摘要
自动化异常事件管理是工业过程中的一个重要问题，其中故障的检测和诊断是异常事件管理的核心。在石油化工行业，异常事件导致的安全事故往往会带来巨大的经济损失，甚至包括人员伤亡及环境污染问题，因此对该行业的异常事件管理尤为重要。本文基于真实的海上油气井的传感器监测数据，将在线异常检测算法和时间序列分类算法应用于油气井生产过程数据流，分别构建了实时异常检测和异常事件类型诊断模型，形成一套完整的自动化异常事件管理建模方法。 在本文设计的建模方案中，第一阶段是一个无监督的在线异常检测模型，对新观测到的数据点进行实时检测并反馈是否异常。本文采用了集成贝叶斯在线变点检测和基于相对熵的在线异常检测的异常检测方法，实验结果表明，在真实事件数据集上，该集成方法具有良好的检测及时性和准确性表现，明显优于传统的基于单指标阈值的异常检测。对于第二阶段的异常事件类型的诊断模型，本文对比了五种有监督的时间序列分类算法在数据集上的效果，并比较了两种将单变量时间序列分类方法应用于多变量时间序列分类问题的思路，同时，本文考虑了不同片段长度对最终分类效果的影响。实验结果表明，基于特征提取的传统方法以及TSF和TSBF方法对片段长度不敏感。最终综合分析模型的预测表现，本文建议使用对3分钟片段进行拼接后的TSBF算法作为异常事件类型诊断的算法。最终本文所构建的模型在数据集上对异常事件的预测可以达到97.8％的召回率，平均检测延迟为87.5秒，使用3分钟的时间序列片段可以对异常事件类型进行诊断，模型预测的准确率为97.5％,对该领域内异常事件管理的建模实践具有较好的指导意义。
NETL