基于改進(jìn)隨機(jī)森林算法的鉆井工況異常自動識別研究

劉勝娃，蘇興華，詹勝，何以晴，胡剛，隗崇華

摘要：當(dāng)前鉆井工況異常復(fù)雜，異常工況特征較多，影響了鉆井工況異常識別結(jié)果的準(zhǔn)確性與全面性，為此，本文提出基于改進(jìn)隨機(jī)森林算法的鉆井工況異常自動識別方法。布設(shè)傳感器監(jiān)測鉆柱振動數(shù)據(jù)，提取數(shù)據(jù)中的鉆井異常參數(shù)，使用EMD提取異常工況特征。結(jié)合異常工況特征提取結(jié)果，利用改進(jìn)隨機(jī)森林算法構(gòu)建鉆井工況異常自動識別模型，得到相關(guān)的識別結(jié)果。實驗結(jié)果表明，設(shè)計方法在鉆井工況異常自動識別方面具有極高的可靠性，能夠保證工況異常識別結(jié)果的準(zhǔn)確性與全面性。

關(guān)鍵詞：隨機(jī)森林算法；鉆井工況異常；異常識別；EMD；異常工況特征

中圖分類號：TE142? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）35-0087-03

鉆井工程是一個具有較強(qiáng)不確定性的復(fù)雜施工過程[1]，在鉆井施工作業(yè)的過程中，受鉆井設(shè)備、井下環(huán)境等異常的影響，時常發(fā)生不同類型的鉆井異常工況[2]。這些異常工況威脅著鉆井施工的安全性，一旦鉆井發(fā)生故障，如跳鉆和黏滑情況[3]等，可能直接導(dǎo)致關(guān)井等后果，嚴(yán)重影響鉆井的工作效率和質(zhì)量[4]。研究鉆井工況異常的識別方法，對于及時處理異常工況，提高鉆井工作效率，降低維護(hù)成本具有重要意義[5]。而傳統(tǒng)的鉆井工況異常識別方法存在難以提取異常工況特征的局限性，識別結(jié)果存在偏差，存在漏識、誤識等情況，為此，本文提出基于改進(jìn)隨機(jī)森林算法的鉆井工況異常自動識別方法，并通過實驗驗證了本文方法在鉆井工況異常識別中的應(yīng)用性能。

1 設(shè)計基于改進(jìn)隨機(jī)森林算法的異常檢測識別模型

1.1 布設(shè)傳感器監(jiān)測鉆柱振動數(shù)據(jù)

為了實現(xiàn)對于鉆井工況異常的自動識別，需要在獲取大量鉆井工作數(shù)據(jù)的基礎(chǔ)上，對異常情況進(jìn)行分析。所以，需要對鉆井設(shè)備進(jìn)行實時監(jiān)測，以獲取工況數(shù)據(jù)，為異常識別提供重要的數(shù)據(jù)基礎(chǔ)。為此，本文使用振動傳感器，對鉆井的鉆柱進(jìn)行振動信號的測量。由于在實際的工況中，鉆井鉆柱的振動方向并不是單一垂直運(yùn)動的，而是會受到各種反作用力，產(chǎn)生水平振動、垂直振動以及變向振動等。為了數(shù)據(jù)采集的全面性與完整性，本文還另外添加一臺加速度傳感器，以滿足對于鉆柱振動數(shù)據(jù)的全面測量。同時，為滿足數(shù)據(jù)處理高效率的要求，本文使用云端數(shù)據(jù)庫將收集信號進(jìn)行實時存儲，以便后期進(jìn)行線上的數(shù)據(jù)處理。

1.2 提取數(shù)據(jù)中的鉆井異常參數(shù)

在收集好鉆井運(yùn)行時相關(guān)的工況數(shù)據(jù)后，本文對數(shù)據(jù)進(jìn)行初步處理，降低信號數(shù)據(jù)中的干擾因素，并提取其中的鉆井異常工況的參數(shù)。在此，本文使用聚類算法提取異常參數(shù)。

