基于特征標(biāo)記的油田無人值守站運(yùn)行異常辨識研究

趙敏 王云輝 王華 付兵 金峰 （長慶油田第五采油廠）

1 概述

數(shù)字化技術(shù)的快速發(fā)展，不僅給人們的日常生活帶來了方便，也使得很多領(lǐng)域?qū)崿F(xiàn)了智能化發(fā)展，油田巡檢就是其中之一。在傳統(tǒng)的油田管理中，會設(shè)置人工巡檢，以此保證油田的正常運(yùn)行，但這種巡檢方式需要耗費(fèi)大量的人力物力，且巡檢數(shù)據(jù)不易保存，無法及時發(fā)現(xiàn)油田存在的隱患。通過油田無人值守站來對油田的運(yùn)行進(jìn)行巡檢，其不僅能夠?qū)崟r掌握油田及周邊環(huán)境的情況，而且能夠及時解決突發(fā)情況。然而，無人值守站也會因受到外界因素的影響在運(yùn)行過程中出現(xiàn)異常，因此需要對其進(jìn)行異常辨識。

不少研究學(xué)者針對異常辨識方法展開了研究，并提出了自己的想法。一是首先采集低壓臺區(qū)線損數(shù)據(jù)，并對采集的數(shù)據(jù)進(jìn)行預(yù)處理，剔除外界因素對數(shù)據(jù)的干擾。然后在考慮分布光伏的前提下，提取線損數(shù)據(jù)的特征，并對其進(jìn)行分類，從而實(shí)現(xiàn)對狀態(tài)異常辨識，但該方法的辨識時間過長[1]。二是通過對風(fēng)機(jī)運(yùn)行狀態(tài)的監(jiān)測和分析，提取其中的異常狀態(tài)數(shù)據(jù)，并融合分形特征，構(gòu)建相應(yīng)的異常辨識模型，從而實(shí)現(xiàn)對風(fēng)機(jī)異常運(yùn)行狀態(tài)的辨識，但該方法辨識的結(jié)果不準(zhǔn)確[2]。三是對配電站的備自投動作狀態(tài)進(jìn)行捕捉，并提取其中的數(shù)據(jù)特征，在網(wǎng)損平衡異動分析的作用下，構(gòu)建相應(yīng)的狀態(tài)辨識模型，從而實(shí)現(xiàn)對其動作狀態(tài)的辨識，但該方法的應(yīng)用成本較高[3]。

在上述研究的基礎(chǔ)上，設(shè)計了基于特征標(biāo)記的油田無人值守站運(yùn)行異常辨識方法。通過采集油田無人值守站的運(yùn)行狀態(tài)數(shù)據(jù)并對數(shù)據(jù)進(jìn)行預(yù)處理，提取出其中的異常運(yùn)行狀態(tài)數(shù)據(jù)，并對異常狀態(tài)特征進(jìn)行標(biāo)記處理，從而實(shí)現(xiàn)對無人值守站異常運(yùn)行狀態(tài)的辨識。設(shè)計的方法能夠及時發(fā)現(xiàn)無人值守站運(yùn)行過程中存在的問題，并制定相應(yīng)的解決措施，保證無人值守站的穩(wěn)定運(yùn)行[4-5]。

2 無人值守站運(yùn)行異常辨識方法

2.1 運(yùn)行數(shù)據(jù)采集及預(yù)處理

為實(shí)現(xiàn)對無人值守站運(yùn)行狀態(tài)異常的辨識，需要采集一段時間內(nèi)的無人值守站運(yùn)行數(shù)據(jù)。一般來說，數(shù)據(jù)采集時長為6 個月。在采集無人值守站的運(yùn)行狀態(tài)數(shù)據(jù)后，考慮到無人值守站在運(yùn)行過程中受到周圍環(huán)境的影響，采集的數(shù)據(jù)中存在大量不良數(shù)據(jù)，導(dǎo)致數(shù)據(jù)質(zhì)量整體較差，無法準(zhǔn)確表征無人值守站正常運(yùn)行和異常運(yùn)行之間的差異[6]。因此，需要對采集的數(shù)據(jù)進(jìn)行預(yù)處理。該設(shè)計數(shù)據(jù)預(yù)處理的過程分為兩部分，一是數(shù)據(jù)清洗，二是數(shù)據(jù)降噪處理。其中數(shù)據(jù)清洗是將采集的數(shù)據(jù)進(jìn)行簡化處理，去除其中的重復(fù)數(shù)據(jù)，并將剩余的數(shù)據(jù)轉(zhuǎn)換成標(biāo)準(zhǔn)化數(shù)據(jù)，以便用于后續(xù)分析[7]。

