基于時間注意力網(wǎng)絡與自適應閾值調(diào)整的潛油電泵異常檢測
中文題目：基于時間注意力網(wǎng)絡與自適應閾值調(diào)整的潛油電泵異常檢測
論文題目：Anomaly Detection Based on Temporal Attention Network With Adaptive Threshold Adjustment for Electrical Submersible Pump
錄用期刊/會議：IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT (中科院大類2區(qū))
原文DOI：https://doi.org/10.1109/TIM.2024.3436113
原文鏈接：https://ieeexplore.ieee.org/abstract/document/10616148
錄用/見刊時間：2024年7月31日
作者列表：
1）李 強 中國石油大學（北京）人工智能學院 控制科學與工程專業(yè) 博22
2）李 康 中國石油大學（北京）人工智能學院 自動化系 教師
3）高小永 中國石油大學（北京）人工智能學院 自動化系 教師
4）付 軍 中海油能源發(fā)展股份有限公司 天津
5）張來斌 中國石油大學（北京）安全與海洋工程學院 安全工程系教師
摘要:
本文提出了一種具有自適應閾值調(diào)整的時間注意網(wǎng)絡（TAN-ATA）用于解決潛油電泵的異常檢測問題。通過時間注意力模塊（TAN）對多變量非線性動態(tài)過程進行建模，并利用自適應閾值調(diào)整模塊（ATA）平衡因狀態(tài)波動引起的頻繁誤報問題。實驗結果表明，TAN-ATA異常檢測模型在實際工業(yè)應用中展現(xiàn)出有效性和優(yōu)越性。
背景與動機:
隨著近年來易采油藏數(shù)量的減少和油井條件的惡化，人工舉升逐漸成為采油的主要方式。潛油電泵（ESP）作為利用人工舉升原理采油的重要設備，實現(xiàn)其在線異常監(jiān)測變得至關重要。目前，潛油電泵的異常檢測方法主要有電流卡片分析與憋壓檢測為代表的單變量技術，以及各種多變量下的統(tǒng)計分析或機器學習。單變量分析簡單但檢測精度低，統(tǒng)計分析忽略了變量的時間特性，而現(xiàn)有的機器學習方法大都基于不切實際的前提假設，即能獲得充足且準確的標簽信息。此外，基于固定閾值的異常檢測方法難以在檢測及時性以及低誤報間取得平衡，而現(xiàn)有的自適應閾值方法需要輸出信號符合正太分布假設或需要考慮核函數(shù)選擇或經(jīng)驗常數(shù)設計。鑒于現(xiàn)有方法的局限性，開發(fā)一種高效、經(jīng)濟且可靠的異常檢測技術用于在線精準預測潛油電泵的健康狀態(tài)具有重要的實際應用價值和理論研究意義。
設計與實現(xiàn):
潛油電泵（ESP）作為人工舉升的關鍵設備，包括電機、電機保護器、油氣分離器、電纜及生產(chǎn)監(jiān)測單元等設備，如圖1所示。目前，井下生產(chǎn)監(jiān)控系統(tǒng)可以實時獲取過程數(shù)據(jù)，包括壓力、溫度、振動、泵進出口壓差等，有利于監(jiān)測ESP系統(tǒng)的運行狀態(tài)。然而，流體粘度、密度和氣液比的變化可能導致泵性能的非線性響應，并且系統(tǒng)對操作環(huán)境、外部因素、儲層壓力、溫度和流體成分變化的反應也會出現(xiàn)動態(tài)行為。這些復雜的特征自然會反映在多變量監(jiān)測數(shù)據(jù)中，這給ESP異常檢測帶來了很大的挑戰(zhàn)。
