海上壓裂設備柴油機異常狀態(tài)智能檢測技術研究

摘 要：本文針對海上壓裂設備柴油機的異常檢測問題，提出了一種基于深度學習的檢測方法。與一般的深度學習框架相比，本方法只采用了7個DBL單元和6個POOLING單元，結構更精簡。排煙量和轉動速度這2個數(shù)據(jù)經均衡化處理后送入深度學習框架下，通過設定的損失函數(shù)判斷檢測結果是否可信。測試結果表明，本文方法明顯優(yōu)于其他3種方法，使壓裂設備柴油機的異常狀態(tài)檢出率達90%以上。

關鍵詞：海上石油開采；壓裂設備；柴油機；智能檢測

中圖分類號：TE 42" " " " 文獻標志碼：A

石油在現(xiàn)代經濟發(fā)展過程中具有舉足重輕的重要地位，也被稱之為工業(yè)的血液。隨著世界各國經濟迅速發(fā)展和全球經濟一體化，全球范圍內的陸地石油資源被大量消耗，海洋石油資源勘探和開采已經成為石油產量增加的重要補給。但是，海上石油開采環(huán)境與陸地石油開采有較大不同，其環(huán)境條件惡劣、未知風險因素多，給開采工作帶來嚴峻挑戰(zhàn)[1]。因此，海上石油開采需要配置特殊設備，壓裂設備就是其中重要的一種。海上石油開采所需壓裂設備動力需求大，一般采用柴油機作為能源供給設備[2]。因此柴油機的穩(wěn)定工作就成為壓裂設備可靠運行的重要保證，也會直接影響海上石油的開采效率。但是，由于長時間高負荷工作，柴油機可能會出現(xiàn)各種故障，因此進行柴油機關鍵參數(shù)異常數(shù)據(jù)檢測就成為判斷柴油機是否可以繼續(xù)工作的有效手段[3]。為此，本文提出了一種專門用于海上壓裂設備柴油機異常狀態(tài)檢測的智能檢測方法。

1 海上石油開采壓裂設備柴油機狀態(tài)參數(shù)

海上石油開采環(huán)境惡劣，壓裂設備功率需求大，從而給柴油機帶來了較大的工作壓力。而從壓裂設備上柴油機的配置和運動情況看，其屬于往復運動機械，再加上多被機身表殼包裹，運動條件和結構條件均較復雜，導致對其狀態(tài)參數(shù)進行監(jiān)測十分困難。表征柴油機工作狀態(tài)的參數(shù)較多，如圖1所示。

圖1給出了海上壓裂設備柴油機的狀態(tài)參數(shù)，包括柴油機的功率、柴油機的工作溫度、柴油機的工作壓力、柴油機的油耗、柴油機的排煙量、柴油機的轉動速度、柴油機的振動情況以及柴油機的噪聲情況。

考慮狀態(tài)數(shù)據(jù)的可得性，將排煙量和轉動速度作為柴油機狀態(tài)的監(jiān)測變量，納入后續(xù)的智能檢測算法。之所以選擇這2個參數(shù)，是因為可以通過煙霧傳感器、測速傳感器對柴油機的排煙量和轉動速度進行有效測量，獲取數(shù)據(jù)較方便。

2 柴油機異常狀態(tài)智能檢測方法

2.1 柴油機狀態(tài)數(shù)據(jù)的預處理

本文將柴油機的排煙量、柴油機的轉動速度共2類狀態(tài)數(shù)據(jù)作為柴油機異常狀態(tài)檢測的輸入數(shù)據(jù)。但是受測量條件等因素的限制，排煙量和轉動速度的數(shù)據(jù)在時間域和數(shù)值范圍上并不均衡。為了滿足后續(xù)智能檢測算法的使用需求，對這2類數(shù)據(jù)進行預處理，本文采用的主要方法就是均衡化處理，具體的處理策略如圖2所示。

圖1中，圓形代表柴油機狀態(tài)數(shù)據(jù)中的多數(shù)樣本，菱形代表柴油機狀態(tài)數(shù)據(jù)中的少量樣本，正方形代表均衡化處理時增添的結構樣本。在空間范圍內補充狀態(tài)數(shù)據(jù)，使其分布稀疏的空間區(qū)域密集起來，達到數(shù)據(jù)整體上的均衡化效果。

2.2 基于深度學習的智能檢測框架

柴油機處于異常狀態(tài)時，其排煙量或轉速會出現(xiàn)突變，或遠大于臨近值，或遠小于臨近值。為了提升異常數(shù)據(jù)的識別和檢測效率，更有效地完成海上壓裂設備的異常狀態(tài)檢測，本文采取基于深度學習的方法。為了加快智能檢測速度，本文對深度學習算法采取精簡處理，精簡后的框架如圖3所示。

與一般的深度學習方法相比，本文采用的深度學習方法只包括7個DBL單元和6個Pooling單元，這樣的學習結構清晰、簡潔，可以節(jié)省大量學習和訓練時間。每個狀態(tài)數(shù)據(jù)是否為異常數(shù)據(jù)，通過其判定為正常的置信度來衡量，如公式（1）所示。

C=ρ·IoUTP （1）

式中：C為柴油機一個狀態(tài)數(shù)據(jù)可以認定為正常的置信度；ρ為對應于這種置信度的概率；IoUTP為置信判定和真值的對比。

2.3 損失函數(shù)設計

在深度學習方法的訓練過程中，內部框架何時被認為達成穩(wěn)定，是通過損失函數(shù)的值來判定的。如果當前學習比上一次學習的損失函數(shù)值減少較少，并且當前損失函數(shù)值本身非常小，就可以認為深度學習的訓練效果較理想，此時的深度學習框架就可以用于進一步的數(shù)據(jù)處理。

