海上油气水井智能故障诊断方法、系统、存储介质、设备

摘要

本发明属于油气水井故障诊断技术领域，公开了一种海上油气水井智能故障诊断方法、系统、存储介质、设备，包括：对油井数据进行清洗；数据分析；建立模型；模型评价。本发明以海上油气水井为研究对象，提出一种海上油气水井智能故障诊断方法，对开发井数据进行数据清洗、特征分析、故障诊断、故障预测，有利于提高协同效率、降低通讯成本。通过本发明的研究，设计一种开发井井史数据集成与智能预警系统主要应用统计分析技术对油气井生产过程进行实时监控，对生产过程的异常趋势提出预警；同时对于不同油气田的生产实践识别可能存在的故障与风险，以便生产管理人员及时采取应对措施，从而达到提高生产时率、降低维护成本的目的。

说明书

技术领域

本发明属于油气水井故障诊断技术领域，尤其涉及一种海上油气水井智能故障诊断方法、系统、存储介质、设备。

背景技术

目前，随着新油气田以及调整井的投产，分公司开发井的数量逐渐增多，至2018年11月已达452口，同时随着开发井井筒及地面设施的老化，发生故障的概率逐渐加大。快速捕获生产异常、缩短故障处理时间对提高生产时率、保障基础产量起到非常关键的作用。现行的通过生产管理人员跟踪生产动态捕获开发井生产异常的方法工作量大、时效性差，迫切需要一套智能的系统辅助实现快速高效的预警。

通过上述分析，现有技术存在的问题及缺陷为：现行的通过生产管理人员跟踪生产动态捕获开发井生产异常的方法工作量大、时效性差。

解决以上问题及缺陷的难度为：采集的油井数据太乱且发生的同一类故障(如管柱漏失)的油井，其特征属性不同，需要花费大量的时间进行数据清洗、特征提取及数据集的建立。

解决以上问题及缺陷的意义为：以海上油气水井的故障诊断为研究对象，主要基于深度学习的思想方法，建立海上油气水井故障诊断模型并开搭建一个海上油气水井故障智能预警系统。这将有助于提高我国海上油气水井的管理水平，提高我国海上油气水井的故障诊断效率，降低我国海上油气水井的维护成本。

发明内容

针对现有技术存在的问题，本发明提供了一种海上油气水井智能故障诊断方法、系统、存储介质、设备。

本发明是这样实现的，一种海上油气水井智能故障诊断方法，所述海上油气水井智能故障诊断方法包括以下步骤：

步骤一，在数据库中采集海上油井数据，为数据清洗提供数据支撑；

步骤二，数据清洗：删除异常及缺失的数据，并对折算日产液量等特征属性进行线性、二次样条、三次样条或最近邻插值，最后提取每一类发生故障点前3个月及后15的数据，为特征提取提供干净的数据；

步骤三，特征提取：海上油井数据属性较多，有些特征没有意义，会对油井预警研究造成影响，需要利用最大信息系数，稳健法和随机森林权重提取每个油井的重要属性，为数据集的建立提供技术支撑；