假設(shè)數(shù)據(jù)集為[A]，其中存在的數(shù)據(jù)對象有[N]個，那么可以將數(shù)據(jù)集[A]表示為[A=1，2，...，N]。對于任意一個數(shù)據(jù)對象[N]來說，都有各自的屬性分類[B]，那么可以將數(shù)據(jù)根據(jù)屬性進(jìn)行劃分，使其成為含特定屬性[B]的聚類。在此基礎(chǔ)上，選用該聚類簇的平均值[C]為中心，重新對剩下的數(shù)據(jù)進(jìn)行劃分，形成新的聚類，重復(fù)循環(huán)，直到數(shù)據(jù)劃分完成。依據(jù)平方誤差的計算公式，異常參數(shù)的提取公式表示如下：

[Q=i=1na∈ba-Ci]? ? ? ? ? ? ? ? ? ? ?（1）

式中，[n]表示的是聚類數(shù)量參數(shù)，[a]表示的是數(shù)據(jù)集中的某一數(shù)據(jù)對象；[b]表示的是某一聚類分簇；[Ci]表示的是該分簇的平均參數(shù)。通過上述公式，能夠計算出全部數(shù)據(jù)對象的平方誤差參數(shù)[Q]，實現(xiàn)對異常參數(shù)的提取。

1.3 EMD提取異常工況特征

本文在獲取鉆井異常工況的數(shù)據(jù)參數(shù)后，需要對其中的異常特征進(jìn)行提取，以更好地分析鉆井工況異常的類型與相應(yīng)特征，從而進(jìn)行異常工況識別。為了保證提取效果，本文使用EMD方法，對異常工況的特征進(jìn)行提取。

在鉆井向下鉆進(jìn)的過程中，容易出現(xiàn)鉆頭脫離的跳鉆情況，為此本文對鉆柱垂直運(yùn)動方向的數(shù)據(jù)進(jìn)行特征提取，以識別鉆井的異常工況。利用EMD方法對鉆井異常參數(shù)進(jìn)行時域特征的提取。假設(shè)異常參數(shù)[D]中，存在極大值[dmax]以及極小值[dmin]，通過連接[dmax]和[dmin]，使得存在兩條貫穿全部異常參數(shù)的曲線[z]、[x]，那么對于[z]和[x]來說，能夠求出二者間的平均曲線[v]，可以得出如下計算公式：

[g=D-v]? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

式中，通過異常參數(shù)與平均曲線作差得到異常參數(shù)[D]的特征尺度[g]。但僅僅計算出[g]是不能滿足特征提取需求的，因此，還需要驗證[g]的數(shù)值能夠符合特征尺度的條件要求。驗證成功后，繼續(xù)進(jìn)行下一特征尺度的提取，直到獲得[n]個[g]值。

通過上述方法，能夠提取跳鉆情況的異常特征，然而在實際鉆井運(yùn)行過程中，出現(xiàn)異常工況的情形是多樣的，僅憑一種異常特征，難以識別全部的異常情況。對此，本文還對異常參數(shù)的頻域特征進(jìn)行提取，以完善異常工況的特征情況。

經(jīng)過分析歷史數(shù)據(jù)中的異常工況數(shù)據(jù)，并結(jié)合專家經(jīng)驗，本文建立了鉆井工況異常特征的關(guān)系規(guī)律，部分情況如表1所示：

1.4 改進(jìn)隨機(jī)森林算法實現(xiàn)異常識別

在提取異常特征以后，本文建立了相應(yīng)的異常特征對比數(shù)據(jù)庫，以滿足對于實時獲取的鉆井運(yùn)行數(shù)據(jù)進(jìn)行匹配，搜尋其中的異常工況信息，利用改進(jìn)隨機(jī)森林算法進(jìn)行鉆井工況異常自動識別。

