本发明一般涉及数据管理系统领域，以及更具体来说涉及与油田设备配合使用的数据管理系统。
背景技术：
电动潜水泵浦系统常常部署到油井中，以便从地下储层回收石油流体。通常，潜水泵浦系统包括多个组件，其中包括耦合到一个或多个泵组合件的一个或多个电机。电动潜水泵浦系统已经部署在大量环境和操作条件中。维修和更换电动潜水泵浦系统中的组件的高成本需要使用能够耐受恶劣井下条件的耐用组件。
与以往组件故障有关的信息能够用来改进组件设计，并且提供关于最佳操作实践的指导。使用故障率信息，制造商已经为井下组件制订了推荐的操作方针和核准的应用。制造商常常将传感器放置在电动潜水泵浦系统中，并且将所测量环境和性能因数与基于以往故障率信息的预定设置点的范围进行比较。如果进行“范围外”测量，告警能够用来发信号通知关于应当进行操作条件的变更以降低对电动潜水泵浦系统的损坏的风险。基于历史故障信息，计划故障率能够从范围外操作事件的检测和记录来得出。
虽然接着范围外事件识别单独泵浦系统中的问题一般是有效的，但是需要一种用于评估跨大范围所分布并且部署在多样化应用中的电动潜水泵浦系统的健康的改进系统。当前优选实施例针对现有技术中的这个和其他缺陷。
技术实现要素：
在优选实施例中，本发明包括用于测量分立电动潜水泵浦系统中的组件的操作和条件、跨电动潜水泵浦系统场来累加这些测量、对累加测量执行统计分析并且从编组统计分析来产生一个或多个所选输出的系统和过程。在优选实施例中，统计分析和数据处理在单独泵浦系统以及在一个或多个集中位置两者处发生。
在一个方面，优选实施例包括用于产生风险分析报告的过程，其包括下列步骤：在多个泵浦系统的每个处提供本地控制单元；以及从对应泵浦系统的每个向多个本地控制单元的每个提供输出信号。输出信号的每个反映在泵浦系统所测量的操作条件。
该过程通过在多个本地控制单元的每个处处理输出信号，并且在多个本地控制单元的每个处产生健康指标而继续。健康指标然后从多个本地控制单元的每个上传到中央数据中心供进一步处理。在中央数据中心，分类从多个本地控制单元所接收的健康指标，并且生成基于分类的健康指标的多级生存模型。该过程通过将所选泵浦系统特定的健康指标应用于多级生存模型，并且基于多级生存模型中的特定健康指标的应用来生成所选泵浦系统的风险分析报告而继续。
在另一方面，优选实施例包括用于优化多个泵浦系统中的所选泵浦系统的性能的过程。该过程包括下列步骤：基于在远程本地控制单元所生成的健康指标，在中央数据中心产生多级生存模型。该过程包括下列步骤：将所选泵浦系统特定的健康指标应用于多级生存模型，以产生优化的操作指令。该过程还包括按照优化的操作指令来调整所选泵浦系统的操作特性。
附图说明
图1是按照当前优选实施例所构成的电动潜水泵浦系统的图示。
图2是图1的电动潜水泵浦系统的本地控制单元的功能图示。
图3是与中央数据中心的网络连通性的一系列电动潜水泵浦系统的功能图。
图4是用于在电动潜水泵浦系统产生健康指标的优选方法的过程流程图。
图5是用于基于由电动潜水泵浦系统所产生的健康指标来产生输出报告的过程流程图。
图6是健康指标随时间的图形表示。
图7是具有加权因子的图6的聚合健康指标的图形表示。
图8是来自图7的聚合健康指标的高斯表面表示。
具体实施方式
一般来说，优选实施例针对用于测量分立电动潜水泵浦系统中的组件的操作和条件、跨电动潜水泵浦系统场来累加这些测量、对累加测量执行统计分析并且从编组统计分析来产生一个或多个所选输出的改进系统和方法。要注意，优选实施例表示与现有技术成果的重大变更，因为统计分析和数据处理在单独电动潜水泵浦系统以及在一个或多个集中位置两者处发生。因此，优选实施例包括使用设置在单独远程位置、集中数据处理设施和互连网络基础设施处的硬件和软件。如本文所使用的术语“健康指标”表示电动潜水泵浦系统中的组件的条件的表达，其中条件通过评估由特定电动潜水泵浦系统中的传感器所产生的数据来确定。