在數(shù)據(jù)清洗過程中，首先將采集的數(shù)據(jù)按照數(shù)據(jù)清洗的規(guī)則進(jìn)行相關(guān)處理。若符合要求，則直接輸出處理后的數(shù)據(jù)[8]。若不符合要求，則需要判斷數(shù)據(jù)中是否存在重復(fù)值、缺失值和無效值。若存在，則刪除數(shù)據(jù)中的重復(fù)值；若不存在，則直接對數(shù)據(jù)進(jìn)行下一步處理。在上述過程的基礎(chǔ)上，再對數(shù)據(jù)的一致性進(jìn)行判斷。若不符合要求，則需要對數(shù)據(jù)進(jìn)行歸一化計算，保證數(shù)據(jù)的一致性，再輸出處理后的數(shù)據(jù)。通過上述處理，完成對數(shù)據(jù)的清洗[9]。然后，對數(shù)據(jù)進(jìn)行降噪處理。在降噪處理的過程中，首先得到含有噪聲的數(shù)據(jù)模型，以此為基礎(chǔ)，對數(shù)據(jù)進(jìn)行分解，將其中的噪聲進(jìn)行分離處理，再將數(shù)據(jù)按照既定的規(guī)則進(jìn)行重構(gòu)，從而得到去除噪聲后的平滑數(shù)據(jù)。具體降噪過程：

式中：S(x)為含有噪聲的一階數(shù)據(jù)模型；x為數(shù)據(jù)采集點(diǎn)；m(x)為真實(shí)的數(shù)據(jù)；δ為設(shè)定的噪聲閾值；e(x)為噪聲函數(shù)；f(x)為噪聲處理的結(jié)果；C為需要進(jìn)行降噪處理的數(shù)據(jù)數(shù)量，個；Wf(a,b)為降噪函數(shù)；ψ(·) 為降噪后的重構(gòu)函數(shù)；a、b分別表示為降噪處理的各項參數(shù)。

在上述過程中，分別對采集的數(shù)據(jù)進(jìn)行了數(shù)據(jù)清洗和降噪處理，提高了數(shù)據(jù)的質(zhì)量，為后續(xù)運(yùn)行狀態(tài)數(shù)據(jù)的特征提取及標(biāo)記奠定了基礎(chǔ)[10]。

2.2 運(yùn)行異常數(shù)據(jù)特征提取

在對無人值守站的異常數(shù)據(jù)進(jìn)行特征提取時，因其在運(yùn)行過程中不同設(shè)備和儀器的運(yùn)行參量及剩余壽命不同，且不同設(shè)備之間的相關(guān)性也存在一定的差異，因此需要直接提取異常數(shù)據(jù)的特征量，以此對無人值守站異常運(yùn)行狀態(tài)進(jìn)行分析。選取數(shù)據(jù)的統(tǒng)計均值、方差和均方根值作為異常數(shù)據(jù)的特征量。其中，數(shù)據(jù)的統(tǒng)計均值能夠直接反映無人值守站的異常運(yùn)行情況，方差能夠展示異常運(yùn)行狀態(tài)出現(xiàn)時的波動情況，均方根值能夠反映異常運(yùn)行狀態(tài)對無人值守站的影響。異常數(shù)據(jù)特征量的具體計算過程：

式中：S為異常數(shù)據(jù)的均值；n為異常數(shù)據(jù)數(shù)量，個；ri為異常數(shù)據(jù)特征值；pri為該異常數(shù)據(jù)出現(xiàn)的可能性；M為異常數(shù)據(jù)的方差；rˉ為異常數(shù)據(jù)的真實(shí)數(shù)值；R為異常數(shù)據(jù)的均方根值。

2.3 異常狀態(tài)特征標(biāo)記

通過公式（2）提取出異常數(shù)據(jù)的特征量，對異常狀態(tài)特征標(biāo)記。特征標(biāo)記是指通過對數(shù)據(jù)中的特征進(jìn)行標(biāo)記，以表示其在某種條件或環(huán)境下的狀態(tài)或?qū)傩浴＿@種標(biāo)記可以是數(shù)字、符號、顏色等形式，用于輔助分析和判斷。在無人值守站運(yùn)行狀態(tài)異常辨識中，特征標(biāo)記的創(chuàng)新點(diǎn)如下：

