本發(fā)明屬于海洋工程領(lǐng)域，涉及一種基于深度學習的采油樹故障傳播路徑發(fā)展軌跡預測方法。

背景技術(shù)：

1、水下采油樹是水下生產(chǎn)系統(tǒng)的關(guān)鍵設(shè)施，在海洋石油開采中得到了廣泛的應(yīng)用。深水采油樹事故是威脅油氣開采安全的世界性難題。由于采油樹復雜性不斷提高，系統(tǒng)內(nèi)組件間存在故障依賴，也就是說，一個單元故障極易引發(fā)其他單元的故障，造成事故后果指數(shù)倍升級。故障預測可以提前預測并預警，使維修人員針對性解決故障，可以有效避免事故升級。

2、目前，故障預測主要采用三種方法：模型驅(qū)動（model-driven）的方法、數(shù)據(jù)驅(qū)動（data-driven）的方法以及混合方法（hybrid?approaches）。在實際應(yīng)用中，尤其是當樣本數(shù)據(jù)有限或面臨高維輸入空間時，如時間序列數(shù)據(jù)不斷累積的場景，這些方法仍面臨諸多挑戰(zhàn)。基于時間序列分析的故障預測是旨在構(gòu)建能夠反映數(shù)據(jù)隨時間演變規(guī)律的模型，并據(jù)此對未來進行預測?，F(xiàn)有技術(shù)中開發(fā)了一種基于混合dbn-kf的剩余使用壽命（remaininguseful?life,?rul）預測方法，在dbn動態(tài)擴展中，通過指定狀態(tài)轉(zhuǎn)移模型來更新水下采油樹閥門參數(shù)的變化，此研究在基于時序分析的故障預測領(lǐng)域取得了一定進展，但當考慮到故障依賴導致的多維疊加的樣本數(shù)據(jù)時，該方法仍顯力不從心。

3、隨著系統(tǒng)日益復雜化以及大數(shù)據(jù)技術(shù)的發(fā)展，國內(nèi)外研究學者提出了許多方法來改進故障預測模型，以解決融合故障依賴的故障傳播時序預測問題，如將深度學習模型與神經(jīng)網(wǎng)絡(luò)模型的深度融合，具體包括長短期記憶神經(jīng)網(wǎng)絡(luò)（long?short-term?memory,lstm）、前饋神經(jīng)網(wǎng)絡(luò)（feedforward?neural?network,?fnn）、圖神經(jīng)網(wǎng)絡(luò)（graph?neuralnetwork,?gnn）等，此類模型多被應(yīng)用于路網(wǎng)或電網(wǎng)等領(lǐng)域的故障傳播場景，可以分析時間序列的故障傳播路徑發(fā)展軌跡，但鑒于其系統(tǒng)節(jié)點結(jié)構(gòu)與功能的高度相似性，模型往往對節(jié)點特性及故障依賴關(guān)系進行了顯著簡化處理，這種簡化方法使得這些模型通常缺乏普適性和泛化能力，因此它們僅適用于特定的情況或研究對象，在處理具有復雜故障依賴的水下生產(chǎn)系統(tǒng)如水下采油樹時，其適用性顯著受限，還需進一步優(yōu)化改進。針對存在故障依賴的水下生產(chǎn)系統(tǒng)，目前研究人員大多側(cè)重于故障依賴及級聯(lián)故障對系統(tǒng)rul的影響，基于bn對受故障依賴影響的水下系統(tǒng)的健康指數(shù)和rul進行預測。針對水下采油樹組件退化交互作用及參數(shù)不確定性，引入了“交互作用系數(shù)”，提出了基于dbn的多階段rul預測模型，針對水下采油樹液壓控制系統(tǒng)在復雜環(huán)境運行時面臨的內(nèi)部退化和外部沖擊的依賴性，引入了“依賴性因子”的概念，構(gòu)建了綜合考慮退化沖擊依賴性的系統(tǒng)rul預測模型。針對多級水下傳輸系統(tǒng)的級聯(lián)失效問題，提出了一種基于位置和功能重要性的級聯(lián)故障建模及rul預測方法。袁曉兵發(fā)表的電液復合型水下采油樹系統(tǒng)關(guān)鍵設(shè)備故障診斷與預防性維修方法研究.?2020,?中國石油大學（華東）.考慮水下采油樹系統(tǒng)多個模塊的失效模式及其相互依賴性關(guān)系的影響，基于bns對水下采油樹系統(tǒng)具有相互依賴性的三個不同模塊進行故障預測，并根據(jù)性能退化指標預測系統(tǒng)rul。除了將故障依賴關(guān)系簡化處理這一局限外，以上研究還局限于局部視角，僅針對受故障依賴影響的單一節(jié)點進行故障預測、或?qū)κ芄收弦蕾囉绊懙南到y(tǒng)rul進行評估，未能從全局視角深入探索故障的傳播動態(tài)及其演化過程來進行故障預測。具體而言，它們很少全面考察級聯(lián)故障傳播過程隨時間推移的演變預測，這包括初始故障發(fā)展軌跡預測，故障傳播的路徑分析預測，故障在潛在受影響單元中的擴散范圍預測，以及傳播概率量化分析預測等關(guān)鍵方面。

