|
В результате проведенных исследований было установлено, что уменьшение показателя Херста на 10 15% может служить сигналом о предаварийной ситуации здания. Кроме того, было показано, что хаотические изменения измеряемых данных имеют детерминированную природу, и в качестве одного из дополнительных признаков возникновения развивающегося дефекта, например, несущих перекрытий может быть использован показатель Херста, определяющий степень «детерминированности» процессов в системе. Полученные результаты позволили установить, что показатель Херста является величиной, явным образом независимой от других технологических параметров, и, следовательно, использование данного показателя в качестве диагностического признака позволяет обнаруживать развивающиеся дефекты, недоступные традиционным методам. 2.5. Разработка рекомендаций по выбору структуры моделей, обеспечивающих прогнозирование предаварийных ситуаций зданий и сооружений. В настоящее время традиционно наиболее активно используются алгоритмы прогнозирования сроков наступления аварий, основанные на применении методов математической статистики [8], теории распознавания образов [9] и синергетики [9, 10]. Отличительной особенностью этих алгоритмов является выявление временных характеристик показателей надежности расчетных параметров. Наиболее информативными параметрами, характеризующими уровень технического состояния зданий и сооружений является напряженное состояние элементов зданий. В общем же случае, уровень сложности аппроксимирующей функции зависит не только от самого изменяющегося параметра, но и от уровня шумовой составляющей измерений и объема выборки. Выбор той или иной модели, описывающей изменения показателей 81 |
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 91 дебит, приемистость скважин и объем потребляемой электроэнергии. В общем же случае, уровень сложности аппроксимирующей функции зависит не только от самого изменяющегося параметра, но и от уровня шумовой составляющей измерений и объема выборки. Выбор той или иной модели, описывающей изменения показателей надёжности функционирования технологического оборудования, является наиболее ответственным и сложным этапом прогностической процедуры. Упрощение модели приводит к уменьшению точности прогноза времени наступления отказа. Излишнее усложнение модели может привести к неустойчивости алгоритма идентификации и, как правило, лишает идентификационные модели предсказательной силы. Кроме того, необходимо учитывать, что степень сложности модели зависит не только от идентифицируемого параметра, но и от уровня погрешности первичных измерений. Таким образом, представляется актуальной многокритериальная задача выбора оптимальной степени сложности моделей, описывающих изменение показателей надёжности нефтедобывающего оборудования во времени. При выборе метода решения поставленной задачи поставим два дополнительных условия. Во-первых, искомая модель должна обладать прогнозирующими свойствами, т.е. при экстраполяции на некоторый промежуток времени ее значения не должны «разбалтываться». Это условие налагает ограничения на степень сложности функции для чересчур сложной модели малые ошибки измерений, не заметные на интервале интерполяции, на этапе прогноза могут радикально менять поведение модельной функции [71]. Во-вторых, будем предполагать, что объем выборки данных, по которой строится модель, невелик. Это связано с тем, что наиболее достоверная информация об отказах технологического оборудования, хранящаяся в базах данных современных ИИС, охватывает временной интервал в 5-6 лет. С учётом выводов раздела 2.2, подобный объём информации не превышает 10-20 жизненных циклов (пуск в эксплуатацию нормальная эксплуатация старение и 129 В результате проведенных исследований было установлено, что уменьшение показателя Херста на 10 15% может служить сигналом о начавшихся сбоях в работе оборудования. Кроме того, было показано, что хаотические изменения дебитов нефтедобывающих скважин имеют детерминированную природу, и в качестве одного из дополнительных признаков возникновения развивающегося дефекта насосно-силового оборудования может быть использован показатель Херста, определяющий степень «детерминированности» процессов в системе. Полученные результаты позволили установить, что показатель Херста является величиной, явным образом независимой от других технологических параметров дебита, вариабельности дебита и обводненности продукции, и, следовательно, использование данного показателя в качестве диагностического признака позволяет обнаруживать развивающиеся дефекты, недоступные традиционным методам. Таблица 3.5 Корреляционная матрица взаимосвязи показателя Херста Н, дебита Q и СКО а* г т _£___ н Q а 0,022 -0,11 Н 1 0,019 -0,18 0,031 -0,26 0,24 Q 1 0,23 0,34 0 1 * г коэффициент взаимной корреляции; т коэффициент ранговой корреляции Кендэла; р коэффициент ранговой корреляции Спирмэна. На основании проведенных в третьей главе исследований можно сделать |