我們先構(gòu)建判斷異常特征的決策樹。假設(shè)傳感器捕獲的數(shù)據(jù)集為[W]，其中對于異常識別的決策特征為[E]，由于特征類型眾多，為每個異常特征進(jìn)行屬性劃分，劃分出[q]個屬性量，那么對于該數(shù)據(jù)集來說，能夠求出其相關(guān)的信息熵[R]，其公式表示如下：

[R=i=1ntilog3ti]? ? ? ? ? ? ? ? ? ? ? ?（3）

式中，[n]表示的是數(shù)據(jù)中的特征數(shù)量參數(shù)；[ti]表示的是[W]根據(jù)[E]進(jìn)行分類后的數(shù)據(jù)子集。

隨機(jī)森林算法就是通過特征取值，隨后對數(shù)據(jù)集進(jìn)行劃分，將其分為無數(shù)個小子集，形成相應(yīng)的決策樹模型。這種計算過程較為復(fù)雜，使得故障識別的運(yùn)算效率不能滿足實際的需求，為此，需要對其進(jìn)行優(yōu)化。對此，本文引入步長LMS算法，對隨機(jī)森林模型進(jìn)行優(yōu)化。

首先，劃分?jǐn)?shù)據(jù)的特征。由于已經(jīng)通過歷史數(shù)據(jù)提取了異常工況的特征參數(shù)[D]，那么可以以此為標(biāo)準(zhǔn)，對數(shù)據(jù)集[W]進(jìn)行預(yù)劃分。計算出[W]集合內(nèi)的特征參數(shù)[e]，將[e]與標(biāo)準(zhǔn)參數(shù)[D]進(jìn)行比對，若滿足[e?D]這一條件，那么就可以將該特征歸為左分支，若滿足[e≥D]這一條件，則歸到右側(cè)分支。按照這一思路，能夠?qū)e]進(jìn)行排序，從而得到[E=e1，e2，...，en]。

其次，對構(gòu)建好的決策樹進(jìn)行離散度的評價，以縮小算法的方差差異。假設(shè)標(biāo)準(zhǔn)差參數(shù)為[r]，那么對于集合[E]來說，其離散程度[M]的計算公式可以表示為：

[M=r?]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

其中，[?]表示的是集合[E]的平均參數(shù)，通過[r]與[?]之間的比值，能夠分析出數(shù)據(jù)集[W]的離散度。

最后，使用步長LMS對其進(jìn)行優(yōu)化。假設(shè)窗口的滑動步長范圍為[l]，且滿足[l=1，5]，從[l]的最小值1起始，當(dāng)窗口滑動的過程中，需要確定滑動均值[la]，然后通過[la]的大小確定最佳的集合劃分點(diǎn)[a]。以此方式，不斷進(jìn)行劃分，直至特征參數(shù)被劃分完畢。這樣，就能夠獲取優(yōu)化后的隨機(jī)森林決策樹。

通過建立改進(jìn)后的隨機(jī)森林構(gòu)建鉆井工況異常自動識別模型，能夠判斷數(shù)據(jù)集中異常工況的特征數(shù)據(jù)，從而在歷史數(shù)據(jù)庫中尋找最優(yōu)解，通過匹配，實現(xiàn)鉆井工況異常的自動識別，以此保證識別質(zhì)量與效果。

2 實驗論證分析

為驗證本文設(shè)計的基于改進(jìn)隨機(jī)森林算法的鉆井工況異常自動識別方法的有效性，進(jìn)行實驗論證。在某地的鉆井施工過程中進(jìn)行實驗，具體的實驗準(zhǔn)備以及實驗結(jié)果如下。

2.1 實驗準(zhǔn)備

本文對該地的11號鉆井進(jìn)行工況異常識別的實驗，該鉆井機(jī)為徐工的XSL7/350型鉆機(jī)，鉆孔深度高達(dá)700m，并采用履帶式驅(qū)動，便于進(jìn)行調(diào)度，該鉆機(jī)采用CUMMINS QSB5.9-C210型發(fā)動機(jī)，功率可達(dá)155kw，具有較強(qiáng)的地層適應(yīng)性。通過安裝振動傳感器，以此測得了鉆井運(yùn)行過程中，正常工況以及發(fā)生異常工況的信號數(shù)據(jù)，經(jīng)過分析后繪制了相應(yīng)的分解圖，具體情況如下圖1與圖2所示：

