海上油气田热介质供热设备故障数字化识别技术.pdf

2.Shanghai Digitwins Co.Ltd.,Shanghai 201702,China)工業加熟2023年第52 卷第6 期Vol.52No.62023D01:10.3969/j.issn.1002-1639.2023.06.009摘要：海上油气田热介质供热设备长期在高温易燃的环境中运行，其可靠性对油气田开发的安全稳定起到重要作用，有必要研究其故障识别方法。为此，提出海上油气田热介质供热设备故障数字化识别方法。采用线性谱聚类算法对红外设备图像展开超像素分割处理，利用基于最大相似度区域合并算法分割设备目标区域。通过基于梯度变化的补偿算法对目标区域展开盲元块补偿。在核函数估计的基础上提取红外设备图像的温度概率密度函数，采用K均值聚类算法根据温度概率密度划分目标区域，将目标区域分为故障区域和正常区域，实现海上油气田热介质供热设备故障的数字化识别。实验结果表明，所提方法可以准确地完成目标区域分割和过热区域定位、故障识别准确率最低为97.3%、识别时间在2 s内。关键词：海上油气田；热介质供热设备；线性谱聚类算法；温度概率密度函数；故障识别中图分类号：TN219Sea Oil and Gas Field Thermal Medium Heating Equipment Faulty Digital Identification TechnologyAbstract:The heat supply equipment of offshore oil and gas fields operates in high-temperature and flammable environment for a long time,and its reliability plays an important role in the safety and stability of oil and gas field development,so it is necessary to study its fault identifi-cation method.Therefore,a digital fault identification method of heat medium heating equipment in offshore oil and gas fields is proposed.Thelinear spectral clustering algorithm is used to carry out superpixel segmentation on infrared device images,and the region merging algorithmbased on maximum similarity is used to segment the target region of the device.Blind block compensation is carried out in the target area bythe compensation algorithm based on gradient change.On the basis of kernel function estimation,the temperature probability density functionof infrared equipment image is extracted,and the target area is divided into fault area and normal area by using K-means clustering algorithm,so as to realize the digital identification of heat medium heating equipment faults in offshore oil and gas fields.Experimental results show thatthe proposed method can accurately segment the target area and locate the overheated area,with the lowest fault identification accuracy of97.3%and the identification time within 2 s.Key Words:maritime oil and gas