一种钻采船协同作业故障诊断及辅助决策方法与流程

1.本发明涉及海洋工程船舶装备领域，尤其涉及一种钻采船协同作业故障诊断及辅助决策方法。


背景技术：

2.钻采船海上作业及科学调查是一个非常复杂的过程，面临诸多安全性风险，需要各系统高度协同，密切配合，需要建立一套钻采船协同作业故障诊断及辅助决策方法，对面临的安全风险以及处置方案具有一定的智能评估及辅助决策功能。
3.海上作业过程协同流程及控制规则，主要针对平台信息系统、动力定位系统、提升旋转系统、管具与钻头系统以及rov传输系统等内容进行流程协同和规则控制，明确典型作业的流程和环节以及各作业环节之间的关联和约束条件，在对典型钻采过程的协同建模方法对比的基础上，分析利用uml方法构建典型钻采作业过程模型的原理。在海上钻探作业风险分析中，开展风险主要因子的辨识是风险管理的重要环节。海上钻探作业过程中的风险因素很多，不但包括人员的不安全行为、钻井装备等物体的不安全状态、恶劣的海洋环境条件，而且包括企业的安全管理问题、以及地质条件风险因素，这些因素的相互作用可能导致钻井作业发生严重的事故。根据海上作业高安全性的要求，对比分析海上作业风险控制指标和方法；建立海上作业安全评估及辅助决策方案，钻井作业辅助、动力定位、作业规划及远程支持等子系统的辅助决策机制，进行智能化辅助决策研究，通过对各子系统实时数据的采集，建立海上作业全过程的辅助决策系统模型，分级别进行预警，实现对海上作业过程和特殊状况的辅助决策。


技术实现要素：

4.本发明要解决的技术问题在于针对现有技术中海上作业安全、故障诊断、辅助决策等技术中存在的缺陷，提供一种钻采船协同作业故障诊断及辅助决策方法，使其能够实现作业协同故障检测、诊断、预报及辅助决策，提高钻采船安全性和作业效率。
5.本发明解决其技术问题所采用的技术方案是：
6.本发明提供一种钻采船协同作业故障诊断及辅助决策方法，该方法包括以下步骤：
7.步骤1、通过钻采作业流程的关联和约束条件，利用uml方法构建典型钻采作业过程模型，实现钻采作业任务管理的智能化；
8.步骤2、在对海上作业风险分析的基础上，提出海上作业安全风险评估指标，采用贝叶斯相关方法和无风险失效概率的故障率评估方法，结合数据库信息和现场采集的风险失效概率信息，得出符合海上作业过程情况的风险失效概率评估方法；
9.步骤3、通过对各子系统实时数据的采集，子系统包括气象信息系统、rov控制系统、辅助决策系统、动力定位系统、辅助决策系统，建立海上作业全过程的辅助决策系统模型，实现对海上作业过程和特殊状况的辅助决策。
10.进一步地，本发明的所述通过钻采作业流程的关联和约束条件，利用uml方法构建典型钻采作业过程模型的具体方法为：
11.步骤11、钻采作业流程包括钻井设计、钻前工程、作业装备准备、钻井液和完井液配置、钻井取心作业、井下事故处理和下套管估计作业；
12.步骤12、钻采协同作业通过获取钻采船、钻井包、动力定位系统的状态数据并分类识别，利用钻采作业专家支持系统给出钻采作业过程的作业流程、作业工艺和资源调度初步方案，并将作业流程、任务施工单推送至相关作业人员；根据设备状态数据和录井数据对钻采设备进行分析判断，将设备维护计划推送至维修人员；根据气象数据和隔水管、动力定位系统的性能参数，对钻井作业环境风险进行研判，将防台措施和紧急脱离时间信息推送至相关人员；根据录井信息和钻采作业专家支持系统，对井涌、井喷事故进行研判，给出应急处置措施；
13.步骤13、基于uml活动图，构建基于uml的钻采作业过程模型。
14.进一步地，本发明的所述的典型钻采作业过程模型包括：
15.钻探准备，通过气象信息系统协同；
16.海床勘察，通过rov控制系统协同；
17.接单根，通过辅助决策系统协同；
18.下导向基座，通过rov控制系统协同，动力定位系统协同；
19.起下钻“一开”，通过rov控制系统协同，动力定位系统协同；辅助决策系统协同；
20.起下钻“二开”，通过rov控制系统协同；
21.下井口，通过rov控制系统协同，动力定位系统协同；
22.下隔水管和bop，通过rov控制系统协同，动力定位系统协同；辅助决策系统协同；
23.起下钻“三开”，通过动力定位系统协同；
24.电测井；
25.取芯，通过岩心输送系统协同；
26.岩心分析，采用实验室管理；
27.岩心存储，采用实验室管理。
28.进一步地，本发明的所述得出符合海上作业过程情况的风险失效概率评估方法的方法具体为：
29.步骤21、海上作业安全风险评估指标：综合考虑海上作业过程中能够导致危险事故发生的各种风险因素，构建海上作业风险控制指标体系，具体包括人员因素、组织管理因素、设备因素、环境地质因素；
