北京），2019.

［8］常燕，周雪，汪立.基于單井的油田效益評價體系構建［J］.價值工程，2022，41（22）：5153.

［9］劉敬東，孫彥輝，高國忠.基于數(shù)據(jù)的油田生產(chǎn)過程中的多故障診斷方法的研究［J］.硅谷，2014，7（14）：9495.

作者簡介：宋俊述（1987—?），男，漢族，山東東營人，本科，工程師，研究方向：生產(chǎn)信息化。