基于D-S证据理论的石油钻机安全信息融合模型研究

王德亮

(川庆钻探工程有限公司 长庆钻井总公司，西安 710021)

基于D-S证据理论的石油钻机安全信息融合模型研究

王德亮

(川庆钻探工程有限公司 长庆钻井总公司，西安 710021)

为提高石油钻机安全监控系统的可靠性和准确性，提出了一种基于D-S证据理论的钻机安全信息融合模型。首先对石油钻机的多种运行状态进行模型化和数字化处理，并建立多源信息融合模型。其次根据融合信息结果和专家决策规则，利用D-S证据理论信息融合算法对钻机设备的安全状态进行实时判断。最后通过实际油井数据建立仿真算例，验证了该信息融合模型的可行性和有效性。

石油钻机；安全监控；信息融合；证据理论

随着社会经济的快速发展，石油供给量不断增大，安全、可靠、高效的勘探开发石油显得尤为重要[1]。而对于石油勘探过程中的石油钻机而言，具有极为复杂的作业程序，且现场作业环境十分恶劣，存在一定的设备故障率以及安全隐患，为保证石油钻机的安全稳定运行，有必要对石油钻机的工作状态实时监控。传统的石油钻机监控系统具有较低的自动化程度以及较差的钻机参数传输性能，具有一定的局限性[2-3]。随着计算机网络技术的发展，数字化的石油钻机安全监控系统逐渐被提出，有效提高了监控系统中的数据采集和传输效率[4-5]，同时为提高石油钻机安全监测系统的精度，一般使用多种传感器进行状态信息的采集，对采集来的多种类型信息需要进行综合的处理，数据的精确融合是安全监测系统的重要环节，对石油钻机的安全状态信息融合精度提出了更大的挑战[6-7]。

针对上述问题，本文提出了一种基于基于D-S证据理论的石油钻机安全信息融合模型，D-S证据理论是采用“区间估计”的方法来描述不确定的信息，能够很大程度上减小不确定的信息对融合结果产生的不利影响[8]，非常适合于石油钻机安全信息融合。首先处理石油钻机的多种运行状态并构建多源信息融合模型，其次利用D-S证据理论信息融合算法来判断石油钻机设备的安全状态，最后通过实际算例验证了所提模型的可行性和有效性。

1 石油钻机信息融合模型

石油钻机由多种设备共同组成，主要的区域分布有绞车区域、钻井泵区域、转盘区域、电控设备以及井口设备。为了对每个区域的设备信息进行准确的分析，可采用多源信息融合算法，而在构建多源信息融合模型之前，需要采集石油钻机各设备的多类型运行状态，并对这些不同的状态信息进行模型化以及数字化分析和处理，进而找出不同传感器采集数据信息所反映的安全状态之间的关联关系，为数据融合模型提供一定的基础。

石油钻机信息融合模型的本质是将多元信息按照由低到高的不同层次进行抽象化处理。采用D-S证据理论来构建信息融合模型时，其先验条件的概率是未知的，假设集合在证据不断积累的基础上逐渐缩小，最终提炼多源信息的一致性并排除存在矛盾的信息，从而能够很好地处理不确定性的问题。文中的石油钻机信息融合模型如图1所示。

来自石油钻机不同传感器的数据信息在经过预处理之后，送至D-S证据理论进行处理，再根据数据库的专家决策规则进行实时的判断，从而确定石油钻机设备的安全状态。

图1 石油钻机信息融合模型

2 石油钻机安全融合算法

在石油钻机安全融合模型中，当融合算法采用D-S证据理论时，对应的石油钻信息融合的算法流程如图2所示。

1) 安全监控信息来源。

根据石油钻机信息融合模型中提及的安全监测区域，分别确定各区域的信息来源。绞车区域的信息来源为绞车的大钩高度和快绳拉力，分别记为m1和m2；钻井泵区域的信息来源选为泵冲、泵压以及对应的出口流量，分别记为m3、m4和m5；转盘区域的信息来源选为转盘转速、振动以及转矩信号，分别记为m6、m7和m8；电控设备的信息来源选为轴承和绕组温度，分别记为m9和m10；井口设备的信息来源选为机械润滑油油压油温、工作钳油压以及安全钳油压，分别记为m11、m12、m13和m14。