30.步骤22、海上作业安全风险评估方法：采用oreda数据库，选用贝叶斯相关方法和oreda中采用的无风险失效概率的故障率评估方法,结合oreda数据库信息和现场采集的风险失效概率信息，得出符合海上作业过程情况切实可行的风险失效概率评估方法；
31.步骤23、风险重要性准则：根据风险矩阵方法制定风险重要性准则,对风险定量化分析结果进行综合评价风险等级，将风险分为三个区域,不可容忍区域、alarp区域、可接受区域,并通过可容忍线与可接收线进行界定。
32.进一步地，本发明的所述步骤22中的具体方法为：
33.1)有现场失效数据情况下失效率的评估；
34.海上作业过程设备寿命t采用指数分布近似,认为失效率λ为恒定值,且失效设备可更换，在时内，海上作业过程设备发生故障的次数r服从poisson分布,既：
[0035][0036]
由于gamma分布与poisson分布自然共轭,故先验分布取gamma分布,其概率密度函数为：
[0037][0038]
式中，r0,t0为先验分布参数；
[0039]
通过贝叶斯公式计算,得到其后验分布的概率密度函数为:
[0040][0041]
为得到先验分布中的r0和t0,采用如下方法:查阅oreda数据库,得到失效率的点估计λ0和以及置信度为90％的失效率上限λu,基于以下公式求r0和t0：
[0042][0043]
t0＝r0/λ0[0044]
通过已知的λ0和λ
u
,近似求解得到r0和t0；求得
[0045]
取置信上限90％时,则设备运行失效率的双边bayes区间估计为:
[0046][0047]
其中:i＝0和1分别表示定数和定时截尾寿命试验；
[0048]
2)无现场失效数据的失效率的评估；
[0049]
基于oreda数据库中的方法根据专家经验或查询oreda数据库中相似仪表设备的可靠性数据,确认故障率
[0050]
认为仪表设备的故障率服从gamma(α,β)分布,现场无失效数据的累计工作时间为t,借鉴oreda中方法,基于以下公式进行失效率的评估；
[0051]
α＝1/2
[0052][0053]
得到失效率的估计值:
[0054]
λ＝α/β
[0055]
得到失效率的标准差:
[0056][0057]
置信度为90％的置信区间为:
[0058][0059]
进一步地，本发明的所述步23的风险重要性准则包括：
[0060]
1)不可容忍区域：某些协同作业风险带来的后果不可容忍，如果风险等级不能降到此范围以下，就不能进行作业；
[0061]
2)alarp区域：该区域风险在符合成本效益时，必须采取一定方法，将其风险降到可以接受的最低程度；
[0062]
3)可接受区域：该区域中风险小于一定阈值，是作业协同可以接受的风险,不需要通过任何alarp判定的证明。
[0063]
进一步地，本发明的所述建立海上作业全过程的辅助决策系统模型的方法具体为：
[0064]
步骤31、海上作业辅助决策概率神经网络算法；
[0065]
采用概率神经网络，概率神经网络的层次模型，由输入层、模式层、求和层、输出层共4层组成；
[0066]
输入层：输入层接收训练样本值，将特征向量传递给网络。输入层含有n个神经元，与样本矢量维度相等，即：
[0067]
x＝(x1,x2,
…
,x
n
)
t
[0068]
模式层：模式层计算输入特征向量与训练集中各个模式的匹配关系，设模式层有h个隐神经元，即各个类别训练样本和为h，该层每个模式单元的输出为：
[0069][0070]
式中：w
i
为输入层到模式层连接的权值；σ为平滑因子；
[0071]
求和层：求和层是将某类样本的概率进行累计，得出估计概率密度函数；样本共用m类，定义hj为第j类样本个数，将同类模式层输出结果相加得：
[0072][0073]
输出层：输出层是由简单阈值辨识器组成，选择最大的后验概率密度的神经元作为输出；输出神经元是一种竞争神经元，概率密度函数最大的神经元输出为1，代表对应类型样本，其他神经元输出为0，即：
[0074][0075]
步骤32、海上作业辅助决策方法实现。
[0076]
进一步地，本发明的所述步骤32中海上作业辅助决策方法实现的方法具体为：
[0077]
1)钻井工况辨识：根据传感器检测的钻井参数和钻井过程规范，识别钻进、起钻、下钻、离开井底、划眼、接单根、循环、坐卡和解卡9种钻井工况；在进行钻井工况识别之前，设置相应的钻头抖动门限值、最小立压门限值、最小大钩负荷门限值以及起下钻高度门限值；
[0078]
2)钻井异常状态空间建立：钻井故障包括：井溢、井涌、井喷、井漏、钻头终结、钻具掉落、堵水眼、钻具刺漏、卡钻；当发生钻井异常时，通过对钻井参数变化征兆进行辨识，作为判断钻井异常的依据；根据钻井经验以及现有文献，得到钻进工况下不同钻井异常状态与钻井参数变化征兆关系；
[0079]
3)特征值提取：在对钻井参数进行处理时，采用长短周期相结合方式，利用短周期提取参数短期变化特征，利用长周期取出参数长期变化趋势；
