海上压裂设备柴油机异常状态智能检测技术研究.pdf

中国新技术新产品2024 NO.4（上）-56-工 业 技 术石油在现代经济发展过程中具有举足重轻的重要地位，也被称之为工业的血液。随着世界各国经济迅速发展和全球经济一体化，全球范围内的陆地石油资源被大量消耗，海洋石油资源勘探和开采已经成为石油产量增加的重要补给。但是，海上石油开采环境与陆地石油开采有较大不同，其环境条件恶劣、未知风险因素多，给开采工作带来严峻挑战1。因此，海上石油开采需要配置特殊设备，压裂设备就是其中重要的一种。海上石油开采所需压裂设备动力需求大，一般采用柴油机作为能源供给设备2。因此柴油机的稳定工作就成为压裂设备可靠运行的重要保证，也会直接影响海上石油的开采效率。但是，由于长时间高负荷工作，柴油机可能会出现各种故障，因此进行柴油机关键参数异常数据检测就成为判断柴油机是否可以继续工作的有效手段3。为此，本文提出了一种专门用于海上压裂设备柴油机异常状态检测的智能检测方法。1 海上石油开采压裂设备柴油机状态参数海上石油开采环境恶劣，压裂设备功率需求大，从而给柴油机带来了较大的工作压力。而从压裂设备上柴油机的配置和运动情况看，其属于往复运动机械，再加上多被机身表壳包裹，运动条件和结构条件均较复杂，导致对其状态参数进行监测十分困难。表征柴油机工作状态的参数较多，如图1 所示。图 1 给出了海上压裂设备柴油机的状态参数，包括柴油机的功率、柴油机的工作温度、柴油机的工作压力、柴油机的油耗、柴油机的排烟量、柴油机的转动速度、柴油机的振动情况以及柴油机的噪声情况。考虑状态数据的可得性，将排烟量和转动速度作为柴油机状态的监测变量，纳入后续的智能检测算法。之所以选择这 2 个参数，是因为可以通过烟雾传感器、测速传感器对柴油机的排烟量和转动速度进行有效测量，获取数据较方便。2 柴油机异常状态智能检测方法2.1 柴油机状态数据的预处理本文将柴油机的排烟量、柴油机的转动速度共 2 类状态数据作为柴油机异常状态检测的输入数据。但是受测量条件等因素的限制，排烟量和转动速度的数据在时间域和数值范围上并不均衡。为了满足后续智能检测算法的使用需求，对这 2 类数据进行预处理，本文采用的主要方法就是均衡化处理，具体的处理策略如图 2 所示。图 1 中，圆形代表柴油机状态数据中的多数样本，菱形代表柴油机状态数据中的少量样本，正方形代表均衡化处理时增添的结构样本。在空间范围内补充状态数据，使其分布海上压裂设备柴油机异常状态智能检测技术研究高长安（中海油田服务股份有限公司，天津 300450）摘 要：本文针对海上压裂设备柴油机的异常检测问题，提出了一种基于深度学习的检测方法。与一般的深度学习框架相比，本方法只采用了7个 DBL 单元和6个 POOLING 单元，结构更精简。排烟量和转动速度这2个数据经均衡化处理后送入深度学习框架下，通过设定的损失函数判断检测结果是否可信。测试结果表明，本文方法明显优于其他3种方法，使压裂设备柴油机的异常状态检出率达90%以上。关键词：海上石油开采；压裂设备；柴油机；智能检测中图分类号：TE42文献标志码：A图 1 柴油机状态的关键参数图 2 柴油机状态数据的均衡化处理中国新技术新产品2024 NO.4（上）-57-工 业 技 术稀疏的空间区域密集起来，达到数据整体上的均衡化效果。2.2 基于深度学习的智能检测框架柴油机处于异常状态时，其排烟量或转速会出现突变，或远大于临近值，或远小于临近值。为了提升异常数据的识别和检测效率，更有效地完成海上压裂设备的异常状态检测，本文采取基于深度学习的方法。为了加快智能检测速度，本文对深度学习算法采取精简处理，精简后的框架如图 3 所示。与一般的深度学习方法相比，本文采用的深度学习方法只包括 7 个 DBL 单元和 6 个 Pooling 单元，这样的学习结构清晰、简洁，可以节省大量学习和训练时间。每个状态数据是否为异常数据，通过其判定为正常的置信度来衡量，如公式（1）所示。C=IoUTP（1）式中：C 为柴油机一个状态数据可以认定为正常的置信度；为对应于这种置信度的概率；IoUTP为置信判定和真值的对比。2.3 损失函数设计在深度学习方法的训练过程中，内部框架何时被认为达成稳定，是通过损失函数的值来判定的。如果当前学习比上一次学习的损失函数值减少较少，并且当前损失函数值本身非常小，就可以认为深度学习的训练效果较理想，此时的深度学习框架就可以用于进一步的数据处理。在有关损失函数的设计上，IoU 函数和 GIoU 函数是被广泛采用的 2个损失函数。因此在海油压裂设备柴油机异常状态智能检测的深度框架内也采用这 2 个损失函数，形式上分别如公式（2）、公式（3）所示。BABAIoU=（2）GIoUIoUCABC?（3）式中：A 为海上压裂设备柴油机异常状态数据的真值；B 为海上压裂设备柴油机异常状态数据的预测值；C 为真值和预测值的连接区域。