Vorausschauende Wartung von Elektrotauchpumpen - Erkennung von Fehlern in Elektrotauchpumpen

Elektrische Tauchpumpen (ESPs) werden heute in großem Umfang zur Steigerung der Produktion in Bohrlöchern mit nichtlinearem Fluss, hohen Förderraten und hohem Wassergehalt eingesetzt. Wellenbrüche sind ein häufiges Problem in der Öl- und Gasindustrie, das zu Produktionsunterbrechungen und erheblichen wirtschaftlichen Verlusten führen kann. Ziel dieser Arbeit ist es, die Hauptkomponentenanalyse (PCA) als unüberwachtes maschinelles Lernverfahren zur Ermittlung der Ursachen von ESP-Schachtbrüchen zu bewerten. Die Methode wurde erfolgreich zur Erkennung von ESP-Schachtbrüchen in Echtzeit im Penglai-Block des Bohai-Ölfelds in China eingesetzt. Unterschiedliche Cluster in den stabilen, instabilen und fehlerhaften Regionen können durch 2D-Diagramme der ersten und zweiten Hauptkomponenten identifiziert werden. Auf diese Weise können potenzielle ESP-Schachtbrüche erkannt werden, wenn die Cluster von der stabilen Region abzuweichen beginnen. Darüber hinaus wurde ein PCA-Diagnosemodell entwickelt, um vorherzusagen, wann ein ESP-Schachtbruch auftritt, und um die wichtigsten Entscheidungsvariablen in Bezug auf dieses Ereignis zu identifizieren. Diese Arbeit zeigt, dass die PCA-Methode bei der Überwachung von ESP-Systemen und der genauen Vorhersage eines drohenden Bruchs der ESP-Welle gut funktioniert.

kurz

Elektrotauchpumpen (ESP) werden heute häufig in Bohrlöchern mit nichtlinearer Strömung, hoher Produktion, hohem Wassergehalt und Offshore-Bohrungen eingesetzt, wo sie einfach und effizient sind (Ratcliff, Gomez, Cetkovic und Madogwe, 2013). Von allen künstlichen Hebesystemen für Ölfelder wird ESP als die bevorzugte Wahl angesehen, da es in der Lage ist, größere Mengen bei höheren Temperaturen und größeren Bohrlochtiefen zu fördern. Allerdings werden ESP-Systeme in der Regel durch Ausfälle unterbrochen. Eine gebrochene Pumpenwelle kann für die Betreiber ein ernstes Problem darstellen, da dadurch Hunderte von Millionen Barrel Öl verloren gehen können. Wenn eine Pumpenwelle bricht, fällt der Motorstrom plötzlich ab und die Produktion wird unterbrochen. Der Bruch einer Pumpenwelle kann durch eine mangelhafte Pumpenmontage oder eine Verschlechterung der Pumpe verursacht werden.

Die Entwicklung von Sensoren und Datenerfassungssystemen hat es den ESP-Systemen ermöglicht, kontinuierlich Daten wie Einlassdruck, Einlasstemperatur, Förderhöhe, Auslassdruck, Auslasstemperatur, Motortemperatur, Motorstrom, Leckstrom, Vibrationen usw. aufzuzeichnen. Diese Daten werden in bestimmten Intervallen aufgezeichnet und an die Remote Terminal Units (RTUs) am Boden übertragen. Bei Brunnen mit gebrochenen Pumpenschächten können statistische oder maschinelle Lernalgorithmen zur Fehleranalyse und Zustandsüberwachung eingesetzt werden.

Ziel dieses Beitrags ist die Bewertung der Hauptkomponentenanalyse (PCA) als Überwachungsinstrument für die Vorhersage von ESP-Schachtbrüchen.

ESP-Datenanalyse

Im Laufe der Jahre wurden Systeme für den Betrieb von elektrischen Tauchpumpen (ESP) entwickelt, die als wirksames Mittel zur Förderung von Rohöl unter Bohrlochbedingungen gelten. ESP-Systeme haben aufgrund der raschen Entwicklung von Sensoren für elektrische Tauchpumpen in der Erdölindustrie zunehmende Aufmerksamkeit erregt. ESP-Sensoren sammeln eine große Menge an Daten, einschließlich dynamischer, statischer und historischer Daten, wie in der Abbildung dargestellt. In den vergangenen Jahren mussten Bohrlöcher, die mit der ESP-Technologie betrieben wurden, durch Besuche vor Ort überwacht werden, was einen erheblichen Personalaufwand erforderte, um die notwendigen Anpassungen am Bohrlochkopf-Betriebssystem vorzunehmen. Die Öl- und Gasindustrie hat begonnen, die Datenanalyse zur Verbesserung der Produktionseffizienz einzusetzen und schlägt Amperemeter-Diagramme als primäre Diagnosemethode zur Überwachung der ESP-Leistung vor.