field;thermal heating equipment;linear spectrum algorithm;temperature probability density function;faultrecognition;以热介质油为加热媒介的供热系统在海上油气田开发工程中正越来越多地得到应用，海上油气田热介质供热设备也朝着自动化方向发展，在此背景下，热介收稿日期:2 0 2 2-0 7-12基金项目：国家重点实验室油田数字化建设技术项目（2 0 XH19212)作者简介：姜学华（197 3 一），男，本科，高级工程师，研究方向为石油开采；赵乾菊（197 5一），男，本科，助理工程师，研究方向为石油开采；石振赞（1995一），男，硕士研究生，助理工程师，研究方向为石油开采；庞井蛟(198 7 一）,男,本科,工程师,研究方向为石油开采；王盼盼（1993 一）,男，专科，工程师,研究方向为数字化智能应用.INDUSTRIALHEATING海上油气田热介质供热设备故障数字化识别技术姜学华,赵乾菊,石振,庞井蛟,王盼盼?（1.大港油田对外合作项目部，天津3 0 0 2 8 0;2.上海数映科技有限公司，上海2 0 17 0 2）文献标志码：A文章编号：10 0 2-16 3 9(2 0 2 3)0 6-0 0 3 5-0 5JIANG Xuehua,ZHAO Qianju,SHI Zhenyun,PANG Jingjiao,WANG Panpan?(1.Dagang Oilfield Foreign Cooperation Project Department,Tianjin 300280,China;质供热设备故障识别成为重要内容 。供热设备自动化程度的提高逐渐带动了海上油气田开采的效率，但供热设备通常具有高压、高温和易爆等特点，当设备出现故障时会直接影响海上油气田的开采工作，对工作人员的人身安全产生威胁2 ,因此研究供热设备故障识别方法具有重要的理论意义和现实意义。谭宇璇3 等人采用Retinex算法对设备图像展开增强处理,将处理后的设备图像输人YOLOv3网络中，获取图像的特征，建立损失函数结合图像特征完成故障识别,该方法的目标区域分割结果存在误差,且无法准确地定位设备局部过热区域。王硕禾4 等人通过K-means算法分割处理设备图像，计算图像的PHOG特征和FastPCA特征,对上述特征展开融合处理，在SVM分类器中输人融合后的特征，完成设备故障识别，该方法故障识别所用的时间较长,且故障识别结果不准确。工業加熟36INDUSTRIALHEATING为了解决上述方法中存在的问题，提出海上油气田热介质供热设备故障数字化识别技术。1方法1.1图像分割通过图像分割将背景与目标区域分离，获得海上油气田热介质供热设备的目标区域。利用线性谱聚类算法5-6 对热介质供热设备图像展开分割，其主要原理是，当两个点在高维特征空间中的相似度与其向量加权内积相等时,则加权K-means与NCuts的代价函数相同，通过下式描述加权K-means 的代价函数 Gkm：KGum=Zw(p)Il(p)-m/ll2k=lpeok式中：K为聚类数量；为第k个类别；w(p）为点p在热介质供热设备图像中的权重；函数（p）可将图像中的点p通过映射处理转变到高维特征空间中；参数m可通过下式计算得到：w(q)(g)m:=OZ(g)qeQ式中：q为图像中存在的点。NCuts的代价函数表示为Gv：KZZw(p,g)K台PEQkqEV式中：V为设备图像中存在的点构成的集合；w(p,9)为点p和点q在图像中的相似度。将核矩阵引入上述代价函数中，此时可用矩阵轨迹最大化问题代替上述代价函数的优化问题，增强两个代价函数之间的连接。上述代价函数符合Gram矩阵的正定性：rw(p)(p)w(q)(q)=w(p,q),Vp,q Vw(p)=Zw(p,q),Vp VqEV结合式(4),获得式(5)：Gkm=C-KGN式中：C为常数。K-means 获得的最佳图像分割结果即为上述NCuts算法获得的最佳图像分割结果7-8 完成分割后，获得若干个图像区域，合并目标区域的超像素，获得完整的热介质供热设备图像的目标分割。引人描述符在上述过程中区分热介质供热设备图像的背景区域和目标区域。颜色特征与其他特征描述符相比,具有更好的鲁棒性。分析热介质供热设备红2023年第52 卷第6 期Vol.52No.62023外图像和故障识别要求可知，附近环境和目标设备之间存在颜色差别，当设备出现故障时,两者之间的颜色差别更为显著。采用基于最大相似度区域合并算法合并目标区域中的超像素。