метод оперативной диагностики состояния расходомера и

Межрегиональному открытому акционерному обществу "НЕФТЕАВТОМАТИКА" – 40 лет!
УДК 681.518:622.276
МЕТОД ОПЕРАТИВНОЙ ДИАГНОСТИКИ СОСТОЯНИЯ РАСХОДОМЕРА
И РАСЧЕТА ЕГО КАЛИБРОВОЧНЫХ КОЭФФИЦИЕНТОВ НА ОСНОВЕ
ИСПОЛЬЗОВАНИЯ ИСКУССТВЕНЫХ НЕЙРОННЫХ СЕТЕЙ
Т.И. Фазлиахметов
(ОАО "Нефтеавтоматика"; e-mail: [email protected])
Важной задачей оперативного управления в нефтегазодобыче является контроль состояния потоков
жидкости и технологических объектов инженерной
сети (ИС). Признаком отклонения от нормального
функционирования ИС служит появление дисбаланса
в узлах ИС, т. е. рассогласование между суммой расходов жидкости на входе и выходе узла. Причинами
возникновения дисбаланса могут быть:
1) несоответствие модели ИС реальной ИС;
2) изменение технологического режима;
3) утечки жидкости;
4) недостоверность результатов измерения расхода
жидкости.
Использование известных механико-математических моделей процессов, протекающих в гидравлических цепях, и основанных на этих моделях методов
анализа состояния и идентификации параметров ИС
НГД затруднено ввиду сложности самих процессов,
неполноты собираемых данных реального времени и
наличия большого числа неучтенных факторов. В таких случаях все большее значение приобретают методы, основанные на знаниях, которые используют дополнительные априорные и опытные данные о функционировании ИС и нарушениях в ее работе. Одними
из наиболее перспективных среди этих методов являются нейросетевые методы [1].
В работе [1] рассматривается решение задачи диагностики состояния ИС с помощью нейронной сети
(НС). Помимо определения причин дисбаланса приведенный метод позволяет рассчитывать калибровочные коэффициенты средств измерения. Структура ИС
представляется в виде НС, т. е. НС является моделью
инженерной сети. Веса НС представляют собой коэффициенты, характеризующие связь между дисбалансом и результатом измерения расхода (например, калибровочные коэффициенты средств измерения).
Процесс обучения НС с определением параметров
моделей узлов ИС на последующем интервале оценивания (калибровочных коэффициентов средств измерений (СИ), параметров технологических линий и
притоков/утечек в узлах) выполняется на основе значений совокупности векторов дисбалансов и значений
параметров технологических линий и притоков/утечек, полученных на предыдущем интервале оценивания. Обучение с подстройкой коэффициентов нейросетевой модели повторяется вплоть до достижения
баланса откорректированных замеров параметров в
узлах ИС.
По значениям коэффициентов, полученным в результате обучения, диагностируют состояние оборудования, выдвигают гипотезы об изменении структуры участка ИС или средств измерения технологических параметров, изменяют начальную организацию
нейросетевой модели, с учетом показателей степени
доверия к моделям узлов ИС и к результатам измерений параметров потоков, и повторяют процесс
обучения.
Таким образом, в данном методе при каждом диагностировании требуется проводить ее обучение для
определения калибровочных коэффициентов.
Постановка задачи оперативной калибровки
СИ расхода потока
Для проведения калибровки приборов необходимо
выполнение следующих условий:
– дисбаланс в узле ИС превышает допустимое значение;
– модель ИС соответствует реальной ИС;
– во время анализа дисбалансов не произошло изменения технологического режима;
– на объектах, соответствующих ребрам модели –
ИС, не обнаружено утечек жидкости.
Выполнение этих условий говорит о том, что причиной дисбаланса стала недостоверность результатов
измерения расхода жидкости. Следовательно, необходимо провести калибровку средства измерения расхода данного потока.
При решении этой задачи каждый узел ИС рассматривается отдельно, т. е. без взаимосвязи с другими узлами. Для того чтобы провести оперативную
калибровку, необходимо решить следующие задачи:
1. Определить, на каких ребрах узла СИ показывают недостоверные результаты.
2. Рассчитать поправочные коэффициенты к измеренным значениям.
При калибровке СИ требуется найти коэффициент
k, на который необходимо умножать измеренное значение расхода, чтобы получить реальное значение
расхода жидкости:
Qr = Qm k,
(1)
где Qr – реальное значение расхода; Qm – измеренное
значение расхода.
Автоматизация, телемеханизация и связь в нефтяной промышленности, 4/2009
57
Межрегиональному открытому акционерному обществу "НЕФТЕАВТОМАТИКА" – 40 лет!
Из уравнения (1) следует, что коэффициент k можно вычислить, зная реальное значение расхода:
k
Qr
.
Qm
(2)
Зная реальное и вычисленное значения расхода,
можно определить, на каких потоках измерения являются недостоверными. Если эти два расхода близки по
значению, то можно сделать вывод, что результаты
измерения достоверны. В обратном случае принимается решение, что результаты измерения недостоверны.