[0080]
4)钻进过程神经网络模型：钻进过程中常见异常包括：钻具刺漏、井涌、井漏、钻头终结、溜钻顿钻、卡钻、掉水眼、钻具断落、堵水眼；以9种钻井异常和正常状态为元素，建立神经网络输出状态空间：θ＝{钻具刺漏，井涌，井漏，钻头终结，溜钻顿钻，卡钻，掉水眼，钻具断落，堵水眼，正常}；选取泥浆入口流量、泥浆出口流量、泥浆罐体积、泥浆密度、立管压力、钻时、钻压、大钩负荷、大钩高度、顶驱转速、顶驱扭矩突变和顶驱扭矩波动12个钻井参数作为神经网络输入；建立训练样本；
[0081]
5)输入数据处理：以某次钻井过程中发生的掉钻具异常记录图，提取异常发生前后30分钟内，大钩负荷、扭矩、立管压力数据，绘制参数变化图；从参数变化图的曲线得出钻井参数发生突变的时刻；对发生突变的时刻内的采样点进行最小二乘直线拟合，根据最小二乘拟合直线计算出大钩负荷变化、扭矩变化、立管压力变化，并结合对应的门限值进行判断；
[0082]
6)神经网络异常诊断：利用概率神经网络对钻井异常进行诊断时，利用样本作为网络输入，对概率神经网络进行学习训练，将钻井异常类型作为目标向量，求和层神经元和输出层神经元数目为10，对应10种异常模式。
[0083]
本发明产生的有益效果是：
[0084]
(1)本发明提出了钻采船多任务系统协同作业故障诊断的方法，重点解决了钻采船多任务、多设备、多人员操作带来的安全隐患，对各项故障进行检测和预判；
[0085]
(2)本发明提出海上作业安全风险评估指标，采用贝叶斯相关方法和oreda中采用无风险失效概率的故障率评估方法，优化和完善了评价指标及方法；
[0086]
(3)本发明利用神经网络方法构建了海上作业的辅助决策机制，建立了钻井过程中的异常状态空间，实现了对钻井事故的研判和辅助决策。
附图说明
[0087]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0088]
图1是本发明实施例的典型钻探作业过程；
[0089]
图2是本发明实施例的海上作业风险控制指标体系；
[0090]
图3是本发明实施例的风险接受准则；
[0091]
图4是本发明实施例的参数变化趋势图；
[0092]
图5是本发明实施例的样本训练分类效果图。
具体实施方式
[0093]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不
用于限定本发明。
[0094]
本发明实施例的钻采船协同作业故障诊断及辅助决策方法，包括两个方面，其一是多任务(动力定位、钻井系统、rov系统等)协同作业故障监控、报警以及诊断，其二是钻井事故、定力定位和协同控制进行辅助决策。
[0095]
多任务协同作业故障监控、报警以及诊断，对典型流程和作业模式进行分析，提出协同控制的规则并基于uml作业过程协同建模，实现钻采作业任务管理的智能化；在对海上作业风险分析的基础上，提出海上作业安全风险评估指标，采用贝叶斯相关方法和oreda中采用无风险失效概率的故障率评估方法，结合国外数据库信息和现场采集的风险失效概率信息,得出较为全面，符合国内海上作业过程情况切实可行的风险失效概率评估方法。
[0096]
钻井事故、定力定位和协同控制进行辅助决策，分析了海上钻井作业辅助决策系统的设计方案，利用神经网络方法构建了海上作业的辅助决策机制，建立了钻井过程中的异常状态空间，并以典型海域为例通过对钻井作业过程的状态数据的监测和分析，实现了对钻井事故的研判和辅助决策。
[0097]
在本发明的另一个具体实施例中：
[0098]
1、作为改进，通过典型作业流程的关联和约束条件，利用uml方法构建典型钻采作业过程模型，实现钻采作业任务管理的智能化。
[0099]
钻探作业是海上资源勘查和油气资源开发的重要环节，石油及天然气勘探、开发的各个阶段都离不开钻井作业。在不同的钻探阶段钻井的名称、用途、目的、直径大小及深度不同，对钻井工艺的要求也不同，钻井作业流程一般包括钻井设计、钻前工程、作业装备准备、钻井液和完井液配置、钻井取心作业、井下事故处理和下套管估计作业等紧密相关的作业。
[0100]
钻采协同作业通过获取钻采船、钻井包、动力定位系统的状态数据并分类识别，利用钻采作业专家支持系统给出钻采作业过程的作业流程、作业工艺和资源调度初步方案，并将作业流程、任务施工单推送至相关作业人员，实现了作业任务的智能管理；根据设备状态数据和录井数据对钻采设备进行分析判断，将设备维护计划推送至维修人员，实现了根据使用时间和使用状态的设备智能维护；根据气象数据和隔水管、动力定位系统的性能参数，对钻井作业环境风险进行研判，将防台措施和紧急脱离时间等信息推送至相关人员；根据录井信息和钻采作业专家支持系统，对井涌、井喷事故进行研判，给出应急处置措施。uml活动图(uml activity diagram)是uml对系统的动态行为建模的图形工具之一。uml活动图实质上也是一种流程图，表现的是从活动到活动的控制流，它描述活动序列，并且支持对并发行为和条件选择行为的表述，还支持数据流描述。它综合了以往许多系统建模技术的思想，如jim odell的事件图、sdl状态建模技术及petri网等，特别适合于复杂过程描述和带有并发特征的流程建模。基于uml的钻采作业过程模型示意图如图1所示，其过程如下。