图2 石油钻机信息融合流程

2) 安全状态辨识框。

确立完石油钻机的安全信息来源之后，需要建立安全监控的识别集合，该集合表示的是信息安全状态的的分类，记为Θ={危险，临界，安全}，且分别用A1、A2和A3表示。

3) 传感器信息数据采集。

多种不同类型的传感器在石油钻机设备的多区域进行不同类型的数据采集。

4) 构造证据体。

信息融合中的证据体表示的是事件Ai在证据mk下所发生的程度，并将Ai的基本支持度记为mk(Ai)，表示的含义是Ai发生的概率取值。以钻井泵区的泵压为例来进行说明，对应的证据体为m4(Ai)=[m4(A1)，m4(A2)，m4(A3)]，其中m4(A1)是指泵压支持事件“A1=危险”的概率取值，m4(A2)是指泵压支持事件“A2=临界”的概率取值，m4(A3)是指泵压支持事件“A3=安全”的概率取值，并且满足下式：

m4(A1)+m4(A2)+m4(A3)=1

(1)

同样的，另外的其他区域信息的证据体均满足概率值之和为1的条件，即：

Θ={A1,A2,A3}

(2)

(3)

对于不同安全信息的基本支持度mk(Ai)是采用数据统计的方法所求出的，具体的实施过程是基于滑动窗口方法对样本数据进行任意的采集，设样本的长度为T，则将该时间段内的所有采集的监控数据作为样本。

5) 融合证据体基本支持度。

首先需要对基本支持度的常数进行归一化计算，以确定不同证据体之间是否具有冲突。归一化常数定义为K，其计算式为

(4)

对K的取值大小进行判断，若K的取值为0，则表示的是mk是互相矛盾的，则此规则不能融合证据体概率值。若K的取值大于0，则继续进行融合，融合计算表达式为

(5)

式中：φ是空命题。

对于证据体较多的场景，采用的是两两分别融合方法，可计算出最终安全状态Ai的支持度取值。

6) 融合结果判断。

经过上述证据体基本支持度融合方法，可以求出融合之后的最终的支持度，记为：

M(Ai)=[M(A1),M(A2),M(A3)]

(6)

根据融合结果即可判断监测区域的安全程度，融合结果的判定标准为：

Mmax(Ap)>ε1

(7)

Mmax(Ap)-Mmax2(Aq)>ε2

(8)

式中：Mmax(Ap)是最终支持度M(Ai)的最大取值；Mmax2(Aq)是最终支持度M(Ai)的第二大取值；ε1的取值0.45～0.75；ε2的取值0.15～0.25。

3 算例分析

以某石油区域的钻机转盘信息为例进行分析验证。转盘转速的基本支持度分别记为m6(A1)、m6(A2)和m6(A3)，转盘振动的基本支持度分别记为m7(A1)、m7(A2)和m7(A3)，转盘转矩的基本支持度分别记为m8(A1)、m8(A2)和m8(A3)，这三类支持度表示的含义分别是转盘转速、振动和转矩分别处于危险、临界和安全的状态。现场实测了6组基本支持度参数，分别为：

第1组：m6(A1)=0.48，m6(A2)=0.45，m6(A3)=0.07；m7(A1)=0.57，m7(A2)=0.32，m7(A3)=0.2；m8(A1)=0.61，m8(A2)=0.23，m8(A3)=0.16。

第2组：m6(A1)=0.51，m6(A2)=0.46，m6(A3)=0.03；m7(A1)=0.54，m7(A2)=0.42，m7(A3)=0.04；m8(A1)=0.57，m8(A2)=0.37，m8(A3)=0.06。

第3组：m6(A1)=0.55，m6(A2)=0.37，m6(A3)=0.08；m7(A1)=0.57，m7(A2)=0.29，m7(A3)=0.14；m8(A1)=0.49，m8(A2)=0.37，m8(A3)=0.14。

第4组：m6(A1)=0.47，m6(A2)=0.05，m6(A3)=0.48；m7(A1)=0.46，m7(A2)=0.11，m7(A3)=0.43；m8(A1)=0.43，m8(A2)=0.05，m8(A3)=0.52。