按照本发明的优选实施例，图1示出附连到生产油管102的潜水泵浦系统100的正视图。泵浦系统100和生产油管102设置在井筒104(其被钻探以用于产生诸如水或石油之类的流体)中。生产油管102将泵浦系统100连接到井筒106和下游表面设施(未示出)。虽然泵浦系统100主要设计成泵送石油产品，但是将会理解，本发明也能够用来移动其他流体。还将会理解，井筒104的图示只是说明性的，并且当前优选实施例将在多样化深度和配置的井筒中得到应用。
泵浦系统100优选地包括泵组合件108、电动机组合件110、密封段112和传感器阵列114的某种组合。泵组合件108优选地配置为多级离心泵，其由电动机组合件110来驱动。电动机组合件110优选地配置为三相电机，其响应于电流的施加而以所选的频率旋转输出轴。在特别优选的实施例中，电动机组合件110由定位在表面的变速驱动器116来驱动。电力经过电力电缆从变速驱动器116传送到电动机组合件110。
密封段112防护电动机组合件110免受由泵组合件108所产生的机械推力，并且提供操作期间的电动机润滑油的膨胀。虽然仅示出各组件的一个组件，但是将会理解，在适当的时候更多组件能够被连接。例如，在许多应用中，期望使用级联电动机组合、多个密封段和多个泵组合件。还将会理解，泵浦系统100可包括对于本描述不是必要的附加组件，例如护罩和气体分离器。
泵浦系统100还包括本地控制单元118，其连接到变速驱动器116。转到图2，其中所示的是本地控制单元118的功能图示。本地控制单元118优选地包括数据存储装置120、中央处理单元122、控制接口124和通信模块126。本地控制单元118可选地包括图形显示器128和用户输入装置130。在当前优选实施例中，本地控制单元118包括一个或多个计算机以及安全和环境防护壳体或设施中包含的伴随外设。
控制接口124配置用于连接到变速驱动器116以及直接或间接连接到传感器阵列114。控制接口124接收来自井筒104以及电动潜水泵浦系统100中的各种传感器的测量。控制接口124将控制信号输出到变速驱动器116以及电动潜水泵浦系统100中的其他可控组件。
中央处理单元122用来运行计算机程序和过程数据。计算机程序、原始数据和经处理的数据能够存储在数据存储装置120上。具体来说，按照优选实施例，中央处理单元122配置成确定泵浦系统100的健康指标和其他性能量度。用户输入装置130可包括键盘或其他外设，并且能够用来在本地控制单元118处手动输入信息。
通信模块126配置成发送和接收数据。通信模块126可配置用于无线、有线和/或卫星通信。如图3中所示，通信模块126将本地控制单元118和电动潜水泵浦系统100放置于网络132。网络132可包括多节点系统，其中分立电动潜水泵浦系统100可充当网络132中的转发器和终端节点。无论经过有线还是无线连接，电动潜水泵浦系统100的每个均放置成与一个或多个中央数据中心134的双向网络连通性。将会理解，存在由网络132的优选实施例所包含的大量可用配置。
转向图4，其中所示的是在本地控制单元118处计算和应用健康指标200的优选方法的过程流程图。将会理解，与现有技术分析系统不同，用于计算泵浦系统100中的组件的健康指标的优选方法在本地控制单元118中现场计算。因此，不是采集将要在非现场位置来处理的原始数据，各本地控制单元118而是配置成从泵浦系统100采集数据，使用统计分析来评估原始数据，并且产生反映泵浦系统100中的各种组件的操作和结构条件的所选健康指标。
开始于步骤202，本地控制单元118接收与泵浦系统100的组件和操作相关的数据输入。这些数据输入可由泵浦系统100的传感器阵列114来产生，传感器位于泵浦系统100中的其他位置或者由中央数据中心134来呈现给本地控制单元118。在特别优选的实施例中，本地控制单元118周期地(例如每秒一次、每小时一次)接受下列传感器读数：数据戳记、电动机电压(V)、电动机电流(Amp)、功率因数(PF)、泵吸入压力(PIP)、电动机温度频率(Hz)、泵吸入温度(PIT)、振动(g's)、井底流压(FLP)、井口压力(WHP)和泄漏电流(V-Unb)。
