CC BY
11
Electrical facilmes and systems
Илья Сергеевич Сухачев Ilya S. Sukhachev
кандидат технических наук, доцент кафедры электроэнергетики,
Тюменский индустриальный университет, Тюмень, Россия
Сергей Владимирович Сидоров Sergei V. Sidorov
старший преподаватель кафедры электроэнергетики, Тюменский индустриальный университет, Тюмень, Россия
Валерий Валентинович Сушков Уа1егу V. Sushkov
доктор технических наук, профессор, профессор кафедры «Энергетика», Нижневартовский государственный университет, Нижневартовск, Россия
Виктория Романовна Антропова Victoria R. Antropova
аспирант кафедры электроэнергетики, Тюменский индустриальный университет, Тюмень, Россия
УДК 621.31 DOI: 10.17122/1999-5458-2022-18-1-88-94
РАЗРАБОТКА МОДЕЛИ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ НЕФТЕПРОМЫСЛОВОГО ЭНЕРГОМЕХАНИЧЕСКОГО ОБОРУДОВАНИЯ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ
Актуальность
Работа посвящена разработке системы прогнозирования технического состояния нефтепромыслового энергомеханического оборудования, в частности установки электрического центробежного насоса как способа решения проблемы отказа электрооборудования, связанного со сработкой его ресурса.
Цель исследования
Повышение надежности нефтепромыслового энергомеханического оборудования путем прогнозирования технического состояния установки электрического центробежного насоса в текущих условиях эксплуатации.
Методы исследования
Для определения технического состояния установки электрического центробежного насоса использованы методы искусственной нейронной сети и прикладные программы для ЭВМ.
Результаты
Приведен способ реализации искусственной нейронной сети, позволяющая прогнозировать изменение технического состояния электрооборудования при дальнейшей эксплуатации в текущих условиях. Получен график прогнозирования технического состояния установки электрического центробежного насоса.
Ключевые слова: установка электрического центробежного насоса, внезапные и постепенные отказы, техническое состояние, искусственная нейронная сеть, прогнозирование
DEVELOPMENT OF A MODEL FOR FORECASTING THE TECHNICAL CONDITION OF OILFIELD POWER-MECHANICAL EQUIPMENT USING AN ARTIFICIAL NEURAL NETWORK
Relevance
The work is devoted to the development of a system for predicting the technical condition of oilfield power-mechanical equipment, in particular the installation of an electric centrifugal pump, as a way to solve the problem of failure of electrical equipment associated with the exhaustion of its resource.
Aims of research
Improving the reliability of oilfield power-mechanical equipment by predicting the technical condition of the installation of an electric centrifugal pump in the current operating conditions.
Research methods
To determine the technical condition of the installation of an electric centrifugal pump, artificial neural network methods and computer applications were used.
Results
A method for implementing an artificial neural network is presented, which makes it possible to predict a change in the technical state of electrical equipment during further operation under current conditions. A schedule for predicting the technical condition of the ESP has been obtained.
Keywords: electrical submersible pump unit, sudden and gradual failures, technical condition, artificial neural network, forecasting
В настоящее время все более значимыми становятся интеллектуальные системы прогнозирования технического состояния энергомеханического оборудования, построенные на основе искусственной нейронной сети (ИНС), имеющие большие преимущества перед другими моделями, позволяющими воспро-
изводить сложные зависимости, имеющие нелинейный характер. Системы логических выводов искусственной нейронной сети условно можно разделить на два основных направления — четкие и нечеткие выводы [1—3]. Четкие логические выводы построены на теории четких множеств. Нечеткие логические выводы
(нейро-нечеткие логические выводы) построены на теории нечеткой логики и представляют собой процессы получения нечетких заключений с помощью нечетких условий или предпосылок об объекте исследования на основе информации о его текущем состоянии. Нейро-нечеткий логический вывод допускает неточность, неопределенность и неполную истинность обрабатываемых данных и реализуется на основе обобщенного использования методов нечеткой логики и методов искусственных нейронных сетей.
Рассмотрим общий подход к прогнозированию технического состояния нефтепромыслового энергомеханического оборудования, основанный на методе искусственной нейронной сети на примере установок электрических центробежных насосов (УЭЦН).