[0101]
(1)钻进作业
[0102]
与钻井系统管理系统协同，获取目标钻探井的井身结构信息，根据上述信息计算所需的隔水管、钻杆、钻铤等工具及工具串的数量，并根据立根盒储量、日进尺等信息，计算需要预接的立根根数及预接的工具串；
[0103]
对rov入水探测开展动员工作，并将动员作业任务推送给对应操作及管理人员；
[0104]
协同rov操作员、绞车、“门型”架操作员等开展rov下放作业，并将协同信息发送给
相关人员；
[0105]
将rov触探获取的海床承载力信息发送至钻井专家决策系统，评价海床承载力是否满足安装井口及bop的要求；
[0106]
在下导向基座过程中，动力定位系统需要进行协同，保证下放导向基座位置的正确；
[0107]
下放钻杆，利用钻杆探泥线，需要rov进行协同，将钻杆与泥线的距离信息等实时传送至集中控制系统，以方便进行作业及钻井等的决策；
[0108]
准备投放“单点测斜仪”，并根据测斜仪传输的数据与作业协同系统存储的标准数据对比决策，确定是否满足钻井要求；
[0109]
开展钻井(一开)、下井口等的作业，钻井与下放过程中动力定位系统进行位置控制的协同；下放进行过程中，钻采系统系统倒排工期，计算所需固井准备工作的时间，向固井作业队下达配置水泥浆和固井作业的指令；
[0110]“二开”钻井、固井过程中，需要rov系统的协同，rov坐泥线观察返排液情况，确保钻井安全，防止返排液污染海域；同时下达隔水管和bop下放的准备指令；
[0111]
下放隔水管和bop过程中，钻井控制系统与动力定位系统进行协同，保证下放就位的准确性；同时需要rov控制系统的协同，观测隔水管和bop的就位情况；
[0112]
钻进过程中，作业协同系统实时获取钻井过程中的状态信息，并通过辅助决策将相关信息定向推送至各子系统和相关管理和施工人员。
[0113]
(2)钻井取芯作业
[0114]
油气田开发过程中要研究获取详细油气储层的地质资料以及油藏机理，采取钻井取心作业，不同的地层和不同的取心目的应使用不同的取心技术。通过对岩心的化验分析，可以对地层的岩性、孔隙度、渗透率、含油饱和度等地质资料得到最直接、最全面、最真实的认识。所以，钻井取心对于认识地层具有重要的作用。
[0115]
连接软地层压入式双管总成，组装好钻杆串，下入至海床；
[0116]
液力推进内管插入软地层取心，循环泥浆，旋转钻杆串，钻进相当于内管总成的深度；
[0117]
重复上述动作至内管装满岩心报警，将井眼中管柱提起一定高度，高度值最少应为钻柱升沉补偿位移值，确保在取出岩心过程中钻头不碰触井底；
[0118]
松开顶驱与钻杆之间的连接螺纹，并将顶驱提升至一定的高度，满足岩心从钻杆中取出的要求；
[0119]
将取心绞车的钢丝绳端头连接打捞头，从钻杆内孔中下入；
[0120]
打捞头下入到指定位置后与内管总成上部打捞颈配合，在取心绞车的作用下取出内管；
[0121]
内管取出后，通过井口处的低位扶正臂将内管摆向船艏侧，放置在岩心输送滑车上；
[0122]
岩心输送滑车向船艏侧滑移直到升降平台上；升降平台带着岩心输送滑车，将岩心升降至岩心化验室口；将岩心移运至岩心化验室；再将岩心输送滑车返回至钻台面井口处，等待下一段岩心的取出；
[0123]
利用绳索或者泥浆循环下入新的内管总成，直至内管不能插入地层，即到达较硬
地层，起出整个管串；
[0124]
连接较硬地层旋转式双管总成，组装好钻杆串，至较硬地层；
[0125]
循环泥浆，旋转钻杆串，钻进相当于内管总成的深度；
[0126]
重复上述动作至内管装满岩心报警，将井眼中管柱提起一定高度，高度值最少应为钻柱升沉补偿位移值，确保在取出岩心过程中钻头不碰触井底；
[0127]
然后松开顶驱与钻杆之间的连接螺纹，并将顶驱提升至一定的高度，满足岩心从钻杆中取出的要求；
[0128]
将取心绞车的钢丝绳端头连接打捞头，从钻杆内孔中下入；
[0129]
岩心取出后在扶正臂的作用下往船艏侧移动，放置在水平猫道机上；
[0130]
用取心工具顶出岩心；
[0131]
利用绳索或者泥浆循环下入新的内管总成，继续旋转钻进重复取心和绳索取出；
[0132]
直到无需继续取心为止。
[0133]
(3)井下工程事故处理
[0134]