分析對比圖1、圖2可以看出，鉆井工作時正常情況下振動數(shù)據(jù)波動較為平穩(wěn)，上下不會超過0.5m/s2。而發(fā)生異常工況時，存在信號波動尖峰，超過正常波動閾值，如圖2監(jiān)測數(shù)據(jù)點(diǎn)在460左右，超過了0.5，并且數(shù)據(jù)點(diǎn)在590～690之間，存在持續(xù)波動段，可見出現(xiàn)跳鉆類異常工況，以此能夠保證實驗的真實性和可靠性。

2.2 實驗結(jié)果

本文分別使用傳統(tǒng)的隨機(jī)森林識別方法以及本文設(shè)計的改進(jìn)隨機(jī)森林的自動識別方法進(jìn)行異常工況識別，記錄兩種方法的識別數(shù)據(jù)。得到了兩種方法對于鉆井異常工況識別的結(jié)果，具體情況如下圖3所示：

圖3中，閾值在0范圍內(nèi)上下波動1表示識別結(jié)果為工況正常，達(dá)到5左右表示識別結(jié)果為異常，-5左右表示為識別結(jié)果模糊。由上圖3可以看出，隨著采樣增加，本文方法與實際監(jiān)測的振動信號結(jié)果分析基本一致，較傳統(tǒng)方法在識別結(jié)果準(zhǔn)確性方面具有明顯的優(yōu)勢。在前期正常工況時，傳統(tǒng)方法與本文設(shè)計方法能夠保證較平穩(wěn)識別，而面對瞬時異常時，本文方法能夠準(zhǔn)確識別異常，傳統(tǒng)方法卻沒有識別出異常情況。同時，在面對持續(xù)異常情況時，本文方法能夠做到精準(zhǔn)及時識別，而傳統(tǒng)方法識別存在較大時間差，并且判斷結(jié)果存在模糊情況。對比證明，本文設(shè)計方法更具可靠性，且對于鉆井工況異常的識別準(zhǔn)確率較高。

3 結(jié)束語

為了保證鉆井工況異常自動識別效率與質(zhì)量，通過改進(jìn)隨機(jī)森林算法，實現(xiàn)對于鉆井工況異常的自動識別。對比傳統(tǒng)識別方法，驗證了本文設(shè)計方法具有極高的可靠性，能夠保證工況異常識別的準(zhǔn)確全面，可以在實際中得到廣泛應(yīng)用。

參考文獻(xiàn)：

[1] 羅光強(qiáng)，李揚(yáng)，周策，等.深孔智能化鉆井參數(shù)遠(yuǎn)程監(jiān)控及工況識別系統(tǒng)研究[J].地質(zhì)與勘探，2022，58（3）：696-702.

[2] 李衍志，范勇，高琳.基于形態(tài)流的石油鉆井水流異常檢測[J].計算機(jī)應(yīng)用，2021，41（6）：1842-1848.

[3] 劉勝娃，曹湘華.基于決策樹的鉆井工況智能識別方法[J].新型工業(yè)化，2022，12（1）：28-30.

[4] 李雷，韓烈祥，姚建林.參數(shù)耦合在粒子沖擊鉆井智能決策系統(tǒng)中的應(yīng)用[J].鉆采工藝，2020，43（3）：4-6，45，1.

[5] 李兵，韓睿，何怡剛，等.改進(jìn)隨機(jī)森林算法在電機(jī)軸承故障診斷中的應(yīng)用[J].中國電機(jī)工程學(xué)報，2020，40（4）：1310-1319，1422.

【通聯(lián)編輯：張薇】