В настоящее время компьютерные технологии активно внедряются в промышленность. Одним из актуальных вопросов является проактивный подход к предупреждению аварийных состояний оборудования. В статье на основе литературного обзора рассмотрены существующие подходы к диагностике и прогнозированию аварий установок электроприводных лопастных насосов (УЭЛН). Выделены четыре категории подходов: детерминированные, экспертные, на основе машинного обучения и комбинированные. При реализации детерминированного подхода используются функциональные или аналитические зависимости. Экспертный подход основан на имеющейся базе знаний, которая применяется в виде интерпретируемых специалистами закономерностей. Подход на основе статистического анализа данных выявляет имеющиеся закономерности исходя из исторического архива. Комбинированный подход может включать различные сочетания трех основных подходов. Для каждой категории приведены примеры, показаны особенности, границы применимости и ограничения. В результате анализа выделены преимущества и недостатки рассмотренных подходов. Основными преимуществами детерминированного подхода являются интерпретируемость прогнозов и отсутствие зависимости от исторических данных. Экспертные правила в основном применяются в диагностике текущего состояния без возможности прогнозирования, в отличие от подходов нечеткой логики. Эффективность этой категории подходов зависит от качества применяемых правил и данных. Главное преимущество подхода, основанного методах машинного обучения, заключается в отсутствии детального физического моделирования систем или процессов. Основным недостатком является зависимость от объема и качества исторических данных. Перспективным направлением являются комбинированные подходы, объединяющие несколько категорий моделей и перенимающие преимущества каждой из них.
Список литературы
1. Abdelaziz M., Lastra R., Xiao J.J. ESP Data Analytics: Predicting Failures for Improved Production Performance // SPE-188513-MS. – 2017. – https://doi.org/10.2118/188513-MS
2. A systematic literature review of machine learning methods applied to predictive maintenance / T.P. Carvalho, F.A.A.M.N. Soares, R. Vita [et al.] // Computers & Industrial Engineering. – 2019. – V. 131. – Article No. 106024. – https://doi.org/10.1016/j.cie.2019.106024
3. Bruijnen P.M. Nodal Analysis by Use of ESP Intake and Discharge Pressure Gauges // SPE-178433-PA. – 2016. – https://doi.org/10.2118/178433-PA
4. Nodal Analysis Based Monitoring of an Electric Submersible Pump Operation in Multiphase Flow / J. Iranzi, H. Son, Y. Lee, J.A. Wang // Applied Sciences. – 2022. – V. 12 (6). –Article No. 2825. – https://doi.org/10.3390/app12062825
5. Application of a Fuzzy Expert System to Analyze and Anticipate ESP Failure Modes / D. Grassian, M. Bahatem, T. Scott, D. Olsen // SPE-188305-MS. – 2017. – https://doi.org/10.2118/188305-MS
6. ESP Well Surveillance using Pattern Recognition Analysis, Oil Wells, Petroleum Development Oman / A. Awaid, H. Al-Muqbali, A. Al-Bimani [et al.] // IPTC-17413-MS. – 2014. – https://doi.org/10.2523/IPTC-17413-MS
7. Li L., Hua C., Xu X. Condition monitoring and fault diagnosis of electric submersible pump based on wellhead electrical parameters and production parameters // Systems Science & Control Engineering. – 2018. – V. 6. – Issue 3. – P. 253–261. – https://doi.org/10.1080/21642583.2018.1548983
8. Fuzzy Logic Application to Monitor and Predict Unexpected Behavior in Electric Submersible Pumps (Part of KwIDF Project) / F. Bermudez, G.A. Carvajal, G. Moricca [et al.] // SPE-167820-MS. – 2014. – https://doi.org/10.2118/167820-MS
9. Stone P. Introducing Predictive Analytics: Opportunities // SPE-106865-MS. – 2007. – https://doi.org/10.2118/106865-MS
10. Prediction of ESPs Failure Using ML at Western Siberia Oilfields with Large Number of Wells / R.A. Khabibullin, A.R. Shabonas, N.S. Gurbatov, A.V. Timonov // SPE-201881-MS. – 2020. – https://doi.org/10.2118/201881-MS
11. Solomatine D., See L.M., Abrahart R.J. Data-Driven Modelling: Concepts, Approaches and Experiences // Water Science and Technology Library. V. 68. – Berlin: Springer, 2008. – https://doi.org/10.1007/978-3-540-79881-1_2
12. Machine Learning Approach for Predictive Maintenance of the Electrical Submersible Pumps (ESPs) / R. Abdalla, H. Samara, N. Perozo [et al.] // ACS omega. – 2022. – V. 7(21). – P. 17641–17651. – https://doi.org/10.1021/acsomega.1c05881
13. Predictive Data Analytics for Effective Electric Submersible Pump Management / S. Sherif, O. Adenike, E. Obehi [et al.] // SPE-198759-MS. – 2019. – https://doi.org/10.2118/198759-MS
14. Пилипенко О.Г. Повышение времени проката установок электроцентробежных насосов методами машинного обучения // Научный форум: технические и физико-математические науки: сборник статей по материалам XXV международной научно-практической конференции.– Москва: ООО «Международный центр науки и образования», 2019. – Т. 6 (25). – С. 14-18.