海上钻井过程属于高技术、高成本和高风险的“三高”作业，具有隐蔽性，复杂性的特点，尤其是在钻探未知地区时的作业风险更大，会遇到各种复杂情况，如井壁坍塌、卡钻，落物、钻具断落、井漏和井涌井喷等特殊情况，并随之采取非常规的钻井作业形式处理事故。钻井过程中井下事故的发生常给正常钻井带来很大困难，致使钻井效率降低.钻井成本增加，严重时会造成井内埋钻具，返工侧钻，使得油气井报废，延误油田的勘探开发。
[0135]
(4)下套管、注水泥、固井及安装井口装置
[0136]
固井就是按照工程技术要求和设计标准，利用固井撬、连续输砂装置和仪表控制撬等，将水泥浆注入到井壁和套管环形空间的预定位置，封隔地层，保护井壁，形成油气信道的工程。固井作业钻井和固井单位共同协作配合完成，包括下套管、注水泥、固井过程中可能出现的各种复杂情况的处理，固井结束后要对固井质量的监测，之后的井口装置的安装试验等作业。
[0137]
2、作为改进，在对海上作业风险分析的基础上，提出海上作业安全风险评估指标，采用贝叶斯相关方法和oreda中采用无风险失效概率的故障率评估方法，结合国外数据库信息和现场采集的风险失效概率信息,得出较为全面，符合国内海上作业过程情况切实可行的风险失效概率评估方法。
[0138]
(1)海上作业安全风险评估指标
[0139]
综合考虑海上作业过程中能够导致危险事故发生的各种风险因素，从降低事故发生的可能性和降低事故后果严重度的角度，构建海上作业风险控制指标体系，具体包括人员因素、组织管理因素、设备因素、环境地质因素等四个方面的风险指标。海上作业风险控制指标体系见图2所示。
[0140]
(2)海上作业安全风险评估方法
[0141]
当前我国海上作业过程的风险概率数据积累较少,因此本发明充分借鉴了oreda数据库。oreda主要是根据海上设施上设备的维护、检测和试验报告等得到的一些风险可靠性数据，其大部分的数据来源于英国和挪威的有关部门，由挪威几家主要的石油公司编制。数据库对不同类型设备和不同失效模式进行了数据统计。oreda数据库采用点估计和区间估计的方法,在广泛收集失效数据的前提下,给出了故障率的点估计以及区间估计。给出了
单样本以及复杂多样本条件下,如何确定故障率λ方法。这些方法都是简单易于实现的方法。但当前我国海上作业过程风险失效概率的收集尚未得到足够的重视且尚未形成全行业广泛风险失效概率收集的工作机制,当前国内系统收集和整理的风险失效概率还是非常零星的,完全采用oreda提供的方法,大多数仪表设备还存在明显的“水土不服”。故此,在针对仪表设备可靠性的评估相关工作中,不得不依赖国外的数据库,但不完全依赖于国外的数据库,也必须充分考虑国内仪表设备的现实情况。
[0142]
针对上述问题,选用贝叶斯相关方法和oreda中采用无风险失效概率的故障率评估方法,结合国外数据库信息和现场采集的风险失效概率信息,得出较为全面,符合国内海上作业过程情况切实可行的风险失效概率评估方法。下面分别针对有、无现场风险失效概率的情况,简要介绍求出风险失效概率的评估方法。
[0143]
1)有现场失效数据情况下失效率的评估
[0144]
海上作业过程设备寿命t通常采用指数分布近似,认为失效率λ为恒定值,且失效设备可更换,在时内,海上作业过程设备发生故障的次数r服从poisson分布,既:
[0145][0146]
由于gamma分布与poisson分布自然共轭,故先验分布取gamma分布,其概率密度函数为:
[0147][0148]
式中:r0,t0
‑
为先验分布参数。
[0149]
通过贝叶斯公式计算,得到其后验分布的概率密度函数为:
[0150][0151]
从而可得到失效率的期望值:
[0152][0153]
为得到先验分布中的r0和t0,可采用如下方法:查阅oreda数据库,得到失效率的点估计λ0和以及置信度为90％的失效率上限λu,基于以下公式求r0和t0。
[0154][0155]
t0＝r0/λ0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0156]
通过已知的λ0和λ
u
,近似求解得到r0和t0。
[0157]
然后基于(4
‑
4)式求得
[0158]
取置信上限90％时,则设备运行失效率的双边bayes区间估计为:
[0159]
[0160]
求得的λu可作为以后进行贝叶斯估计先验已知的失效率上限值。
[0161]
其中:i＝0和1分别表示定数和定时截尾寿命试验
[0162]
2)无现场失效数据的失效率的评估
[0163]
基于oreda数据库中的方法根据专家经验或查询oreda数据库中相似仪表设备的可靠性数据,确认故障率
[0164]
认为仪表设备的故障率服从gamma(α,β)分布,现场无失效数据的累计工作时间为t,借鉴oreda中方法,基于以下公式进行失效率的评估。