设W为颜色通道R的相邻区域；Dw=(D）（i=1,2,w）为W构成的集合，颜色通道R属于集合Dw的子集,通过式(6)计算相邻区域W在红外设备图像中与其他相邻区域的相似度（W,D）：(W,DI)=ZJJ式中：JR、JW分别为颜色u出现在区域R和区域W中(1)的概率。当（W,D）取最大值时，通过下式合并颜色通道R和区域W：merge R and W,if(W,D)=maxo(W,D)利用阈值t结合灰度信息将热介质供热设备图像划分为前景区域V，和背景区域VB，最佳阈值T出现(2)在前景区域和背景区域方差最大的情况下：T=Arg。ma x,P,P p(入-Ap)式中：0,L1 为灰度级范围；入，为前景区域对应的方差；P为前景区域的概率；入B为背景区域对应的方差；PB为背景区域的概率。利用上式计算的最佳阈值(3)分割热介质设备图像，获得设备目标区域。1.2红外图像盲元块补偿红外焦平面阵列受材料因素和工艺因素的影响，各像元在图像中的响应曲线存在差异，容易出现盲元问题9-10，为了提高故障识别精度，海上油气田热介质供热设备故障数字化识别方法采用基于梯度变化的盲元块补偿算法对目标区域展开补偿处理，具体过程如下：(4)(1)利用大小为MN的矩形框住红外设备图像中的盲元点，盲元点在矩形内的数量要多于9 0%的像元数,且盲元点在矩形外围（M+2）（N+2）-M(5)N的数量占10%的像元数；（2）计算正常像元在盲元块对角方向、竖直方向和水平方向中的灰度值；(3)根据上述计算结果获取附近像元块之间存在的灰度均值差Ki,K2,K；(4)比较上述计算得到的Ki,Kz，,K g,将其分为四组 X,(Ki,K,)、X,(K 3,K 4)、X,(K s,K)、X4(K,K。);(5)获取X,(K,K,)、X,(K 3,K 4)、X,(K s,K。)、X44.096(6)(7)(8)工業加熟2023年第52 卷第6 期Vol.52No.62023（K,K.）的绝对差值,即各像元在像元块内的灰度变化系数，以此为依据补偿红外设备图像中的盲元块。1.3故障识别根据红外图像的温度概率密度特性实现热介质供热设备的故障识别。海上油气田热介质供热设备故障数字化识别方法采用无参概率密度估计方法11-12 估计热介质供热设备红外图像的温度概率密度。由N个像素点对应的温度91,2，,9 组成热介质供热设备的热红外图像，分别用max和9min表示温度点对应的最大值和最小值：9mm(01,02,9)9mx积分处理温度概率密度g（），获得温度区域9min,9max中存在数据的概率p：9maxP=g()dxmin温度概率密度g（x）在宽度h较小温度区域内的变化可忽略不计,此时可将式（10)转变为式(11）：p=g(x)h在上述公式的基础上获得新的温度概率密度：kg(x)Nh设置核函数K(x）用于描述区域内存在样本的概率,估计波形直接受核函数的影响。通过满足标准正态分布的核函数逼近任一点x在热红外设备图像中的概率分布13-14,使其温度概率密度曲线具有平滑性：K(h在式（13）的基础上,获得温度区域9min，9ma x 内存在的样本数量：k=ZK(h将上述计算结果代入函数g（x）中,获得温度概率密度g(x):1g(x)Nh台K(将极值点温度9c，作为聚类中心，根据温度概率密度将海上油气田热介质供热设备的热红外图像集X划分为K类,设D（C;,9）代表的是聚类中心温度与各坐标点温度9（x,y）之间的最小欧几里得距离15，根据距离9（x，y）通过下式分类温度点：argminD(C,9)=9(x,y)-9c,JCieX利用上述公式获得簇Ci,C2，,C k，不同聚类簇37INDUSTRIALHEATING之间不存在联系，即rX=C,U C,U.U CkC;n C,=Ol1i,jK,ij每个聚类集C,完成上述聚类过程后都存在N，幅热介质供热设备的红外图像x；，在聚类过程中，聚类中心通过下式完成更新：(18)N利用上述过程，将热介质供热设备的红外图像分(9)为两类，一类为存在故障，另一类为正常，实现海上油气田热介质供热设备的故障识别。2实验与分析(10)为了验证海上油气田热介质供热设备故障数字化识别方法的整体有效性,需要对其展开相关测试。采用海上油气田热介质供热设备故障数字化识别(11)方法、文献3 方法和文献4 方法对海上油气田中的热介质供热设备展开故障识别。获取设备目标区域是故障识别中的关键步骤，以(12)海上油气田热介质供热设备中的液相油炉为实验对象,所提方法、文献3 方法和文献4 方法的设备区域分割结果如图1所示。由图1可知，所提方法可准确地获取设备区域，文献3 方法获取的设备区域不完整，文献4 方法的分割结果中包含较多的背景区域，且分割区域不完整。