15. ESP Well and Component Failure Prediction in Advance using Engineered Analytics - A Breakthrough in Minimizing Unscheduled Subsurface Deferments / A.A. Marin, A., S. Busaidy, M. Murad [et al.] // SPE-197806-MS. – 2019. – https://doi.org/10.2118/197806-MS
16. Predictive Approach to Perform Fault Detection in Electrical Submersible Pump Systems / L. Peng, G. Han, X. Sui [et al.] // ACS Omega. – 2021. – V. 6(12). – P. 8104–8111. – https://doi.org/10.1021/acsomega.0c05808
17. Electric submersible pump broken shaft fault diagnosis based on principal component analysis / L. Peng, G. Han, P.A. Landjobo, J. Shu // Journal of Petroleum Science and Engineering. – 2020. – V. 191. – Article No. 107154. – https://doi.org/10.1016/j.petrol.2020.107154
18. A Predictive Model to Detect the Impending Electric Submersible Pump Trips and Failures / L. Peng, G. Han, A.L. Pagou // SPE-206150-MS. – 2021. – https://doi.org/10.2118/206150-MS
19. Gupta S., Saputelli L., Nikolaou M. Applying Big Data Analytics to Detect, Diagnose, and Prevent Impending Failures in Electric Submersible Pumps // SPE-181510-MS. – 2016. – https://doi.org/10.2118/181510-MS
20. Real-Time Monitoring and Predictive Failure Identification for Electrical Submersible Pumps / A.S. Bhardwaj, R. Saraf, G.G. Nair, S. Vallabhaneni // SPE-197911-MS. – 2019. – https://doi.org/10.2118/197911-MS
21. ESP Health Monitoring KPI: A Real-Time Predictive Analytics Application / S. Gupta, M. Nikolaou, L. Saputelli, C. Bravo // SPE-181009-MS. – 2016. – https://doi.org/10.2118/181009-MS
22. Scale-Prediction/Inhibition Design Using Machine-Learning Techniques and Probabilistic Approach / N.M. Al-Hajri, A. Al-Ghamdi, Z. Tariq, M. Mahmoud // SPE-198646-PA. – 2020. – https://doi.org/10.2118/198646-PA
23. Advanced Analytics for Data-Driven Decision Making in Electrical Submersible Pump Operations Management / M. Adesanwo, O. Bello, O. Olorode [et al.] // SPE-189119-MS. – 2017. – https://doi.org/10.2118/189119-MS
24. Implementing the autonomous adaptive algorithm to manage ESP operation in harsh reservoir conditions / M. Antonic, M. Solesa, G. Thonhauser [et al.] // IOP Conference Series: Materials Science and Engineering. – 2021. – V. 1201(1). – Article No. 012083. – https://doi.org/10.1088/1757-899x/1201/1/012083
25. Turpin J.L., Lea J.F., Bearden J.L. Gas-liquid flow through centrifugal pumps—correlation of data // Proceedings of the 3rd International Pump Symposium. – Texas A&M University, 1986. – P. 13-20. – https://www.911metallurgist.com/blog/wp-content/uploads/2016/01/Gas-Liquid-Flow-Through-Centrifugal-Pumps-Correlation-of-Data.pdf
