CN111461551B - 一种基于深度学习和spc准则的电潜泵故障预警方法 - Google Patents

Abstract

一种基于深度学习和SPC准则的电潜泵故障预警方法，包括以下步骤：获取数据集；保存训练集的标准化模型；构建CNN‑LSTM模型；应用模型前，对待评估电潜泵的监测参数进行筛选，并进行标准化；应用CNN‑LSTM训练模型，估算待评估电潜泵的监测参数值；计算电潜泵监测参数当前状态与正常状态间的差距；计算电潜泵的健康度；根据电潜泵健康度，判断电潜泵的运行的是否异常，从而触发报警机制。本发明的健康度是在综合考虑了多个参数实时残差的基础上计算而来，它避免了仅凭单参数异常来评估电潜泵健康情况简单模式；该方法的健康度提取过程不需要借助任何专家经验，不需要人工设立标签，大大减少人工参与，节省大量的人力。

Description

一种基于深度学习和SPC准则的电潜泵故障预警方法

技术领域

本发明涉及一种电潜泵故障预警方法，尤其涉及一种基于深度学习和SPC准则的电潜泵故障预警方法。

背景技术

电潜泵是海上钻井平台的采油设备，其性能是油井的产能的保障，电潜泵发生异常或故障时需及时维修或更换，为提升企业的运维效率，降低其故障率，缩短躺井时长，节约生产成本和时间成本，需对电潜泵运行状态实时进行检测，及时发现异常，并在故障发生前有效预警。目前比较成熟的电潜泵故障监测方法主要包括两种：

基于电潜泵运行机理的模型：该方法与控制理论紧密结合，通过电潜泵运行机理建立数学模型来预测油、气等产出，并将之与实际测量值比较，获得残差；对残差进行分析以确定过程是否发生故障，进一步辨识故障类型，其中，优点：结合物理认识与参数监控，通过分析残差来进行故障预警，易理解；缺点：多数机理模型均为简化的线性系统；实际工业过程中，往往是非线性、自由度较高、多变量耦合的系统；其使用效果并不理想。

基于专业知识的方法：该方法以人的经验知识为基础，推理出故障特征，即在电潜泵出现故障后，专家通过解刨设备，发现问题，结合故障前历史监测参数变化情况，定性或定量描述电潜泵采油过程中各元件之间的连接关系、故障传播模式等，总结出电潜泵故障的定性或定量特征，通过这些特征完成电潜泵故障预警和监测；其中，优点：当被监控对象较为简单，工艺知识和生产经验较为充足时，使用效果较好；缺点：预警准确度对专家知识的丰富程度和专家知识水平的高低具有很强的依赖性；很多经验很难用一种合理的形式化表达方式进行描述。

发明内容

为了解决上述技术所存在的不足之处，本发明提供了一种基于深度学习和SPC准则的电潜泵故障预警方法。

为了解决以上技术问题，本发明采用的技术方案是：一种基于深度学习和SPC准则的电潜泵故障预警方法，包括以下步骤：

步骤一、获取由全部电潜泵运行监测参数构成的数据集，分析电潜泵运行机理及数据缺失情况，确定能够反映电潜泵性能的监测参数，保存这些参数项的名称；

步骤二、从电潜泵的历史运行数据中截取部分监测参数的数据作为训练集；为训练集进行参数筛选、数据清洗以及参数标准化处理，并且保存训练集的标准化模型；其中，在参数筛选过程中，监测参数的选择是从步骤一中保存的数据项中获取的；在数据清洗过程中，仅保留正常运行时段内的数据，剔除故障时段内的数据；标准化处理使数据符合标准正态分布；

步骤三、构建CNN-LSTM模型，将训练集中电潜泵的每个监测参数值作为模型的目标，其他监测参数值作为模型的输入，进行有监督训练，并保存训练成果模型；

步骤四、应用模型前，对待评估电潜泵的监测参数进行筛选，并对参数值进行标准化；其中，获取当前待评估电潜泵的监测数据，筛选该泵的监测参数项，并对其筛选结果集进行标准化，这两步的处置依据来自于步骤一、步骤二所保存的参数项列表和标准化模型；

