Проверяемый текст
Деев Валерий Геннадьевич. Обеспечение безопасности эксплуатации нефтегазодобывающего оборудования на основе использования информационно-измерительных систем (Диссертация 2001)
[стр. 83]

функции, описывающей то или иное изменение показателей эксплуатации зданий и сооружений, усугубляется ошибками измерений, которые проявляются в виде наложения шума на координаты экспериментальных точек.
Одним из наиболее точных и информативных показателей технического состояния оборудования, контролируемых
информационно-измерительных систем, является изменение во времени напряженного состояния несущих конструкций.
Анализ представленных эмпирических данных показывает, что динамика изменения
данных перед различными типами аварий технологического оборудования отличается кардинальным образом.
Очевидно, что если мы располагаем полным набором данных об этих трендах, построить наилучшую модель сложностей не представляет.
Действительно, используя один или несколько классических критериев (минимум величины дисперсии адекватности, критерий Тейла и т.д.) и схему стандартного метода наименьших квадратов (МНК), можно построить модель со сколь угодной степенью точности, не нарушая при этом принципа Пуанкаре (точность модели не может превосходить точности первичной информации).
Однако это
нс дает решения прогностической задачи определение момента аварии, так как наилучшая на этапе обучения модель не всегда является и более точной экстраполяцией будущего сценария развития.
Покажем это на примере прогноза момента наступления аварии.

Предварительная селекция элементарных функций, описывающих подобное поведение экспериментальных кривых, показала, что наиболее точны (в смысле дисперсии адекватности) полиноминальные зависимости.

Анализ полученных результатов показывает, что ошибка прогноза
83
[стр. 92]

92 износ замена ремонт) работы технологического оборудования нефтяных промыслов.
Сложность задачи оптимального выбора аппроксимирующей функции, описывающей то или иное изменение показателей эксплуатации месторождения, усугубляется ошибками измерений, которые проявляются в виде наложения шума на координаты экспериментальных точек.
Одним из наиболее точных и информативных показателей технического состояния оборудования, контролируемых
ИИС, является изменение во времени дебита скважины [16, 71].
С учётом того, что ИИС «СКАТ-95» способна контролировать до 24 измерений дебита в сутки, этот параметр является одновременно и наиболее доступным.
Иллюстрацией этого тезиса является рис.3.1, на котором представлена характерная динамика дебита некоторых скважин СП «Ватойл» непосредственно перед авариями, произошедшими по различным причинам.
Анализ представленных эмпирических данных показывает, что динамика изменения
дебита перед различными типами аварий технологического оборудования отличается кардинальным образом.
Очевидно, что если мы располагаем полным набором данных об этих трендах, построить наилучшую модель сложностей не представляет.
Действительно, используя один или несколько классических критериев (минимум величины дисперсии адекватности, критерий Тейла и т.д.) и схему стандартного метода наименьших квадратов (МНК), можно построить модель со сколь угодной степенью точности, не нарушая при этом принципа Пуанкаре (точность модели не может превосходить точности первичной информации).
Однако это
не дает решения прогностической задачи определение момента аварии, так как наилучшая на этапе обучения модель не всегда является и более точной экстраполяцией будущего сценария развития.
Покажем это на примере прогноза момента наступления аварии
на скважине № 2442 СП «Ватойл» (рис.3.2.)

[стр.,94]

94 В нашем распоряжении имелись данные тренда производительности скважины по жидкости за период 30-ти суток (интервал «а» база прогноза, на рис.3.2.).
Необходимо было установить время отказа с наибольшей точностью.
Предварительная селекция элементарных функций, описывающих подобное поведение экспериментальных кривых, показала, что наиболее точны (в смысле дисперсии адекватности) полиноминальные зависимости.

На рис.
3.2 показано поведение трёх полиномов различной степени сложности, построенных на одном и том же массиве данных (интервал «а» рис.
3.2).
Анализ полученных результатов показывает, что ошибка прогноза
момента наступления аварии линейной моделью составляет 56%, полиномом 3-й степени 14%, полиномом 2-й степени 2%.
В то же время величина дисперсии адекватности всех этих моделей на этапе обучения (зона «а» на рис.
3.2) практически одинакова.
Таким образом, становится очевидной необходимость использования дополнительных методов обработки данных, в полной мере реализующих информационные возможности ИИС.
Сформулируем нашу задачу с учётом всех высказанных замечаний.
По известной динамике развития тренда производительности отдельной скважины за некоторый период времени необходимо построить наилучшую модель развития дефекта оборудования по двухпараметрическому критерию точность аппроксимации плюс точность прогноза.
Наиболее эффективным инструментом решения подобного рода задач является предложенный В.Н.
Вапником метод структурной минимизации среднего риска [2].
Адаптируем этот метод к условиям нашей задачи.
В информационной базе ИИС хранится множество локальных баз данных {Xj}, каждая из которых представляет собой ретроспективный временной ряд изменения какого-либо показателя эксплуатации во времени (i=l...L, где L определяется частотой опроса первичных датчиков).
Предположим, что на основании анализа этих массивов данных строятся модели вида у=у(х) (в рассматриваемом случае Q = Q(t), где Q(t) изменение

[Back]