儲罐液位異常檢測系統(tǒng)研究

齊秋平，文必龍，吳 婷

（東北石油大學(xué) 計算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318）

0 引言

時序數(shù)據(jù)是指按照時間的秩序，以一定的時間間隔排列的一系列數(shù)據(jù)的集合[1]。近年來，隨著大數(shù)據(jù)的迅速發(fā)展，對時間序列的分析經(jīng)歷了從頻域到時域、單變量到多變量、線性到非線性、局部到系統(tǒng)的漸進(jìn)過程；同時也是逐步提高模型擬合精度、增強(qiáng)模型的預(yù)測能力和改善可操作性的過程。為了減少異常點對時間序列分析結(jié)果的干擾，就需要對異常點進(jìn)行檢測并處理。數(shù)據(jù)異常檢測能實現(xiàn)數(shù)據(jù)質(zhì)量提升與潛在信息挖掘[2]，異常數(shù)據(jù)的挖掘主要使用偏差檢測，包括聚類法、序列異常法、最近鄰居法、多位數(shù)據(jù)分析法等[3-5]。通過對時序數(shù)據(jù)應(yīng)用主成分分析法進(jìn)行特征壓縮從而去除數(shù)據(jù)的噪聲[6]，對數(shù)據(jù)進(jìn)行異常檢測，可以從大量的數(shù)據(jù)中挖掘出不滿足數(shù)據(jù)一般行為或模式的數(shù)據(jù)，而儲油罐液位數(shù)據(jù)反映的一些異常信息比常規(guī)模式更有價值，它能夠幫助人們掌握時間序列中蘊(yùn)含的規(guī)律，為人們提供有力的決策支持。

針對液位數(shù)據(jù)的異常檢測主要分為以下四個方面：

1. 學(xué)習(xí)時序數(shù)據(jù)過去的行為特征；

2. 計算出相似的行為模式，預(yù)測未來過程中的可能狀態(tài)或表現(xiàn)；

3. 根據(jù)限制條件進(jìn)行異常活動檢測；

4. 通過對異常數(shù)據(jù)的特征分析進(jìn)行模式識別，判別出異常類型。

針對以上方面，提出了一套基于儲罐液位數(shù)據(jù)進(jìn)行異常檢測的系統(tǒng)，該系統(tǒng)可根據(jù)油田歷史數(shù)據(jù)找出其內(nèi)在規(guī)律，并根據(jù)過去的某些行為特征做出相似模式的預(yù)測，最后找出其中的異常波動并對這些波動進(jìn)行分類和標(biāo)識，可防止儲油罐過滿溢出、儀器故障、拉油車?yán)蜁r間不規(guī)范、偷油漏油等情況的發(fā)生。

1 需求分析

1.1 研究背景

儲罐液位隨時間的變化趨勢如下圖1所示。

圖1 儲罐液位散點圖Fig.1 Storage tank level scatter chart

針對液位曲線的走勢，本文的模型研究主要從以下四個方面展開：

（1）數(shù)據(jù)分析：在石油集輸過程中會產(chǎn)生大量油罐液位實時監(jiān)測數(shù)據(jù)，對這些數(shù)據(jù)分析過程中發(fā)現(xiàn)數(shù)據(jù)反復(fù)呈現(xiàn)某些規(guī)律，抽取出潛在的、有價值的知識（模型或規(guī)則）[7]，如液位在某時間段內(nèi)上下波動、液位上升時斜率會有所變化、拉油車?yán)瓦^程中液位會均勻下降等等。通過對數(shù)據(jù)的綜合處理發(fā)現(xiàn)，數(shù)據(jù)整體具有一定的變化趨勢和數(shù)據(jù)周期，而油田上對于這些行為模式的認(rèn)識及分析并不全面。

（2）數(shù)據(jù)預(yù)測：在對海量液位數(shù)據(jù)潛在價值的挖掘中，綜合考慮溫度、壓力、流量、負(fù)荷等因素的變化對液位未來動態(tài)變化的影響，充分利用歷史數(shù)據(jù)的規(guī)律對未來數(shù)據(jù)進(jìn)行一定的預(yù)測分析和總結(jié)。

（3）異常檢測：在數(shù)據(jù)的分析處理中，通常會出現(xiàn)一些數(shù)據(jù)的異常波動，而這些波動在生產(chǎn)上通常會有一定的現(xiàn)實意義，目前油田上的數(shù)據(jù)體系太過繁雜，并未對這些異常的數(shù)據(jù)波動做出分類和標(biāo)識，相應(yīng)的，對于相關(guān)的數(shù)據(jù)誤差和體系缺陷并沒有給出規(guī)范性約束。