步骤五、根据步骤四，应用CNN-LSTM训练模型，估算待评估电潜泵的监测参数值；

步骤六、计算电潜泵监测参数当前状态与正常状态间的差距；监测参数当前状态与正常状态间的差距计算如公式①所示：

其中，y为监测参数观测值，y′为监测参数估算值，r为监测参数差异；

步骤七、根据步骤六中电潜泵当前状态与正常状态间的差距，计算电潜泵的健康度；健康度计算如公式②所示：

其中，

为监测参数差异的均值，即

S为电潜泵健康度；

步骤八、根据步骤七获得的电潜泵健康度，判断电潜泵的运行的是否异常，从而触发报警机制。

进一步地，步骤二中参数标准化的处理方法为Z-score标准化方法，其中新数据集方差为1，均值为0，处理后的数据符合标准正态分布。

进一步地，步骤三中构建CNN-LSTM模型的方法为：

a、设定CNN层数、滤波器数量、卷积尺寸大小参数，将电潜泵的N个有效监测参数中的N-1个作为CNN的输入，运用CNN中卷积层、激活函数、池化层遍历整个输入数据序列，提取N-1个监测参数的局部信息，挖掘深层特征；

b、将步骤a中获取的深层特征通过LSTM网络进行有监督训练，并保存成果模型。

进一步地，步骤a中卷积层的运算如公式③所示：

其中，

为第l层的第i个卷积核的第j'个权值，

为第l层中第j个被卷积的局部区域，V为卷积核的宽度。

进一步地，步骤a中激活函数的运算如公式④～⑥所示：

a^l(i,j)＝f(y^l(i,j))＝max{0,y^l(i,j)}， 公式⑥

其中，a^l(i,j)为激活值，y^l(i,j)为卷积层输出值，其中l(i,j)为第l层的第i个卷积核的第j个被卷积的局部区域。

进一步地，池化层的计算如公式⑦和⑧所示：

其中，a^l(i,t)为第l层第i个特征图的第t个神经元输出的激活值，p^l(i,j)为第l层第i个特征图的第j个神经元池化后输出的特征值，W为池化窗口宽度。

进一步地，LSTM网络的计算更新状态分为以下步骤：

Ⅰ、临时记忆状态信息c_t；在更新记忆单元c_t之前，会先产生临时的记忆单元c_t；而c_t是由当前时刻t的输入以及上一时刻t-1的隐层单元输出共同作用，分别与各自权重矩阵线性组合，得到当前时刻候选记忆单元值，更新记忆单元状态信息，如公式⑨所示：

c_t＝tanh(W_xcx_t+W_hch_t-1+b_c)， 公式⑨

Ⅱ、计算输入门值i_t；当前数据信息通过输入门进行有选择的存储到记忆单元中，从而影响当前记忆单元状态值；如公式⑩所示：

i_t＝σ(W_xix_t+W_hih_t-1+b_i)， 公式⑩

Ⅲ、计算遗忘门的值f_t；遗忘门主要进行处理记忆单元中的哪些信息需要被舍弃；如公式

所示：

Ⅳ、计算当前时刻记忆单元状态值c_t，如公式

所示：

式中，

表示逐点乘积；可以看出，记忆单元状态更新由上一时刻的单元值c_t-1和临时记忆状态信息c_t共同作用，并利用遗忘门和输入门的共同作用对信息进行选择、调节；

Ⅴ、计算输出门o_t；输出门主要对记忆单元状态值的输出进行作用；如公式

所示：

Ⅵ、LSTM单元记忆输出h_t，如公式

所示：

其中：W_xc、W_xi、W_xf、W_xo分别为在时刻t的输出层x_t和隐藏层h_t间的连接权值，W_hc、W_hi、W_hf、W_ho分别是在时刻t-1与时刻t之间的隐藏层连接权值，b_c、b_i、b_f、b_o输入节点、输入门、遗忘门、输出门的偏置，h_t-1为前一时刻输出，σ为sigmoid函数，取值为(0,1)。

