科研動(dòng)態(tài)
平均池化時(shí)域圖卷積網(wǎng)絡(luò)用于潛油電泵異常檢測(cè)
中文題目：平均池化時(shí)域圖卷積網(wǎng)絡(luò)用于潛油電泵異常檢測(cè)
論文題目：Average-Pooling Temporal Graph Convolutional Network for Anomaly Detection of Electric Submersible Pump
錄用期刊/會(huì)議：DDCLS 2025 (CAA-A類(lèi) EI會(huì)議論文)
原文DOI：10.1109/DDCLS66240.2025.11065249
原文鏈接：https://ieeexplore.ieee.org/document/11065249
錄用/見(jiàn)刊時(shí)間：2025年
作者列表：
1）劉健楊 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 碩士研究生
2）李 康 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系教師
3）高小永 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 自動(dòng)化系教師
4）張來(lái)斌 中國(guó)石油大學(xué)（北京）安全與海洋工程學(xué)院 安全工程系教師
摘要:
本研究提出了一種平均池化時(shí)域圖卷積網(wǎng)絡(luò)（APTGCN），用于處理潛油電泵（ESP）異常檢測(cè)問(wèn)題。APTGCN融合了時(shí)域卷積網(wǎng)絡(luò)（TCN）和圖卷積網(wǎng)絡(luò)（GCN），實(shí)現(xiàn)了對(duì)ESP監(jiān)測(cè)變量的時(shí)空依賴(lài)關(guān)系建模。特別地，在TCN與GCN之間采用了平均池化層（APL），改善了模型的計(jì)算復(fù)雜度和訓(xùn)練效率。實(shí)驗(yàn)結(jié)果表明，APTGCN在實(shí)際真實(shí)油田ESP異常檢測(cè)中展現(xiàn)出有效性與優(yōu)越性。
背景與動(dòng)機(jī):
ESP廣泛應(yīng)用于海上油田開(kāi)采中，用于將地下流體高效提取至地面。然而，復(fù)雜惡劣的下井環(huán)境（如高溫、高壓、高腐蝕、高振動(dòng)）極易導(dǎo)致泵軸斷裂、套管泄漏等故障，不僅增加運(yùn)維成本，還危及作業(yè)安全。傳統(tǒng)的異常檢測(cè)方法依賴(lài)單變量分析和人工操作，難以適應(yīng)復(fù)雜的多變量動(dòng)態(tài)特性。隨著工業(yè)大數(shù)據(jù)的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)方法逐漸成為主流。然而，現(xiàn)有方法或忽視了變量間交互，或存在模型復(fù)雜度高、過(guò)擬合風(fēng)險(xiǎn)大等問(wèn)題。因此，設(shè)計(jì)一種高效、簡(jiǎn)潔、能同時(shí)捕捉時(shí)空依賴(lài)關(guān)系的新型模型，是ESP異常檢測(cè)領(lǐng)域亟需解決的關(guān)鍵挑戰(zhàn)。
設(shè)計(jì)與實(shí)現(xiàn):
如圖1所示，本文提出的APTGCN模型由三部分構(gòu)成：時(shí)域卷積網(wǎng)絡(luò)(Temporal Convolutional Network, TCN)、平均池化層(Average Pooling Layer, APL) 和圖卷積網(wǎng)絡(luò)(Graph Convolutional Network, GCN)。首先，TCN用于提取傳感器數(shù)據(jù)中的長(zhǎng)期時(shí)序特征，并利用因果卷積與擴(kuò)張卷積保持?jǐn)?shù)據(jù)時(shí)序性。隨后，APL對(duì)時(shí)間維度上的特征進(jìn)行平均池化，既降低了特征維度、平滑了短時(shí)噪聲，也顯著減少了后續(xù)GCN的計(jì)算負(fù)擔(dān)。最后，GCN以傳感器之間的余弦相似度為依據(jù)構(gòu)建圖結(jié)構(gòu)，挖掘變量間的空間依賴(lài)關(guān)系。整個(gè)模型在訓(xùn)練階段采用均方誤差損失進(jìn)行預(yù)測(cè)學(xué)習(xí)，在測(cè)試階段通過(guò)殘差評(píng)分函數(shù)實(shí)現(xiàn)異常檢測(cè)。該工作流程通過(guò)在滑動(dòng)窗口數(shù)據(jù)上訓(xùn)練APTGCN模型來(lái)學(xué)習(xí)正常的時(shí)空模式，隨后計(jì)算預(yù)測(cè)值與實(shí)時(shí)傳感器數(shù)據(jù)之間的歸一化殘差，若超過(guò)閾值則標(biāo)記為異常。圖2展示了APTGCN用于ESP故障檢測(cè)的運(yùn)行流程。
圖1 所提方法概述
圖2 基于A(yíng)PTGCN的電潛泵異常檢測(cè)流程圖
實(shí)驗(yàn)結(jié)果及分析:
為評(píng)估所提出的APTGCN模型的有效性，我們?cè)谡鎸?shí)ESP監(jiān)測(cè)數(shù)據(jù)集上進(jìn)行了一系列實(shí)驗(yàn)。本研究所用數(shù)據(jù)采集自中國(guó)某實(shí)際油田的四口ESP油井（B18ST1、B20H3、E32和B47ST1）。每口油井配備15個(gè)傳感器，持續(xù)監(jiān)測(cè)重要運(yùn)行參數(shù)。圖3以可視化形式對(duì)比了不同模型和油井的性能指標(biāo)（FDR、FAR、gmean）。APTGCN不僅展現(xiàn)出最優(yōu)的平均性能，在平衡性指標(biāo)上表現(xiàn)尤為突出，這表明其具有更強(qiáng)的穩(wěn)定性。
圖3 四類(lèi)方法在不同油井中的重復(fù)實(shí)驗(yàn)結(jié)果 (a)FDR (b)FAR (c) gmean.
消融實(shí)驗(yàn)在四個(gè)不同數(shù)據(jù)集的平均結(jié)果如表1所示。結(jié)果表明APL模塊的引入在保持高異常檢測(cè)性能的同時(shí)，顯著降低了模型復(fù)雜度。與其他設(shè)計(jì)方案相比，APTGCN在檢測(cè)精度、計(jì)算效率和模型簡(jiǎn)潔性三者之間實(shí)現(xiàn)了最佳平衡。
表1 不同消融實(shí)驗(yàn)在四個(gè)不同數(shù)據(jù)集的平均結(jié)果
結(jié)論:
本文提出了一種用于ESP異常檢測(cè)方法APTGCN。該方法通過(guò)TCN和GCN提取時(shí)空特征，并使用APL以進(jìn)一步降低計(jì)算復(fù)雜度并提升檢測(cè)性能。在四個(gè)實(shí)際油井?dāng)?shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了APTGCN相較于現(xiàn)有方法具有更高的檢測(cè)準(zhǔn)確率、更低的誤報(bào)率和更優(yōu)的模型穩(wěn)定性，為ESP系統(tǒng)的智能監(jiān)測(cè)提供了一種高效可靠的解決方案。
作者簡(jiǎn)介:
李康，講師，博士，碩士生導(dǎo)師，IEEE Member, 中國(guó)自動(dòng)化學(xué)會(huì)會(huì)員，中國(guó)人工智能學(xué)會(huì)會(huì)員。長(zhǎng)期從事復(fù)雜流程工業(yè)系統(tǒng)安全監(jiān)測(cè)與故障診斷、智能制造及先進(jìn)機(jī)器人感知與交互技術(shù)等相關(guān)教學(xué)與科研工作。