基于大数据的油田设备智能诊断技术研究

宋俊述 王国防 王磊 孙捷

摘 要：随着油田生产信息化的全面覆盖，设备体量大、类型多、分布广等现状为其高效运维带来巨大挑战。如何实现故障准确定位和快速诊断成为当前重要的研究课题。本文主要研究基于大数据的油田设备智能诊断技术，对设备状态进行全口集成融合，建立基于状态评估的故障诊断模型，可识别故障类型，追溯故障原因。进一步地，通过归因分析训练数据集，利用机器学习对故障诊断进行动态优化调试，所训练的优化模型预测准确性更高，故障诊断时间大幅缩短，有效提升生产信息化运维水平。

关键词：油田生产；故障诊断；机器学习；大数据

1 研究背景

随着油田生产信息化的全面覆盖，物联网设备体量大、类型多、分布广、运行环境差、专业性强，对油田日常运维管理提出了更高要求。当前基层运维人员流动大，专业经验难以固化传承，被动应急、人工诊断分析的运维方式已不能满足运维管理要求。

如何保障设备安全稳定运行，提升运维效率，减少运维成本是当前油田重要的研究课题。故障诊断技术可以诊断并对设备故障进行预警，可以有效发现异常情况，精确定位、及时处置响应，使工作人员有明确的工作目标对设备进行维修。

智能系统应用在油田的设备运行状态中可以达到较好的效果，并得到了较为广泛的应用。借助各种传感器和智能监测技术，对油田设备的运行进行全方位的监控，并做出设备运行动态的分析，经过一定的专业经验积累从而做出故障的应急处理。

2 发展现状

当前油田生产化运维主要存在以下三方面问题。

一是数据采集传输链路长、节点多、故障精准定位难。一般油田系统从数据采集、传输到数据应用需要经过10余个环节，传输链路缺乏可视化监控，从发现问题到现场落实判断耗时长、精准定位难。

二是故障类型多，诊断经验未能有效传承。生产信息化运维专业性强，受知识传承和人员管理的方面约束，油田业务的运维工作效率仍有很大提升空间。

三是相关业务系统关联程度低，数据关联分析能力弱。油田生产信息化网络、工业控制系统、生产指挥系统、视频监控系统等相关业务数据无法自动关联分析。

目前对油田故障诊断的研究主要集中在机械设备故障诊断及发展智能系统方面。文献［5］对当前的油液分析技术和无损探伤技术进行了详细的对比分析。文献［6］分析了声发射监测、噪声监控、振动监测技术在设备状态监测中的应用，同时指出要积极推进油田机械设备状态检测现代化、智能化转变，提升油田企业的生产效率与安全性。文献［7］提出了基于灰度矩阵的示功图特征提取算法，通过算法提出的典型故障示功图各特征值，可作为故障识别应用的可靠依据。文献［8］以单井为最小经营单元的投入产出分析，进而建立了单井效益评价系统，该系统不仅提高了数据录入、处理的效率及运算精度，还确保了评价方法和投入产出口径的一致性。文献［9］将基于SWE的迭代多模型PCA诊断技术应用于油田系统故障诊断，不仅能够实现对油田生产的在线监控，还能同时对多个故障进行诊断，具有较高的诊断效率。

可以看出，针对故障诊断的研究主要集中在状态监测和系统开发方面，而着眼于全数据集成融合，开展全流程的故障诊断相关研究仍存在空白。

3 总体思路

本文主要研究基于大数据的油田设备智能诊断技术，整合全口径的运维数据，进行多维度、多参数、多层次的关联数据集成融合，进而结合专家经验和研究分析建立油田故障智能诊断模型，实现设备故障预测。进一步地，利用大数据处理和AI算法分析数据变化规律和趋势，分析设备运维状态，通过机器自学习，持续优化修正智能诊断模型，有效提升故障诊断精准度。下面将从数据集成融合、故障诊断模型、模型优化修正三个方面进行研究讨论。

4 主要研究内容

4.1 数据集成融合

现有的油田运维业务链条长，各环节之间数据体量大且相互独立，极大程度阻碍了实际运维过程中开展全业务流程智能排查与诊断。为此，本文提出基于油田物联网进行数据的集成融合，打通各平台之间的数据壁垒，依托各类信息化设备统一采集数据，以传感设备为媒介将油气生产工业控制系统，乃至整个生产环节的参数和控制连接在一起。

4.1.1 运维信息全口径采集

当前，油田系统的信息化设备主要包括现场仪表、网络设备、视频设备等，通过SCADA感知、网络感知、视频感知、应用感知、人工采集等手段，可采集到生产类、网络类、资产类等运维数据，是数据的集成融合的重要前提，如图1所示。

图1 油田物联网全口径数据采集

4.1.2 油田物联网数据集成

可以看出，全口径采集的数据呈现出覆盖专业广、数据类型杂、数据节点多，数据体量大的特点。根据故障诊断业务需求从全口径数据中筛选出关联设备运行状态的数据，建立适用于智能诊断的数据库。

具体地，通过整合SCADA/PCS生产指挥、视频流媒体数据、运维数据、设备数据等数据资源，抽取各类设备的监控信息、维护信息、故障信息、报警信息、处置信息及相关台账信息，利用数据集合并、连接、转换等融合规则，进行合并、过滤、转码，最终实现针对故障诊断的多维度、多参数、多层次的关联数据集成融合，为诊断模型的研究提供基础。

