基于深度残差网络的接转站工艺流程异常工况诊断

作     者：张蕊 侯磊 刘珈铨 孙省身 张坤 杜鑫 李兴涛 ZHANG Rui;HOU Lei;LIU Jiaquan;SUN Xingshen;ZHANG Kun;DU Xin;LI Xintao

作者机构：中国石油大学(北京)机械与储运工程学院北京102249 中国石油长庆油田分公司长庆工程设计有限公司西安710021 中国石油长庆油田分公司第十二采油厂合水745000 中国石油国际勘探开发有限公司北京102249 

基　　金：中国石油天然气集团有限公司—中国石油大学(北京)战略合作科技专项:“一带一路”海外长输管道完整性关键技术研究与应用(ZLZX2020-05)资助 

出 版 物：《石油科学通报》 (Petroleum Science Bulletin)

年 卷 期：2023年第8卷第6期

页      码：832-844页

摘      要：油气集输站场是油气田地面工程的核心部分。接转站作为集输系统的重要节点,既有设备集中、运行连续性强的生产特点,还容易出现来流比例剧烈波动和设备运行故障等工况异常。接转站运行工况的诊断对油气生产系统至关重要,对于简单设备的异常数据,站场员工尚能进行初步诊断,但对整个站场的大量SCADA实时监测数据,仅靠经验和知识难以实现快速分析处理。与油田现有的阈值报警方法相比,基于数据驱动的诊断方法更加准确智能。在数据驱动的方法中,深度学习方法能够自动提取数据非线性特征,善于处理海量高维数据。根据某油田接转站数据采集与监视控制系统(SCADA)数据的多元时间序列特性,提出一种基于深度残差网络(DRN)的诊断方法,以接转站SCADA系统监测数据为模型输入,工况类别为模型输出建立诊断模型,对接转站异常工况进行分类识别。现场数据的噪声会降低模型对少数类样本的识别能力,通过小波分解对接转站数据进行降噪处理,减弱设备采集干扰,增强模型诊断性能;采用朴素重采样进行数据扩容,缓解现场数据样本量不足,模型难以训练问题;利用正则化方法对大数值权重向量进行惩罚,避免模型对个别变量的依赖。在此基础上提出8种不同DRN架构,确定适用于接转站的最优诊断模型,通过多元互信息值法量化各类样本间的相关程度,证明诊断结果的有效性。油田现场的实际数据验证表明,该方法能够用于对接转站工艺流程运行状况进行快速准确的诊断,诊断准确率达97.3%,显著高于支持向量机(93%)、多层感知机(65%)等经典机器学习方法。该诊断方法对其他油气站场的故障诊断和异常识别具有指导意义。

主 题 词：工况诊断 集输工艺 接转站 深度残差网络 小波降噪 

学科分类：0820[工学-航空航天类] 080706[080706] 08[工学] 0807[工学-电子信息类] 082003[082003] 

D　O　I：10.3969/j.issn.2096-1693.2023.06.076

馆 藏 号：203125367...