V2元(13)N(14)Nh(17)通过上述测试可知，所提方法可准确地获取图像中的设备目标区域，因为所提方法结合线性谱聚类算法和基于最大相似度区域合并算法划分设备图像，可准确地分割出图像中的设备目标区域。利用FOTRIC320Q红外激光设备获取实验对象红外图像，如图2 所示，获取温度范围为2 3,7 5，设定50为过热阈值。当设备的温度过高时，容易出现故障，现采用所提(15)方法、文献3 方法和文献4 方法对设备的过热区域定位，定位结果如图3 所示。分析图3 可知，所提方法可准确地获取设备过热区域,文献3 方法和文献4 方法的过热区域定位结果与实际区域不符，表明在热介质设备故障识别过程中所提方法可精准地确定设备的故障位置。在上述测试环境下，测试三种方法的故障识别准(16)确率和故障识别时间结果如表1所示。工業加熟38INDUSTRIALHEATING2023年第52 卷第6 期Vol.52No.62023(a)所提方法图2 红外图像实际温度过热点方法定位过热点115114113112111A110109108107106105757677787980818283848586(a)所提方法过热区域定位结果分析表1和图4中的数据可知,随着故障数量的增加，三种方法的识别准确率不断下降,识别时间不断提高，在相同故障数量下对比三种方法的测试结果可知,所提方法的故障识别率高，保持在97.3%以上，且故障识别时间短,均在2 s以内，表明针对热介质设备的故障识别,所提方法具有良好的识别性能。10所提方法8文献3 方法文献4 方法642图4不同方法的故障识别时间(b)文献3 方法图1三种方法的目标分割结果故障数量/个1020304050实际温度过热点方法定位过热点115114113112111A11010910810710610575 76 77787980 81 8283848586(b)文献3 方法过热区域定位结果图3不同方法的过热区域定位结果3结语海上油气田热介质设备在运行过程中容易出现磁路故障、绝缘老化和接触不良等问题,呕须一种有效的设备故障识别方法确定故障类型，制定合适的维修计划。目前设备故障识别方法存在目标区域分割精度低、过热区域定位精度低、识别准确率低和识别效率低的问题，提出海上油气田热介质供热设备故障数字化识别方法，该方法首先获取了图像中的目标区域，其次对目标区域展开盲元补偿，最后根据温度概率密度实现故障识别,有效解决了上述方法中存在的问题。参考文献1020故障数量/个(c)文献4 方法表1不同方法的故障识别准确率故障识别准确率/%所提方法文献3 方法98.686.498.283.797.982.097.579.997.378.4实际温度过热点方法定位过热点115114113112111A110109F108F1071061054X757677787980818283848586(b)文献3 方法过热区域定位结果3040文献4 方法84.781.279.378.577.150601孙洋洲,郭雪飞，兰志刚，等.“双碳”目标背景下海上油气田绿色低碳开发措施分析J.中国海上油气，2 0 2 2,3 4(2):203-207.2刘步中.大数据背景下舰船电子设备故障智能诊断和检测工業加熟2023年第52 卷第6 期Vol.52No.62023J.舰船科学技术,2 0 2 0,42(18):17 8-18 0.3谭宇璇，樊绍胜.基于图像增强与深度学习的变电设备红外热像识别方法J.中国电机工程学报，2 0 2 1,41（2 3）：7 990 7998.4王硕禾,巩方超，古晓东，等.基于特征融合的变电设备类型及故障识别算法研究J.铁道学报,2 0 2 1,43（4）：9 5-100.5张荣国,姚晓玲，赵建，等.融入局部几何特征的流形谱聚类图像分割J.模式识别与人工智能，2 0 2 0,3 3（4）：3 13 324.6 吕国华,胡学先,张启慧，等.基于联邦学习的船舶AIS轨迹谱聚类算法研究J.计算机应用研究,2 0 2 2,3 9（1）：7 0-74,89.7侯鹏飞,马宏忠,吴金利,等.基于混沌理论与蝗虫优化K-means聚类算法的电抗器铁芯和绕组松动状态监测J.电力自动化设备，2 0 2 0,40(11)：18 1-18 9.8彭博,张媛媛,唐聚,等.基于自编码器与K-means 聚类的视频交通状态自动识别J.公路交通科技，2 0 2 0,3 7(12):117-123.39.INDUSTRIALHEATING9曾岩，黄文刚,马敏舒，等.一种可实现非均匀校正和盲元补偿的像元ADCJ.激光与红外，2 0 2 1,51（7）：9 3 8-9 43.10】张长兴，刘成玉，元洪兴，等.