事件不确定性门控的自适应窗口钻井工况识别方法与流程

本发明涉及钻井工程，尤其是涉及一种事件不确定性门控的自适应窗口钻井工况识别方法。

背景技术：

1、钻井作业过程具有多参数耦合、工况切换频繁、地下环境不确定性强和安全风险高等特点，为了对井下的复杂情况进行提前预警，减小钻井事故的发生，需要对钻井工况进行准确识别。

2、现有钻井工况识别方案主要包括基于阈值规则的专家系统、基于机器学习的分类模型、基于隐马尔可夫模型或动态贝叶斯网络的时序模型及伪动态贝叶斯网络模型等。

3、基于阈值规则的专家系统可解释性较强，但规则维护成本高，且难以表达多参数之间的概率依赖关系。基于深度学习的模型可以提升分类准确率，但推理过程不透明，难以满足安全关键工业场景对可审计性和因果解释路径的要求。基于隐马尔可夫模型或动态贝叶斯网络的时序模型能够描述一定的时序依赖，但在多源传感器条件依赖、实时推理复杂度和边缘部署方面存在限制。

4、将朴素贝叶斯网络、状态转移概率、似然概率和属性权重矩阵结合的伪动态贝叶斯网络方案通常将相邻时间点之间的时序关系转化为状态转移概率，并结合似然概率和属性权重矩阵训练工况识别模型，能够通过训练优化属性权重或类别属性贡献度解决模型泛化问题，然而在过渡工况、异常征兆初期和传感器短时波动场景下存在难以同时兼顾实时性和稳定性的问题。

5、另外，伪动态贝叶斯网络方案通常将滑动窗口长度作为预设参数，或者仅根据数据波动程度调整窗口，在滑动窗口设置过短时，存在对噪声敏感、容易在钻压瞬时波动、扭矩尖峰或泵压抖动时误判的问题，在滑动窗口过长时，存在工况切换反应迟滞、延误卡钻、井漏、过载等异常事件预警等问题。

6、因此，需要一种能够在保持贝叶斯网络可解释性的同时，提高过渡工况识别稳定性和异常事件预警实时性的新技术方案。

技术实现思路

1、本技术的一个目的是提供一种事件不确定性门控的自适应窗口钻井工况识别方法，用以解决现有技术下滑动窗口固定难以兼顾实时性与稳定性、伪动态贝叶斯模型缺少事件层反馈调节机制、过渡工况识别容易抖动以及异常事件初期预警不充分等问题。

2、为实现上述目的，本技术的一些实施例提供了事件不确定性门控的自适应窗口钻井工况识别方法，该方法包括：

3、获取多个现场传感器的当前数据并进行离散化，确定位置特征层的观测节点，其中，所述观测节点包括如下两种或多种的组合：机械钻速节点、钩载节点、钻压节点、扭矩节点、立管压力节点、泵冲节点和井深节点；

4、根据多个所述现场传感器对应的当前滑动窗口的数据序列计算相应趋势状态并进行离散化，确定运动特征层的趋势节点，其中，所述趋势状态包括如下一种或多种的组合：相对变化率、窗口斜率和窗口波动强度，所述趋势节点包括机械钻速趋势节点、钻压趋势节点、扭矩趋势节点和立管压力趋势节点；

5、根据预设的钻井工况识别贝叶斯网络，确定事件层后验概率分布，其中，所述钻井工况识别贝叶斯网络为包括位置特征层、运动特征层、事件层和状态层的有向无环图，所述事件层包括正常节点、卡钻预警节点、井漏征兆节点、过载风险节点和钻头磨损节点；

6、根据所述事件层后验概率分布，确定事件层不确定性指标，其中，所述事件层不确定性指标包括如下一种或多种的组合：事件层最大后验概率、事件层熵值、事件层前两大概率差；

