|
объективной шкалы абсолютных значений измеряемой величины, так как этот параметр зачастую является существенно вариабельным, Во мног их случаях удовлетворительный прогноз развития системы может быть получен с помощью методов обработки временных рядов таких как метод авторегрессии, построения предикторных моделей [77] и др. К развивающимся относится и метод обработки временных рядов, основанный на весьма общих предположениях о поведении динамических систем, предложенный в работах [75, 79], Он представляет собой попытку нахождения общеприродных законов, однако в настоящее время расчетных алгоритмов, реализующих предложенную процедуру, нс существует. Следует упомянуть еще один современный метод прогнозирования на основе построения феноменологической модели нейронные сети, В основе такого подхода лежит мысль о том, что свойства целого, состоящего из простейших элементов нейронов отличаются от свойств составляющих элементов. Важнейшим свойством нейронной сети является ее способность к обучению, суть которого заключается в изменении связей между нейронами. Возможность распознавания образов «обученной» сети сводится с математической точки зрения к выходу на аттрактор, образ которого формируется в процессе обучения, В настоящее время созданы универсальные пакеты программ, реализующие весь набор нейросетевых методов анализа данных, например пакет STATISTIC A Neural Networks нейронно-сетевой пакет фирмы StatSoft. Нейронная сеть во многих случаях дает хорошие прогнозы, однако самым существенным ее недостатком является невозможность проследить логический процесс построения прогноза, или, иначе говоря, сеть неспособна объяснить, почему решение будет именно такое, Недостатком всех рассмотренных феноменологических моделей поведения сложной системы является трудность физической интерпретации результатов. Метод, позволяющий прогнозировать поведение системы и в то же время н у |
44 ной величины представляют собой временной ряд, обработка которого позволяет прогнозировать будущее поведение этого ряда. Методы обработки временных рядов в настоящее время хорошо разработаны и широко применяются как для целей прогнозирования, так и в диагностике технического состояния оборудования [32, 45, 77, 97, 98, 99]. Одним из традиционно применяемых методов обработки временных рядов является спектральный анализ основа вибродиагностических методов оценки технического состояния механизмов [14, 24, 88]. Перспективным методом обработки временных рядов является метод порядковых статистик, разработанный в работах [52, 59]. Ранговые порядковые статистики могут быть вычислены по любым временным рядам, имеющим характерное положение экстремума. Использование теории рангов для распознавания изменения в во временных рядах удобно тем, что такой подход позволяет избежать трудностей, связанных с построением объективной шкалы абсолютных значений измеряемой величины, так как этот параметр зачастую является существенно вариабельным. Во многих случаях удовлетворительный прогноз развития системы может быть получен с помощью методов обработки временных рядов таких как метод авторегрессии, построения предикторных моделей [77] и др. К развивающимся относится и метод обработки временных рядов, основанный на весьма общих предположениях о поведении динамических систем, предложенный в работах [97, 98]. Он представляет собой попытку нахождения общеприродных законов, однако в настоящее время расчетных алгоритмов, реализующих предложенную процедуру, не существует. Следует упомянуть еще один современный метод прогнозирования на основе построения феноменологической модели нейронные сети. В основе такого подхода лежит мысль о том, что свойства целого, состоящего из простейших элементов нейронов отличаются от свойств составляющих элементов. Важнейшим свойством нейронной сети является ее способность к обучению, суть которого заключается в изменении связей между нейронами. Возможность рас 45 познавания образов "обученной” сети сводится с математической точки зрения к выходу на аттрактор, образ которого формируется в процессе обучения. В настоящее время созданы универсальные пакеты программ, реализующие весь набор нейросетевых методов анализа данных, например пакет STATISTICA Neural Networks нейронно-сетевой пакет фирмы StatSoft. Нейронная сеть во многих случаях дает хорошие прогнозы, однако самым существенным ее недостатком является невозможность проследить логический процесс построения прогноза, или, иначе говоря, сеть неспособна объяснить, почему решение будет именно такое. Недостатком всех рассмотренных феноменологических моделей поведения сложной системы является трудность физической интерпретации результатов. Метод, позволяющий прогнозировать поведение системы и в то же время в некоторой степени интерпретировать результаты, разработан авторами [32] и назван ими методом "Гусеница". Возможность интерпретации появилась за счет активного участия человека-эксперта на этапе построения прогноза. Программа "Гусеница" используется для анализа и прогноза временных рядов. В основу программы был положен свободный от модели алгоритм, предназначенный для исследования структуры временных рядов. Этот метод совмещает в себе достоинства многих классических методов, в частности, анализа Фурье и регрессионного анализа. Одновременно он отличается простотой и наглядностью в управлении. Базовый вариант метода состоит в преобразовании одномерного ряда в многомерный с помощью однопараметрической сдвиговой процедуры (отсюда и название "Гусеница"), исследовании полученной многомерной траектории с помощью анализа главных компонент (АГК) и восстановлении (аппроксимации) ряда по выбранным главным компонентам. Таким образом, результатом применения метода является разложение временного ряда на простые компоненты: медленные тренды, сезонные и другие периодические или колебательные составляющие, а также шумовые компо 90 нейронной сети является ее способность к обучению, суть которого заключается в изменении связей между нейронами. Возможность распознавания образов "обученной1' сети сводится с математической точки зрения к выходу на аттрактор, образ которого формируется в процессе обучения. В настоящее время созданы и используются универсальные пакеты программ, реализующие весь набор нейросетевых методов анализа данных, например, пакет STATISTICA Neural Networks нейронно-сетевой пакет фирмы StatSoft. Все перечисленные методы прогнозирования требуют значительного объема экспериментальных данных, используемых при проведении ретроспективного анализа. В настоящее время в области нефтедобычи, благодаря внедрению в производство ИИС, такие данные появились. Поэтому становится возможным и повышение качества прогнозов эксплуатационной надежности технологического оборудования промысла. В данной главе рассмотрены методы уточнения прогнозов изменения технического состояния оборудования нефтепромыслов. 3.1. Разработка рекомендаций по выбору структуры моделей, обеспечивающих прогнозирование отказов технологического оборудования нефтяных месторождений В настоящее время традиционно наиболее активно используются алгоритмы прогнозирования сроков наступления аварий технологического оборудования нефтяных промыслов, основанные на применении методов математической статистики [8], теории распознавания образов [9] и синергетики [9, 10]. Отличительной особенностью этих алгоритмов является необходимость выявления временных характеристик показателей надежности расчетных параметров. Наиболее информативными параметрами, характеризующими уровень технического состояния при разработке нефтяных месторождений, являются |