在有關損失函數(shù)的設計上，IoU函數(shù)和GIoU函數(shù)是被廣泛采用的2個損失函數(shù)。因此在海油壓裂設備柴油機異常狀態(tài)智能檢測的深度框架內也采用這2個損失函數(shù)，形式上分別如公式（2）、公式（3）所示。

（2）

（3）

式中：A為海上壓裂設備柴油機異常狀態(tài)數(shù)據(jù)的真值；B為海上壓裂設備柴油機異常狀態(tài)數(shù)據(jù)的預測值；C為真值和預測值的連接區(qū)域。

3 發(fā)電側數(shù)據(jù)異常檢測試驗結果與分析

上述對海上壓裂設備柴油機的關鍵參數(shù)進行了分析，并選取排煙量和轉動速度作為狀態(tài)異常檢測的關鍵變量，構建了基于均衡化處理的數(shù)據(jù)預處理方法，并在精簡深度學習框架下構建了異常狀態(tài)數(shù)據(jù)的智能檢測方法。下面將通過試驗驗證所提方法對海上壓裂設備柴油機異常檢測的有效性。

3.1 柴油機排煙量數(shù)據(jù)的深度學習訓練效果

在異常數(shù)據(jù)檢測的測試過程中，本文以渤海灣石油開采過程中壓裂設備柴油機狀態(tài)的實測數(shù)據(jù)為試驗對象，其中有關排煙量的數(shù)據(jù)為8820個，經過均衡化處理后補充到整10000個。測試過程中，將其中7000個排煙量數(shù)據(jù)作為柴油機狀態(tài)的樣本數(shù)據(jù)，對深度學習網絡進行訓練，待深度學習網絡穩(wěn)定后，對剩余3000個排煙量數(shù)據(jù)進行異常狀態(tài)檢測。

為了和本文提出的方法進行比較，選擇沒有精簡的常規(guī)深度學習方法作為參照方法。2種方法同時執(zhí)行柴油機排樣量數(shù)據(jù)的深度訓練，損失函數(shù)的變化曲線如圖4所示。

根據(jù)圖4中2條曲線的變化和對比情況可以看出，2個方法間的變化趨勢和幅度范圍基本趨同。迭代訓練75次左右時，2種方法的損失函數(shù)值都降至0.1的較低水平。當?shù)螖?shù)為200次時，本文方法損失函數(shù)值基本為最低，其后雖有波動，但不明顯。迭代300次以后，損失函數(shù)值的曲線穩(wěn)定，表明深度方法訓練趨于穩(wěn)定。與本文方法相比，常規(guī)深度學習方法的波動次數(shù)較多、波動幅度較大，表明深度訓練的過程沒有本文方法理想。實際上，本文方法是在常規(guī)深度學習方法上的精簡結果，這是本文在深度學習前對數(shù)據(jù)進行均衡化處理的結果。

3.2 柴油機轉動速度數(shù)據(jù)的深度學習訓練效果

進一步測試轉動速度這一狀態(tài)變量數(shù)據(jù)的深度學習訓練效果，總數(shù)據(jù)量仍然是10000個，以其中70%作為訓練數(shù)據(jù)，30%作為檢測數(shù)據(jù)。該狀態(tài)變量數(shù)據(jù)深度訓練下的損失函數(shù)對比結果如圖5所示。

圖5中的設置與圖4相同，但圖中2條曲線的變化規(guī)律同圖4相比存在明顯差異。在轉動速度數(shù)據(jù)的測試下，本文方法50次迭代時的損失函數(shù)值已經降至較低水平，其后經過幾次波動，在180次迭代后基本穩(wěn)定在最小值位置上。而采用常規(guī)深度學習的方法的損失函數(shù)值一直明顯高于本文方法，并且迭代350次時還沒有完全穩(wěn)定下來。

3.3 與其他方法的檢測效果對比

為了進一步形成和本文方法的橫向比較，選擇其他3種方法進行柴油機狀態(tài)的異常檢測，分別是CNN方法、RNN方法和DNN方法。4種方法的比較效果見表1。

通過表1中的結果可以看出，因為4種方法都是深度學習方法，異常檢測的效果與數(shù)據(jù)訓練量有密切關系，所以隨著參與檢測的數(shù)據(jù)量不斷增大，4種方法的異常檢測效果都越來越好。但是，本文方法對海上壓裂設備柴油機的異常檢測準確率一直維持在90%以上的水平，明顯高于其他3種方法。由此可以看出，本文方法確實具有比較明顯的優(yōu)勢。

4 結論

海上石油開采已經成為石油能源的重要獲取渠道，但其作業(yè)條件復雜、工作環(huán)境惡劣，需要更多的功能強大的配套設備。壓裂設備是海上石油開采的重要設備，一般以柴油機為主要動力供給裝置。柴油機能否正常工作直接決定了壓裂設備能否正常工作，也間接影響整個石油開采的效率。針對此問題，本文以排煙量和轉動速度為柴油機的狀態(tài)表征變量，通過深度學習檢測框架構建和試驗，測試了該方法對柴油機異常狀態(tài)的檢測效果。測試結果顯示，本文方法可以取得更好的異常檢測效果，檢測準確率維持在比較高的水平。

參考文獻

[1]謝猛，張樹立.GTI柴油機雙燃料系統(tǒng)在頁巖氣壓裂設備上的應用[J].大眾標準化，2022（18）：104-106.

[2]薛強，徐維強，高秀娟，等.智能診斷系統(tǒng)在底特律柴油機上的應用[J].中國設備工程，2019（4）：20-21.

[3]曾珺，劉有平，席建秋，等.壓裂機組柴油機燃料油集中連續(xù)供油裝置研制[J].石油礦場機械，2021（1）：94-98.