Для механизированной добычи нефти на нефтяных месторождениях применяют широкий перечень типоразмеров УЭЦН различных отечественных и зарубежных производителей. Применение метода искусственной нейронной сети для прогнозирования технического состояния УЭЦН обусловлено влиянием различных факторов, которые связаны с различными видами осложнений [1-7]. Отметим следующие осложнения: технические (вибрация), технологические (глубина спуска, кривизна скважины, темп набора кривизны) и геолого-технические (повышенное содержание механических примесей, отложение солей, высокое содержание парафина, температура в зоне работы, обводненность, высокая вязкость и газовый фактор, низкие забойные давления).
В основу принципа прогнозирования технического состояния (ТС) погружной установки положено измерение следующих параметров работы УЭЦН: изменение уровня сигнала (амплитуды интегральной составляющей токов фаз, вибро-
скорости), выраженное в процентах; изменение амплитуды выделенных частот, выраженное в процентах; частота вращения вала; низкочастотные колебания; автоколебание вала установки; частоты, свидетельствующие об электрических дефектах; дебит скважины; потребляемый ток по фазам; изменение тока по фазам; скачки тока единовременные и разнесенные во времени; изменения напряжения на трансформаторе, питающем погружной электродвигатель; температура статора погружного электродвигателя.
Нейро-нечеткий логический вывод формируется на этапе оценки технического состояния каждого элемента УЭЦН.
Для прогнозирования технического состояния УЭЦН применяется обобщенный параметр Н, формируемый на основе следующих измеряемых технических, косвенных, характеризующих вибрационное состояние и геолого-технологических параметрах [8, 9]: изменение уровня сигнала (амплитуды интегральной составляющей токов фаз); изменение амплитуды выделенных частот; частота вращения вала; низкочастотные колебания; автоколебание вала установки; частоты, свидетельствующие об электрических дефектах; дебит скважины; потребляемый ток по фазам; изменение тока по фазам; скачки тока единовременные и разнесенные во времени; изменения напряжения на трансформаторе; температура статора погружного электродвигателя.
Для определения обобщенного параметра Н разработана искусственная нейронная сеть, структура которой приведена на рисунке 1.
Компонентами ИНС (рисунок 1) являются подсистема ввода и нормализации данных sequenceInputLayer (numFea-tures); подсистема долговременной кратковременной памяти (LSTM), изучающая
долгосрочные зависимости между временными шагами во временном ряду и данными последовательности lstmLayer (numHiddenUnits)\ подсистема умножения входных данных на матрицу весов и добавления вектора смещения ^Щ^п-nectedLayer (numResponses); подсистема вычисления потерь полусреднеквадратичной ошибки для задач регрессии regressionLayer.
ш imageinput imageJnputLayer
r
pi Istm IstmLayer
к
fc fullyConnected.,.
f-
0 regressionout... regressionLayer
Рисунок 1. Структурная схема ИНС
Figure 1. Structural diagram of artificial neural network
Для прогнозирования технического состояния УЭЦН применено обучение сети LSTM регрессии от последовательности к последовательности, где ответами являются обучающие последовательности со значениями, сдвинутыми на один временной шаг, то есть на каждом временном шаге входной последовательности сеть LSTM учится предсказывать значение следующего временного шага.
При прогнозировании ТС используется вышеуказанный набор технических параметров datasetinput, передаваемый в подсистему sequenceInputLayer (numFea-tures):
data = load('datasetinput.mat'); data = data.input'.
Первые 80 % данных являются тренировочными, а оставшиеся 20 % предназначены для тестирования:
numTimeStepsTrain = floor(0.8*numel(data)); dataTrain = data(1:numTimeStepsTrain+1); dataTest = data(numTimeStepsTrain+1:end).
Для предотвращения отклонения обучения стандартизированы тренировочные данные dataTrain, чтобы иметь нулевое среднее значение и единичную дисперсию. Во время прогнозирования стандартизированы тестовые данные dataTest, используя те же параметры, что и обучающие данные:
mu = mean(dataTrain); sig = std(dataTrain);
dataTrainStandardized = (dataTrain - mu) / sig.
Для прогнозирования значений будущих временных шагов последовательности заданы ответы как обучающие последовательности со значениями, сдвинутыми на один временной шаг, то есть на каждом временном шаге входной последовательности сеть LSTM учится предсказывать значение следующего временного шага:
XTrain = dataTrainStandardized(1:end-1); YTrain = dataTrainStandardized(2:end).
Создана регрессионная сеть LSTM на основе структурной схемы рисунка 1:
numFeatures = 1; numResponses = 1; numHiddenUnits = 200; layers = [ ...
sequencelnputLayer(numFeatures) lstmLayer(numHiddenUnits) fullyConnectedLayer(numResponses) regressionLayer].