[0165]
α＝1/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0166][0167]
得到失效率的估计值:
[0168]
λ＝α/β
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0169]
得到失效率的标准差:
[0170][0171]
置信度为90％的置信区间为:
[0172][0173]
(3)风险重要性准则
[0174]
根据风险矩阵方法制定风险重要性准则,对风险定量化分析结果进行综合评价风险等级,由于不同行业对风险的接受程度不同,也可以称为风险接受准则。国外风险评估领域普遍采用“最低合理可行原则”(as low as reasonably practically)该原则指在有限的风险管控资源条件下,制定风险控制措施应考虑降低风险的成本,除非风险控制措施所需的成本与实施此措施所带来的效益极不成比例,否则应采取所需的控制措施。此原则既确保钻采作业最低的安全水平,又毋需耗费过高成本来控制没有必要进一步降低的风险。该原则将风险分为三个区域,不可容忍区域、alarp区域、可接受区域,并通过可容忍线与可接收线进行界定。
[0175]
1)不可容忍区域。某些协同作业风险带来的后果绝对不可容忍,因此在任何场合它们都是不容许的,如果风险等级不能降到此范围以下,就不能进行作业。
[0176]
2)alarp区域。该区域风险在符合成本效益时,必须采取适当的、合理的、可行的成本下的方法,将其降到可以接受的最低程度。
[0177]
3)可接受区域。该区域中风险可以认为很小,是作业协同可以接受的风险,不需要通过任何alarp判定的证明。
[0178]
风险接受准则图2所示。
[0179]
3、作为改进，通过对各子系统实时数据的采集，建立海上作业全过程的辅助决策系统模型，实现对海上作业过程和特殊状况的辅助决策。
[0180]
(1)海上作业辅助决策概率神经网络算法
[0181]
概率神经网络(probabilistic neural networks，pnn)是一种基于bayes分类规则与parzen窗的概率密度函数估计方法发展而来的并行算法。概率神经网络具有结构简
单、训练时间短、非线性识别能力强的特点，非常适合解决分类问题。
[0182]
概率神经网络的层次模型，由输入层、模式层、求和层、输出层共4层组成。
[0183]
输入层：输入层接收训练样本值，将特征向量传递给网络。输入层含有n个神经元，与样本矢量维度相等，即
[0184]
x＝(x1,x2,
…
,x
n
)
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0185]
模式层：模式层计算输入特征向量与训练集中各个模式的匹配关系，设模式层有h个隐神经元，即各个类别训练样本和为h，该层每个模式单元的输出为：
[0186][0187]
式中：w
i
为输入层到模式层连接的权值；σ为平滑因子。
[0188]
求和层：求和层是将某类样本的概率进行累计，按公式(13)计算，得出估计概率密度函数。样本共用m类，定义hj为第j类样本个数，将同类模式层输出结果相加得：
[0189][0190]
输出层：输出层是由简单阈值辨识器组成，选择最大的后验概率密度的神经元作为输出。输出神经元是一种竞争神经元，概率密度函数最大的神经元输出为1，代表对应类型样本，其他神经元输出为0，即：
[0191][0192]
(2)海上作业辅助决策方法实现
[0193]
1)钻井工况辨识
[0194]
不同钻井工况下的钻井参数具有不同的表现形式，如立管压力突降表征可能发生钻具刺穿、掉钻具等异常情况，但发生起下钻操作时，由于停泵导致立管压力下降为零，是正常情况，所以在进行钻井过程诊断之前需要辨识当前钻井工况。
[0195]
表1钻井参数信息对照表
[0196]
参数名称字段参数名称字段井深drilldepth钻头抖动门限threshold1钻头位置bitposition最小立压门限threshold2立压standpress最小大钩负荷门限threshold3大钩负荷hookload起下钻高度门限threshold4
[0197]
根据传感器检测的钻井参数和钻井过程规范，识别钻进、起钻、下钻、离开井底、划眼、接单根、循环、坐卡和解卡9种钻井工况。为了表示方便，以字段代表钻井参数名称，如表1所示。在进行钻井工况识别之前，用户需要设置相应的钻头抖动门限值、最小立压门限值、最小大钩负荷门限值以及起下钻高度门限值。钻井过程最重要的四个工况(钻进、起钻、下钻、划眼)判断方法如下：
[0198]
钻进：
[0199][0200]
划眼：
[0201][0202]
起钻：
