论文部分内容阅读
本文以油田生产过程为研究背景,以确保生产过程中各个检测仪器及设备的长期、安全、可靠、高效地运行为主要目的,重点对现场传感器设备进行多故障的诊断研究,运用多变量数理统计中的主元分析(Principle component analysis, PCA)的改进方法来解决传感器故障诊断中所面临的几个问题,为油田传感器设备的故障诊断提供了一种新思路、新方法。论文的主要工作包括:针对基于传统PCA的故障诊断方法模型固定化,在处理动态数据时误报率较高的问题,采用一种迭代多模型PCA方法。通过最短距离法将数据按不同的工况分类,并建立多PCA模型,结合迭代算法更新模型,实现对过程数据的实时监控,提高故障诊断的准确性。根据油田生产过程的数据特点,采用加权平方预报误差(Weighted SquarePrediction Error, SWE)对传感器数据进行故障监控。该方法针对不同的故障类型建立了不同的残差空间,与SPE方法故障诊断能力进行比较,结果表明其更能够有效地利用残差空间变量中包含的故障信息,提高了故障诊断的精度。在故障识别中,相较于传统的SPE统计量在进行多故障诊断过程时,故障识别能力有限的问题,SWE的故障重构方法将不同的故障类型进行组合,在不同的故障类型组合所对应的残差空间中进行故障重构,有效的实现多故障的故障识别。根据油田生产过程传感器设备数据的特征,提出一种基于多变量数理统计的改进方法来解决了传统PCA传感器故障诊断中所面临的一些问题。利用油田生产的实际数据对该方法进行了离线故障诊断实验,通过油田生产传感器设备的实际数据的实验验证了方法故障诊断的有效性。将该方法用于油田传感器设备的故障诊断上,可以确保生产安全有效的进行,降低采油成本,及提高区块产量具有重要的意义。