Серия «Компьютерные технологии, управление, радиоэлектроника»

Введение. Оценка состояния узлов электроцентробежных насосов является одной из множества задач, которые необходимо решить для повышения эффективности бизнес-процессов нефтедобычи. Повышение эффективности процессов мониторинга состояния и прогнозирования отказов электроцентробежных насосов зачастую требует разработки специального математического и информационного обеспечения. Цель исследования. Проработка вопросов применения экспертных систем для оценки технического состояния узлов электроцентробежных насосов на основе полученных знаний. Материалы и методы. Экспертная система рассматривается в качестве вспомогательного инструмента, минимизирующего ошибки, связанные с ложным срабатыванием предиктивной аналитики. Экспертная система на основе трендов по каждому показателю электроцентробежного насоса (давление, вибрация, сила тока и т. д.) формирует оценку технического состояния, например, диагностируя определенный вид неисправности. Для хранения знаний в экспертной системе рассматриваются фреймы и продукции. Детально рассмотрен продукционный способ представления знаний и предложена возможность применения нечеткого логического вывода. Результаты. Исследованы возможности экспертных систем, основанных на знаниях, включая модели представления знаний с учетом нечеткости информации и алгоритмы логического вывода. Обосновано применение продукционной модели представления знаний экспертов, показано применение теории нечетких множеств для обработки знаний экспертов. Предложена концепция интеллектуальной информационной системы, включающей экспертную систему поддержки принятия решений, основанную на знаниях, а также блок предварительной и глубокой обработки данных, включая компонент предиктивной аналитики, основанный на нейросетевых технологиях. Представлен демонстрационный пример применения экспертной системы, а также рассмотрены особенности ее реализации в оболочке FuzzyCLIPS. Заключение. Исследуемые методы и модели апробированы на реальных данных, что подтверждает возможность их использования при разработке интеллектуальной информационной системы.

электроцентробежный насос; техническое состояние; экспертная система; представление знаний; продукционные знания; фреймы; логический вывод; нечеткие множества; CLIPS; FuzzyCLIPS

Application of Remote Real-Time Monitoring to Offshore Oil and Gas Operations / National Academies of Sciences, Engineering, and Medicine. – Washington, DC: The National Academies Press, 2016. DOI: 10.17226/23499

Брускин, С.Н. Модели и инструменты предиктивной аналитики для цифровой корпорации / С.Н. Брускин // Вестник Российского экономического университета имени Г.В. Плеханова. – 2017. – № 5. – С. 136–139.

Липатов, А. Первый в России комплекс предиктивной аналитики для энергетического и промышленного оборудования / А. Липатов // Экспозиция. Нефть. Газ. – 2016. – № 4. – С. 82–84.

Stolbov, V.Yu. Aplication of intelligent technology in functional materials quality assurance / V.Yu. Stolbov, M.B. Gitman, S.I. Sharybin // Materials Science Forum. – 2016. – Vol. 870. – P. 717–724. DOI: 10.4028/www.scientific.net/MSF.870.717

Giarratano, J. Expert Systems. Principles and Programming / J. Giarratano, G. Riley. – 4-th Ed. – 2004. – 842 p.

A Fuzzy Logic Application to Monitor and Predict Unexpected Behavior in Electric Submersible Pumps (Part of KwIDF Project) / F. Bermudez, G.A. Carvajal, G. Moricca et al. // SPE Intelligent Energy Conference & Exhibition. – 2014. DOI: 10.2118/167820-MS

Roberts, R.B. The FRL Primer / R.B. Roberts, I.P. Goldstein. – Massachusetts Institute of Technology, Cambridge, MA, 1977. – No. AI-M-408.

Zadeh, L.A. Fuzzy Sets / L.A. Zadeh // Information and Control. – 1976. – Vol. 8. – P. 338–353. DOI: 10.1016/S0019-9958(65)90241-X

Vilela, M. Fuzzy logic applied to value of information assessment in oil and gas projects / M. Vilela, G. Oluyemi, A. Petrovski. // Petroleum Science. – 2019. – P. 1–13. DOI: 10.1007/s12182-019-0348-0

Fatai A. Anifowose. Prediction of Petroleum Reservoir Properties using Different Versions of Adaptive Neuro-Fuzzy Inference System Hybrid Models / Fatai A. Anifowose, Jane Labadin, Abdulazeez Abdulraheem // International Journal of Computer Information Systems and Industrial Management Applications. – 2013. – Vol. 5 (20132). – P. 413–426.

Anifowose, F. A Functional Networks-Type-2 Fuzzy Logic Hybrid Model for the Prediction of Porosity and Permeability of Oil and Gas Reservoirs / F. Anifowose, A. Abdulraheem // Proceedings of the 2nd International Conference on Computational Intelligence, Modeling and Simulation, IEEEXplore. – 2010. – P. 193–198. DOI: 10.1109/CIMSiM.2010.43

Fang, J.H. Fuzzy Modeling and the Prediction of Porosity and Permeability from the Compositional and Textural Attributes of Sandstone / J.H. Fang, H.C. Chen // Journal of Petroleum Geology. – 1997. – 20 (2). – P. 185–204. DOI: 10.1111/j.1747-5457.1997.tb00772.x

Shahvar, M.B. Incorporating Fuzzy Logic and Artificial Neural Networks for Building Hydraulic Unit-Based Model for Permeability Prediction of a Heterogenous carbonate Reservoir / M.B. Shahvar, R. Kharrat, R. Mahdavi // Proceedings of the International Petroleum Technology Conference, Doha, Qatar. 7–9 December 2009. DOI: 10.2523/IPTC-13732-MS

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

Нариньяни, А.С. НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике / А.С. Нариньяни // Сборник трудов IV национальной конференции по искусственному интеллекту. – Рыбинск, 1994. – Т. 1. – С. 9–18.

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