步骤四，对重要特征进行数据分析，建立数据集；然后进行数据变换(归一化、标准化)，为模型训练提供数据支撑；

步骤五，建立模型：用LSTM和DBN模型对数据集进行训练，并调参；

步骤六，利用损失函数、RMSE、MSE、MAE、MAPE和SMAPE评价指标对模型进行评价；

步骤七，用MyEclipse+js+css+html5+SQLserver搭建海上油气水井预警系统，为步骤八提供技术支撑；

步骤八，在Hadoop上展示所搭建的预警系统。

进一步，步骤三所述模型的建立方法为：通过LSTM长短时间记忆网络和DBN深度置信网络进行模型的构建。

进一步，所述长短时记忆网络中，原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cellstate)。

在t时刻，LSTM的输入有三个：当前时刻网络的输入值x_t、上一时刻LSTM的输出值h_t-1、以及上一时刻的单元状态c_t-1；

LSTM的输出有两个：当前时刻LSTM输出值h_t、和当前时刻的单元状态c_t。

进一步，所述LSTM的前向计算中，使用三个控制开关控制长期状态：

第一个开关，负责控制继续保存长期状态c；

第二个开关，负责控制把即时状态输入到长期状态c；

第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。

用门在算法中实现这三个开关：

定义：gate实际上就是一层全连接层，输入是一个向量，输出是一个0到1之间的实数向量，公式是：

g(x)＝δ(Wx+b)。

进一步，所述gate门有三种：

(1)遗忘门：它决定了上一时刻的单元状态c_t-1有多少保留到当前时刻c_t。计算过程中，W_f是遗忘门的权重矩阵，[h_t-1,x_t]表示把两个向量连接成一个更长的向量，b_f是遗忘门的偏置项，σ是sigmoid函数。

(2)输入门：它决定了当前时刻网络的输入x_t有多少保存到单元状态c_t输入门的计算。

当前输入的单元状态c_t的计算：由上一次的单元状态c_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态c_t按元素乘以输入门i_t，再将两个积加和，这样，就可以把当前的记忆c_t和长期的记忆c_t-1组合在一起，形成了新的单元状态c_t。

(3)输出门：控制单元状态c_t有多少输出到LSTM的当前输出值h_t。

进一步，所述DBN深度置信网络是一种生成模型，通过训练其神经元间的权重，让整个神经网络按照最大概率来生成训练数据。

进一步，所述海上油气水井智能故障诊断方法还包括：

(1)地下油藏模拟：对储层渗流参数动态变化规律的建立及内在原因进行分析，建立考虑储层渗流参数变化的油藏数值模拟器；

(2)注采智能优化：建立油藏生产实时优化和自动历史拟合方法体系，实现油水井调配方案智能优化和注采动态调整；

(3)单井智能生产：研究人工智能技术在油气生产中的应用，满足实时感知、认知推理、智能诊断的需求。

进一步，所述海上油气水井智能故障诊断方法还包括：

(1)构建油井子系统知识图谱：连接不同种类的信息，得到一个关系网络；运用领域本体构建方法，理清油井子系统中对象、活动、知识等概念、属性、关系，建立知识驱动框架。

(2)油井智能生产决策机制与方法体系构建：油气开采认知计算系统决策机制中，设计平台与陆上联合优化决策机制；油井智能生产决策适应方法体系中，模拟人的认知模式，研究相应的算法，形成知识与数据相结合的混合决策。

(3)油井物联网混合增强计算架构设计：运用边缘计算、云计算的架构，设计满足混合决策方法体系的边缘与云端相结合的计算架构。

(4)油井认知计算系统搭建：开发油井认知计算系统，实现油井检测、诊断、预测、优化等全过程自学习智能闭环管理。

进一步，所述油井智能生产决策机制与方法体系的构建方法还包括：提出海上油气生产的动静态优化决策机制，建立业务场景触发的边缘与云端协同智能决策模型，构建知识与数据双向驱动的边云协同计算方法。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

数据采集；

数据清洗：用线性、二次样条和三次样条插值方法对部分油井数据进行插值；

特征提取：利用最大信息系数、稳健法、随机森林权重等方法提取油井数据的重要特征；

进行数据分析，建立数据集；

建立模型：用LSTM和DBN模型对数据集进行训练，并调参；

模型评价；

预警系统的搭建；

Hadoop云服务器展示。

本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

数据采集；

数据清洗：用线性、二次样条和三次样条插值方法对部分油井数据进行插值；

特征提取：利用最大信息系数、稳健法、随机森林权重等方法提取油井数据的重要特征；

进行数据分析，建立数据集；

建立模型：用LSTM和DBN模型对数据集进行训练，并调参；

模型评价；

预警系统的搭建；

Hadoop云服务器展示。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的海上油气水井智能故障诊断方法。