Darüber hinaus hat die Einführung von SCADA-Systemen (Supervisory Control and Data Acquisition) die Fähigkeit des Feldpersonals zur Überwachung und Kontrolle des Verhaltens von ESP-Bohrungen verbessert.

In den letzten Jahren standen die von den ESP-Sensoren gesammelten "Big Data" im Mittelpunkt der Auswertung der wichtigsten Informationen, die aus den ESP-Betriebssystemen gewonnen werden. Datengesteuerte Modelle mit maschinellem Lernen wurden eingesetzt, um die Bohrlochproduktion zu bestimmen und zu optimieren. Bravo, Rodriguez, Saputelli und Rivas Echevarria (2014) beschreiben die Datenanalyse als einen wichtigen Prozess für die Erfassung und Analyse von Big Data.

Der Bruch einer Pumpenwelle ist ein häufiger Fehler in ESP-Betriebssystemen. Die datengesteuerte Modellanalyse auf der Grundlage von Betriebsdaten, die von ESP-Oberflächen- und Bohrlochsensoren erfasst werden, wird eine wichtige Rolle bei der Überwachung von Pumpenwellenbrüchen spielen. Es besteht die Notwendigkeit, von Überwachungsmethoden zu datengesteuerten, modellbasierten Methoden für die Fehlerdiagnose und vorausschauende Wartung überzugehen. Die Hauptkomponentenanalyse (PCA) gilt weithin als Vorverarbeitungsmethode zur Dimensionalitätsreduzierung, Eigenwertextraktion und Datenvisualisierung und kann als unbeaufsichtigtes maschinelles Lernverfahren zur Analyse der Ursachen von Pumpenwellenbrüchen eingesetzt werden.

Hauptkomponentenanalyse (PCA)

Jackson (2005) definiert PCA als eine unbeaufsichtigte Methode zur Dimensionalitätsreduktion, die Daten linear transformiert und einen neuen Satz von Parametern, die so genannten "Hauptkomponenten", erzeugt. Die PCA nutzt die Korrelationen der Rohdaten, um ein PCA-Modell zu erstellen, das die Dimensionalität der Produktionsparameter reduziert, indem es eine lineare Kombination dieser Parameter verwendet, um einen neuen Raum von Hauptkomponenten (PC) zu erstellen. Diese PCs vereinfachen den Prozess, indem sie die Bewertung des ESP-Systems durch einige wenige Hauptkomponenten ermöglichen.

Für Bohrlöcher, bei denen ein Pumpenwellenbruch vorliegt, kann ein PCA-Modell erstellt werden, um die Produktionsdaten der Monate vor dem Pumpenbruch zu analysieren. Sobald ein robustes PCA-Modell erstellt wurde, kann die Ursache des Pumpenwellenbruchs überwacht und diagnostiziert werden. Das grundlegende PCA-Modell kann wie folgt dargestellt werden:

wobei X die Eingabematrix (n*p) ist, die die ursprünglichen Parameter bezeichnet; P die Ladematrix (p*k) ist, die den Beitrag der ursprünglichen Parameter bezeichnet; T die Bewertungsmatrix (n*k) ist, die die Beziehung zwischen den ursprünglichen Parametern bezeichnet; E die Restmatrix (n*p) ist, die die nicht erfasste Varianz bezeichnet; n die Anzahl der Zeitschritte ist (Gupta, Saputelli und Nikolaou, 2016); p die Anzahl der ursprünglichen Parameter; k ist die Anzahl der Hauptkomponenten.

Die erste Hauptkomponente enthält die größte Varianz, was bedeutet, dass die erste Hauptkomponente die meisten Informationen enthält. Die zweite Hauptkomponente erfasst die nächstgrößere Varianz, nachdem die Informationen aus der ersten Hauptkomponente entfernt wurden. Auf diese Weise kann die dritte, vierte...kte Hauptkomponente konstruiert werden, um das ursprüngliche System zu bewerten. Die folgende Abbildung fasst die obigen Ausführungen zusammen.

