«Автоматизация и информатизация ТЭК»

Анализ методов прогнозирования надежности электроцентробежных насосных установок в нефтегазовой отрасли

УДК: 622.276.054.23-004.83
DOI: -

Авторы:

¹ Российский университет дружбы народов имени Патриса Лумумбы, Москва, Россия

Ключевые слова: надежность, скважинные электроцентробежные насосы, остаточный ресурс оборудования, прогнозирование, математические методы, машинное обучение

Аннотация:

Предметом статьи является анализ методов прогнозирования надежности (остаточного ресурса) скважинных электроцентробежных насосов (ЭЦН). Рассматриваются математические методы, применяемые для решений этой задачи. Описываются законы распределения случайной величины, наиболее точно характеризующие зависимость надежности от отработанного времени для элементов оборудования и агрегата в целом. Приводятся нормативные документы, используемые для оценки параметров надежности динамического оборудования. Указываются программные продукты, применяемые для этих целей. В рассмотренной технической литературе, описывающей методы прогнозирования отказов ЭЦН, повсеместно используются методы машинного обучения (МО), способные определять остаточный ресурс в виде классификации на временные промежутки или в виде числовых значений. Указываются достоинства и недостатки рассмотренных методик, точность, полученная на практике. Даются заключение об актуальности темы и наиболее результативных методиках, а также предположения о возможных улучшениях в решении задачи прогнозирования остаточного ресурса ЭЦН.

Список литературы:

1. Dunham C. 27th ESP Workshop: Summary of Presentations. Oilfield Automation Consulting. – 2013. – P. 1. – URL: https://www.spegcs.org/media/files/files/cebfcc3a/2013-ESP-Workshop-Summary-of-Presentations.pdf
2. ESP Data Analytics: Use of Deep Autoencoders for Intelligent Surveillance of Electric Submersible Pumps / O.A. Alamu, D.A. Pandya, O. Warner, I. Debacker // Offshore Technology Conf., Houston, Texas, USA, May 4–7, 2020. – DOI: 10.4043/30468-MS
3. Щурин К.В. Надежность машин. – СПб.: Лань, 2019. – 592 с.
4. Зубарев Ю.М. Основы надежности машин и сложных систем. – СПб.: Лань, 2020. – 180 с.
5. ГОСТ Р ИСО 13381-1-2016. Контроль состояния и диагностика машин. Прогнозирование технического состояния. Ч. 1. Общее руководство. – Введ. 2017–12–01. – М.: Стандартинформ, 2017. – IV, 20 с.
6. ISO 14224:2016. Petroleum, petrochemical and natural gas industries – Collection and exchange of reliability and maintenance data for equipment. – Third edition 2016-09-15; Corrected version 2016-10-01. – VI, 272 p.
7. Мустафина С.И., Жиляков С.А. Применение нейронных сетей для диагностики и прогнозирования технического состояния оборудования // Автоматизация и информатизация ТЭК. – 2023. – № 7(600). – С. 13–21. – DOI: 10.33285/2782-604X-2023-7(600)-13-21
8. Semi-supervised Failure Prediction for Oil Production Wells / Yintao Liu, Ke-Thia Yao, Shuping Liu [et al.] // 2011 IEEE 11th Int. Conf. on Data MiningWorkshops, Vancouver, BC, Canada, Dec. 11, 2011. – P. 434–441. – DOI: 10.1109/ICDMW.2011.151
9. Data Driven Approach to Failure Prediction for Electric Submersible Pump Systems / Dong Guo, C.S. Raghavendra, Ke-Thia Yao [et al.] // Western Regional Meeting, Garden Grove, California, USA, April 27–30, 2015. – DOI: 10.2118/174062-MS
10. ESP Health Monitoring KPI: A Real-Time Predictive Analytics Application / S. Gupta, M. Nikolaou, L. Saputelli, C. Bravo // SPE Intelligent Energy Int. Conf. and Exhibition, Aberdeen, Scotland, UK, Sept. 6–8, 2016. – DOI: 10.2118/181009-MS
11. Abdelaziz M., Lastra R., Xiao Jinjiang. ESP Data Analytics: Predicting Failures for Improved Production Performance // Abu Dhabi Int. Petroleum Exhibition & Conf., Abu Dhabi, UAE, Nov. 13–16, 2017. – DOI: 10.2118/188513-MS
12. Real-Time Monitoring and Predictive Failure Identification for Electrical Submersible Pumps / A.S. Bhardwaj, R. Saraf, G.G. Nair, S. Vallabhaneni // Abu Dhabi Int. Petroleum Exhibition & Conf., Abu Dhabi, UAE, Nov. 11–14, 2019. – DOI: 10.2118/197911-MS
13. ESP Well and Component Failure Prediction in Advance using Engineered Analytics – A Breakthrough in Minimizing Unscheduled Subsurface Deferments / A.A. Marin, S. Busaidy, M. Murad [et al.] // Abu Dhabi Int. Petroleum Exhibition & Conf., Abu Dhabi, UAE, Nov. 11–14, 2019. – DOI: 10.2118/197806-MS
14. 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 Russian Petroleum Technology Conf., Oct. 26–29, 2020, Virtual. – DOI: 10.2118/201881-MS
15. Bailey W.J., Weir I.S., Couët B. How Data from Reuse of Electrical-Submersible-Pump Components Can Help in Predicting System Failure // SPE Production & Operation. – 2018. – Vol. 33, Issue 01. – P. 60–67. – DOI: 10.2118/171368-PA
16. Noui-Mehidi M.N., Bukhamseen A.Y. Advanced Signal Analysis of an Electrical-Submersible-Pump Failure Owing to Scaling // SPE Production & Operations. – 2019. – Vol. 34, Issue 02. – P. 394–399. – DOI: 10.2118/164320-PA
17. Lastra R.A., Jinjiang Xiao. Machine Learning Engine for Real-Time ESP Failure Detection and Diagnostics // SPE Middle East Artificial Lift Conf. and Exhibition, Manama, Bahrain, Oct. 25–26, 2022. – DOI: 10.2118/206935-MS
18. Dussi S., Octaviano R., Omrani P.Sh. Bayesian Networks Applied to ESP Performance Monitoring and Forecasting // SPE Annual Technical Conf. and Exhibition, Houston, Texas, USA, Oct. 3–5, 2022. – DOI: 10.2118/210495-MS
19. Silvia Sh., Prior M., Gilad Y. Case Study: Predicting Electrical Submersible Pump Failures Using Artificial Intelligence // Offshore Technology Conf., Houston, Texas, USA, May 2–5, 2022. – DOI: 10.4043/31852-MS