本发明的另一目的在于提供一种实施所述海上油气水井智能故障诊断方法的海上油气水井智能故障诊断系统，所述海上油气水井智能故障诊断系统包括：

数据采集模块，用于实现数据采集；

数据清洗模块，用于用线性、二次样条和三次样条插值方法对部分油井数据进行插值；

特征提取模块，用于利用最大信息系数、稳健法、随机森林权重等方法提取油井数据的重要特征；

进行数据分析模块，用于建立数据集；

建立模型模块，用于用LSTM和DBN模型对数据集进行训练，并调参；

模型评价模块，用于实现模型的评价；

系统搭建模块模块，用于预警系统的搭建；

展示模块，用于实现Hadoop云服务器展示。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明以海上油气水井为研究对象，提出了一种海上油气水井智能故障诊断方法。着重对开发井数据进行数据清洗、特征分析、故障诊断、故障预测。通过本发明的研究，设计出一种开发井井史数据集成与智能预警系统主要应用统计分析技术对油气井生产过程进行实时监控，对生产过程的异常趋势提出预警；同时对于不同油气田的生产实践识别可能存在的故障与风险，以便生产管理人员及时采取应对措施，从而达到提高生产时率、降低维护成本的目的。

本发明不仅可以使用DBN识别特征、分类数据，还可以用它来生成数据。本发明在提升原有预警准确率、覆盖程度的基础上，还能够实现泵工况实时诊断与优化、油井能效评价与优化以及泵潜能预测与油藏协同优化。

本发明以可靠性维修分析(RCMA)和故障模式及影响分析(FMEA)等方法为指导，获取设备、业务单元、子系统等各级业务领域的机理模型、专家经验等知识；采用深度学习得技术手段到领域数据规律。采用领域本体技术路线，将领域机理知识与数据规律基于主题的知识融合，建立知识图谱的持续更新机制，为未来知识与数据双驱认知计算构建驱动框架模型。

本发明提出满足海上油气生产的动静态优化决策机制的边(缘)云(端)协同计算框架，充分考虑系统稳定性、协同性和扩展性，确保整体系统的高效协同优化和可持续发展；采取云雾混合计算架在保证良好海陆智能交互基础上有利于提高协同效率、降低通讯成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的海上油气水井智能故障诊断方法流程图。

图2(a)是本发明实施例提供的LSTM长短时间记忆网络示意图。

图2(b)是本发明实施例提供的LSTM长短时间记忆网络按照时间维度展开示意图。

图3是本发明实施例提供的长期状态c的控制过程示意图。

图4是本发明实施例提供的在算法中实现三个控制开关的计算过程示意图。

图5是本发明实施例提供的gate门中的遗忘门的计算过程示意图。

图6是本发明实施例提供的gate门中的输入门的计算过程示意图。

图7是本发明实施例提供的gate门中的输出门的计算过程示意图。

图8是本发明实施例提供的深度信念网络DBN的结构示意图。

图9是本发明实施例提供的总技术路线示意图。

图10是本发明实施例提供的总技术路线原理图。

图11是本发明实施例提供的构建油井子系统知识图谱示意图。

图12是本发明实施例提供的电泵工况自动优化的决策机制示意图。

图13是本发明实施例提供的基于人工智能的决策方法示意图。

图14是本发明实施例提供的油井物联网混合增强计算架构设计示意图。

图15是本发明实施例提供的油井认知计算系统搭建示意图。

图16是本发明实施例提供的海上油气物联网混合增强计算架构示意图。

图17是本发明实施例提供的知识与数据相结合的混合驱动智能决策技术示意图。

图18是本发明实施例提供的线性插值、三次样条，二次样条、最近邻插值示意图。

图19是本发明实施例提供的随机森林权重提取重要特征示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种海上油气水井智能故障诊断方法、系统、存储介质、设备，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的海上油气水井智能故障诊断方法包括以下步骤：

S101，在数据库中，采集油井数据。

S102，对油井数据进行清洗，删除异常，缺失的数据，并用线性插值、三次样条、二次样条对部分油井数据进行插值

S103，特征提取，用最大信息系数、稳健法、随机森林权重方法提取生产时间、油嘴直径、泵频率和井口温度等重要特征；

S104，进行数据分析，建立数据集；

S105，建立模型：用LSTM和DBN模型对数据集进行训练，并调参；

S106，模型评价；

S107，用MyEclipse+js+css+html5等技术，搭建一套海上油气水井预警系统；

S108，在Hadoop云服务器展示所搭建的系统。

下面结合术语解释对本发明的技术方案作进一步描述。

智能预警系统：一种智能计算机程序，运用知识和推理过程来预判开发井生产过程中存在的问题。

统计过程控制(Statistical Process Control,SPC)：一种借助数理统计方法的过程控制工具(GB/T 4901-2001)。它对一个生产过程进行分析评价，根据反馈信息及时发现系统性因素出现的征兆，并采取措施消除其影响，使生产过程维持在仅受随机性因素影响的受控状态，以达到控制质量的目的。