Приняты следующие параметры обучения: тип решателя — «Адам», количество тренировочных итераций — 300, порог градиента — 1, начальная скорость обучения — 0,0001, с уменьше-
нием скорости обучения после 125 итераций путем умножения на коэффициент — 0,2:
options = trainingOptions(fadam', ... 'MaxEpochs',300, ... fGradientThreshold',1, ... fInitialLearnRate',0.0001, ... 'LearnRateSchedule','piecewise', ... fLearnRateDropPeriod',125, ... fLearnRateDropFactor',0.2, ... fVerbose',0, ... 'Plots','training-progress').
С помощью trainNetwork выполнено обучение сети LSTM с указанными параметрами обучения:
net = trainNetwork(XTrain,YTram,layers, options).
Для инициализации состояния искусственной нейронной сети на первом этапе предсказаны обучающие данные XTrain. Затем первый прогноз составлен, используя последний временной шаг обучающего ответа YTrain(end). Выполнен перебор оставшихся прогнозов и введен предыдущий прогноз в predictAndUpdateState:
net = predictAndUpdateState(net,XTrain); [net,YPred] = predictAndUpdateState(net,YTrain (end));
numTimeStepsTest = numel(XTest); for i = 2:numTimeStepsTest
[net,YPred(:,i)] = predictAndUpdateState (net,YPred(:,i-1),'ExecutionEnvironment', 'cpu');
end.
Deep Network Designer позволяет визуализировать и контролировать прогресс обучения (рисунок 2). При необходимости возможно редактирование параметров обучения и переобучения сети.
Для прогнозирования значений нескольких временных шагов в будущем использована функция predictAndUpdateState для прогнозирования временных шагов по одному и обновления состояния сети при каждом прогнозе. Для каждого прогноза использован предыдущий прогноз в качестве входных данных.
Для больших наборов данных, длинных последовательностей или больших искусственных нейронных сетей прогнозы на графическом процессоре обычно выполняются быстрее, чем прогнозы на центральном процессоре. В противном случае целесообразно прогнозирование с применением центрального процессора. Чтобы использовать центральный процессор для прогнозирования, применяется параметр «ExecutionEnvironment» функции «PredictAndUpdateState», значение «CPU».
Рисунок 2. График прогресса обучения искусственной нейронной сети Figure 2. Artificial neural network training progress graph
8 10 12 time interval
Рисунок 3. График прогнозирования технического состояния УЭЦН Figure 3. Schedule for predicting the technical condition of the electrical submersible pumping
На рисунке 3 приведен пример прогнозирования технического состояния УЭЦН без конкретной привязки к типу и производителю установки.
Изначально обобщенный параметр технического состояния оборудования принят за 1 (полностью исправным). За время эксплуатации наблюдается снижение технического состояния, которое имеет нелинейный характер. Результаты мониторинга технического состояния УЭЦН — Observed совмещены с результатами работы ИНС — Forecast, представляющими собой прогнозирование
технического состояния установки, как показано на рисунке 3.
Выводы
Применение искусственной нейронной сети позволяет прогнозировать изменение технического состояния электрооборудования при дальнейшей эксплуатации в схожих условиях.
Прогнозирование на основе обобщенного параметра технического состояния подразумевает наличие приведенных в нормативно-технической документации критериев оценки работоспособности УЭЦН.
Список источников
1. Gayatri Sarman K.V.S.H., Mad-hu T., Mallikharjuna Prasad A. Fault Diagnosis of BLDC Drive Using Advanced Adaptive Network-Based Fuzzy Inference System // Soft Computing. 2021. Vol. 25. No. 20. P. 1275912774. doi: 10.1007/s00500-021-06046-z.
2. Al-Janabi S., Rawat S., Patel A., Al-Shourbaji I. Design and Evaluation of a Hybrid System for Detection and Prediction of Faults in Electrical Transformers. International Journal of Electrical Power and Energy Systems. 2015. 67. P. 324-335. doi: 10.1016/j. ijepes.2014.12.005.
3. Losev F.A., Prokopchuk I.A., Sush-kov V.V. The Stability Assessment of Responsible Oilfield Power Consumers // 13th International IEEE Scientific and Technical Conference «Dynamics of Systems, Mechanisms and Machines», Dynamics, Omsk 5-7 November 2019. 2019. Art. No. 8944696. doi: 10.1109/ Dynamics47113.2019.8944696.