Таким образом, задачу оперативной калибровки
СИ расхода можно свести к расчету реального значения расхода жидкости.
Нейросетевой метод расчета
поправочных коэффициентов
В каждый момент времени состояние потока характеризуется рядом параметров {P, Q, W, Vpгo, Vсг , C,
M, , }:
давление P, расход Q (объемный или массовый),
содержание воды W, содержание растворенного газа
Vpгo, содержание свободного газа Vсг, содержание солей в безводной нефти C, содержание механических
примесей M, плотность , вязкость .
Между расходом и остальными параметрами существует связь, которая вытекает из законов гидравлики:
Q = f (P, W, Vpгo, Vсг, C, M, , ).
(3)
Можно выделить следующие общие недостатки
при использовании аналитической формулы:
– она ориентирована на идеальные жидкости;
– учитывает не все параметры каждого потока;
– содержит параметры, которые могут не измеряться на реальных объектах;
– некоторые коэффициенты потока в формуле невозможно измерить, для расчетов они принимаются постоянными (качество труб, внутреннее
трение и т. д.).
Для решения задачи вычисления расхода косвенными методами предлагается использовать нейронную сеть. В отличие от формулы, НС позволяет рассчитывать расход с учетом особенностей каждого
конкретного потока, что достигается установкой НС
на каждый поток и ее обучением на фактических правильных результатах измерения различных параметров потока.
Суть использования НС заключается в следующем:
– на каждый поток узла ставится в соответствие
своя НС;
– НС обучается, когда дисбаланс в узле меньше
допустимого значения, т. е. узел находится в
нормальном состоянии;
– НС переходит в режим работы, рассчитывает
расход, когда дисбаланс в узле больше допустимого значения и точно определено, что причиной
дисбаланса является недостоверность результатов измерения.
Обучение НС может происходить двумя способами:
1. Если существует большая база данных с уже накопленной информацией о значениях параметров потока в одно и то же время, тогда НС можно обучить
заранее, а по мере появления новых наборов дообучать в режиме он-лайн.
Основная идея решения задачи состоит в том, чтобы по известным параметрам потока рассчитать расход и сравнить его с измеренным расходом. Если рассчитанный и измеренный расходы равны или близки
по значению, то принимается решение, что результат
измерения расхода на данном поРезультаты работы нейронной сети
токе
достоверен,
т. е. СИ расхода функционирует
C,
,
,
правильно. Если эти расходы не
Vрго,%
W, % Dp Q, м3/ч
3 M, % Vсг,%
мм2/с кг/м3
равны, то принимается решение, мг/дм
50
700
0,98 8,2 561,298
что результат измерения недосто- 1000 0,96 0,96 0,94
51
700
0,98 8,2 550,21
верен. В этом случае, зная изме- 1100 0,96 0,96 0,94
ренный и рассчитанный расходы, 1100 0,96 0,96 0,94
51
700
0,98 8,3 556,92
можно рассчитать поправочный 1100 0,96 0,96 0,94
51
710
0,98 8,3 549,09
коэффициент измерения расхода 1100 0,97 0,96 0,94
51
710
0,98 8,3 554,81
данного потока. Другими словами,
1100 0,97 0,97
0,94
51
710
0,98 8,3 560,59
зная остальные параметры потока,
1100 0,97 0,97
0,95
51
710
0,98 8,3 566,55
можно рассчитать расход потока.
52
710
0,98 8,3 555,65
Одной из наиболее известных 1100 0,97 0,97 0,95
52
715
0,98 8,3 551,77
формул, определяющих функцию 1100 0,97 0,97 0,95
(3), является формула Пуазейля [2]. 1100 0,97 0,97 0,95
53
710
0,98 8,3 545,17
Однако ее использование для рас- 1100 0,97 0,97 0,95
53
715
0,98 8,3 541,36
чета расхода по другим параметрам 1100 0,97 0,97 0,95
54
720
0,98 8,3 527,65
может дать большую погрешность,
1100 0,96 0,96
0,94
52
700
0,98 8,3 546,21
и расчет окажется неверным.
58
QНС,
м3/ч
Er, %
561,299 0,00029
565,18
2,7
571,59
2,6
554,71
1,0
557,47
0,4
556,72
0,6
556,09
1,8
556,32
0,1
546,73
0,9
556,62
2,1
546,89
1,0
536,76
1,7
572,91
4,9
1100
0,96
0,96
0,94
53
700
0,98
8,3
535,91
574,27
7,2
1100
0,96
0,96
0,94
54
700
0,98
8,3
525,98
575,68
9,4
Автоматизация, телемеханизация и связь в нефтяной промышленности, 4/2009
Межрегиональному открытому акционерному обществу "НЕФТЕАВТОМАТИКА" – 40 лет!
2. В он-лайн режиме, когда дисбаланс в узле
меньше допустимого значения, т. е. считается, что все
измерения достоверны.