（4）模式識別：通過對數(shù)據(jù)的異常檢測只能夠篩選出異常的數(shù)據(jù)，并不能夠判別出是哪一類別的異常情況，為了提高異常數(shù)據(jù)的實際意義，須將異常數(shù)據(jù)進(jìn)行模式識別判斷出異常數(shù)據(jù)的實際意義，從而提高異常數(shù)據(jù)的實用價值。

1.2 研究現(xiàn)狀

隨著計算機(jī)技術(shù)的發(fā)展，人們引入了鉆井監(jiān)控軟件。目前國內(nèi)外有許多針對特定專業(yè)如鉆井的實時數(shù)據(jù)采集的系統(tǒng)，對智能預(yù)警和優(yōu)化方面有較多的研究。

在石油數(shù)據(jù)實時分析方面，李云峰等人提出一個新型的鉆井異常狀態(tài)實時監(jiān)測與智能決策系統(tǒng)模型，該模型將鉆井工程信息管理，鉆井參數(shù)實時采集和智能化決策支持技術(shù)集成為一體，解決了鉆井異常狀態(tài)實時監(jiān)測的問題[8]。由劉琦開發(fā)的鉆井監(jiān)控系統(tǒng)提供了鉆井、電機(jī)和發(fā)電機(jī)實時數(shù)據(jù)可使技術(shù)人員和工程人員對現(xiàn)場施工數(shù)據(jù)及時瀏覽與分析，實時監(jiān)控，及時指導(dǎo)和處理鉆井現(xiàn)場的問題[9]。史鵬濤等人對智能完井技術(shù)的深入研究也解決了采集、傳輸及分析井眼生產(chǎn)數(shù)據(jù)、油藏數(shù)據(jù)和全井生產(chǎn)鏈數(shù)據(jù)能力，以遠(yuǎn)程控制方式改善對油藏動態(tài)和生產(chǎn)動態(tài)的監(jiān)控的問題[10]。從上世紀(jì)90年代，國外就開始研究智能完井技術(shù)，Baker Hughes、Schlumberger、ABB和 Roxar等幾家公司都開發(fā)了進(jìn)行井下監(jiān)控的智能完井技術(shù)，并得到了大面積的推廣應(yīng)用[11]。

在時序數(shù)據(jù)預(yù)測未來趨勢方面，修妍提出了基于改進(jìn)相空間加權(quán)局域法的混沌時序預(yù)測[12]，吳江等人提出了一種基于云模型的數(shù)據(jù)預(yù)測算法[13]，郭建明設(shè)計并實現(xiàn)一個安全優(yōu)化鉆井實時監(jiān)控智能計算機(jī)系統(tǒng)，實現(xiàn)了安全優(yōu)化鉆井知識整合.系統(tǒng)可用于鉆井設(shè)計、施工、完鉆總結(jié)階段的鉆井異常問題的檢測、識別、預(yù)測、診斷、預(yù)防和處理，實現(xiàn)安全優(yōu)化鉆井的目標(biāo)[14]。閆學(xué)峰等人設(shè)計了油井生產(chǎn)實時分析優(yōu)化專家系統(tǒng) PES，該系統(tǒng)具備了油井生產(chǎn)數(shù)據(jù)實時采集、數(shù)據(jù)管理、生產(chǎn)動態(tài)預(yù)測、實時工程分析、故障診斷、遠(yuǎn)程計量、系統(tǒng)效率及損耗分析、生產(chǎn)參數(shù)實時優(yōu)化設(shè)計、措施方案發(fā)布、智能控制等功能[15]。陳銳等人設(shè)計了鉆井風(fēng)險實時監(jiān)測與診斷系統(tǒng)，主要是通過對鉆井工程數(shù)據(jù)和隨鉆測量數(shù)據(jù)進(jìn)行實時處理分析，結(jié)合多參數(shù)融合算法技術(shù)對井下鉆井風(fēng)險進(jìn)行實時監(jiān)測和診斷分析，很好地監(jiān)測與診斷鉆井風(fēng)險[16]。

在油田時序數(shù)據(jù)分析系統(tǒng)方面，國外先進(jìn)的石油公司都已經(jīng)建立了強(qiáng)大的決策支持系統(tǒng)和協(xié)同工作環(huán)境，將分布在世界各地的研究機(jī)構(gòu)、管理部門和施工現(xiàn)場連接起來，利用強(qiáng)大的數(shù)據(jù)庫和先進(jìn)的軟件對各種技術(shù)決策提供者有力支撐，有效降低了施工風(fēng)險。國內(nèi)石油行業(yè)，尤其是鉆井行業(yè)盡管開展了相關(guān)研究，但尚未建立完整的自主產(chǎn)權(quán)的決策支持系統(tǒng)和相應(yīng)的決策工作模式[17]。