1） 直觀可視化，通過對關(guān)鍵特征進(jìn)行標(biāo)記，可以直觀地展示數(shù)據(jù)的狀態(tài)。例如，將正常運(yùn)行狀態(tài)標(biāo)記為綠色，異常運(yùn)行狀態(tài)標(biāo)記為紅色，以便快速辨識異常情況。

2） 提高準(zhǔn)確性，通過對關(guān)鍵特征進(jìn)行標(biāo)記，可以突出特征的重要性，幫助辨識算法更加關(guān)注和利用有用的特征信息，這有助于提高無人值守站運(yùn)行狀態(tài)異常辨識的準(zhǔn)確性。

3） 加強(qiáng)關(guān)聯(lián)性分析，通過對特征進(jìn)行標(biāo)記，可以更好地捕捉不同特征之間的關(guān)聯(lián)關(guān)系。例如，將相似特征標(biāo)記為同一類別，便于進(jìn)行相關(guān)性分析和模式辨識，進(jìn)一步深入了解異常產(chǎn)生的原因和機(jī)制。

4）簡化特征選擇，在無人值守站的異常辨識中，可能存在大量的特征待選。通過特征標(biāo)記，可以對特征進(jìn)行分類和歸類，從而簡化特征選擇的過程。這有助于減少特征空間的維度，并且更集中地關(guān)注與異常相關(guān)的特征。

在對異常數(shù)據(jù)進(jìn)行標(biāo)記時，需要將所有的數(shù)據(jù)特征都集中在同一個特征空間中。在該特征空間中，利用數(shù)據(jù)的時域性，劃分出對應(yīng)的時域平面。在該時域平面內(nèi)，由于時域能量的不同，異常數(shù)據(jù)的特征會集中在不同的時域平面上，從而實(shí)現(xiàn)異常狀態(tài)特征標(biāo)記。異常狀態(tài)特征標(biāo)記過程見圖1。利用時域能量去檢測異常狀態(tài)數(shù)據(jù)，并將檢測到的異常狀態(tài)數(shù)據(jù)進(jìn)行標(biāo)記，為后續(xù)的異常辨識奠定基礎(chǔ)。

圖1 異常狀態(tài)特征標(biāo)記過程Fig.1 Process of abnormal state characteristic marking

在上述設(shè)計的基礎(chǔ)上，進(jìn)行對無人值守站運(yùn)行狀態(tài)異常的辨識。利用提取的異常數(shù)據(jù)特征，再結(jié)合特征標(biāo)記的結(jié)果，構(gòu)建相應(yīng)的運(yùn)行狀態(tài)異常辨識模型。油田無人值守站運(yùn)行異常辨識模型見圖2。

圖2 油田無人值守站運(yùn)行異常辨識模型Fig.2 Abnormal identification model of unattended station operation in oilfield

首先對輸入的無人值守站運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，并對預(yù)處理后的狀態(tài)數(shù)據(jù)進(jìn)行特征提取。然后提取出其中的異常數(shù)據(jù)特征，通過計算對應(yīng)的異常辨識參數(shù)，實(shí)現(xiàn)對無人值守站運(yùn)行狀態(tài)異常的辨識。在上述過程中，異常辨識參數(shù)的計算過程：

式中：W為構(gòu)建的運(yùn)行狀態(tài)異常辨識模型；f(i)為異常數(shù)據(jù)判別函數(shù)；Ki為異常辨識模型中的特征變量；t為時間變量；d為辨識模型中的異常辨識參數(shù)；Gi為外界的干擾參數(shù)。

通過公式（3），計算出數(shù)據(jù)的異常辨識參數(shù)。當(dāng)該異常辨識參數(shù)達(dá)到設(shè)定閾值時，則說明無人值守站當(dāng)前的運(yùn)行狀態(tài)出現(xiàn)異常，需要進(jìn)行及時處理。由此，完成對無人值守站異常運(yùn)行狀態(tài)的辨識。至此，基于特征標(biāo)記的油田無人值守站運(yùn)行異常辨識方法的設(shè)計完成。