Пусть в конкретный момент времени Ti каждый
поток j ИС имеет следующий набор, характеризующий его состояние: {Pji, Qji, Wji, Vpгoji, Vсгji, Cji, Mji, ji,
ji}. Данный набор говорит о том, что если значения
параметров потока равны Pji, Wji, Vpгoji, Vсгji, Cji, Mji, ji,
ji, соответственно, то расход равен Qji. Если в этот
момент дисбаланс в узле меньше допустимого значения, то данный набор описывает нормальное состояние потока. Множество таких наборов описывает
множество нормальных состояний потока.
Если в момент времени Ti узел работает нормально, т. е. дисбаланс отсутствует, то на вход НС подается набор Pji, Wji, Vpгoji, Vсгji, Cji, Mji, ji, ji, а на выход –
Qji. Обучившись на множестве таких наборов, НС
становится способной распознавать нормальные состояния потока. Далее в случае ненормального функционирования узла в момент времени Tk при подаче
на вход набора {Pki, Wki, Vpгoki, Vсгki, Cki, Mki, ki, ki} НС
находит наиболее похожее состояние (набор значений
параметров) и вычисляет, какой должен быть расход
при данных значениях параметров.
Таким образом, НС обучается ситуациям, когда
поток функционирует в нормальном режиме, без отклонений. Другими словами, НС моделирует работу
потока в нормальном режиме, а в случае ненормального функционирования (недостоверности результатов) позволяет определить, какой расход жидкости
соответствует текущим значениям остальных параметров.
Для оценки возможности НС решать поставленную задачу, было проведено предварительное моделирование работы НС.
Моделирование работы НС было выполнено в
среде MatLab с использованием инструмента nntool. В
качестве обучающей выборки были выбраны наборы
{P, W, Vpгo, Vсг, C, M, , }, в качестве желаемого выхода – соответствующее значение Q. Наборы представляют собой различные комбинации значений параметров. По формуле Пуазейля [2] для каждого такого набора был вычислен расход Q. Важно отметить,
что в данном случае эта формула использовалась
лишь для получения обучающей выборки. Общее количество наборов составило 500.
Результаты работоспособности НС показаны в
таблице.
Первая строка представляет собой один из наборов
обучающей выборки. Другие строки – это примеры, в
которых параметры меняются на небольшое значение
по сравнению с обучающим набором, т. е. примеры,
близкие по значениям параметров к обучающему набору.
По таблице можно сделать следующие выводы:
1. НС дает ошибку обобщения 1…2 % при малых
отклонениях параметров Vpгo, Vсг, C, M, Dp и при пропорциональном изменении параметров и .
2. Необходимо дальнейшее исследование связи
между плотностью, вязкостью и выходом НС.
Выводы
В работе был предложен метод диагностики
средств измерения расхода жидкости и их оперативной калибровки. Метод основывается на взаимосвязи
между различными параметрами потоков ИС.
Для вычисления реального расхода жидкости по
другим параметрам потока, таким, как давление, температура, а также параметрам, определяющим состав
жидкости (нефти), предлагается использовать нейронную сеть.
Для обучения НС предлагается использовать накопленную информацию о состояниях потока, а также
проводить дообучение в он-лайн режиме при нормальном функционировании потока.
Метод позволяет определить, на каких потоках результаты измерения расхода жидкости недостоверны,
а также рассчитать поправочные коэффициенты к СИ.
Отличиями предложенного метода от рассмотренного в работе [1] являются:
– в данном методе НС моделирует работу только
одного узла, а не всей ИС;
– калибровочные коэффициенты вычисляются на
основе выхода НС, который является рассчитанным
значением расхода;
– при выполнении расчетов не требуется заново
генерировать НС при изменении структуры ИС;
– для вычисления калибровочного коэффициента не
требуется многократного обучения НС, необходимо
лишь ее дообучение в процессе функционирования.
ЛИТЕРАТУРА
1. Нейросетевые технологии в решении задач анализа и
диагностики состояния инженерных сетей / Ю.И. Зозуля,
Д.Ф. Назипов, Р.Р. Ахметзянов, А.А. Жильцов // Автоматизация, телемеханизация и связь в нефтяной промышленности. – М.: ОАО "ВНИИОЭНГ", 2007. – № 4. – С. 25–31.
2. Виртуальный фонд естественно-научных и научнотехнических эффектов "Эффективная физика". Течение
Пуазейля. URL: http://www.effects.ru/science/199/index.htm.
3. Анализ баланса в инженерных сетях нефтегазодобывающего предприятия: методические материалы
/ М.А. Слепян [и др.]. – Уфа: Монография, 2002. – 120 с.
4. Уоссермен Ф. Нейрокомпьютерная техника: Теория и
практика / пер. на рус. яз. Ю.А. Зуева, В.А. Точенова. –
1992.
Автоматизация, телемеханизация и связь в нефтяной промышленности, 4/2009
59