基于形态流的石油钻井水流异常检测

针对石油钻井水流的智能监控技术,可以实现石油钻井污染气体的自动监测,并最大限度地减少人工监测成本。针对现有特征提取方法不能描述水流形态变化过程,异常样本获取困难且不能完全列举,以及没有充分利用融合层信息的问题,提出了一种水流异常数据检测算法。首先,提出了一种新特征表示方法——形态流;然后,将经典的异常检测无监督神经网络GANomaly优化为残差结构;最后,在GANomaly的基础上增加了特征融合层,从而提升神经网络的学习能力。实验结果表明,改进后的算法检测精度达到了95%,相较GANomaly算法提升了5个百分点。所提算法能适用于不同场景下的水流异常数据检测,并能克服雾气对实验结果的影响。     

基于水流分割的石油钻井水流异常检测

通过对钻井管道水流的智能监控技术实现,可以解决石油钻井污染气体的自动监测问题,最大程度的减少人工监测成本;但是依然有以下几个难点需要攻克:(1)传统的特征提取方式不能描述水流形态的变化过程;(2)因为异常情况发生的概率很低,所以异常样本稀少,全监督的方法不再适用;为解决特征提取问题,提出了一种基于图像分割的新特征特提取方式——形态流,形态流可以从时序上描述水流形态的变化;另一方面,为克服异常样本稀少的问题,通过无监督的方式——多元高斯建模,来判别水流数据是否正常;实验表明在水流异常数据检测任务中算法检测精度达到了93.6%,在使用GPU并行加速处理时可达到28帧每秒的处理速度,能够准确地检测出水流数据中的异常数据帧。