基于隐马尔科夫模型的石油钻井工程过程异常检测的研究

1 绪论1.1 研究背景及意义石油钻井工作经常处于地质结构比较复杂的数千米的地下，是一个隐蔽性强并且存在很多不确定因素的过程。一旦发生故障会大大增加石油钻井作业的工作成本，甚至是危害职工及当地群众的生命安全。据统计，自 1983 年至 2002年美国在墨西哥湾地区共发生井喷事故 17 起。在 80 年代以前，由于我国钻井平台的设备十分差，并且当时的技术比较落后，就会造成各种钻井事故接连不断的发生[2]。在 80 年代以后由于我国研究并使用了新的钻井技术，使我国在各类钻井事故预警方面都有了很大的进步，但由于种种复杂的原因，在钻井过程中还是会发生事故。特别是，2003 年 12 月 23 日，川东北气矿罗家 16H 井发生一起井喷特大事故，事故造成 243 人死亡、10175 人不同程度中毒，10 万群众被紧急疏散，给国家和人民带来了极大的财产损失和人员伤亡[3]。 因此，在复杂的钻井施工过程中，如果能够捕获和运用各种有用的技术信息，对将有可能发生的钻井事故能够给出相对准确的预警或者能够给出一定程度上的警示，对于防止和控制钻井事故的扩大，最大限度地减少经济损失具有十分重大的现实意义[4]。 目前，利用大量的钻井录井数据进行事故诊断及预警得到了广泛重视，神经网络、模糊系统以及数据挖掘技术都已在石油钻井事故诊断中得到了应用，并且提出了不同的预警模型。在这些研究中，石油钻井工程中钻井参数的异常趋势特征是进行预警的关键，于是本文提出了一种能够反映钻井参数趋势性变化的特征量，其具有不受参数基准值变化影响的特点。利用隐马尔科夫（HMM, Hidden Marov Model）理论给出石油钻井工程中钻井参数异常情况的可能性，通过多个参数之间的综合决策，为钻井事故的判断、预警提供技术支持。........1.2 故障诊断方法通过对采集的信号进行相应的分析与处理，就能够得到表征故障的特征的特征量，但是还需要专家对进一步这些特征进行分析与解释。而故障诊断方法可以对提取的特征与故障类型进行映射，从而进行自动诊断故障。我们将常见的故障诊断方法可以分为人工智能方法与统计学习方法两类[5]。人工神经网络具有非线性、自组织性、自适应学习、大规模并行处理等特点。人工智能方法中应用得最早而且最广泛一种模式识别方法就是人工神经网络：Chen X 等对六类轴承故障采集的信号进行提取特征向量并处理，之后再运用神经网络来识别出不同的故障类型[6]。王仕强对现场采集的钻井泵振动信号进行小波特征量的提取之后再利用神经网络进行故障诊断与识别[7]。汪洋利用神经网络模型对井下发生的异常状况进行了有效的识别，并且建立了相对应的钻井卡钻预警模型[8]。..........2 石油钻井工艺及常见故障分析为了更加深入的研究石油钻井故障诊断系统，首先必须了解石油钻井的整个过程中的技术及理论，分析钻井过程中产生故障时参数的变化趋势及故障产生的原因，才能利用综合录井仪采集到的钻井参数，运用计算机模拟技术人员对钻井事故的处理方法，做到真正的智能检测及诊断，减轻现场工程人员的工作量，研究出真正符合钻井现场要求的实时故障诊断方法[43]。2.1 主要钻井设备简介钻井平台是钻工作中的主要操作平台，主要有大绳、转盘、液压钳、天车、钻工控制台、卡瓦和大钳、天台、立管等设备组成。由于有钻杆来连接钻头与方钻杆，因此当需要进行钻头转动时，就需要方钻杆的带动，而方钻杆需要插入转盘中间的方形孔，进而由转盘来带动方钻杆。由泥浆泵压出的泥浆通过钻井平台上的立管注入方钻杆等钻具的内管将泥浆压入地下，才能通过泥浆将钻井过程中产生的岩石碎屑携带上来。钻井液有加固井壁、封堵小型裂隙和冷却钻头及钻柱的作用，钻井液被泥浆泵压入高压管线再到钻井平台上的立管，然后途经钻井平台上的水龙带与水龙头，之后便压进钻杆直到钻井井底的钻头，从钻头水眼处喷出然后由环空返回地表，再流经泥浆筛和除砂、除泥和除气器，除去钻井液从井底带出的岩石碎屑和其他杂质以后，便又回到泥浆池中，组成了一个由地表到井底再由井底到地表的完整的循环系统。钻头不断切削岩石所产生的热能及岩石碎屑是由钻井液通过上述循环系统带出井底的，而且泥浆泵所产生的高压力能使钻井液快速喷出钻头冲击岩石。钻井液循环系统的示意图如图 2.2 所示。

