【技术实现步骤摘要】
本专利技术属于海洋工程领域，涉及一种基于深度学习的采油树故障传播路径发展轨迹预测方法。
技术介绍
1、水下采油树是水下生产系统的关键设施，在海洋石油开采中得到了广泛的应用。深水采油树事故是威胁油气开采安全的世界性难题。由于采油树复杂性不断提高，系统内组件间存在故障依赖，也就是说，一个单元故障极易引发其他单元的故障，造成事故后果指数倍升级。故障预测可以提前预测并预警，使维修人员针对性解决故障，可以有效避免事故升级。
2、目前，故障预测主要采用三种方法：模型驱动（model-driven）的方法、数据驱动（data-driven）的方法以及混合方法（hybrid approaches）。在实际应用中，尤其是当样本数据有限或面临高维输入空间时，如时间序列数据不断累积的场景，这些方法仍面临诸多挑战。基于时间序列分析的故障预测是旨在构建能够反映数据随时间演变规律的模型，并据此对未来进行预测。现有技术中开发了一种基于混合dbn-kf的剩余使用寿命（remaininguseful life, rul）预测方法，在dbn动态扩展中，通过指定状态转移模型来更新水下采油树阀门参数的变化，此研究在基于时序分析的故障预测领域取得了一定进展，但当考虑到故障依赖导致的多维叠加的样本数据时，该方法仍显力不从心。
3、随着系统日益复杂化以及大数据技术的发展，国内外研究学者提出了许多方法来改进故障预测模型，以解决融合故障依赖的故障传播时序预测问题，如将深度学习模型与神经网络模型的深度融合，具体包括长短期记忆神经网络（long short-
4、级联故障的传播导致系统整体及关键组件状态的动态变化，这对故障预测模型提出了全面性和实时性的要求。目前的研究大多还基于考虑故障依赖的组件单点故障预测，对于时序主导下故障传播路径发展轨迹和动态预测方法的研究尚不充分。考虑故障空间维度传播轨迹预测，以及故障传播轨迹随时间序列不断变化的时间维度预测，如何从全局视角出发，遵循故障多层级传播场景随时间动态演变的内在规律，实现对水下采油树故障传播路径发展轨迹的精确预测，是当前亟待解决的重要问题。
技术实现思路
1、为克服现有技术存在的缺陷，本专利技术提供一种基于深度学习的采油树故障传播路径发展轨迹预测方法，包含步骤：确定水下采油树关键故障模式及依赖关系、数据清洗及处理、构建基于深度学习的故障传播路径发展轨迹预测模型、预测模型验证评估及优化、故障传播路径发展轨迹预测结果可视化。
2、本专利技术的技术方案：
3、一种基于深度学习的采油树故障传播路径发展轨迹预测方法，步骤如下：
4、s1. 确定水下采油树关键故障模式及依赖关系
5、确定水下采油树的运行指标，包括压力、温度、流量，确定水下采油树关键组件的运行范围，定义水下采油树正常运行的边界条件；
6、通过对水下采油树的运行历史数据、维护记录、专家经验进行综合分析，识别出故障模式，包括泄漏、堵塞、腐蚀、磨损，对每个故障模式进行描述，包括故障的表现形式、可能的原因、影响范围；
7、利用故障树分析方法、事件树分析方法，分析各故障模式之间的依赖关系，构建故障传播网络，明确各故障节点之间的连接关系和传播路径；
8、根据故障的发生频率、影响程度、维修难度，筛选出对水下采油树运行安全和生产效率影响最大的关键故障模式和主要故障依赖关系；
9、基于已识别的关键故障模式和主要故障依赖关系，使用贝叶斯网络构建系统的故障依赖关系模型，通过矩阵形式明确关键组件间的依赖关系；
10、s2. 数据收集及处理
11、收集水下采油树的历史故障数据，包括各组件的故障时间、故障类型、故障影响、故障传播场景，以及水下采油树的操作日志和维修记录，从水下采油树的各个传感器中收集水下采油树的运行数据，包括压力、温度、流量、振动参数；对收集到的历史故障数据和运行数据进行处理，首先对收集到的数据进行清洗，去除重复、缺失、异常值，然后进行归一化、标准化处理，以提高数据的一致性和可比性；使用处理后的数据，通过蒙特卡洛方法在不同环境条件下模拟故障传播过程，生成大量模拟仿真虚拟故障样本数据；将处理后的历史故障数据以及模拟仿真虚拟样本数据进行融合，生成不同运行条件下不同级联故障场景的故障数据集；使用时间序列分析arima模型对故障数据集进行建模，获取线性预测值；将线性预测值作为附加输入特征，与故障数据集一起嵌入在将要构建的深度学习预测模型的输入层中；
12、s3.构建基于深度学习的故障传播路径发展轨迹预测模型
13、根据水下采油树故障传播路径的复杂性和数据特点，选择深度学习预测模型为卷积神经网络模型和长短期记忆网络模型，构建时间序列水下采油树的基于深度学习的故障传播路径发展轨迹预测模型，此故障传播路径发展轨迹预测模型采用卷积神经网络模型提取故障数据集的空间特征，见式（1），将提取到的空间特征作为时间序列输入到长短期记本文档来自技高网...
【技术保护点】
1.一种基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤S1中，确定水下采油树关键故障模式及依赖关系的具体实现过程如下：
3.根据权利要求2所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤S2中，数据收集及处理的具体实现过程如下：
4.根据权利要求3所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤S3中，构建基于深度学习的故障传播路径发展轨迹预测模型的具体实现过程如下：
5.根据权利要求4所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤S4中，预测模型验证评估及优化的具体实现过程如下：
6.根据权利要求5所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤S6中，故障传播路径发展轨迹预测结果可视化的具体实现过程如下：
【技术特征摘要】
1.一种基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤如下：
2.根据权利要求1所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤s1中，确定水下采油树关键故障模式及依赖关系的具体实现过程如下：
3.根据权利要求2所述的基于深度学习的采油树故障传播路径发展轨迹预测方法，其特征在于，步骤s2中，数据收集及处理的具体实现过程如下：
4.根据权利要求3所述的基于深度学习的...
【专利技术属性】
技术研发人员：赵一新，李干，蔡宝平，吴世博，胡国庆，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。