[0203][0204]
下钻：
[0205][0206]
2)钻井异常状态空间建立
[0207]
在深海钻探过程中往往难以避免地发生各种钻井异常，而且每种钻井异常的产生原因和表现形式各不相同。常见的钻井故障有井溢、井涌、井喷、井漏、钻头终结、钻具掉落、堵水眼、钻具刺漏、卡钻等十余种。当发生钻井异常时，钻井参数都会产生一些征兆，通过对钻井参数变化征兆进行辨识，可以为钻井异常诊断提高依据。不同的钻井异常会产生不同的钻井参数变化征兆，不同的钻井工况下钻井参数变化征兆也不完全一致。
[0208]
钻进工况下，顶驱带动钻杆旋转，钻头不断破碎岩石和其他介质。钻进工况是钻井过程中最复杂的工况，在钻进状态下发生的钻井异常也最多。根据过去钻井经验以及现有文献，总结钻进工况下不同钻井异常状态与钻井参数变化征兆关系如表2所示。
[0209]
表2钻进工况下钻井异常状态与参数变化趋势对照表
[0210][0211]
注：
↑
表示参数增大；
↓
表示参数减小；—表示参数不变；空白表示不受影响。
[0212]
划眼是指钻头在井壁内通过上下及旋转运动修整井眼圆整度。划眼工况与钻进工况相似，泥浆泵正常工作，所以划眼工况下钻井异常与参数变化征兆的对应关系与钻进工况下的关系相同。两者主要区别在于钻头与井底距离，由于划眼工况下钻头需要上下运动，卡钻概率较钻进工况增大，相应的井漏、井涌、钻头磨损发生概率降低。
[0213]
将井下的钻具(包括钻杆、钻铤、钻头以及其它井下工具)从井眼内起出来，称为起钻，将钻具下到井眼内，称为下钻。在进行起下钻作业时，泥浆泵停止作业，泥浆入口流量等水利参数不能作为钻井异常判断准则，只能通过大钩负荷、顶驱扭矩、顶驱转速等参数来判断，所以起下钻时进行钻井异常判断的可靠性较低。表3、表4分别表示起钻和下钻工况下的钻井异常状态与钻井参数变化征兆关系。
[0214]
表3起钻工况下钻井异常状态与参数变化趋势对照表
[0215][0216]
表4下钻工况下钻井异常状态与参数变化趋势对照表
[0217][0218]
在进行起下钻作业时，司钻需要严格控制钻柱速度，避免因操作不当造成井漏、刺漏异常。同起钻相比，下钻过程中不会发生溜钻顿钻异常，所以只与溜钻顿钻异常相关的顶驱转速不作为诊断钻井异常的判断指标。
[0219]
3)特征值提取
[0220]
通过对钻井异常情况下的钻井参数变化征兆分析，可以发现钻井异常可能是突发性异常，也可能是缓慢性异常。在对钻井参数进行处理时，如果时间区间太小，则不能提取出参数长期变化趋势，如果时间区间太大，则会丢失参数短期变化特征。为了保证兼顾突发性异常和缓慢性异常诊断，在对钻井参数进行处理时，采用长短周期相结合方式，利用短周期提取参数短期变化特征，利用长周期取出参数长期变化趋势。特征值提取具体流程如下：
[0221]
取采样间隔δt＝1
‑
10s，短周期st＝1
‑
5min，长周期lt＝10
‑
30min。不同钻井参数的采样间隔、短周期、长周期取值不同，具体的时间取值需要根据钻井参数的实际情况确定。定义短周期序列st＝{δt
m
，δt
m
‑1，
…
，δt1}，δt0为当前采样周期，δt
m
为前m个采样周期。同理可定义长周期序列lt＝{st
n
，st
n
‑1，
…
，st1}，st0为当前短周期，st
n
为前n个短周期。
[0222]
实际钻井参数信号一般都具有表征信号发展趋势的相对稳定静态分量，同时也可能包含表征信号异常的随机动态分量。在一个短周期st内，某钻井参数的采样序列为{x(i)，i＝1,2,
…
,m}。均值可作为信号静态分量，描述信号当前状态，多个均值比较可表示信号变化趋势，计算公式如下：
[0223][0224]
标准差作为信号动态分量，可表示信号相对于均值的波动情况。不同钻井参数量纲不同，为了消除具体数值大小影响，采用相对标准差作为动态分量，计算公式如下：
[0225][0226]
在1个短周期st即m个采样间隔δt后，形成的特征值序列为：
[0227]
μ(st)＝{μ
m
,μ
m
‑1,
…
,μ1}
[0228]
s(st)＝{s
m
,s
m
‑1,
…
,s1}
[0229]
每隔1个采样间隔δt更新一次特征值序列，更新方向为：
[0230]
μ
m
←
μ
m
‑1←…←
μ1←
μ0[0231]
s
m
←
s
m
‑1←…←
s1←
s0[0232]
对m个坐标(δt,μ
m
)、(2δt,μ
m
‑1)、
…
、(mδt,μ1)进行最小二乘直线拟合，得：
[0233]
μ(t)＝k
μ
t b
μ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0234]
对m个坐标(δt,s
m
)、(2δt,s
m
‑1)、
…
、(mδt,s1)进行最小二乘直线拟合，得方程：