圖1 潛油電泵系統(tǒng)原理圖
TAN-ATA方法的總體框架如圖2所示，該方法包括三個階段:數(shù)據(jù)預處理，TAN-ATA學習，以及基于ATA的異常檢測。特別的，TA機制集成到時序模型體系結構中以創(chuàng)建TAN。此外，提出了一種自適應閾值策略ATA，用于ESP異常檢測。在線測量階段，將新樣本輸入TAN-ATA，實時獲取當前異常情況。
圖2 TAN-ATA異常檢測流程
具體來說，首先將片段輸入LSTM單元，而后來自編碼器層的隱藏狀態(tài)
將通過時間注意力層加強時間相關性建模，并生成權值系數(shù)
,及生成最終的時間加權隱藏狀態(tài)
，與編碼過程類似，
，
以及
作為解碼器LSTM單元的輸入以實現(xiàn)對隱藏狀態(tài)
的生成。緊接著，線性映射被用于生成重構信號
。并且上述過程將在時間維度上重復展開，直至輸出完整的重構信號。最后，利用原始信號
與重構信號
的MSE損失更新時間注意力網(wǎng)絡的模型參數(shù)。
雖然TAN模塊可以用于復雜的潛油電泵過程建模，但在整個建模過程中不可避免地會受到噪聲的影響。在這種情況下，采用固定閾值的報警方式來識別異常，則由于閾值無法調(diào)整，可能會出現(xiàn)大量誤報。此外，如果閾值設置得太高，則很容易忽略異常，這可能非常危險。由于不確定的噪聲會導致潛油電泵重構數(shù)據(jù)的殘差分布發(fā)生偏斜，因此我們將重點放在基于樹的回歸方法上。因為當與采樣技術配對時，它能表現(xiàn)出很強的抗偏性。進一步的由于XGBoost回歸模型在計算復雜性和綜合性能之間具有較好的平衡，我們最終選擇其以生成自適應閾值。此外，為了減少有限采樣導致的自適應動態(tài)閾值波動不均勻?qū)Ξ惓z測性能的影響，我們進一步引入3σ原理對自適應動態(tài)閾值進行微調(diào)。主要流程如下：
計算所有時間切片樣本的均值作為回歸模型的輸入：
計算驗證集樣本的殘差
作為回歸模型的輸出：
利用
以及
對XGBoost回歸模型
中的模型參數(shù)
進行訓練：
使用統(tǒng)計調(diào)整策略(3σ原理)對預測殘差進行微調(diào):
在線異常檢測時，對于新的時間序列片段，首先利用時間注意力網(wǎng)絡生成殘差。而后利用自適應閾值模塊生成與之對應的自適應閾值
。
傳統(tǒng)模型與本文方法的各項回歸評價指標比較如表1所示，其中每個測量結果為10次重復的平均值。一般F(%)越小，T(hours)越大，A(%)越大，說明預測越準確。很明顯，所提出的TAN-ATA在F(%)，T(hours)，A(%)優(yōu)于其他對比方法，證明了其優(yōu)越性。
表1 各類方法的性能比較
此外，TAN-ATA在不同測試數(shù)據(jù)集上的異常檢測結果如圖3所示。自適應動態(tài)閾值可以很好地處理ESP正常運行過程中噪聲引起的誤報且不會引起報警的滯后。
圖3 TAN-ATA在不同測試樣本的檢測效果
結論:
本文提出了一種新的用于潛油電泵異常檢測的時間注意力與自適應閾值方法。為了實現(xiàn)具有無標簽、多變量、非線性和動態(tài)特性的潛油電泵數(shù)據(jù)的重構建模，提出的方法利用基于時序自編碼的體系結構。在此基礎上，引入時間注意機制來提高潛油電泵建模的性能，并提出了一種新的自適應閾值調(diào)整策略來降低噪聲引起的狀態(tài)波動引起的誤報高的問題。實驗結果證明了所提出的TAN-ATA的有效性和優(yōu)越性。
通訊作者簡介:
李康，師資博士后，博士，中國石油大學（北京）人工智能學院自動化系教師，主要研究方向為故障診斷與容錯控制。