綜上，油田上大多數(shù)平臺或系統(tǒng)均是單方面分析數(shù)據(jù)，對于時序數(shù)據(jù)的異常檢測方面并沒有統(tǒng)一的模式，因此，本文以儲罐液位數(shù)據(jù)為例，提出了一套對油田儲罐液位數(shù)據(jù)進(jìn)行異常檢測的系統(tǒng)。

2 系統(tǒng)設(shè)計

2.1 總體結(jié)構(gòu)設(shè)計

根據(jù)儲罐液位異常檢測系統(tǒng)需求，主要分為特征提取、異常檢測、模式識別（異常分類）、預(yù)測分析四個部分，系統(tǒng)總體架構(gòu)圖如下圖2所示。

2.2 功能結(jié)構(gòu)設(shè)計

系統(tǒng)設(shè)計以簡便操作、精確分析、準(zhǔn)確預(yù)測為原則，突破傳統(tǒng)單一的數(shù)據(jù)可視化方式，把異常檢測和異常模式識別作為重點突破問題，能夠更好地監(jiān)測數(shù)據(jù)中的異常情況。數(shù)據(jù)分析結(jié)果、異常檢測功能進(jìn)行軟件實現(xiàn)，提供可視化操作平臺。儲罐液位異常檢測平臺主要功能如圖3所示。

本系統(tǒng)主要分為以下模塊：

1. 數(shù)據(jù)選擇模塊

儲罐液位數(shù)據(jù)會實時錄入到數(shù)據(jù)庫中，通過前端與后臺的交互，對數(shù)據(jù)進(jìn)行選擇并錄入到R語言軟件中進(jìn)行處理，實現(xiàn)數(shù)據(jù)庫中的數(shù)據(jù)表可視化，以便用戶進(jìn)行選擇。

2. 算法匹配模塊

不同的油井的數(shù)據(jù)流變化趨勢有所不同，將預(yù)處理后的數(shù)據(jù)進(jìn)行圖形可視化，從算法庫中選擇合適的算法進(jìn)行匹配分析，通過算法評價體系自動匹配最優(yōu)算法，對各參數(shù)和油井產(chǎn)量之間進(jìn)行多種分析，判定各參數(shù)同油井產(chǎn)量的關(guān)聯(lián)性程度，定性、定量地給出影響油井生產(chǎn)動態(tài)的各種因素對油井產(chǎn)量影響的大小，從而挖掘出蘊(yùn)含在數(shù)據(jù)內(nèi)部的關(guān)系模式。

圖2 系統(tǒng)總體架構(gòu)圖Fig. 2 System overall architecture chart

圖3 功能結(jié)構(gòu)圖Fig.3 Functional structure diagram

3. 異常檢測模塊

數(shù)據(jù)異常檢測，本文采用SPC算法中的控制圖對波動點進(jìn)行篩選，找出數(shù)據(jù)的異常波動并將其歸類，建立樣本庫，通過模式識別技術(shù)對不同類的數(shù)據(jù)進(jìn)行特征構(gòu)建與特征提取，并通過機(jī)器學(xué)習(xí)的手段實現(xiàn)異常自動歸類的目的。

4. 預(yù)測分析模塊

石油數(shù)據(jù)龐大繁多，對于預(yù)測的結(jié)果要求很高，采用 ARIMA模型對時間序列進(jìn)行預(yù)測取得了可觀的效果，并能夠顯示波動范圍的可控區(qū)間，能夠很好地對數(shù)據(jù)進(jìn)行觀測以便及時采取預(yù)防措施。

通過以上幾個模塊解決現(xiàn)實生活中油田生產(chǎn)成本高，生產(chǎn)效益低的問題，在歷史數(shù)據(jù)的基礎(chǔ)上更好的決策異常范圍并做出預(yù)測，很好地檢測出異常數(shù)值并進(jìn)行預(yù)報。在研究過程中通過對數(shù)據(jù)的了解及分析還可以對運(yùn)營模式給予一定的優(yōu)化建議，降低生產(chǎn)成本更好地提高生產(chǎn)效益。

2.3 數(shù)據(jù)架構(gòu)設(shè)計

數(shù)據(jù)架構(gòu)圖如圖4所示，其中：

● 數(shù)據(jù)庫用來從油田液位數(shù)據(jù)庫或其它數(shù)據(jù)源中抽取數(shù)據(jù)到平臺中，并建立分析數(shù)據(jù)集。