[0235]
s(t)＝k
s
t b
s
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0236]
k
μ
、k
s
是判断信号变化特征的重要指标，可分为以下几种情况：
[0237]
当k
μ
≈0、k
s
≈0时，表明钻井参数平稳，无异常。
[0238]
当k
μ
＞δ
μ
时，表明钻井参数在变大，可能发生钻井异常。
[0239]
当k
μ
＜
‑
δ
μ
时，表明钻井参数在变小，可能发生钻井异常。
[0240]
当k
μ
≈0、k
s
＞δ
s
，表明钻井参数均值平稳，波动在增大，可能发生异常。
[0241]
当k
μ
＞δ
μ
、k
s
＞δ
s
，表明钻井参数均值、波动都增大，可能发生异常。
[0242]
注：δ
μ
、δ
s
为设定的安全阈值，大小与钻井参数类型有关。
[0243]
同理可以计算出长周期lt内的特征值序列和最小二乘拟合直线，不同之处在于序列更新时间为1个短周期st。
[0244]
4)钻进过程神经网络模型
[0245]
钻进是整个钻井过程中最主要、最复杂的钻井工况，以钻进工况为例进行钻井异常诊断。钻进过程中常见异常主要有：钻具刺漏、井涌、井漏、钻头终结、溜钻顿钻、卡钻、掉水眼、钻具断落、堵水眼等。以9种钻井异常和正常状态为元素，建立神经网络输出状态空间：θ＝{钻具刺漏，井涌，井漏，钻头终结，溜钻顿钻，卡钻，掉水眼，钻具断落，堵水眼，正
扭矩 突变10％
‑
21.6％
‑
1立管压力mpa突变0.15
‑
5.64
‑1[0258]
6)神经网络异常诊断
[0259]
利用概率神经网络对钻井异常进行诊断时，利用表4
‑
17的样本作为网络输入，对概率神经网络进行学习训练，将钻井异常类型作为目标向量，求和层神经元和输出层神经元数目为10，对应10种异常模式。
[0260]
首先利用load命令载入样本和测试数据，ind2vec()将异常索引转换为向量。利用mat lab r2014b神经网络工具箱中net＝newpnn
[0261]
(p_train,t_train,spread)建立概率神经网络，spread为径向基函数的分布密度，取值1.5。将样本数据回代，训练后效果和误差结果如图5所示。
[0262]
从效果图可以看出，11个样本全部正确识别，误差为0，仿真结果表明，训练后的概率神经网络能满足计算要求。
[0263]
神经网络输入参数对照表关系：泥浆入口流量
‑
a1，泥浆出口流量
‑
a2，泥浆罐体积
‑
a3，泥浆密度
‑
a4，立管压力
‑
a5，钻时
‑
a6，钻压
‑
a7，大钩负荷a8，大钩高度
‑
a9，顶驱转速
‑
a10，顶驱扭矩突变
‑
a11，顶驱扭矩波动
‑
a12。
[0264]
在实际钻井过程中，难免会因为传感器故障或阈值设定不合理，引起某些钻井参数变化特征未能正确辨识，从而导致钻井异常诊断失误。假设系统同时有2个输入参数未能正确辨识，则12个输入参数可以组成78种情况，每种情况下共11条测试数据。置未能辨识的输入参数为0，对858条测试数据进行仿真，未能发现或诊断错误的异常工况如表7所示。
[0265]
从表7诊断结果可以看出，当只有1个输入参数未能正确辨识时，神经网络仍可以辨识出全部钻井异常。当有2个输入参数未能辨识时，共用15条测试数据未能正确诊断出对应的钻井异常。从错误来源可以看出，错误诊断主要发生在a5、a6两个参数未能正确辨识的情况下，这说明立管压力和钻时两个输入参数是判断钻井异常的关键因素。从错误类型可以看出，错误诊断的对象主要是6、4、7号钻井异常，查找表7可以发现卡钻、钻头终结、掉水眼这3种异常判断依据少，且判断依据包含a5、a6两个钻井参数，与仿真结果相互对应。
[0266]
表7钻井异常错误诊断表
[0267]
参数a1a2a3a4a5a6a7a8a9a10a11a12a1无无无无7,97,9无无无无无无a2 无3,3无6无无无无无1无a3
ꢀꢀ
无无无无无无无无无无a4
ꢀꢀꢀ
无无无无无无无无无a5
ꢀꢀꢀꢀ
无7无无无无66a6
ꢀꢀꢀꢀꢀ
无无无无无44a7
ꢀꢀꢀꢀꢀꢀ
无无无无无无a8
ꢀꢀꢀꢀꢀꢀꢀ
无无无无无a9
ꢀꢀꢀꢀꢀꢀꢀꢀ
无无无无a10
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
无无无a11
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
无4,6a12
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
无
[0268]
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。