下面结合实施例对本发明的技术方案作进一步的描述。

实施例1：项目背景

1、发明概述

开发井井史数据集成与智能预警系统(下称预警系统)主要应用统计分析技术对油气井生产过程进行实时监控，对生产过程的异常趋势提出预警；同时基于不同油气田的生产实践识别可能存在的故障与风险，以便生产管理人员及时采取应对措施，从而达到提高生产时率、降低维护成本的目的。

预警系统基于海油企业标准《海上油、气田开发井井史编制规范》(Q/HS 2010-2002)，针对开发井生产数据和资料管理中存在的数据完整性、及时性和一致性问题，提出并实现了贯穿开发井全生命周期的数据集成模式，实现了跨异构数据库(包括结构化与非结构化数据库)的数据整合和集成，帮助业务人员快速掌握开发井生产的全部状况。

在井史集成平台提供的数据基础上，针对海上油气井常规预警方法的局限，预警系统应用和优化了统计过程控制(Statistical Process Control,SPC)技术对油气井生产过程进行实时监控，作为一种成熟的数理统计分析技术，它能够区分出生产过程中生产参数的随机波动与异常波动，从而实时掌握每口井的生产动态，对生产过程的异常趋势提出预警。

在应用SPC控制图分析得到参数异常状态之后，本发明紧密结合不同油气田的生产实践，首先提出并应用决策树来生成分类规则以智能识别可能存在的故障，辅助生产管理人员及时采取应对措施。

在生产油气田实时数据的采集、传输、分析是实时认识油气田的重要前提，为此本发明充分利用物联网技术的支持，完成了预警系统与生产实时管理支持系统、机采井电潜泵运行数据远程监控系统的对接，并为将来智能油田生产预警功能的实现提供了技术基础。

最后，本发明通过建立闭环控制的智能分析流程，把系统运行过程中的案例和数据积累下来，不断修正模型，最终提升模型的预测效果。

本系统为中海油拥有完全知识产权的软件产品，已获得软件著作权一项(授权号2013SR070179)。

系统已于2014年上线并在南海西部所有油气田上线运行。通过系统在线运行的效果分析，为及时开展下一步系统运维和优化工作，基于现有系统运行数据改善预警方法，提高预警手段的智能化与准确性，促使该系统在湛江分公司顺利推广与发挥应用价值，需要有经验、有专业背景的服务商介入，以提供技术咨询、技术指导和技术支持服务。

2、咨询服务范围

2.1基于SPC控制图的生产参数预警

统计过程控制(Statistical Process Control,SPC)是一种借助数理统计方法的过程控制工具。在井史集成和预警专家系统中，本发明创造性引入了这种成熟的数理统计方法并加以改进，以更好的识别生产参数的异常状态。

SPC对生产过程进行分析评价，根据反馈信息及时发现系统性因素出现的征兆，并采取措施消除其影响，使过程维持在仅受随机性因素影响的受控状态，以达到控制质量的目的。当过程仅受随机因素影响时，过程处于统计控制状态(简称受控状态)；当过程中存在系统因素的影响时，过程处于统计失控状态(简称失控状态)。由于过程波动具有统计规律性，当过程受控时，过程特性一般服从稳定的随机分布；而失控时，过程分布将发生改变。SPC正是利用过程波动的统计规律性对过程进行分析控制的。应用SPC对海上油气井的生产参数进行分析，可以提前发现单一生产参数的失控状态，并根据实际情况决定是否给出预警。

