ПРОГНОЗИРОВАНИЕ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭЛЕКТРОЦЕНТРОБЕЖНОГО НАСОСА НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Игорь Владимирович Каракулов, Андрей Владимирович Клюев, Валерий Юрьевич Столбов

Аннотация


Рассматривается задача прогнозирования состояния электроприводного центробежного насоса в процессе эксплуатации. Простои и недоборы, вызванные поломкой насоса, приводят к потерям при добыче нефти и требуют времени для замены оборудования. При помощи прогнозирования технического состояния появляется возможность минимизировать затраты на обслуживание насоса и сократить время простоя скважины. Для анализа состояния систем используют экспертные системы, основанные на знаниях, и методы предиктивной аналитики, основным из которых является использование моделей машинного обучения.
В работе используются методы, основанные на искусственных нейронных сетях. Цель исследования. Проработка вопросов возможности прогнозирования технического состояния насоса за счет использования современных моделей машинного обучения. Материалы и методы. Прогнозирование технического состояния оборудования осуществляется при помощи анализа временных рядов. Данные получены с телеметрических датчиков системы мониторинга, установленных на электроцентробежном насосе. Исходные данные снимались с интервалом в одну минуту. Была осуществлена предобработка исходных данных. Данные были очищены от пиков, которые явно выбиваются из нормального режима работы, и убраны периоды простоя скважины, на которых фазное напряжение равнялось нулю. Для прогнозирования временных рядов используется искусственная нейронная сеть с типом нейронов LSTM. Прогнозирование временного ряда осуществлялось на пять дней. Оценка параметров системы на длительные периоды времени позволяет оценить состояние ее компонентов и предотвращать поломку оборудования. Результаты. Исследованы возможности нейросетей, обученных на основе данных телеметрических датчиков системы мониторинга, предсказывать значения вертикальной вибрации насоса. Обосновано применение нейросетевой модели в виде LSTM, показавшей хорошие результаты при анализе временных рядов. Выявлено, что нейросети хорошо улавливают тренд внутри временного ряда, что говорит о возможности их применения совместно с экспертной системой. Заключение. Предложенные методы и модели апробированы на реальных данных, что подтверждает возможность их использования при разработке интеллектуальной информационной системы управления техническим состоянием электроцентробежного насоса в процессе эксплуатации.

Ключевые слова


электроприводный центробежный насос, прогнозирование, временные ряды, искусственная нейронная сеть, оценка точности прогнозирования, LSTM сеть

Полный текст:

PDF

Литература


Camilleri, L.A.P. How 24/7 Real-Time Surveillance Increases ESP Run Life and Uptime / L.A.P. Ca¬milleri, J. Macdonald // Society of Petroleum Engineers. – 2010, January 1. DOI: 10.2118/134702-MS

Истомин, Д.А. Экспертная система оценки технического состояния узлов электро-центробежных насосов на основе продукционного представления знаний и нечеткой ло-гики / Д.А. Истомин, В.Ю. Столбов, Д.Н. Платон // Вестник ЮУрГУ. Серия «Компью-терные технологии, управление, радиоэлектроника». – 2020. – Т. 20, № 1. – С. 133–143. DOI: 10.14529/ctcr200113

Application of a Fuzzy Expert System to Analyze and Anticipate ESP Failure Modes / D. Gras-sian, M. Bahatem, T. Scott, D. Olsen // Society of Petroleum Engineers. – 2017, November 13. DOI: 10.2118/188305-MS

Orchard, B. FuzzyCLIPS Version 6.10 d User’s Guide / B. Orchard. – National Research Council of Canada, 2004. – 82 p.

Riley, Gary. CLIPS: A Tool for Building Expert Systems [online] / Gary Riley. – GHG Corpo-ration, 2001. – http://www.ghg.net/clips/CLIPS.html (дата обращения: 19.04.2001).

Yan, Yu. Hands-On Data Science with Anaconda: Utilize the right mix of tools to create high-performance data science applications / Yu. Yan, J. Yan. – Packt Publishing-ebooks Account, 2018. – 364 p.

Брускин, С.Н. Модели и инструменты предиктивной аналитики для цифровой корпо-рации / С.Н. Брускин // Вестник РЭУ им. Г.В. Плеханова. – 2017. – № 5. – С. 136–139.

Умная платформа / А. Скобеев, Д. Маганов, В. Рогод и др. – 2019. – https://hbr-russia.ru/ innovatsii/tekhnologii/803089 (дата обращения: 11.06.2020).

Чучуева, И.А. Модель прогнозирования временных рядов по выборке максимального по-добия: дис. … канд. техн. наук / И.А. Чучуева. – М.: Московский государственный тех-нический университет им. Н.Э. Баумана, 2012.

Spatial Bayesian Network for predicting sea level rise induced coastal erosion in a small Pa-cific Island / O. Sahin, R.A. Stewart, G. Faivre et al. // Journal of Environmental Manage-ment. – May 15 2019. – Vol. 238. – P. 341–351. DOI: 10.1016/j.jenvman.2019.03.008

Bretherton, F.P. A technique for objective analysis and design of oceanographic experiments applied to MODE-73 / F.P. Bretherton, R.E. Davis, C. Fandry // Deep Sea Research and Oceanographic Abstracts. – Elsevier, 1976. – Vol. 23, no. 7. – P. 559–582.

Tealab, A. Time series forecasting using artificial neural networks methodologies: A systemat-ic review / A. Tealab // Future Computing and Informatics Journal. – 2018. – Vol. 3, no. 2. – p. 334–340.

George, E.P. Box and Gwilym M. Jenkins Time series analysis forecasting and control /

E.P. George. – San Francisco: Holden-Day, 1970. – 553 p.

Sagheer, A. Time series forecasting of petroleum production using deep LSTM recurrent net-works / A. Sagheer, M. Kotb // Neurocomputing. – 2019. – Vol. 323. – P. 203–213.

Ясницкий, Л.Н. Интеллектуальные системы / Л.Н. Ясницкий. – М.: Лаборатория зна-ний, 2016. – 221 с.

Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computa-tion: journal. – 1997. – Vol. 9, no. 8. – P. 1735–1780.




DOI: http://dx.doi.org/10.14529/ctcr200404

Ссылки

  • На текущий момент ссылки отсутствуют.