Bei PCA-Modellen werden in der Regel k Hauptkomponenten gefunden, um PCs zu konstruieren, die den größten Teil der Informationen des Ausgangssystems beibehalten. Nimmt man PC1 als Beispiel, so wird die k-te Hauptkomponente wie folgt dargestellt:

Bei zweidimensionalen Daten beschreiben Ionita und Schiopu (2010) diese Situation anhand der folgenden Abbildung: PCA wird verwendet, um Muster in hochdimensionalen Daten zu entdecken und Daten in stabile Regionen umzuwandeln, die oft als eng aggregierte oder wolkige Datensätze beschrieben werden. Anomalien im ESP-Betriebssystem können erkannt werden, indem ein PCA-Modell erstellt wird, das einem normalen Produktionsdatensatz entspricht. Die ersten beiden Hauptkomponenten weisen die größte Varianz auf, und die meisten Informationen in den Rohparametern können allein durch die ersten beiden Hauptkomponenten visualisiert werden.

PCA-Diagnosemodell

Das PCA-Diagnosemodell wird angewandt, um die Ursache und den Zeitpunkt eines Pumpenwellenbruchs zu ermitteln.Die Hotelling T-Quadrat-Statistik (T^2) und der quadrierte Vorhersagefehler (SPE) werden verwendet, um skalare Statistiken numerisch darzustellen (Yue und Qin, 2001).T^2 ist eine univariate Statistik, die eine wichtige Rolle bei multivariaten Hypothesentests spielt, und SPE wird häufig für die multivariate statistische Prozesskontrolle verwendet.T^2 und SPE werden eingesetzt, um zu analysieren, ob die Entscheidungsvariablen die Anforderungen für einen stabilen Betrieb erfüllen. Auf diese Weise kann der Beitrag jeder Entscheidungsvariablen zum Fehler bestimmt werden. Die Fehlerdiagnose erfolgt schließlich durch die Einstufung des Beitrags der einzelnen Entscheidungsvariablen. Potenzielle Anomalien werden mit einem höheren oder höchsten Rang der betreffenden Entscheidungsvariablen in Verbindung gebracht.

Die Zeitschritte für T^2 und SPE werden im Folgenden beschrieben:

wobei x(t) der t-te Zeitschritt der Eingabematrix, A^-1 die inverse Matrix der Kovarianzmatrix (Westerhuis, Gurden und Smilde, 2000), P die Eigenvektoren der Kovarianzmatrix, Pe die Restbelastungsmatrix und I die Einheitsmatrix ist;

Fallbeispiel: ESP-Wellenbruchdiagnose

1. die Auswahl der ESP-Break-Axis-Variablen

Die Produktionsdaten der zehn ESP-Bohrlöcher, bei denen es zu Brüchen im Pumpenschacht kam, wurden von den ESP-Bohrloch- und Oberflächensensoren in 20-minütigen Abständen aufgezeichnet. Diese ESP-Bohrloch- und Oberflächensensoren begannen mit der Erfassung von Produktionsdaten ab dem Zeitpunkt, an dem die zehn ESP-Bohrlöcher in Betrieb genommen wurden, bis die Pumpenschachtbrüche in diesen Bohrlöchern auftraten. Zu diesen ESP-Bohrlöchern mit gebrochenen Pumpenschächten gehören E52ST1, C06ST1, B50ST2, E20ST2, A11ST1, B03ST1, B48ST1, E21ST1, E47ST1 und E42ST1 im Penglai-Block des Bohai-Ölfelds in China. Es wurden zwei verschiedene Arten von Datensätzen gesammelt:

- Enthält Daten zu variablen Eingangsparametern wie Rohrdrossel, Rohrleitungsdruck, Rohrleitungsdruck, Rohrgasfluss, ESP-Eingangsdruck, ESP-Ausgangsdruck, Leitungsdruck, Leitungstemperatur, Eingangstemperatur, Motorstrom, Motorleckstrom, Motorleistung, Motortemperatur, Motordrehmomentstrom, Motorvibration, Motorspannung, Rohrdrossel und Frequenz des Umrichters Aufzeichnung.

- Enthält einen Datensatz über den Zeitpunkt des Auftretens eines Pumpenwellenbruchs für jeden Brunnen.

2. die Werte der Hauptkomponenten

Auf der Grundlage der erfassten Eingangsvariablen wurde ein PCA-Modell erstellt. Die verschiedenen Hauptkomponenten wurden nach der Reihenfolge der abnehmenden erfassten Varianz geordnet. Am Beispiel des Brunnens E52ST1 wurde festgestellt, dass acht Hauptkomponenten mehr als 99% der Varianz der ursprünglichen Eingangsparameter erfassten, wie in Abb. 1 dargestellt.