实施SPC的主要统计工具就是控制图。控制图是一种图形方法，它给出表征过程当前状态的样本序列的信息，并将这些信息与考虑了过程固有变异后所建立的控制限进行对比。

根据业务需求和数据采集现状，选取了油压等14项油气井生产参数进行分析，结合海上油气田开发井生产的实际工作经验，为了更好的判别参数异常，在预警系统建设过程中对SPC理论准则进行了细化及修订，最终制定了诸多关键的异常判定规则和算法。

通过为单井选择合适的模型参数和判异规则，应用数据嗅探引擎，可以分析出生产参数的各种异常状态。

2.2基于决策树的故障识别

决策树(Decision Tree)是一种典型的归纳分类方法，它是一个类似于流程图的树结构，每一个分枝代表一个测试输出，而每一个树叶节点代表类或类分布。决策树经过归纳与剪枝处理，可以提取其表示的知识，并转换成以IF-THEN形式表达的分类规则。根据业务专家实际工作经验，当某一组参数状态发生异常时，则有对应的某类故障发生，本发明可以称这组参数为该故障的敏感参数。通过这些敏感参数可以生成判定各类不同故障的决策树。由于认为这些故障构成参数的状态是既定的，本发明可以不对每个判别规则的准确率进行估计，直接提取出每一故障发生时，其敏感参数所处状态，总结形成基于组合参数的分类规则。

利用单参数预警模型记录的单一参数的状态变化，可以针对每个故障进行组合参数状态的匹配，当所有的参数状态匹配符合决策树时就进行预警，如为故障时记录故障诊断结果，如不是故障时则结束本次诊断。

2.3实时数据接入

预警系统实时数据的接入基于湛江分公司生产实时管理支持系统及机采井电潜泵运行数据远程监控系统的实施。以生产实时管理支持系统为例：在GE公司iFix+Historian实时数据采集方案的基础上，将生产实时数据采集到MES实时库中，再应用自主开发的数据转换接口，将实时数据按照采样间隔转存到数据中心关系库。通过与数据中心关系库建立数据接口，可以实现实时数据的接入。通过实时数据的接入，提高油气井单参数预警及故障发生判异的及时性、准确性，并为后期深度数据挖掘分析奠定基础，进一步提升预警系统的应用价值。

2.4闭环控制的智能分析流程

智能预警系统的现有模型，无论是单参数SPC控制图、多参数故障决策树等都是基于现有的生产历史数据来建立的。在本发明中，本发明提出并实现了闭环控制的智能分析流程，把系统运行过程中的案例和数据积累下来，不断修正模型，最终提升模型的预测效果。闭环控制主要通过对实际故障案例的分析来实现，通过故障发生前的参数波动模式，可以调整和优化单参数SPC控制图的阈值和判异规则，从而实现更加精确的参数状态异常捕获；可以调整和优化多参数故障决策树，从而实现更加智能的故障识别；可以调整和优化趋势模型，从而实现更为准确的产液量下降、含水上升趋势的异常分析。其他的，如用户对于预警的处置、预警误报和漏报情况等，亦是系统输出量对模型输入量的回馈。

3、预警新方法预研

数据挖掘技术研究：选取油田产油量等指标作为明确的挖掘目标函数，选取开井率、含水上升速度、采油速度等影响因素作为警兆指标，结合当前主流的数据挖掘方法，将海量的数据进行专业化处理，寻找各参数之间隐含的关系，智能化地发现潜在的问题，分析原因，并进行预测预警，为油田的精细化管理提供新的解决思路和方案。

实施例2：海上油气水井

1、项目背景

随着新油气田以及调整井的投产，分公司开发井的数量逐渐增多，至2018年11月已达452口，同时随着开发井井筒及地面设施的老化，发生故障的概率逐渐加大。快速捕获生产异常、缩短故障处理时间对提高生产时率、保障基础产量起到非常关键的作用。现行的通过生产管理人员跟踪生产动态捕获开发井生产异常的方法工作量大、时效性差，迫切需要一套智能的系统辅助实现快速高效的预警。