3 发电侧数据异常检测试验结果与分析上述对海上压裂设备柴油机的关键参数进行了分析，并选取排烟量和转动速度作为状态异常检测的关键变量，构建了基于均衡化处理的数据预处理方法，并在精简深度学习框架下构建了异常状态数据的智能检测方法。下面将通过试验验证所提方法对海上压裂设备柴油机异常检测的有效性。3.1 柴油机排烟量数据的深度学习训练效果在异常数据检测的测试过程中，本文以渤海湾石油开采过程中压裂设备柴油机状态的实测数据为试验对象，其中有关排烟量的数据为 8820 个，经过均衡化处理后补充到整10000 个。测试过程中，将其中 7000 个排烟量数据作为柴油机状态的样本数据，对深度学习网络进行训练，待深度学习网络稳定后，对剩余 3000 个排烟量数据进行异常状态检测。为了和本文提出的方法进行比较，选择没有精简的常规深度学习方法作为参照方法。2 种方法同时执行柴油机排样量数据的深度训练，损失函数的变化曲线如图 4 所示。根据图 4 中 2 条曲线的变化和对比情况可以看出，2 个方法间的变化趋势和幅度范围基本趋同。迭代训练 75 次左右时，2 种方法的损失函数值都降至 0.1 的较低水平。当迭代次数为 200 次时，本文方法损失函数值基本为最低，其后虽有波动，但不明显。迭代 300 次以后，损失函数值的曲线稳定，表明深度方法训练趋于稳定。与本文方法相比，常规深度学习方法的波动次数较多、波动幅度较大，表明深度训练的过程没有本文方法理想。实际上，本文方法是在常规深度学习方法上的精简结果，这是本文在深度学习前对数据进行均衡化处理的结果。3.2 柴油机转动速度数据的深度学习训练效果进一步测试转动速度这一状态变量数据的深度学习训练效果，总数据量仍然是 10000 个，以其中 70%作为训练数据，30%作为检测数据。该状态变量数据深度训练下的损失函数对比结果如图 5 所示。图 5 中的设置与图 4 相同，但图中2 条曲线的变化规律同图 4 相比存在明显差异。在转动速度数据的测试下，本文方法 50 次迭代时的损失函数值已经降至较低水平，其后经过几次波动，在 180 次迭代后基本稳定在最小值位置上。而采用常规深度学习的方法的损失函数值一直明显高于本文方法，并且迭代 350 次时还没有完全稳定下来。3.3 与其他方法的检测效果对比为了进一步形成和本文方法的横向图 3 精简后的深度学习框架中国新技术新产品2024 NO.4（上）-58-工 业 技 术比较，选择其他 3 种方法进行柴油机状态的异常检测，分别是 CNN 方法、RNN 方法和 DNN 方法。4 种方法的比较效果见表 1。通过表 1 中的结果可以看出，因为 4 种方法都是深度学习方法，异常检测的效果与数据训练量有密切关系，所以随着参与检测的数据量不断增大，4 种方法的异常检测效果都越来越好。但是，本文方法对海上压裂设备柴油机的异常检测准确率一直维持在 90%以上的水平，明显高于其他 3 种方法。由此可以看出，本文方法确实具有比较明显的优势。4 结论海上石油开采已经成为石油能源的重要获取渠道，但其作业条件复杂、工作环境恶劣，需要更多的功能强大的配套设备。压裂设备是海上石油开采的重要设备，一般以柴油机为主要动力供给装置。柴油机能否正常工作直接决定了压裂设备能否正常工作，也间接影响整个石油开采的效率。针对此问题，本文以排烟量和转动速度为柴油机的状态表征变量，通过深度学习检测框架构建和试验，测试了该方法对柴油机异常状态的检测效果。测试结果显示，本文方法可以取得更好的异常检测效果，检测准确率维持在比较高的水平。参考文献1 谢猛，张树立.GTI 柴油机双燃料系统在页岩气压裂设备上的应用 J.大众标准化，2022（18）：104-106.2 薛强，徐维强，高秀娟，等.智能诊断系统在底特律柴油机上的应用 J.中国设备工程，2019（4）：20-21.3 曾珺，刘有平，席建秋，等.压裂机组柴油机燃料油集中连续供油装置研制 J.石油矿场机械，2021（1）：94-98.表 1 不同方法完成的柴油机异常检测效果对比数据量检测精度CNN方法RNN方法DNN方法本文方法1000个数据80.32%81.41%85.52%91.28%2000个数据81.59%82.31%86.01%92.09%3000个数据83.62%83.52%85.95%92.544000个数据83.71%84.62%87.27%94.02%5000个数据85.38%85.31%88.41%95.91%6000个数据86.88%86.62%90.31%96.29%7000个数据88.01%88.16%89.52%97.43%8000个数据88.09%89.56%89.92%97.81%9000个数据89.22%90.19%90.81%98.22%10000个数据88.85%90.41%90.91%98.47%图 4 2 种方法对柴油机排烟量数据的深度训练比较图 5 2 种方法对柴油机转动速度数据的深度训练对比