4.2 建立智能诊断模型

现有的故障诊断处理主要依赖人工完成，流程繁杂，耗时较长，往往出现因维保不及时影响设备运行寿命的问题，对油田系统的安全稳定运行造成威胁。如何实现主动预判故障并进行诊断，从而实现故障快速处理成为重要课题。

为此，本文建立智能诊断模型，基于采集的設备实时运行数据进行状态分析和故障检测，建立多类型故障智能诊断模型。

主要分为三个步骤：

（1）监测特征信号。在实际运维过程中将会对特征信号进行实时监测，针对不同类型故障状态值设置报警阈值，当发现功图、温压、套压、流量等数据超出设定阈值或发生异常时，将会启动告警信号。

（2）根据特征信号分析故障预警。通过抓取实时数据和设置阈值，系统对异常数据进行告警，不同类型的告警数据反映出不同故障类型

（3）识别故障类型及原因。针对不同类型的故障信号，依据专家经验规划构建覆盖自控设备类、网络传输类、辅助生产类、生产管控类等不同类型的规范性故障处理模型。该模型多角度、多层面地对设备状态进行评判和预测，识别故障类型，追溯故障原因，进行设备故障预测，有助于开展设备的预知性检修，缩短非计划停机时间，降低运维成本，最大限度发挥设备综合效能。

4.3 基于大数据的智能诊断模型优化

正如前文所述，所提出的智能诊断模型是建立在专家经验和固定工作流程基础上的，而在实际运行中，通过历史数据建立起来的诊断模型不具时效性，无法在第一时间对油田故障进行预警。

因此，本文进一步提出基于大数据的智能诊断优化模型，该模型使用机器学习算法对已有的智能诊断模型进行持续动态优化调试，实现对油田运行状况的实时分析和故障预测，如图2所示。

图2 智能诊断模型优化示意图

具体地，利用已构建诊断算法模型进行大量现场试点验证，采集实时数据；抽取实时工况数据的关键特征标签，通过多维度、多参数、多层次归因分析，确定构建模型所需的训练数据集；进而使用数据集构建机器学习模型，并对模型进行优化和调参以获取预测性能高的模型，形成异常原因分析及故障预测智能诊断模型。

通过完善诊断算法模型、沉淀学习归因分析，优化后的智能诊断模型一方面能大幅提升诊断精准度，高效指导报警消除及故障排查，故障处理的速度也得到大幅提升；另一方面可精准判定设备运行状态，预测设备维保周期，为设备运行与维修提供科学可靠的建议。

4.4 案例分析

在油田实际运维过程中，油井变频柜停井故障时有发生，传统的处理方法是运维人员现场排查故障，进行故障诊断，耗时半小时左右，经常发生因故障处理不及时处理导致的设备烧毁情况。

基于本文提出的故障诊断优化模型，首先采集油井变频柜中控制柜温度监控点，设置55℃的报警阈值，通过远程解析逆变单元U项保护，进行状态实时监测，如表1所示。表2为#4井报警情况统计。

针对告警数据，不同厂家变频器故障代码进行远程编译，将报警信息、RTU温度、油井功率平衡度、PCS是否停井报警等信息进行关联集成，进行故障智能诊断。试验表明，所提模型可准确诊断出故障类型和点位，故障排查周期由之前的平均半小时缩短为5分钟，效率大幅提升。

该模型不仅有效解决了每年高温季节频繁烧毁变频柜及仪器仪表的现象，延长设备使用寿命，提高了采油时率，同时也将被动维保逐步转化为主动维护，促进油田生产运行管理提质增效。

结语

本文通过研究集数据融合、智能診断、自主优化于一体的油田设备智能诊断技术，有效实现数据全面融合、故障精确定位、报警及时响应。所提出的基于大数据的智能诊断技术使用数据集构建机器学习模型，实现故障诊断的动态优化，预测准确性更高，故障诊断时间大幅缩短，有效提升生产信息化高效运维水平，该技术可广泛应用于海上及陆地油田，具有良好的适用性及推广前景。

参考文献：

［1］程骋，杨涛，唐漾，等.基于大数据的故障诊断与预测理论及技术专题序言［J］.控制工程，2022，29（02）：193197.

［2］彭旭树.基于工业互联的仪器仪表健康状态在线监测技术研究［D］.电子科技大学，2019.

［3］刘侃，周沙沙.海上石油钻井平台关键设备故障在线监测安全设计分析［J］.化工安全与环境，2022，35（18）：2124.

［4］翟磊.海上油田机械设备状态监测与故障诊断探讨［J］.内燃机与配件，2019（14）：205206.

［5］夏红宇，李兴华，张挺，等.简述油田机械设备状态监测与故障诊断技术［J］.化工管理，2017（29）：202.

［6］田红山.油田机械设备状态监测与故障诊断技术分析［J］.设备管理与维修，2020（03）：158160.

［7］王森.智慧油田数据采集与故障诊断研究与实现［D］.中国石油大学（北京），2019.

［8］常燕，周雪，汪立.基于单井的油田效益评价体系构建［J］.价值工程，2022，41（22）：5153.

［9］刘敬东，孙彦辉，高国忠.基于数据的油田生产过程中的多故障诊断方法的研究［J］.硅谷，2014，7（14）：9495.

作者简介：宋俊述（1987— ），男，汉族，山东东营人，本科，工程师，研究方向：生产信息化。