因此，本发明以海上油气水井为研究对象，提出了一种海上油气水井智能故障诊断方法。着重对开发井数据进行数据清洗、特征分析、故障诊断、故障预测。通过本发明的研究，设计出一种开发井井史数据集成与智能预警系统主要应用统计分析技术对油气井生产过程进行实时监控，对生产过程的异常趋势提出预警；同时对于不同油气田的生产实践识别可能存在的故障与风险，以便生产管理人员及时采取应对措施，从而达到提高生产时率、降低维护成本的目的。

根据客户提出的要求需要执行以下步骤：

1.采集数据

2.数据清洗；

3.特征提取

4.数据集建立；

5.建立模型；

6.模型评价；

7.搭建系统

8.展示平台。

2、模型构建

2.1LSTM长短时间记忆网络

LSTM神经网络是一种改进之后的循环神经网络，可以解决RNN无法处理长距离的依赖的问题，目前比较流行。

2.1.1长短时记忆网络的思路：

原始RNN的隐藏层只有一个状态，即h，它对于短期的输入非常敏感。再增加一个状态，即c，让它来保存长期的状态，称为单元状态(cell state)。如图2(a)所示，把图2(a)按照时间维度展开，得到图2(b)。

在t时刻，LSTM的输入有三个：当前时刻网络的输入值x_t、上一时刻LSTM的输出值h_t-1、以及上一时刻的单元状态c_t-1；

LSTM的输出有两个：当前时刻LSTM输出值h_t、和当前时刻的单元状态c_t。

2.1.2LSTM前向计算

1.怎么控制长期状态c:使用三个控制开关(如图3所示)

第一个开关，负责控制继续保存长期状态c；

第二个开关，负责控制把即时状态输入到长期状态c；

第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。

2.如何在算法中实现这三个开关：方法：用门(gate)

定义：gate实际上就是一层全连接层，输入是一个向量，输出是一个0到1之间的实数向量。其公式是：

g(x)＝δ(Wx+b)。

计算如图4所示。

gate门有三种：

1.遗忘门(forget gate)：它决定了上一时刻的单元状态c_t-1有多少保留到当前时刻c_t。计算如图5所示，其中W_f是遗忘门的权重矩阵，[h_t-1,x_t]表示把两个向量连接成一个更长的向量，b_f是遗忘门的偏置项，σ是sigmoid函数。

2.输入门(input gate)：它决定了当前时刻网络的输入x_t有多少保存到单元状态c_t输入门的计算，计算如图6所示。

当前输入的单元状态c_t的计算：由上一次的单元状态c_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态c_t按元素乘以输入门i_t，再将两个积加和：

这样，就可以把当前的记忆c_t和长期的记忆c_t-1组合在一起，形成了新的单元状态c_t。

由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入记忆。

控制单元状态c_t有多少输出到LSTM的当前输出值h_t。输出门计算如图7所示。

2.2DBN深度置信网络

深度信念网络(Deep Belief Network,DBN)由Geoffrey Hinton在2006年提出。它是一种生成模型，通过训练其神经元间的权重，本发明可以让整个神经网络按照最大概率来生成训练数据。本发明不仅可以使用DBN识别特征、分类数据，还可以用它来生成数据(如图8所示)。

实施例3：海上油气水井智能诊断及生产管理优化关键技术研究

1、研究目标

通过对认知计算、机器学习、边缘计算等人工智能技术在油气生产管理中的应用，建设海上油气生产的实时感知、认知推理、智能诊断等智能认知决策机制，提升油气生产智能化诊断精度和广度，满足未来智能油田“平台无人化、少人化，运行陆地化”生产管理模式转变需求。

2、研究内容

以往的开发井预警是基于日度的低频数据，准确性到达80％左右后难于提升，未来实时数据接入后，数据量大、频率高，如何更好地提升预警的准确性将是一个突出问题。本课题以油井子系统的智能生产为研究目标，设计油井智能生产的知识图谱，并基于知识图谱和数据挖掘，研究油井生产优化方法，实现油井生产监测、诊断、分析、优化等智能闭环管理和自学习持续优化生产。具体包括：