4、級聯(lián)故障的傳播導致系統(tǒng)整體及關(guān)鍵組件狀態(tài)的動態(tài)變化，這對故障預測模型提出了全面性和實時性的要求。目前的研究大多還基于考慮故障依賴的組件單點故障預測，對于時序主導下故障傳播路徑發(fā)展軌跡和動態(tài)預測方法的研究尚不充分?？紤]故障空間維度傳播軌跡預測，以及故障傳播軌跡隨時間序列不斷變化的時間維度預測，如何從全局視角出發(fā)，遵循故障多層級傳播場景隨時間動態(tài)演變的內(nèi)在規(guī)律，實現(xiàn)對水下采油樹故障傳播路徑發(fā)展軌跡的精確預測，是當前亟待解決的重要問題。

技術(shù)實現(xiàn)思路

1、為克服現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種基于深度學習的采油樹故障傳播路徑發(fā)展軌跡預測方法，包含步驟：確定水下采油樹關(guān)鍵故障模式及依賴關(guān)系、數(shù)據(jù)清洗及處理、構(gòu)建基于深度學習的故障傳播路徑發(fā)展軌跡預測模型、預測模型驗證評估及優(yōu)化、故障傳播路徑發(fā)展軌跡預測結(jié)果可視化。

2、本發(fā)明的技術(shù)方案：

3、一種基于深度學習的采油樹故障傳播路徑發(fā)展軌跡預測方法，步驟如下：

4、s1.?確定水下采油樹關(guān)鍵故障模式及依賴關(guān)系

5、確定水下采油樹的運行指標，包括壓力、溫度、流量，確定水下采油樹關(guān)鍵組件的運行范圍，定義水下采油樹正常運行的邊界條件；

6、通過對水下采油樹的運行歷史數(shù)據(jù)、維護記錄、專家經(jīng)驗進行綜合分析，識別出故障模式，包括泄漏、堵塞、腐蝕、磨損，對每個故障模式進行描述，包括故障的表現(xiàn)形式、可能的原因、影響范圍；

7、利用故障樹分析方法、事件樹分析方法，分析各故障模式之間的依賴關(guān)系，構(gòu)建故障傳播網(wǎng)絡(luò)，明確各故障節(jié)點之間的連接關(guān)系和傳播路徑；

8、根據(jù)故障的發(fā)生頻率、影響程度、維修難度，篩選出對水下采油樹運行安全和生產(chǎn)效率影響最大的關(guān)鍵故障模式和主要故障依賴關(guān)系；

9、基于已識別的關(guān)鍵故障模式和主要故障依賴關(guān)系，使用貝葉斯網(wǎng)絡(luò)構(gòu)建系統(tǒng)的故障依賴關(guān)系模型，通過矩陣形式明確關(guān)鍵組件間的依賴關(guān)系；

10、s2.?數(shù)據(jù)收集及處理

11、收集水下采油樹的歷史故障數(shù)據(jù)，包括各組件的故障時間、故障類型、故障影響、故障傳播場景，以及水下采油樹的操作日志和維修記錄，從水下采油樹的各個傳感器中收集水下采油樹的運行數(shù)據(jù)，包括壓力、溫度、流量、振動參數(shù)；對收集到的歷史故障數(shù)據(jù)和運行數(shù)據(jù)進行處理，首先對收集到的數(shù)據(jù)進行清洗，去除重復、缺失、異常值，然后進行歸一化、標準化處理，以提高數(shù)據(jù)的一致性和可比性；使用處理后的數(shù)據(jù)，通過蒙特卡洛方法在不同環(huán)境條件下模擬故障傳播過程，生成大量模擬仿真虛擬故障樣本數(shù)據(jù)；將處理后的歷史故障數(shù)據(jù)以及模擬仿真虛擬樣本數(shù)據(jù)進行融合，生成不同運行條件下不同級聯(lián)故障場景的故障數(shù)據(jù)集；使用時間序列分析arima模型對故障數(shù)據(jù)集進行建模，獲取線性預測值；將線性預測值作為附加輸入特征，與故障數(shù)據(jù)集一起嵌入在將要構(gòu)建的深度學習預測模型的輸入層中；

