科研之友
微信
新浪微博
Facebook
分享链接
摘要
油气集输站场是油气田地面工程的核心部分。接转站作为集输系统的重要节点，既有设备集中、运行连续性强的生产特点，还容易出现来流比例剧烈波动和设备运行故障等工况异常。接转站运行工况的诊断对油气生产系统至关重要，对于简单设备的异常数据，站场员工尚能进行初步诊断，但对整个站场的大量SCADA实时监测数据，仅靠经验和知识难以实现快速分析处理。与油田现有的阈值报警方法相比，基于数据驱动的诊断方法更加准确智能。在数据驱动的方法中，深度学习方法能够自动提取数据非线性特征，善于处理海量高维数据。根据某油田接转站数据采集与监视控制系统(SCADA)数据的多元时间序列特性，提出一种基于深度残差网络(DRN)的诊断方法，以接转站SCADA系统监测数据为模型输入，工况类别为模型输出建立诊断模型，对接转站异常工况进行分类识别。现场数据的噪声会降低模型对少数类样本的识别能力，通过小波分解对接转站数据进行降噪处理,减弱设备采集干扰，增强模型诊断性能；采用朴素重采样进行数据扩容，缓解现场数据样本量不足，模型难以训练问题；利用正则化方法对大数值权重向量进行惩罚，避免模型对个别变量的依赖。在此基础上提出8种不同DRN架构，确定适用于接转站的最优诊断模型，通过多元互信息值法量化各类样本间的相关程度，证明诊断结果的有效性。油田现场的实际数据验证表明，该方法能够用于对接转站工艺流程运行状况进行快速准确的诊断，诊断准确率达97.3%，显著高于支持向量机(93%)、多层感知机(65%)等经典机器学习方法。该诊断方法对其他油气站场的故障诊断和异常识别具有指导意义。
- 单位