(1)单井子系统知识图谱构建

运用领域本体构建方法；对油井子系统的核心业务进行梳理；厘清系统中对象、活动、知识等概念。

(2)油井智能生产决策机制与方法体系研究

设计平台(边缘)与陆上(云端)联合优化决策机制；油井智能生产决策适应方法体系研究。

(3)油井物联网混合增强计算架构设计

运用边缘计算、云计算等架构，研究满足混合决策方法体系的边缘与云端相结合的计算架构。

(4)油井认知计算系统搭建

开发油井认知计算系统，实现油井检测、诊断、预测、优化等全过程自学习智能闭环管理。

3、研究方案及关键技术

3.1总技术路线(如图9所示)

(1)地下油藏模拟：对储层渗流参数动态变化规律的建立及内在原因进行分析；建立考虑储层渗流参数变化的油藏数值模拟器

(2)注采智能优化：建立油藏生产实时优化和自动历史拟合方法体系，实现油水井调配方案智能优化和注采动态调整。

(3)单井智能生产：研究人工智能技术在油气生产中的应用，满足实时感知、认知推理、智能诊断的需求，提升生产智能化诊断精度和广度。

3.2研究方案(如图10所示)

1.构建油井子系统知识图谱

1)连接不同种类的信息，得到一个关系网络；

2)运用领域本体构建方法，理清油井子系统中对象、活动、知识等概念、属性、关系，建立知识驱动框架。

如图11所示，以可靠性维修分析(RCMA)和故障模式及影响分析(FMEA)等方法为指导，获取设备、业务单元、子系统等各级业务领域的机理模型、专家经验等知识；采用深度学习得技术手段到领域数据规律。采用领域本体技术路线，将领域机理知识与数据规律基于主题的知识融合，建立知识图谱的持续更新机制，为未来知识与数据双驱认知计算构建驱动框架模型。

2.油井智能生产决策机制与方法体系研究

1)油气开采认知计算系统决策机制研究，设计平台(边缘)与陆上(云端)联合优化决策机制；

2)油井智能生产决策适应方法体系研究：模拟人的认知模式，研究相应的算法，形成知识与数据相结合的混合决策。

提出海上油气生产的动静态优化决策机制，建立业务场景触发的边缘与云端协同智能决策模型。构建知识与数据双向驱动的边(缘)云(端)协同计算方法，实现从数据到知识、从知识到决策的自主迭代、演化能力。

电泵工况自动优化的决策机制如图12所示。

基于人工智能的决策方法如图13所示。

认知计算系统的感知、理解、解释、学习和互动的核心是要建立从数据到知识、从知识到决策(智能)的迭代、演化的方法体系。

3.油井物联网混合增强计算架构设计(如图14所示)

运用边缘计算、云计算等架构，研究满足混合决策方法体系的边缘与云端相结合的计算架构。

提出满足海上油气生产的动静态优化决策机制的边(缘)云(端)协同计算框架，充分考虑系统稳定性、协同性和扩展性，确保整体系统的高效协同优化和可持续发展。

4.油井认知计算系统搭建(如图15所示)

开发油井认知计算系统，实现油井检测、诊断、预测、优化等全过程自学习智能闭环管理。

基于以上研究成果，搭建油井认知计算系统，在油井物联网大数据环境下，基于油井生产的知识图谱为主线，通过知识与数据双驱、边(缘)云(端)协同智能，实现监测、诊断、预测、优化等全过程精准感知、智能管控、持续优化的智能闭环管理。

在提升原有预警准确率、覆盖程度的基础上，重点提升点：

①泵工况实时诊断与优化；

②油井能效评价与优化；

③泵潜能预测与油藏协同优化。

3.2关键技术

(1)海上油气物联网混合增强计算架构(如图16所示)

采取云雾混合计算架在保证良好海陆智能交互基础上有利于提高协同效率、降低通讯成本。

(2)知识与数据相结合的混合驱动智能决策技术(如图17所示)

1)研究和模拟人类从不同粒度、不同层次对事物进行表示、分析和推理的基本方法，即粒计算的基本思想是在不同的粒度层次上实现问题求解；

2)多层次的知识演化和推理，来形成更加精准的决策；

3)建立从数据到知识、从知识到决策(智能)的迭代、演化的方法体系。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。