Аннотации:
Введение. Рассматривается задача прогнозирования состояния электроприводного центробежного насоса в процессе эксплуатации. Простои и недоборы, вызванные поломкой насоса, приводят к потерям при добыче нефти и требуют времени для замены оборудования.
При помощи прогнозирования технического состояния появляется возможность минимизировать затраты на обслуживание насоса и сократить время простоя скважины. Для анализа состояния систем используют экспертные системы, основанные на знаниях, и методы предиктивной аналитики, основным из которых является использование моделей машинного обучения.
В работе используются методы, основанные на искусственных нейронных сетях. Цель исследования. Проработка вопросов возможности прогнозирования технического состояния насоса за счет использования современных моделей машинного обучения. Материалы и методы. Прогнозирование технического состояния оборудования осуществляется при помощи
анализа временных рядов. Данные получены с телеметрических датчиков системы мониторинга, установленных на электроцентробежном насосе. Исходные данные снимались с интервалом в одну минуту. Была осуществлена предобработка исходных данных. Данные были
очищены от пиков, которые явно выбиваются из нормального режима работы, и убраны периоды простоя скважины, на которых фазное напряжение равнялось нулю. Для прогнозирования временных рядов используется искусственная нейронная сеть с типом нейронов LSTM.
Прогнозирование временного ряда осуществлялось на пять дней. Оценка параметров системы
на длительные периоды времени позволяет оценить состояние ее компонентов и предотвращать поломку оборудования. Результаты. Исследованы возможности нейросетей, обученных
на основе данных телеметрических датчиков системы мониторинга, предсказывать значения
вертикальной вибрации насоса. Обосновано применение нейросетевой модели в виде LSTM,
показавшей хорошие результаты при анализе временных рядов. Выявлено, что нейросети хорошо улавливают тренд внутри временного ряда, что говорит о возможности их применения
совместно с экспертной системой. Заключение. Предложенные методы и модели апробированы на реальных данных, что подтверждает возможность их использования при разработке
интеллектуальной информационной системы управления техническим состоянием электроцентробежного насоса в процессе эксплуатации. Introduction. The problem of predicting the state of an Electric Submersible Pump during
operation is considered. Downtime and shortages caused by pump failure lead to losses in oil production
and require time to replace equipment. By predicting the condition of the equipment, it is
possible to minimize pump maintenance costs and reduce well downtime. Expert systems and predictive
analytics methods are used to analyze the state of systems. The scientific work uses methods
that are based on artificial neural networks. Purpose of research. Elaboration of the issues of forecasting
the technical condition of the pump through by using machine-learning models. Materials
and methods. Equipment failure forecasting is carried out using time series analysis. The data was
obtained from telemetric sensors of the monitoring system installed on an electric submersible pump.
The initial data were taken at one-minute intervals. Initial data preprocessing was carried out.
The data was cleared of values (peaks) that are clearly got out of normal operation and places where
the phase voltage was equal to zero were removed. An artificial neural network with the LSTM
neuron type is used to predict time series. Time series forecasting was carried out for five days.
Evaluating system parameters over long periods allows you to assess the condition of its components
and prevent equipment failure. Results. The possibilities of neural networks trained on the basis of
data from telemetric sensors of the monitoring system for predicting the values of vertical vibration
of the pump are investigated. The use of a neural network model in the form of LSTM, which has
shown good results in the analysis of time series, is justified. It was found that neural networks capture
the trend well within the time series, which indicates the possibility of using it together with the
expert system. Conclusion. The proposed methods and models are tested on real data, which confirms
the possibility of their use in the development of an intelligent information system for managing
the technical condition of an Electric Submersible Pump during operation.
Описание:
Каракулов Игорь Владимирович, аспирант кафедры вычислительной математики, механики и биомеханики, Пермский национальный исследовательский политехнический университет,
г. Пермь; karakuloviv@yandex.ru.
Клюев Андрей Владимирович, канд. физ.-мат. наук, доцент кафедры вычислительной математики, механики и биомеханики; Пермский национальный исследовательский политехнический университет, г. Пермь; kav@gelicon.biz.
Столбов Валерий Юрьевич, д-р техн. наук, профессор, заведующий кафедрой вычислительной математики, механики и биомеханики; Пермский национальный исследовательский политехнический университет, г. Пермь; valeriy.stolbov@gmail.com. I.V. Karakulov, karakuloviv@yandex.ru,
A.V. Kluiev, kav@gelicon.biz,
V.Yu. Stolbov, valeriy.stolbov@gmail.com
Perm National Research Polytechnic University, Perm, Russian Federation