进一步地，步骤八中判断电潜泵的运行的是否异常的评估方法为采用应用SPC准则或采用多项式拟合健康度变化趋势。

本发明具有的有益效果为：本发明考虑到LSTM擅长序列结构分析，CNN擅长特征提取与变换，所以提出一种基于CNN-LSTM网络的深度学习模型，该模型可以将电潜泵的健康状态进行量化，即健康度估计，并结合SPC准则判断健康度的变化趋势，进而对电潜泵的健康状况进行预警，其优点如下：

该方法的健康度是在综合考虑了多个参数实时残差的基础上计算而来，它避免了仅凭单参数异常来评估电潜泵健康情况简单模式；

该方法的健康度提取过程不需要借助任何专家经验，不需要人工设立标签，大大减少人工参与，节省大量的人力。

附图说明

图1为本发明的技术方案逻辑流程图。

图2为CNN-LSTM模型结构示意图。

图3为LSTM记忆单元结构示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步详细的说明。

如图1所示的一种基于深度学习和SPC准则的电潜泵故障预警方法，包括以下步骤：

步骤一：采集电潜泵原始数据，分析电潜泵运行机理及数据缺失情况，确定能够反映电潜泵性能的监测参数，保存这些参数项的名称。具体内容为：获取由全部电潜泵运行监测参数构成的数据集，分析数据集中电潜泵运行机理，选择能够反映电潜泵性能的监测参数，为训练集保存这些参数项的名称。

步骤二：从电潜泵的历史运行数据中截取部分监测参数的数据作为训练集，并对训练集进行数据清洗、标准化等操作，并保存标准化模型。具体内容为：为训练集进行参数筛选、数据清洗、参数标准化等操作，保存训练集的标准化模型，其中，在参数筛选过程中，监测参数的选择是从步骤一中保存的数据项中获取的；而在数据清洗过程中，仅保留正常运行时段内的数据，故障时段内的数据需剔除；标准化过程采用方法Z-score，即应用公式X＝(x-μ)/σ使得新的X数据集方差为1，均值为0，这样处理后的数据将符合标准正态分布。

步骤三：构建CNN-LSTM模型，分别将训练集中电潜泵的每个监测参数值作为模型的目标，其他如训练集外的监测参数值作为模型的输入，进行有监督训练，并保存训练成果模型，完整的CNN-LSTM模型结构如图2所示。

假设训练集形如D_trc＝{X_t，y_t}^T，其中y_t∈R¹表示在时刻t处某监测参数p的特征，X_t∈R^N-1表示在时刻t处参数p之外的N-1维特征，具体建模过程如下：

步骤a：设定CNN层数、滤波器数量、卷积尺寸大小等参数，将电潜泵的N个有效监测参数中的N-1个作为CNN的输入，运用CNN中卷积层、激活函数、池化层的公式③～⑧遍历整个输入数据序列，提取N-1个监测参数的局部信息，挖掘深层特征。卷积神经网络层(CNN)可以尝试替换为深度学习层(DNN)，但CNN的优点明显，它可以捕捉数据的局部特征(卷积层)和全局特征(池化层)，且共享卷积核，对高维数据处理无压力。