圖4 數(shù)據(jù)架構(gòu)圖Fig.4 Data structure diagram

● 算法庫主要是提供由實驗案例得出適合的算法與當(dāng)前要進(jìn)行異常檢測的數(shù)據(jù)進(jìn)行自動匹配的功能。

● 組件庫提供歷史數(shù)據(jù)的描述存儲以及算法的分析與解釋功能，執(zhí)行異常檢測算法生成分析結(jié)果，評價結(jié)果。

● 圖形庫完成數(shù)據(jù)的可視化，并能夠?qū)Ξ惓＝Y(jié)果進(jìn)行標(biāo)識。

總體技術(shù)上，本項目采用模型驅(qū)動 MDA的技術(shù)架構(gòu)。通過元模型，把同類的模型管理起來，如油田不同工序的時序數(shù)據(jù)、各種通過實驗的算法模型等，通過數(shù)據(jù)映射技術(shù)，實現(xiàn)不同模型之間的關(guān)聯(lián)，從而達(dá)到同一系統(tǒng)可推廣到分析不同工序數(shù)據(jù)的目的。

3 結(jié)論

本文針對液位數(shù)據(jù)進(jìn)行了分析，設(shè)計了一套儲罐液位異常檢測的模型，優(yōu)化了油田大多數(shù)平臺單方面分析數(shù)據(jù)的缺陷，利用液位數(shù)據(jù)的時序性對其進(jìn)行挖掘分析并給出了一套通用的分析框架，以便于將其推廣到油田中其他工序如鉆井、測井、錄井、井下作業(yè)等工程的異常檢測。

[1] Brockwell P J. Introduction to time series and forecasting,volume 1. Taylor & Francis, 2002.

[2] 龍瀅, 裘曉峰. 基于滑動窗口的單傳感器數(shù)據(jù)異常檢測[J].軟件, 2014, 35(12): 49-57

[3] 楊金偉. 基于距離和信息熵的不確定異常點檢測研究[D].云南大學(xué), 2011.

[4] 劉良旭, 樂嘉錦, 喬少杰, 宋加濤. 基于軌跡點局部異常度的異常點檢測算法[J]. 計算機(jī)學(xué)報, 2011, (10): 1966-1975.

[5] 劉丹丹, 陳啟軍, 森一之. 線性回歸模型的多離群點檢測方法及節(jié)能應(yīng)用[J]. 信息與控制, 2013, (06): 765-771.

[6] 張樂玫, 羅濤. 室內(nèi)定位特征選擇算法研究[J]. 軟件,2015, 36(1): 38-46

[7] 馮文霞, 王廣安. 數(shù)據(jù)挖掘在服務(wù)成本預(yù)測方面的應(yīng)用研究(SDCF-DM)[J]. 軟件, 2013, 34(4): 46-48

[8] 葛利. 基于過程神經(jīng)網(wǎng)絡(luò)的時序數(shù)據(jù)挖掘研究[D]. 哈爾濱工程大學(xué), 2012.

[9] 劉琦. 鉆井監(jiān)控系統(tǒng)的設(shè)計與研究[D]. 電子科技大學(xué),2011.

[10] 史鵬濤, 陳俊斌, 陳鵬剛. 智能完井新技術(shù)的研究及應(yīng)用[C]//石油鉆井院所長會議. 2008.

[11] 阮臣良, 朱和明, 馮麗瑩. 國外智能完井技術(shù)介紹[J]. 石油機(jī)械, 2011, (03): 82-84.

[12] 修妍. 基于改進(jìn)相空間加權(quán)局域法的混沌時序預(yù)測[J]. 軟件, 2013, 34(4): 34-37

[13] 吳江, 孫劍偉. 一種基于云模型的數(shù)據(jù)預(yù)測算法[J]. 軟件,2015, 36(12): 212-215

[14] 郭建明. 安全優(yōu)化鉆井實時監(jiān)控智能系統(tǒng)模型及應(yīng)用[J].西南石油大學(xué)學(xué)報(自然科學(xué)版), 2008, (06): 153-156+217.

[15] 閆學(xué)峰, 檀朝東, 吳曉東, 張杰. 油井生產(chǎn)實時分析優(yōu)化專家系統(tǒng)PES的研發(fā)及應(yīng)用[J]. 中國石油和化工, 2009,(11): 55-58.

[16] 陳銳, 李黔, 尹虎, 袁本福. 鉆井風(fēng)險實時監(jiān)測與診斷系統(tǒng)設(shè)計及應(yīng)用[J]. 斷塊油氣田, 2013, (01): 115-117.

[17] 楊傳書, 肖波, 肖莉, 等. 鉆井決策支持系統(tǒng)總體架構(gòu)設(shè)計[C]//度鉆井技術(shù)研討會暨石油鉆井院所長會議.2011.