Die erste und zweite Hauptkomponente wiesen die höchste Varianz auf und erfassten etwa 701 TP3T der Varianz in den Rohdaten. Anhand der 2D-Diagramme der Werte von Hauptkomponente 1 und Hauptkomponente 2 wurden unterschiedliche Cluster für die stabilen, instabilen und fehlerhaften Perioden beobachtet. Während der Stabilisierungsphase arbeitet das ESP normal und alle Parameter der Eingangsvariablen liegen innerhalb des normalen Betriebsbereichs. Beim Eintritt in die instabile Periode sind einige Eingangsvariablen offensichtlich abnormal, aber das ESP funktioniert immer noch. Außerdem kam es während der Störungsperiode zum Bruch der Pumpenwelle und zum Ausfall des Elektrofilters.

Die nachstehende Abbildung zeigt eine Darstellung der Werte der Hauptkomponente 1 und der Hauptkomponente 2 für die historischen Daten des Pumpenwellenbruchs im Brunnen E52ST1. Die Ergebnisse zeigen deutlich drei verschiedene Cluster von stabilen, instabilen und fehlerhaften Bereichen, wenn der Zeitschritt über diesen Zeitraum zunimmt. Zu Beginn wird das ESP in Betrieb genommen. Es ist zu beobachten, dass die Parameter der Eingangsvariablen für den Normalbetrieb eine Gruppe stabiler Bereiche bilden. Nach einer langen Betriebszeit beginnen einige der Eingangsvariablen vom normalen Betriebsbereich abzuweichen, aber das ESP ist immer noch in Betrieb. Wenn dieses anormale Verhalten auftritt, bildet sich eine instabile Region, die von der stabilen Region abweicht, und der Elektrofilter arbeitet für eine instabile Zeit weiter. Schließlich bricht die Pumpenwelle und der Elektrofilter fällt aus. Wie in der Abbildung unten zu sehen ist, ist die schwarze fehlerhafte Region weit von der stabilen Region entfernt. Diese zweidimensionale Darstellung der Hauptkomponente 1 und der Hauptkomponente 2 ist wichtig für die Echtzeitüberwachung der ESP-Leistung, um sie mit der vorherigen normalen Betriebsregion zu vergleichen und die Techniker vor möglichen Ausfällen zu warnen, wenn die Clusterbildung von der stabilen Region abzuweichen beginnt.

3. die Identifizierung von Pumpenwellenbrüchen

Die aus der stabilen Region gewonnenen Produktionsdaten werden normalisiert und als Eingabematrix (Xtraining) für die Konstruktion des robusten PCA-Modells verwendet. Darüber hinaus werden historische Daten, die dem Zeitraum der instabilen oder fehlerhaften Region entsprechen, als Testdatensatz (Xtesting) ausgewählt und in das PCA-Modell eingegeben. Dieser Vorgang kann für die historischen Pumpenwellenbruchereignisse, die zum Ausfall geführt haben, wiederholt werden. Darüber hinaus wird ein PCA-Diagnosemodell erstellt, um vorherzusagen, wann ein Pumpenwellenbruch auftreten wird, und um die Entscheidungsvariablen zu ermitteln, die am meisten für den Pumpenwellenbruch verantwortlich sind.

Nach dieser Formel kann der Beitrag jeder Entscheidungsvariablen durch das PCA-Diagnosemodell berechnet werden. Entscheidungsvariablen mit einem höheren oder höchsten Beitrag sind für den Bruch der Pumpenwelle relevanter. Die Entscheidungsvariablen werden nach ihrem Beitrag zum E52ST1-Brunnen geordnet. Wie in der nachstehenden Abbildung dargestellt, hat beispielsweise der Motordrehmomentstrom den höchsten Beitrag zur Fehlerregion. Wenn die Clusterbildung von der stabilen Region abweicht, kann diese Beitragskarte verwendet werden, um auf einer Echtzeit-Überwachungsplattform die Entscheidungsvariablen zu diagnostizieren, die am meisten für den Pumpenwellenbruch verantwortlich sind.

Nach der Erstellung eines robusten PCA-Modells ist es möglich, den Zeitpunkt des Auftretens eines Pumpenwellenbruchs vorherzusagen. Ein Bild (IMAGE) und SPE-Gleichungen wurden verwendet, um den Zeitpunkt potenzieller Anomalien vor dem Bruch des Pumpenschachts zu bestimmen. Dunia und Joe Qin (1998) stellten vier mögliche Erkennungen im Rahmen des PCA-Diagnosemodells wie folgt vor:

(1) Sowohl die Bildmetriken als auch die SPE-Metriken überschritten die Kontrollgrenzen;

(2) Weder die Bildmetriken noch die SPE-Metriken überschritten die Kontrollgrenzen;

(3) Die Bildmetriken haben die Kontrollgrenzen überschritten, aber die SPE-Metriken wurden nicht überschritten;

(4) Die SPE-Indikatoren überschritten die Kontrollgrenzen, aber die Bildindikatoren wurden nicht überschritten.