卷积层运算：

式中：

为第l层的第i个卷积核的第j'个权值，

为第l层中第j个被卷积的局部区域，V为卷积核的宽度。

激活函数：

a^l(i,j)＝f(y^l(i,j))＝max{0,y^l(i,j)}， 公式⑥

式中：a^l(i,j)为激活值，y^l(i,j)为卷积层输出值，其中l(i,j)为第l层的第i个卷积核的第j个被卷积的局部区域。

池化函数：

式中：a^l(i,t)为第l层第i个特征图的第t个神经元输出的激活值，p^l(i,j)为第l层第i个特征图的第j个神经元池化后输出的特征值，W为池化窗口宽度。

步骤b：将步骤a中获取的深层特征输入到LSTM网络中，运用公式

及LSTM记忆单元对时间序列数据具有长短期记忆的优势，进行有监督训练，并保存成果模型。

LSTM网络是由RNN改进而来，在RNN的隐藏层加入细胞记忆单元结构，其中包括三个门控制器：输入门i、遗忘门f和输出门o，可以允许网络遗忘历史信息，也可以运用新信息更新记忆状态，使模型具有一定的学习到长期依赖信息的能力，有效的克服梯度消失或爆炸问题。在训练和识别过程中，LSTM隐藏层的状态值依赖当前输入及前一时刻的隐藏层状态值，不断循环该过程直至输入全部完成。其中，通过三个门的作用控制新的信息对神经元的影响，可以使LSTM网络能够较长时间的保存并传递信息，有效处理序列数据。LSTM记忆单元结构如图3所示。

从图中可以看到该三个门都采用sigmoid函数，并且都是非线性求和单元，同时对模块内部和外部的激活函数都包含在内，利用乘法运算来控制单元的激活函数。其计算更新状态分为以下步骤：

Ⅰ、临时记忆状态信息c_t。在更新记忆单元c_t之前，会先产生临时的记忆单元c_t。而c_t是由当前时刻t的输入以及上一时刻t-1的隐层单元输出共同作用，分别与各自权重矩阵线性组合，得到当前时刻候选记忆单元值，更新记忆单元状态信息。

c_t＝tanh(W_xcx_t+W_hch_t-1+b_c)， 公式⑨

Ⅱ、计算输入门值i_t。当前数据信息通过输入门进行有选择的存储到记忆单元中，从而影响当前记忆单元状态值。

i_t＝σ(W_xix_t+W_hih_t-1+b_i)， 公式⑩

Ⅲ、计算遗忘门的值f_t。遗忘门主要进行处理记忆单元中的哪些信息需要被舍弃。

Ⅳ、计算当前时刻记忆单元状态值c_t。

式中，

表示逐点乘积。可以看出，记忆单元状态更新主要由上一时刻的单元值c_t-1和临时记忆状态信息c_t共同作用，并利用遗忘门和输入门的共同作用对信息进行选择、调节。

Ⅴ、计算输出门o_t。输出门主要对记忆单元状态值的输出进行作用。

Ⅵ、LSTM单元记忆输出h_t。

其中：W_xc、W_xi、W_xf、W_xo分别为在时刻t的输出层x_t和隐藏层h_t间的连接权值，W_hc、W_hi、W_hf、W_ho分别是在时刻t-1与时刻t之间的隐藏层连接权值，b_c、b_i、b_f、b_o输入节点、输入门、遗忘门、输出门的偏置，h_t-1为前一时刻输出，σ为sigmoid函数，取值为(0,1)。

步骤四：应用模型前，对待评估电潜泵的监测参数进行筛选、并对参数值进行标准化。具体内容为：获取当前待评估电潜泵的监测数据，筛选该泵的监测参数项，并对其筛选结果集进行标准化，这两步的处置依据来自于步骤1、步骤2所保存的参数项列表和标准化模型。