3 實(shí)驗測試

3.1 實(shí)驗準(zhǔn)備

為驗證設(shè)計的異常狀態(tài)特征標(biāo)記的辨識方法在實(shí)際應(yīng)用中的效果，進(jìn)行實(shí)驗測試。實(shí)驗中，以某油田無人值守站為實(shí)驗對象，進(jìn)行相關(guān)實(shí)驗測試。

對某油田無人值守站進(jìn)行數(shù)據(jù)采集，采集時間為6 個月，采樣點(diǎn)為6 000 個，采集的無人值守站運(yùn)行數(shù)據(jù)見圖3。

圖3 某油田無人值守站運(yùn)行數(shù)據(jù)采集結(jié)果Fig.3 Data collection results of unattended station operation in an oilfield

以圖3 采集的運(yùn)行狀態(tài)數(shù)據(jù)作為基礎(chǔ)，為提高采集數(shù)據(jù)的質(zhì)量，對其進(jìn)行預(yù)處理。預(yù)處理后的無人值守站運(yùn)行數(shù)據(jù)見圖4。

圖4 預(yù)處理后的無人值守站運(yùn)行數(shù)據(jù)Fig.4 Operating data of unattended station after appointment processing

采集的數(shù)據(jù)經(jīng)過預(yù)處理后，數(shù)據(jù)的質(zhì)量得到了提高，能夠用于后續(xù)實(shí)驗。此外，為提高實(shí)驗結(jié)果的可靠性，設(shè)置了相應(yīng)的對照實(shí)驗。其中，基于特征標(biāo)記的油田無人值守站運(yùn)行異常辨識方法為方法1，基于多源數(shù)據(jù)重構(gòu)的油田無人值守站運(yùn)行異常辨識方法為方法2，基于卷積神經(jīng)網(wǎng)絡(luò)的油田無人值守站運(yùn)行異常辨識方法為方法3。

3.2 實(shí)驗結(jié)果與討論

為驗證三種方法在實(shí)際應(yīng)用中的效果，以三種方法的辨識準(zhǔn)確率為評價指標(biāo)，對比三種方法的性能。實(shí)驗中，利用三種方法對某油田10 座無人值守站的運(yùn)行狀態(tài)進(jìn)行辨識，統(tǒng)計其辨識結(jié)果。辨識結(jié)果見表1。

表1 辨識結(jié)果Tab.1 Identification results

根據(jù)表1 可知，方法1 的辨識準(zhǔn)確率最高。因此，基于特征標(biāo)記的油田無人值守站運(yùn)行異常辨識方法在實(shí)際應(yīng)用中效果最好，能夠準(zhǔn)確辨識無人值守站在運(yùn)異常，能夠確保無人值守站的穩(wěn)定運(yùn)行。

4 結(jié)束語

1）為了提高辨識準(zhǔn)確度，對數(shù)據(jù)進(jìn)行清洗和降噪處理。這一步驟在異常辨識中起到了關(guān)鍵作用，提高了異常數(shù)據(jù)特征的提取效果。

2）采取均值、方差和均方根值等統(tǒng)計量作為異常數(shù)據(jù)的特征，并對異常狀態(tài)特征進(jìn)行了標(biāo)記處理。這種方法不僅充分利用了數(shù)據(jù)的統(tǒng)計特性，還提高了辨識模型的可解釋性和準(zhǔn)確度。

3）通過測試，實(shí)驗結(jié)果表明，所設(shè)計方法具有很高的辨識準(zhǔn)確率，辨識準(zhǔn)確率平均值為93.77%，這一結(jié)果表明該方法在辨識油田無人值守站運(yùn)行異常方面具有較好的效果，可在實(shí)際應(yīng)用中得到廣泛應(yīng)用。

通過對研究成果的應(yīng)用及時發(fā)現(xiàn)運(yùn)行異常，并采取相應(yīng)的措施進(jìn)行處理，從而降低運(yùn)維成本和風(fēng)險，提高生產(chǎn)效率和安全性。而其缺陷在于僅對油田中的數(shù)個無人值守站進(jìn)行實(shí)驗測試，導(dǎo)致實(shí)驗結(jié)果存在單一性，在之后的研究中將采集更多的樣本進(jìn)行相關(guān)實(shí)驗，以此最大程度上保證辨識精度。