4. Losev F.A., Sushkov V.V., Timosh-kin V.V., Martyanov A.S. Increasing Stability of Electric Centrifugal Pumps in Submersible Electromotor to Voltage Sags with Adaptive Undervoltage Protection // Bulletin of the Tomsk Polytechnic University, Geo Assets Engineering. 2018. Vol. 329. No. 10. P. 40-48.
Electrical facilmes and systems
5. Gladkikh T.D., Sushkov V.V. The Method of Distribution of Entering Emergency Restrictions Volumes of Power Consumption of Oilfield Consumers in Western Siberia When There is a Power Shortage in the Power System // Industrial Power Engineering. 2010. No. 10. P. 23-26.
6. Sushkov V.V., Mataev N.N., Kula-kov S.G., Emelina N.M., Basyrova T.D. Reliability, Maintenance, Repair and Diagnostics of Oil and Gas Field Equipment. Saint-Petersburg: Nestor, 2008. 296 p.
7. Sushkov V.V., Freishteter V.P., Pu-khalsky A.A. The Assessment of Technological Systems Stability of Oil Production in Case of Power Supply Failures // Industrial Power Engineering. 2002. No. 6. P. 44-48.
8. Pat. 2213270 RF. Method for Determining the Technical Condition of Electric Submersible Installations for Oil Production / N.N. Mataev, S.G. Kulakov, S.A. Nikonchuk. 2003.
9. Terzija V.V. Adaptive Underfrequency Load Shedding Based on the Magnitude of the Disturbance Estimation // IEEE Transactions on Power Systems. 2006. Vol. 21. Issue 3. P. 12601266.
References
1. Gayatri Sarman K.V.S.H., Madhu T., Mallikharjuna Prasad A. Fault Diagnosis of BLDC Drive Using Advanced Adaptive Network-Based Fuzzy Inference System, Soft Computing, 2021, Vol. 25, No. 20, pp. 1275912774. doi: 10.1007/s00500-021-06046-z.
2. Al-Janabi S., Rawat S., Patel A., Al-Shourbaji I. Design and Evaluation of a Hybrid System for Detection and Prediction of Faults in Electrical Transformers. International Journal of Electrical Power and Energy Systems, 2015, 67, pp. 324-335. doi: 10.1016/j.ije-pes.2014.12.005.
3. Losev F.A., Prokopchuk I.A., Sushkov V.V. The Stability Assessment of Responsible Oilfield Power Consumers. 13th International IEEE Scientific and Technical Conference «Dynamics of Systems, Mechanisms and Machines», Dynamics, Omsk, 5-7 November 2019. 2019, Art. No. 8944696. doi: 10.1109/ Dynamics47113.2019.8944696.
4. Losev F.A., Sushkov V.V., Timosh-kin V.V., Martyanov A.S. Increasing Stability of Electric Centrifugal Pumps in Submersible Electromotor to Voltage Sags with Adaptive Undervoltage Protection. Bulletin of the Tomsk Polytechnic University, Geo Assets Engineering, 2018, Vol. 329, No. 10, pp. 40-48.
5. Gladkikh T.D., Sushkov V.V. The Method of Distribution of Entering Emergency Restrictions Volumes of Power Consumption of Oilfield Consumers in Western Siberia When There is a Power Shortage in the Power System. Industrial Power Engineering, 2010, No. 10, pp. 23-26.
6. Sushkov V.V., Mataev N.N., Kulakov S.G., Emelina N.M., Basyrova T.D. Reliability. Maintenance, Repair and Diagnostics of Oil and Gas Field Equipment. Saint-Petersburg, Nestor Publ., 2008. 296 p.
7. Sushkov V.V., Freishteter V.P., Pu-khalsky A.A. The Assessment of Technological Systems Stability of Oil Production in Case of Power Supply Failures. Industrial Power Engineering, 2002, No. 6, pp. 44-48.
8. Mataev N.N., Kulakov S.G., Nikonchuk S.A. Patent RF, No. 2213270. Method for Determining the Technical Condition of Electric Submersible Installations for Oil Production, 2003.
9. Terzija V.V. Adaptive Underfrequency Load Shedding Based on the Magnitude of the Disturbance Estimation. IEEE Transactions on Power Systems, 2006, Vol. 21, Issue 3, pp. 12601266.