步骤五：应用CNN-LSTM模型估算待评估电潜泵的监测参数值。具体内容为：根据步骤4，应用CNN-LSTM训练模型，估算当前电潜泵的各监测参数值。

步骤六：计算电潜泵各监测参数当前状态与正常状态间的差距。监测参数当前状态与正常状态间的差距计算公式如下：

式中，y为监测参数观测值，y′为监测参数估算值，r为监测参数差异。

步骤七：根据步骤六中电潜泵当前状态与正常状态间的差距，计算电潜泵的健康度。健康度计算公式如下：

式中，

为各监测参数差异的均值，即

S为电潜泵健康度。

步骤八：参考SPC准则的八大判异准则，定义可实时监测电潜泵健康度变化的SPC规则，具体内容如下：

SPC主要是指应用统计分析技术对生产过程进行实时监控，科学的区分出生产过程中产品质量的随机波动与异常波动，从而对生产过程的异常趋势提出预警，以便生产管理人员及时采取措施，消除异常，恢复过程的稳定，从而达到提高和控制质量的目的。SPC准则的八大判异准则如下：

规则1：1个点落在距中心线三倍标准差以外；

规则2：连续9点落在中心线同一侧；

规则3：连续6点递增或递减；

规则4：连续14点中相邻点交替上下；

规则5：连续3点中有2点落在中心线同一测的两倍标准差之外；

规则6：连续5点中有4点落在中心线同一侧的一倍标准差之外；

规则7：连续15点落在中心线两侧的一倍标准差以内；

规则8：连续8点落在中心线两侧且无一在一倍标准差以内；

由于步骤七计算出来的电潜泵健康度序列，能够反映电潜泵的健康情况，故筛选适用的SPC准则，用于判断电潜泵的运行的是否异常，具体选用的规则如下：

规则1.序列中单点值在低于中心线3个标准差以下时触发；

规则2.序列中连续9个点的值在低于中心线时触发；

规则3.序列中连续6点稳定下降时触发；

规则4.序列中连续3点中的2点的值在低于中心线2个标准差以下时触发；

规则5.序列中连续5点中的4点的值在低于中心线1个标准差以下时触发；

规则6.序列中连续14点的值大小交替出现时触发；

规则7.序列中连续8点的值在中心线的两边，且在距中心线1个标准差以外时触发。

应用上述定义的SPC准则，实时监控步骤七计算出来的电潜泵健康度序列值，判断电潜泵的运行的是否异常，从而触发报警机制。

在此步骤中，可以不采用SPC准则对电潜泵的健康状况进行评估，因为LSTM层已经考虑了序列的时间特征，序列的趋势特征会表现在输出结果中，所以可以采用多项式拟合健康度变化趋势，进而通过阀值来预警。

上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (8)

1.一种基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：包括以下步骤：

步骤一、获取由全部电潜泵运行监测参数构成的数据集，分析电潜泵运行机理及数据缺失情况，确定能够反映电潜泵性能的监测参数，保存这些参数项的名称；

步骤二、从电潜泵的历史运行数据中截取部分监测参数的数据作为训练集；为训练集进行参数筛选、数据清洗以及参数标准化处理，并且保存训练集的标准化模型；其中，在参数筛选过程中，监测参数的选择是从步骤一中保存的数据项中获取的；在数据清洗过程中，仅保留正常运行时段内的数据，剔除故障时段内的数据；标准化处理使数据符合标准正态分布；

步骤三、构建CNN-LSTM模型，将训练集中电潜泵的每个监测参数值作为模型的目标，其他监测参数值作为模型的输入，进行有监督训练，并保存训练成果模型；

步骤四、应用模型前，对待评估电潜泵的监测参数进行筛选，并对参数值进行标准化；其中，获取当前待评估电潜泵的监测数据，筛选该泵的监测参数项，并对其筛选结果集进行标准化，这两步的处置依据来自于步骤一、步骤二所保存的参数项列表和标准化模型；

步骤五、根据步骤四，应用CNN-LSTM训练模型，估算待评估电潜泵的监测参数值；

步骤六、计算电潜泵监测参数当前状态与正常状态间的差距；监测参数当前状态与正常状态间的差距计算如公式①所示：

其中，y为监测参数观测值，y′为监测参数估算值，r为监测参数差异；

步骤七、根据步骤六中电潜泵当前状态与正常状态间的差距，计算电潜泵的健康度；健康度计算如公式②所示：

其中，

为监测参数差异的均值，即

S为电潜泵健康度；

步骤八、根据步骤七获得的电潜泵健康度，判断电潜泵的运行的是否异常，从而触发报警机制。

2.根据权利要求1所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述步骤二中参数标准化的处理方法为Z-score标准化方法，其中新数据集方差为1，均值为0，处理后的数据符合标准正态分布。