随后，在步骤204，本地控制单元118唯一地处理所获取数据。在步骤206，本地控制单元118产生泵浦系统100中的组件的健康指标，包括泵组合件108、电动机组合件110、密封和密封段112和变速驱动器116的健康指标。健康指标(H1、H2、...、Hn)表示泵浦系统100中的各种组件的条件的表达，并且通过经由使用多变量统计技术聚合从泵浦系统100中的多种源所生成的信号来生成。当前优选的多变量统计技术包括但不限于基于概率密度的使用指标、多变量HotellingT平方分布、变化点检测算法以及基于贝叶斯和神经网络的异常检测和分类技术。健康指标的生成被加时戳，使得健康指标的变化能够针对泵浦系统100或环境的变化相互关连。
在特别优选的实施例中，健康指标在本地控制单元118使用关联规则挖掘(ARM)算法来生成。ARM规则使用机器学习工具在中央制订，并且本地部署在本地控制单元118。ARM算法产生二进制规则(即，“1”或“0”)，其表示或者处于告警或者无告警状态的条件或告警。ARM算法然后呈现给优选逻辑回归，以产生特定健康指标。
在步骤208，健康指标由本地控制单元来存储。如图4中的返回流程所述，本地控制单元118将继续接受测量和数据输入，并且连续、经调度或者按需计算健康指标。在步骤210，所存储的健康指标的部分或全部由本地控制单元118跨网络132上传到中央数据中心134。在中央数据中心134的内部过程在图5的流程图中示出。
继续图4，本地控制单元118在步骤212接收来自中央数据中心的指令。响应这些指令，本地控制单元118能够在步骤214调整泵浦系统100的操作，以便改进性能、降低组件的磨损和/或响应商业因素而修改泵浦系统100的输出。在对泵浦系统100的操作进行调整时，本地控制单元118继续获取测量和数据输入，并且计算修改的加时戳健康指标。
转向图5，其中所示的是用于在中央数据中心134分析聚合健康指标400的方法的过程流程图。在步骤402，从远程泵浦系统100所采集的健康指标按照与健康指标关联的所选变量来采集和分类。例如，数据库使用对共同设备模型、共同地理区域、共同井下应用等所接收的健康指标来构成。
在步骤404，中央数据中心对统计分析进行趋势分析并且将统计分析应用于所采集和分类的健康指标，以生成多级生存模型。在特别优选的实施例中，算法用来在区域、站点和ESP级产生多级生存模型。在区域级，分析针对共同宏地理特征，例如电动潜水泵浦系统是安装在陆地还是海底。在站点级，分析针对特定站点共同的因素，例如区域中的油井数量、油井位置(地理空间)、储层容量、生产衰退曲线、石油API重力(粘性)、平均孔隙度、平均渗透性、岩石压缩系数、石油地质储量、天然气地质储量和储层增产历史。在ESP级，分析集中于分立泵浦系统100，并且包括对井深、油气比、水油比、泵吸入压力、吸气温度、固体磨料、腐蚀元素、井底流压、静态井底压力、油井生产指数、入口性能关系和油井日志。
在优选实施例中，故障风险(F(t))使用标准威布尔回归、使用健康指标(H1…Hn)和多级数据对各泵浦系统100或者泵浦系统100中的特定组件来计算。在备选优选实施例中，故障风险F(t,u)使用二变量威布尔回归来计算，其结合基于所观测健康指标的时间(t)和严重性(u)的风险的评估。二变量威布尔回归能够表达为：
其中，ηt、ηu、βt、βu和δ是模型的参数，t是操作时间；以及u是使用/健康严重等级，其从健康指标得出。
在特别优选的实施例中，所计算的故障风险还包括多变量威布尔回归，其考虑时间、所测量健康指标和环境、区域变量。环境区域变量可包括例如与泵浦系统100的位置有关的信息(例如储层条件)和操作特性(例如泵浦应用的需求)。多变量危险率方程优选地表达为：
，其中
Hijk=在区域k中的站点j的泵i的健康指标
δjk=站点级效应
δk=区域级效应，以及
，其中
表达故障概率。
因此对延长周期能够预计的每井的故障的总数为：
这呈现了标准更新方程，其能够使用蒙特卡洛方法或递归逻辑(取决于λijk(t)的复杂度)来求解。因此，使用这些方法，能够预测故障概率，同时对特定一个设备和设备编组结合环境和应用特定变量。
