杨丰铭（辽河油田兴隆台采油厂，辽宁 盘锦 124010）

基于自适应PCA的油田生产故障诊断方法

杨丰铭（辽河油田兴隆台采油厂，辽宁 盘锦 124010）

油田生产过程中的故障诊断分析，不仅能够有效的保护生产设备，而且能有效降低生产维护成本，增加生产运行的稳定性。针对由于生产工况发生变化，生产数据特征变化而造成的模型失效问题，本文提出一种自适应的多模型PCA故障诊断方法，实现故障的实时准确诊断。

故障诊断；主元分析（PCA）；多模型；自适应

在实际油田开采过程中，由于其复杂的生产环境影响，容易造成故障发生点不能精确定位和故障发现、处理不及时的缺点，发生重大经济损失，使得生产运行受到极大的影响。对于智能化的故障诊断方法[1]研究变得非常热门。本文针对由于生产数据和工况条件发生变化而造成模型固化的问题，提出了一种能够自适应生产变化的多模型PCA故障诊断方法。

1 PCA故障诊断原理

PCA是对数据做空间映射进行特征提取和降维处理的一种方法，提取原数据中的有效信息数据作为新变量替换原来的变量，通过计算一些统计量的性能指标来进行故障的诊断分析。首先，采用PCA方法[2]对历史数据进行处理建立系统正常运行状态下的PCA模型；然后对实际生产过程中的数据向量进行正交元子空间和残差子空间上的投影，计算数据向量在相应空间上的主元平方T2统计量和平方预测误差统计量SPE性能指标；对数据向量采用故障重构的方法在每一个故障方向上进行投影，对比重构后数据的统计量值和正常统计量值的区别，分析辨别和确定故障的来源。T2统计量代表的是采样数据在主元空间内对模型的偏离程度；而SPE统计量则代表的是采样数据在残差空间内对模型的偏离程度，具体计算如下：

式（2）中，Pp由载荷矩阵的前p个向量组成。

2 多模型的PCA算法

在实际生产过程中，当生产工况发生变化时，原先采用历史数据建成的PCA模型容易会出现固化问题，不能准确诊断故障信息，出现故障误判和故障漏判的缺陷，对实际正常生产造成重大的影响。对此，本文根据不同工况条件下的采样数据特点，对历史数据进行分类建立不同工况条件下的PCA故障诊断模型，以提高模型的故障识别诊断效率。首先根据历史样本数据均值作为初始数据聚类中心，对历史样本数据进行聚类，利用分类后的样本数据建立不同工况条件下的PCA模型，计算相应的统计量控制限；对于新采集的生产数据，进行最短欧氏距离的方法进行归类，找到相应的主元模型，计算对应的统计量指标并与统计量指标控制限值作对比，分析故障点的来源。本文采用的欧氏距离如下：

式（3）中，n是变量的个数；cj为数据聚类中心。

3 模型的更新

随着油田的生产运行，由于生产数据的动态特性，导致传统PCA模型会面临一个逐渐失效的问题，不再能准确进行系统的故障诊断分析。这时，如何更新模型适应数据的动态特性变化显得尤为重要。本文利用递推数据矩阵的方法，通过剔除模型中的旧数据和引入新数据的思想，完成PCA模型的更新过程。通过更新计算模型的统计量控制限，使模型能够自适应生产数据变化的动态特性。

4 实验验证

采用辽河油田生产现场采集到的水箱液位、示功图和泵路温度的历史数据作为实验数据。根据压裂和蒸汽吞吐等不同工况条件对8000组历史样本数据进行分类，根据不同的工况条件建立相应的PCA模型1、PAC模型2，计算不同模型对应的统计量控制限值SPE。利用新的4000组采样数据进行故障实验验证分析，采用自适应的多模型PCA方法与传统的PCA模型进行比较。在故障试验中，对采集到的3000-3300组数据增加偏差为30%的故障，仿真实验结果如下所示：

图1 故障数据SPE统计量图

根据实验仿真图可知，该方法在样本数据为3000-3300组的统计量指标SPE均明显超过了控制限值，而传统PCA模型在故障数据段的SPE统计量指标没有超过控制限，不能有效检测到故障，所以自适应多模型PCA具有更好的诊断灵敏度和精度，实验结果与实验的前提假设一致。实验证明本方法，确实能够提高原PCA模型的故障诊断灵敏度和精度，更好的应用于生产实际。

5 结语

本文针对传统PCA模型在故障诊断过程中存在的辨识率不高、不能适应生产工况变化的缺点，提出了一种能适应生产工况变化的多模型PCA故障诊断方法。根据历史数据特性建立不同工况下的PCA模型，对于新的采样数据通过数据归类，找到对应的模型进行主元分析，计算相应的统计量与控制限值进行比较，完成故障诊断分析。经过实验验证可得，本方法能够改善传统PCA诊断存在的误判断和漏判断等不足，具有较高的故障诊断灵敏度，能及时发现和诊断故障来源。

[1]廖锐全等.基于神经网络的抽油机井井下故障诊断专家系统.[J]武汉理工大学学报，2002，26(4)：457～459.

[2]张承彪，罗运柏，文习山.主成分分析在变压器故障诊断中的应用研究[J].高电压技术，2005，31(8)：9-11.