3.根据权利要求1所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述步骤三中构建CNN-LSTM模型的方法为：

a、设定CNN层数、滤波器数量、卷积尺寸大小参数，将电潜泵的N个有效监测参数中的N-1个作为CNN的输入，运用CNN中卷积层、激活函数、池化层遍历整个输入数据序列，提取N-1个监测参数的局部信息，挖掘深层特征；

b、将步骤a中获取的深层特征通过LSTM网络进行有监督训练，并保存成果模型。

4.根据权利要求3所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述步骤a中卷积层的运算如公式③所示：

其中，

为第l层的第i个卷积核的第j′个权值，

为第l层中第j个被卷积的局部区域，V为卷积核的宽度。

5.根据权利要求4所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述步骤a中激活函数的运算如公式④～⑥所示：

a^l(i，j)＝f(y^l(i，j))＝max{0，y^l(i，j)}， 公式⑥

其中，a^l(i，j)为激活值，y^l(i，j)为卷积层输出值，其中l(i，j)为第l层的第i个卷积核的第j个被卷积的局部区域。

6.根据权利要求5所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述池化层的计算如公式⑦和⑧所示：

其中，a^l(i，t)为第l层第i个特征图的第t个神经元输出的激活值，p^l(i，j)为第l层第i个特征图的第j个神经元池化后输出的特征值，W为池化窗口宽度。

7.根据权利要求3所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述LSTM网络的计算更新状态分为以下步骤：

Ⅰ、临时记忆状态信息c_t；在更新记忆单元c_t之前，会先产生临时的记忆单元c_t；而c_t是由当前时刻t的输入以及上一时刻t-1的隐层单元输出共同作用，分别与各自权重矩阵线性组合，得到当前时刻候选记忆单元值，更新记忆单元状态信息，如公式⑨所示：

c_t＝tanh(W_xcx_t+W_hch_t-1+b_c)， 公式⑨

Ⅱ、计算输入门值i_t；当前数据信息通过输入门进行有选择的存储到记忆单元中，从而影响当前记忆单元状态值；如公式⑩所示：

i_t＝σ(W_xix_t+W_hih_t-1+b_i)， 公式⑩

Ⅲ、计算遗忘门的值f_t；遗忘门主要进行处理记忆单元中的哪些信息需要被舍弃；如公式

所示：

Ⅳ、计算当前时刻记忆单元状态值c_t，如公式

所示：

式中，

表示逐点乘积；可以看出，记忆单元状态更新由上一时刻的单元值c_t-1和临时记忆状态信息c_t共同作用，并利用遗忘门和输入门的共同作用对信息进行选择、调节；

Ⅴ、计算输出门o_t；输出门主要对记忆单元状态值的输出进行作用；如公式

所示：

Ⅵ、LSTM单元记忆输出h_t，如公式

所示：

其中：W_xc、W_xi、W_xf、W_xo分别为在时刻t的输出层x_t和隐藏层h_t间的连接权值，W_hc、W_hi、W_hf、W_ho分别是在时刻t-1与时刻t之间的隐藏层连接权值，b_c、b_i、b_f、b_o输入节点、输入门、遗忘门、输出门的偏置，h_t-1为前一时刻输出，σ为sigmoid函数，取值为(0,1)。

8.根据权利要求1所述的基于深度学习和SPC准则的电潜泵故障预警方法，其特征在于：所述步骤八中判断电潜泵的运行的是否异常的评估方法为采用应用SPC准则或采用多项式拟合健康度变化趋势。

Images