继续图5中所示的一般方法，但是现在还参照图6-8，其中所示的是生成多级生存模型的步骤的特别优选实施例的图形表示。参照图6，其中所示的是相对时间所绘制的聚合的健康指标的图形表示。这个图表示出在主信号处理完成之后来自泵浦系统100的健康指标/熔融特征的典型时间系列。
转向图7，其中所示的是对由泵浦系统100所产生并且在图6中制图的健康指标的雨流计数的输出。雨流计数方法用来将变化应力的谱简化为简单应力反向的集合。粗略分格在图7中示出，以示出基本概念。在当前优选实施例中，标准ASTM国际方式用来提取峰值，并且以不同方式对某些区域进行加权。基于经验结果，格和格的一些组合已知为由于泵浦系统100中的某些设计考虑因素而引起更大损坏，并且因此被所选损坏当量比“膨胀”。
使用来自雨流计数算法的输出，能够生成图8中的多变量高斯表面近似。图8中产生的曲线能够使用多变量概率拟合模型(其与空间统计中使用的克里金技术相似)来建立。例如，在第一优选实施例中，响应Z(在这种情况下是在点rij的预计周期，其中rij是与(Index_Mean,Index_Amplitude)组合对应的点，写作“通常通过平均μ和协方差矩阵σ2R所分布的Z~(多变量)”。假定高斯相关性，R矩阵具有通过下面函数所给出的元素(其中θ是被估计的模型参数)：
在其他示例中，假定立方相关性结构可以是有用的，其中R采取以下形式：
，其中
d=xik-xjk，以及ρ参数为：
这些拟合方法的精度能够使用多种方法来评估，包括但不限于Akaike信息标准(修正的)(AICc)、贝叶斯信息标准(BIC)或LogLikelihood(-2*LL)。使用从这些曲线所提取的方程，能够建立和应用多级生存模型。
继续图5，中央数据中心134在步骤406将特定健康指标应用于多级生存模型，以产生一个或多个所选输出。输出包括但不限于泵浦系统100的风险分析报告和操作指令。来自中央数据中心134的输出能够用来计算特定泵浦系统100系统、泵浦系统100编组和大类别泵浦系统100的故障风险和剩余有用寿命。如在步骤406所述，方法400的输出一般能够分类为技术风险、操作风险和金融风险。
对于技术风险，多级生存模型的应用结果能够用来识别可归因于设计和制造问题的过早设备故障。通过这个信息，能够采用和实现对产品设计和制造技术的改进。在特别优选的实施例中，由中央数据中心134所产生的输出用来为特定应用(例如重油相对于轻油)选择泵浦系统100中的组件的最佳组合。
对于操作风险，从工作在变化条件下的泵浦系统100所得到的健康指标的宽泛比较能够用来规定优化的性能协议(例如泵速)、计划维护、估计由于服务请求引起的停机时间并且提供可用性时间。
对于金融风险，多级生存模型的生成能够用来预测泵浦系统100的剩余有用寿命以及剩余有用寿命期间的组件故障的概率。这个信息能够用来评估在电动潜水泵浦系统的整个寿命的长期服务合同的金融风险。相同信息能够用来通知新模型定价信息和备用库存管理。
因此，优选实施例提供一种系统，其中健康指标在分立泵浦系统100来计算，来自多个泵浦系统100的健康指标上传到中央数据中心134中，以及上传的健康指标然后被协调、趋势分析和评估，以形成多级生存模型。多级生存模型则能够用来预测故障、通知设计决策并且优化泵浦系统100的性能。
要理解，即使在以上描述中已经阐明了本发明的各个实施例的许多特性和优点连同本发明的各个实施例的结构和功能的细节，但是本公开只是说明性的，并且在本发明的原理之内，在表达所附权利要求书的术语的广义一般含意所表示的完全范围内，可在细节方面、特别是在部件的结构和布置方面进行变更。本领域的技术人员将会理解，本发明的理论能够适用于其他系统，而没有背离本发明的范围和精神。例如，虽然结合电动潜水泵浦系统来描述优选实施例，但是将会理解，本文所公开的新系统和方法能够同样适用于分布式设备编组的其他示例。本文所公开的新系统和方法能够用来监测、评估和优化车队车辆、天然气压缩机、精炼设备和其他远程设置工业设备的性能。