12、s3.構(gòu)建基于深度學習的故障傳播路徑發(fā)展軌跡預測模型

13、根據(jù)水下采油樹故障傳播路徑的復雜性和數(shù)據(jù)特點，選擇深度學習預測模型為卷積神經(jīng)網(wǎng)絡(luò)模型和長短期記憶網(wǎng)絡(luò)模型，構(gòu)建時間序列水下采油樹的基于深度學習的故障傳播路徑發(fā)展軌跡預測模型，此故障傳播路徑發(fā)展軌跡預測模型采用卷積神經(jīng)網(wǎng)絡(luò)模型提取故障數(shù)據(jù)集的空間特征，見式（1），將提取到的空間特征作為時間序列輸入到長短期記憶網(wǎng)絡(luò)模型，提取最終的時間動態(tài)空間特征，見式（2）；同時，步驟s2中的線性預測值作為附加輸入特征，與故障數(shù)據(jù)集一起嵌入到深度學習預測模型的輸入層中，以增強深度學習預測模型的解釋能力和預測性能；深度學習預測模型的輸出層為預測目標，包括故障類型、故障傳播概率、故障傳播方向和組件狀態(tài)變化；設(shè)計可調(diào)節(jié)輸入?yún)?shù)，包括節(jié)點間依賴強度、環(huán)境因素、故障類型，以適應(yīng)不同工況條件下的故障傳播特征；將步驟s2中預處理后的故障數(shù)據(jù)集分為訓練集、驗證集和測試集，對此深度學習預測模型進行訓練及交叉驗證；采用均方誤差、均方根誤差、平均絕對誤差及?r2?統(tǒng)計量指標評估深度學習預測模型的預測性能，通過參數(shù)調(diào)優(yōu)進一步提高深度學習預測模型預測精度；

14、?（1）

15、（2）

16、s4.預測模型驗證評估及優(yōu)化

17、利用構(gòu)建好的深度學習預測模型，對水下采油樹的故障傳播路徑進行預測，預測結(jié)果包括故障類型、故障傳播概率、故障傳播方向和組件狀態(tài)變化；通過預測精確度、預測效率、魯棒性指標評估深度學習預測模型在預測上述結(jié)果的預測能力，來對比驗證深度學習預測模型在不同加速條件及極端條件下的表現(xiàn)；根據(jù)驗證結(jié)果對深度學習預測模型進行重新訓練和優(yōu)化，包括調(diào)整模型結(jié)構(gòu)、優(yōu)化參數(shù)設(shè)置、改進數(shù)據(jù)預處理方法，以提高深度學習預測模型的預測準確性和泛化能力，將優(yōu)化后的深度學習預測模型的預測結(jié)果與實際情況進行再對比驗證，評估模型的預測性能，并根據(jù)驗證結(jié)果對模型進行修正和優(yōu)化；

18、s5.故障傳播路徑發(fā)展軌跡預測結(jié)果可視化

19、將預測結(jié)果導入networkx庫，構(gòu)建基于節(jié)點與邊的深水采油樹故障傳播復雜網(wǎng)絡(luò)圖模型；創(chuàng)建組件節(jié)點和狀態(tài)節(jié)點，根據(jù)預測的故障傳播路徑創(chuàng)建邊，表示故障從一個單元傳播到另一個單元的方向；根據(jù)深度學習預測模型預測結(jié)果動態(tài)更新節(jié)點顏色或大小，表示單元的退化程度、設(shè)備可用狀態(tài)或系統(tǒng)健康狀態(tài)；根據(jù)深度學習預測模型預測的故障傳播路徑動態(tài)更新邊的寬度，表示故障傳播的嚴重程度；創(chuàng)建動態(tài)更新圖表，展示各組件狀態(tài)隨時間的變化，實現(xiàn)能實時反映和預測深水采油樹故障傳播的可視化呈現(xiàn)；開發(fā)用戶交互功能，允許選擇時間段及單元，查看詳細信息，收集用戶反饋，持續(xù)優(yōu)化模型和可視化效果。

20、本發(fā)明的有益效果：針對單點故障預測難以全面實時跟蹤融合故障依賴的系統(tǒng)狀態(tài)變化的問題，提出水下采油樹關(guān)鍵組件故障傳播路徑發(fā)展軌跡預測新方法，可全面實時預測多組件狀態(tài)變化以及故障傳播路徑和概率的發(fā)展趨勢等。利用時間序列分析方法，捕捉系統(tǒng)運行狀態(tài)的變化趨勢和潛在故障的動態(tài)演化過程，基于深度學習建立故障傳播路徑發(fā)展軌跡預測模型，使用該模型可提供全面實時的故障預測結(jié)果，提供未來24小時內(nèi)的故障傳播路徑預測。通過將預測模型導入networkx庫創(chuàng)建系統(tǒng)復雜網(wǎng)絡(luò)圖，研究故障傳播路徑方向及概率等預測結(jié)果在網(wǎng)絡(luò)圖上的實時呈現(xiàn)方法，可以開發(fā)用戶可視化及交互功能。