第5组：m6(A1)=0.68，m6(A2)=0.29，m6(A3)=0.03；m7(A1)=0.63，m7(A2)=0.25，m7(A3)=0.12；m8(A1)=0.59，m8(A2)=0.34，m8(A3)=0.07。

第6组：m6(A1)=0.52，m6(A2)=0.34，m6(A3)=0.14；m7(A1)=0.45，m7(A2)=0.43，m7(A3)=0.12；m8(A1)=0.48，m8(A2)=0.41，m8(A3)=0.11。

根据式(4)和式(5)，对石油钻机转盘的安全信息进行融合，融合后的结果分别为：

第1组：K=0.206 4，M(A1)=0.85，M(A2)=0.15，M(A3)=0；

第2组：K=0.225 9，M(A1)=0.67，M(A2)=0.33，M(A3)=0；

第3组：K=0.199 1，M(A1)=0.79，M(A2)=0.21，M(A3)=0.01；

第4组：K=0.198 7，M(A1)=0.46，M(A2)=0，M(A3)=0.54；

第5组：K=0.272 4，M(A1)=0.91，M(A2)=0.09，M(A3)=0；

第6组：K=0.171 0，M(A1)=0.64，M(A2)=0.34，M(A3)=0.01。

石油钻机转盘振动信息数据融合之前和融合之后的对比结果如表1和图3所示，可以看出，采样的数据经过融合之后，其危险程度的支持度有所增大，能够有效反应石油钻机的安全状态信息。

表1 石油钻机转盘信息融合结果

图3 石油钻机转盘信息融合结果

4 结论

文中提出了一种基于D-S证据理论的钻机安全信息融合模型。对石油钻机的多种安全运行状态进行分析和处理，建立多源信息融合模型，利用D-S证据理论信息融合算法，设计了数据信息融合的步骤流程，完成钻机设备的安全状态判断。根据实际油井数据对所建立的信息融合模型进行了仿真验证，结果表明，所建立的信息融合模型能够有效反应石油钻机的安全运行状态。

[1] 樊俊，杨军，瞿辉.节能减排背景下我国化石能源勘探开发利用的科技应对策略[J].中国矿业，2015(5)：58-64.

[2] 谭慧敏.石油钻机系统检测存在的问题与对策研究[J].石油和化工设备，2015(4)：68-70.

[3] 刘立兵.深水防喷器状态监控系统研究进展[J].石油矿场机械，2016，45(7)：96-99.

[4] 李传伟，常关羽，于振兴.基于无线传感器网络的石油钻机设备远程监控系统的设计与实现[J].西北工业大学学报，2013，31(2)：159-165.

[5] 石林，汪海阁，纪国栋.中石油钻井工程技术现状、挑战及发展趋势[J].天然气工业，2013，33(10)：1-10.

[6] 吴远方.基于RS-SVM数据融合的全液压钻机智能故障诊断研究[D].成都：成都理工大学，2016.

[7] 易高翔，潘长城，郭建中，等.基于多源数据融合的石油罐区安全监控模型[J].中国安全生产科学技术，2014，10(3)：90-94.

[8] 胡嘉骥.基于D-S证据理论的数据融合算法的研究[D].南京：东南大学，2016.

Research on Safety Information Fusion Model of Oil Rig Based on D-S Evidence Theory

WANG Deliang

(Changqing Drilling Company，CCDC，Xian 710021，China)

In order to improve the reliability and accuracy of the oil rig safety monitoring system，a safety information fusion model of drilling rig based on D-S evidence theory is proposed.Firstly，the operation state of the oil rig is modeled and mathematically processed，and a multi-source information fusion model is established.Secondly，according to the result of fusion information and expert decision rule，the D-S evidence theory information fusion algorithm is used to judge the safety status of drilling rig equipment in real time.Finally，the simulation model is established by the actual mine data，and the feasibility and validity of the information fusion model are verified.

oil rig；security monitoring；information fusion；evidence theory

1001-3482(2017)04-0074-04

2017-01-21

王德亮 (1979-)，男，青海互助人，工程师，主要从事钻井设备的技术管理工作。

TE928

A

10.3969/j.issn.1001-3482.2017.04.018