基于深度残差网络的接转站工艺流程异常工况诊断

来源：石油科学通报杂志2023年第6期北京时间：

作者：张蕊；侯磊；刘珈铨；孙省身；张坤；杜鑫；李兴涛

单位：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

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.

关键词：工况诊断,集输工艺,接转站,深度残差网络,小波降噪