In der Regel werden die Testergebnisse (1) und (4) als potenzielle Fälle von Pumpenschachtbrüchen betrachtet. Dieses Papier enthält Daten über den Zeitpunkt des Auftretens eines ESP-Schachtbruchs für jedes Bohrloch. Die durch das PCA-Diagnosemodell vorhergesagte Zeit des ESP-Schachtbruchs wurde im Detail mit der tatsächlichen Zeit des ESP-Schachtbruchs verglichen.

Die Bild- und SPE-Metriken wurden zur Vorhersage von ESP-Produktionsanomalien am Beispiel der Bohrungen E52ST1, CO6ST1 und B50ST1 berechnet (siehe unten). Wenn die ESP-Welle bricht, wurden das Bild und die SPE verwendet, um den Zeitpunkt des Bruchs anhand der Erkennungsergebnisse (1) und (4) zu bestimmen.

Die folgende Tabelle zeigt einen Vergleich der Vorhersage des PCA-Diagnosemodells für die Pumpenwellenbruchzeit mit der tatsächlichen ESP-Wellenbruchzeit. Die Analyse der folgenden Tabelle zeigt, dass das PCA-Diagnosemodell die Bruchzeit der Pumpenwelle etwas früher als die tatsächliche Bruchzeit der Pumpenwelle vorhersagt. Daher hat das PCA-Diagnosemodell eine ausgezeichnete Genauigkeit bei der Vorhersage der Bruchzeit von ESP-Wellenbruchbrunnen und Echtzeit-Lerntechniken. Darüber hinaus kann die PCA-Technik als Grundlage für die Entwicklung besserer Instrumente zur Vorhersage von ESP-Ausfällen verwendet werden.

Wells hat das nicht getan.	Vorhersagen des PCA-Modells	Tatsächlicher Zeitpunkt des Bruchs
E52ST1	2019-5-26 13:40	2019-5-26 16:00
CO6ST1	2019-5-27 22:20	2019-5-28 6:40
B48ST1	2015-10-7 21:40	2015-10-8 16:20
E20ST2	2019-9-12 10:20	2019-9-12 12:40
B50ST2	2019-6-15 8:00	2019-6-16 15:40
A11ST1	2015-5-10 4:40	2015-5-10 10:00
B03ST1	2015-8-30 15:40	2015-8-31 1:00
E21ST1	2015-8-26 10:00	2015-8-26 23:40
E47ST1	2018-1-14 8:40	2018-1-15 9:20
E42ST1	2018-4-24 22:40	2018-4-25 2:00

zu einem Urteil gelangen

In dieser Arbeit wird ein auf Big-Data-Analytik basierendes Modell zur Vorhersage von drohenden Pumpenschachtbrüchen in ESP-Betriebssystemen vorgestellt. Dieses Big-Data-Modell stützt sich auf Echtzeitdaten, die von ESP-Bohrloch- und Oberflächensensoren erfasst werden. Es lässt sich schlussfolgern, dass PCA das Potenzial hat, als Identifizierungsverfahren zur Vorhersage dynamischer Veränderungen und damit zur Identifizierung drohender ESP-Pumpenwellenbrüche eingesetzt zu werden. Die wichtigsten Schlussfolgerungen dieser Studie lassen sich wie folgt zusammenfassen:

1. Ein zweidimensionales Diagramm, das die Ergebnisse von Hauptkomponente 1 und Hauptkomponente 2 verwendet, kann dazu verwendet werden, verschiedene Cluster von stabilen, instabilen und fehlerhaften Bereichen zu identifizieren. Wenn die Cluster weit von der stabilen Region entfernt sind, wird der Ingenieur vor Ort auf das Risiko eines möglichen Bruchs der ESP-Pumpenwelle aufmerksam gemacht.
2. Sobald ein robustes PCA-Diagnosemodell erstellt wurde, ist es wichtig, die Entscheidungsvariablen zu identifizieren, die zum Bruch der ESP-Pumpenwelle führen, um die Abweichung der Cluster vom stabilen Bereich zu erklären.
3. Durch die Anwendung von Bildern und SPE-Gleichungen hat das PCA-Diagnosemodell eine ausgezeichnete Genauigkeit bei der Vorhersage der Zeit bis zum Bruch der ESP-Pumpenwelle.
4. PCA kann als wichtige Vorverarbeitungsmethode und als unüberwachtes maschinelles Lernverfahren zur Vorhersage der Entwicklung von ESP-Fehlern verwendet werden.