7、根据所述事件层不确定性指标调整滑动窗口的长度，并根据调整后的滑动窗口重新确定所述运动特征层；

8、根据更新的所述运动特征层，修正所述事件层后验概率分布并确定状态层后验概率分布；

9、根据所述状态层后验概率分布和所述事件层不确定性指标确定状态层输出，其中，所述状态层输出至少包括钻井工况。

10、进一步地，根据多个所述现场传感器对应的当前滑动窗口的数据序列计算趋势状态中的相对变化率，用公式表示为：

11、，

12、其中，现场传感器

j在时刻

t对应的当前滑动窗口的数据序列为，，为现场传感器

j在时刻

t的相对变化率，为防止除零的正常数，为时刻

t对应的当前滑动窗口的长度；

13、根据多个所述现场传感器对应的当前滑动窗口的数据序列计算趋势状态中的窗口斜率，用公式表示为：

14、，

15、其中，为现场传感器

j在时刻

t的窗口斜率，为当前滑动窗口内采样点序号的平均值，为现场传感器

j在当前滑动窗口内全部采样值的平均值；

16、根据多个所述现场传感器对应的当前滑动窗口的数据序列计算趋势状态中的窗口波动强度，用公式表示为：

17、，

18、其中，为现场传感器

j在时刻

t的窗口波动强度。

19、进一步地，根据预设的钻井工况识别贝叶斯网络，确定事件层后验概率分布，用公式表示为：

20、，

21、其中，为事件层后验概率分布，为位置特征层证据，为运动特征层证据，为事件层状态，

e为事件层当前状态，为用于遍历事件层全部状态的索引变量，为在运动特征层证据已知时事件层为状态

e的条件概率，为在位置特征层证据已知时运动特征层为证据的条件概率，为位置特征层证据的先验概率，为事件层状态空间；

22、归一化后的事件层后验概率分布，用公式表示为：

23、，

24、其中，为正比于符号。

25、进一步地，确定状态层后验概率分布，用公式表示为：

26、，

27、其中，为状态层后验概率分布，为事件层状态空间，为状态层工况。

28、进一步地，所述事件层最大后验概率，用公式表示为：

29、，

30、其中，为事件层最大后验概率，为位置特征层证据，为运动特征层证据，为事件层状态，为事件层状态空间，为事件层后验概率分布；

31、所述事件层熵值，用公式表示为：

32、，

33、其中，为事件层熵值；

34、所述事件层前两大概率差，用公式表示为：

35、，

36、其中，为事件层前两大概率差，和分别为事件层后验概率中的最大值和第二大值。

37、进一步地，根据所述事件层后验概率分布，确定事件层不确定性指标，用公式表示为：

38、，

39、其中，为事件层不确定性指标，，，为权重系数，，且。

40、进一步地，根据所述事件层不确定性指标调整滑动窗口的长度，用公式表示为：

41、，

42、其中，为时刻

t对应的当前滑动窗口的长度，为时刻

t的下一时刻滑动窗口的长度，为事件层不确定性指标，为目标不确定性阈值，为调节系数，为基准窗口长度，和分别为窗口长度下限和上限，为限幅函数；

43、或用公式表示为：

44、，

45、其中，为每次窗口长度的调整步长，为低不确定性阈值，为高不确定性阈值，和分别为窗口长度下限和上限。

46、进一步地，根据所述状态层后验概率分布和所述事件层不确定性指标确定状态层输出，用公式表示为：

47、，

48、其中，为状态层最大后验概率，，为状态层状态空间，为状态层工况，为事件层不确定性指标，为状态层置信度阈值，为事件层不确定性阈值，用于在状态层全部工况s中选取后验概率最大的工况。

49、本技术的一些实施例还提供了一种事件不确定性门控的自适应窗口钻井工况识别系统，其特征在于，该系统包括：

50、位置特征生成模块，用于获取多个现场传感器的当前数据并进行离散化，确定位置特征层的观测节点，其中，所述观测节点包括如下两种或多种的组合：机械钻速节点、钩载节点、钻压节点、扭矩节点、立管压力节点、泵冲节点和井深节点；

51、运动特征生成模块，用于根据多个所述现场传感器对应的当前滑动窗口的数据序列计算相应趋势状态并进行离散化，确定运动特征层的趋势节点，其中，所述趋势状态包括如下一种或多种的组合：相对变化率、窗口斜率和窗口波动强度，所述趋势节点包括机械钻速趋势节点、钻压趋势节点、扭矩趋势节点和立管压力趋势节点；

52、贝叶斯网络推理模块，用于根据预设的钻井工况识别贝叶斯网络，确定事件层后验概率分布，其中，所述钻井工况识别贝叶斯网络为包括位置特征层、运动特征层、事件层和状态层的有向无环图，所述事件层包括正常节点、卡钻预警节点、井漏征兆节点、过载风险节点和钻头磨损节点；

53、事件层不确定性计算模块，用于根据所述事件层后验概率分布，确定事件层不确定性指标，其中，所述事件层不确定性指标包括如下一种或多种的组合：事件层最大后验概率、事件层熵值、事件层前两大概率差；

54、滑动窗口调节模块，用于根据所述事件层不确定性指标调整滑动窗口的长度，并根据调整后的滑动窗口重新确定所述运动特征层；

55、事件层概率更新模块，用于根据更新的所述运动特征层，修正所述事件层后验概率分布并确定状态层后验概率分布；

56、状态层输出模块，用于根据所述状态层后验概率分布和所述事件层不确定性指标确定状态层输出，其中，所述状态层输出至少包括钻井工况。

57、本技术的一些实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述事件不确定性门控的自适应窗口钻井工况识别方法。

58、本技术的一些实施例还提供了一种电子设备，该电子设备包括用于存储计算机程序指令的存储器和用于执行计算机程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，使该电子设备执行前述事件不确定性门控的自适应窗口钻井工况识别方法。

59、与现有技术相比，本技术提供的方案能够获取多个现场传感器的当前数据确定位置特征层的观测节点，再根据多个现场传感器对应的当前滑动窗口的数据序列计算相应趋势状态确定运动特征层的趋势节点，根据预设的钻井工况识别贝叶斯网络确定事件层后验概率分布，根据事件层后验概率分布确定事件层不确定性指标，根据事件层不确定性指标调整滑动窗口的长度并根据调整后的滑动窗口重新确定运动特征层，根据更新的运动特征层修正事件层后验概率分布并确定状态层后验概率分布，根据状态层后验概率分布和事件层不确定性指标确定状态层输出，从而实现在事件层后验概率分布不确定时扩大窗口或延迟输出以增强稳定性，在事件层后验概率分布明确时缩短窗口以提高实时性，能够在保持贝叶斯网络可解释性的同时，提高钻井工况识别的准确性和异常事件预警的实时性，降低过渡工况和异常事件初期的误判风险。