[发明专利]基于采油生产数据的现场传感器故障检测方法

说明书

技术领域：

本发明适用于油田生产中所使用的传感器设备故障检测及诊断领域，是一种基于加权平方预测误差(Weighted Squared Prediction Error，SWE)的迭代主元分析(Principal Component Analysis，PCA)方法，该方法比油田现有的故障诊断方法能够更有效地提高诊断系统对弱故障诊断的准确性。

背景技术：

由于油田生产往往是在野外进行，地理位置分散，自然环境恶劣，而且生产过程中的易燃易爆、有毒有害有腐蚀物质具有潜在危险。同时，石油生产过程也相对复杂，生产设备分布广，而且其相互联系非常紧密，一旦发生事故就会造成巨大的经济损失。所以在油田生产采油的过程中，为保证生产设备能够安全可靠运行，减少生产过程中的安全隐患，对生产设备进行有效地故障诊断对保证油田正常生产起着至关重要的作用；对生产过程中设备群的有效故障诊断已经成为数字化油田的一项关键技术。

目前，伴随着数字化采油系统的不断完善，油田生产过程中数字化和自动化程度日益提高，油田生产的现场检测数据规模也日益扩大，故障诊断的难度以及精确度等要求都在不断提高。而现有的油田生产过程的故障诊断技术往往是针对油井、注水泵等独立设备的检测，对于需要众多设备协调工作的整个石油生产过程来说，这种独立设备的故障诊断已经无法满足维护油田正常生产的需要。

对于传感器设备的故障诊断主要有基于解析模型的方法、基于信号处理的方法和基于知识的方法。其中，PCA方法是一种常见的解析模型方法，该方法以其不依赖于精确地数学模型，在降维处理及特征提取等方面的优越性在传感器故障诊断领域有着广范应用，但PCA方法在进行故障诊断时也存在一些不足。常用的PCA方法一般采用主元得分向量平方和(T²)和平方预测误差(Squared Prediction Error，SPE)统计量来进行故障诊断的，但这两种统计量在进行故障诊断时存在一定的局限性。T²统计量往往忽略了残差空间变量的所包含故障信息，导致系统不能或不能及时发现一些故障，容易发生漏判的情况。SPE统计量在故障诊断时的有效性和准确性不够，容易发生误判，甚至无法有效进行弱故障识别等问题。

发明内容

发明目的：本发明提供了一种基于采油生产数据的现场传感器故障检测方法，其目的是解决以往的油田生产过程传感器群故障诊断效果不理想的问题。

技术方案：本发明是通过以下技术方案来实现的(图1为本发明的流程图)：

1)在正常生产作业条件下，即在各传感器工作状态为正常时，采集样本数据，建立数据集；

2)建立离线PCA模型，对测量数据X⁰的每一列X⁰(i)进行标准化处理，通过公式算得控制限值；

3)实行在线监测，计算出在线数据的SWE_(j)统计量值，并与进行比较，若则所检测设备运行正常，进行步骤4)；若则所检测有发生故障，进行步骤5)；

4)模型动态迭代更新：

本发明设定处于0.90≤α≤0.95控制限之间的数据为X_θ，那么为了减少计算量，用于迭代的数据长度θ由T²和SPE统计量确定，则在线建模的数据长度为建模数据个数L；

计算SWE统计量值并累计数据，当累积数据长度达到θ时，我们将获得标准化的新数据组X_k+1及其协方差矩阵C_k+1，并进行主元分析，重新计算SWE_(j)控制限值；同时，剔除长度为θ的旧数据，避免大量无法代表生产状况的数使模型产生较大偏差，影响诊断效果，迭代更新后返回步骤3)；

5)残差空间大小及故障集合的计算：根据和计算出的各残差空间的大小j，其中，表示Ξ_R在残差空间上的投影，R为可能的故障集；对于单故障，R为故障的单集；多故障时，R为不同故障类型的组合集，为非奇异矩阵；

6)变量重构值的计算：通过公式可以得到样本在大小为j的残差空间中的变量重构值；

7)故障辨识：重新计算故障集R所对应的SWE值，若进行变量重构的样本的SWE值恢复正常，则故障集R所对应的故障组合为故障点；

8)故障诊断结束，进行人工维修与调试。

该方法具体步骤为：

步骤1：数据处理及PCA模型的建立：