........2.2钻井过程中常见故障类型及机理分析当钻井过程中发生故障时，不同的参数会发生不同的趋势变化，因此可以利用钻井过程中参数的变化趋势来判断故障发生与否。钻井过程中主要工作参数有：总池体积、井深、钻头位置、大钩负荷、出口密度、扭矩、转盘转速、立管压力、大钩速度、套管压力、泵冲、出口温度、出口流量、出口电导、钻时、钻压等[4]。 钻井过程中主要的事故类型有：井漏、井涌、卡钻遇阻、钻具穿刺、钻具掉落、钻头掉落、钻头磨损、水眼堵塞、水眼掉落等，事故类型和主次参数的变化[43]如表 2.1 所示，表中↑ 表示钻井参数为上升趋势，↓ 表示钻井参数为下降趋势。.........3 趋势特征量构造 ......... 133.1 动态信号的特征分析 .......... 133.1.1 平稳与非平稳信号 .... 133.1.2 非平稳时间序列特征提取方法概述 ........ 153.2 钻井参数趋势特征量的构造 ...... 173.2.1 动态信号特征参量的选择原则 ........ 173.2.2 趋势特征量的构造过程及相关定义 ........ 183.3 小结 ...... 254 基于 CHMM 的石油钻井预警模型 .......... 264.1 HMM 基本理论 .... 264.2 HMM 基本算法 .... 324.3 连续 HMM 理论 .......... 384.4 基于 CHMM 钻井参数异常预警模型 ........ 464.5 参数异常预警实验 ...... 474.6 钻井故障的综合决策 .......... 544.7 小结 ...... 555 钻井参数异常阈值自适应算法 ......... 565.1 基于 3sigma 准则的自适应阈值 ......... 565.2 基于最大类间方差法的自适应阈值 .......... 585 钻井参数异常阈值自适应算法上一章凭经验统计出固定阈值的选取方法虽然很容易实现但是从本质上来讲是不太合理的，这是由于阈值会随着模型偏差、系统现实、噪声等的变动不断地改变的，而选取的固定阈值显然不能适应这些变化[65]。当选取的阈值过大就会导致漏报率过高，相反，选取的阈值过小误报率就会过高。怎样对阈值进行合理地选择又成了问题[66]。所以最好是能使阈值自适应地改变大小，从而减小误报率和漏报率。5.1 基于 3sigma 准则的自适应阈值阈值的作用其实就是将正常与异常的数据分为两类。而在图像分割领域应用广泛最大类间方差法[68]（otsu 算法）基本思想是使用一个阈值将整个数据分成两个类，如果这两个类之间的方差最大，那么该阈值就是最佳的阈值[69]。因此，可以将最大类间方差法用于本文中的阈值求解。 将前两节介绍的自适应阈值方法应用到 CHMM 模型输出匹配概率的异常检测中，所用数据都为现场采集的钻井数据。以总池体积参数的异常下降检测为例，将采集的总池体积参数经过趋势特征量提取，再输入训练好的 CHMM 模型中，模型输出匹配概率，利用前两节介绍的自适应阈值方法检测异常并进行比较........总结钻井过程中一旦发生事故就会造成人力、物力、财力的损失，所以本文所研究的钻井过程中的故障预警方法对于防止和控制钻井事故的扩大，最大限度地减少经济损失具有十分重大的现实意义。 研究了钻井设备的组成、钻井过程的工艺流程以及在钻井中常见故障种类以及发生机理，并且统计总结了钻井事故与相关钻井参数的变化关系。 当钻井过程中发生故障时，不同的钻井参数会发生不同的趋势变化，因此可以利用钻井过程中参数的变化趋势来判断故障发生与否。将钻井工程中的故障分为突发型故障与累积型故障，因此，在构造信号的趋势特征量时需要建立短时段和长时段两个时间体系才能够准确分析信号的特征，进而提取出长短期均值差的动态和、趋势特征量的均值及方差等能够反映出参数变化趋势的特征量作为 CHMM 模型的输入。 利用能够对一个时间跨度上的信号进行统计分析建模和分类的动态模式识别工具 HMM，建立了 CHMM 钻井参数异常预警模型，该模型能够及时有效的对钻井参数的异常趋势进行预警。 凭经验统计固定阈值的选取方法虽然很容易实现但是从本质上来讲是不太合理的，将两种常用自适应阈值方法用于 CHMM 模型输出匹配概率异常的阈值确定中，能够更加及时准确的发现钻井参数的异常趋势。.........参考文献（略）