热红外高光谱成像仪光谱匹配盲元检测算法J.红外与激光工程,2 0 2 0,49（1)：12 4-13 0.11左正康,吴志健，孙逸渊，等.利用经验概率密度曲线加快精英多父体杂交算法中系数向量的生成J.武汉大学学报：工学版,2 0 2 0,53（8)：7 2 8-7 3 3.12张雄,张逸轩,张明，等.基于小波包散布熵与Mean-shift概率密度估计的轴承故障识别方法研究J.湖南大学学报：自然科学版,2 0 2 1,48（8）：13 3-140.13王海超,宗哲英,张文霞,等.采用K均值聚类和环形结构的狭叶锦鸡儿木质部提取算法J.农业工程学报,2 0 2 0，36(1):193-199.14于莹,王蓓,马家睿,等.基于改进K均值聚类及其距离修正的睡眠分期方法J.计算机应用,2 0 2 0,40（增刊1):269 273.15宗长富,文龙,何磊.基于欧几里得聚类算法的三维激光雷达障碍物检测技术J.吉林大学学报：工学版，2020,50(1):107-113.(上接第3 4 页）径0.12 m，加热器加热温度3 0 0，加热器长度为0.5 m。参考文献1徐畅,陆勇,陈璐,等.燃煤电厂超低排放背景下颗粒物在线测量方法研究J.现代化工,2 0 19,3 9（11）：2 2 1-225.2】隋金君.基于射线和光学融合的烟尘浓度检测技术J.仪表技术与传感器，2 0 19（6）：8 2-8 5,10 0.3 赵政.基于射线法的烟尘浓度直读检测技术及实验J.矿业安全与环保,2 0 18,45（3）：46-50.4邓杰，于天泽,杨斌,等.超低排放烟尘角散射法测量影响因素研究J.动力工程学报,2 0 19,3 9（9）：7 2 5-7 3 0.5 WANG BO,YAO XULIANG,JIANG YONGQING,et al.De-sign of a Real-time Monitoring System for Smoke and Dust inThermal Power Plants Based on Improved Genetic AlgorithmJ.Journal of Healthcare Engineering,2021:7212567.6 焦敏.基于双光路的镜头污染度检测在颗粒物浓度测量中的研究J.仪表技术与传感器，2 0 2 1（7）：12 2-12 6.7 HUI LIFENG.Calibration Method of Ultra-low Emission Par-ticulate Concentration Measurement by Light Scattering MethodJ.Technisches Messen,2022,89(9):566-572.8李德文，焦敏,郑磊.燃煤电厂超低排放颗粒物在线监测烟气除湿技术J.中国电力,2 0 19,52（12）：154-159.9吕扬,董勇，田路泞，等.燃煤电厂湿烟气的除湿特性J.化工学报,2 0 17,6 8(9):3 558-3 56 4.10张宁,孙文哲.湿烟气除湿技术的研究现状J.应用化工,2 0 2 1,50(2):49 4-49 7.11易俊,刘冬,王文和,等.烟气颗粒物浓度测量中的加热除湿装置研究J.重庆科技学院学报：自然科学版，2019,21(5):99-102.12李琛，蔡小舒，周，等.基于图像光散射法的超低排放烟尘在线测量方法J.动力工程学报，2 0 19,3 9（3）：208-213.13 YANG YONGLONG,SU QIUFENG,ZHENG CHENGHANG,et al.Emission Characteristics of Filterable Particulate Matterand Condensable Particulate Matter from Coal-fired PowerPlantsJ.Case Studies in Thermal Engineering,2022,35(35):102 145.14 XU ZHENYAO,WU YUJIA,LIU SIQI,et al.Distribution andEmission Characteristics of Filterable and Condensable Partic-ulate Matter in the Flue Gas Emitted from an Ultra-low E-mission Coal-fired Power Plant J.Journal of Environmen-tal Chemical Engineering,2022,10(3):107 667.