使用概率介質(zhì)的基于人工智能模型的動(dòng)態(tài)過程控制的方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種用于控制例如油生產(chǎn)處理過程(2)的系統(tǒng)和方法。該系統(tǒng)包括用于處理從部署在油井的工作地點(diǎn)中的多個(gè)傳感器接收的數(shù)據(jù)(3)的多個(gè)智能介質(zhì)，且該系統(tǒng)應(yīng)用概率模型(4)來評(píng)估危險(xiǎn)和對(duì)于過程推薦合適的控制動(dòng)作。
【專利說明】
使用概率介質(zhì)的基于人工智能模型的動(dòng)態(tài)過程控制的方法和 系統(tǒng)
技術(shù)領(lǐng)域
[0001] 這里教導(dǎo)的實(shí)施例通常涉及用于控制復(fù)雜設(shè)備和動(dòng)態(tài)過程的方法和裝置，更特別 是，涉及用于在控制過程中以更大確定性進(jìn)行決策而控制所述設(shè)備和處理的方法和裝置。
【背景技術(shù)】
[0002] 復(fù)雜工業(yè)設(shè)備通常由于重要的上游和下游影響而對(duì)于生產(chǎn)操作很關(guān)鍵，且如果發(fā) 生性能損失或設(shè)備故障可能會(huì)引起重大問題。傳感器和設(shè)備的故障、傳感器校準(zhǔn)漂移、處理 參數(shù)的變化以及操作條件或環(huán)境的變化或擾動(dòng)都可能導(dǎo)致生產(chǎn)問題和損失。
[0003] 傳感器、設(shè)備和動(dòng)態(tài)過程的融合(它們中的一些不能夠成本合算地測量，或者根本 不能測量)使得非常難認(rèn)清生產(chǎn)操作，更不用說修復(fù)設(shè)備和生產(chǎn)問題。因此，很多公司需要 熟練的操作員或承包商觀察和識(shí)別問題，并確定實(shí)施什么動(dòng)作或方案。通常不能及時(shí)地獲 得足夠的信息，不過仍然需要作出決定。
[0004]通常，先進(jìn)的控制系統(tǒng)使用確定模型或處理來校正處理變化或擾動(dòng)。通常可能很 難或者根本不能夠準(zhǔn)確地確定、預(yù)期或識(shí)別變化或擾動(dòng)的因果關(guān)系。特別是當(dāng)基于不正確 診斷的控制動(dòng)作可能使得過程或產(chǎn)品處于危險(xiǎn)中時(shí)，確定在這些情況下的最可能動(dòng)作過程 甚至更困難。
[0005] Ken Schwaber和Mike Beedle的、標(biāo)題為"敏捷軟件開發(fā)與使用斯克拉姆課程 (Agile Software Development with Scrum)''的學(xué)術(shù)文獻(xiàn)（2〇〇2，Upper Saddle River: Prentice Hall，p. 25, ISBN 0-13-067634-9)教導(dǎo)了"定義的過程控制模型要求完全了解每 一件工作，根據(jù)定義明確的輸入集，每次都產(chǎn)生相同的輸出。一個(gè)定義的過程可以開始，并 能夠運(yùn)行直至完成，且每次有相同的結(jié)果"，所述參考由Wikipedia在2007年7月6日檢索，并 位于主題 Decision_process 的 note-1 下。
[0006] 模型預(yù)測控制技術(shù)通常需要預(yù)先知道擾動(dòng)的性質(zhì)，以便提供使得過程返回至它的 正常操作范圍內(nèi)的控制方向。這種技術(shù)還需要精確調(diào)整模型的參數(shù)，以使得模型的輸入將 產(chǎn)生準(zhǔn)確和相關(guān)的輸出。這種應(yīng)用需要非常專業(yè)和有知識(shí)的個(gè)人來進(jìn)行重要的維護(hù)，除非 它們非常穩(wěn)定。
[0007] 這種先進(jìn)控制技術(shù)通常通過基于的一套詳盡的邏輯或知識(shí)的來解決，該規(guī)則用于 確實(shí)地測試和識(shí)別這種擾動(dòng)的原因和實(shí)施的最佳行動(dòng)路線。導(dǎo)致可觀察到的問題的多個(gè)貢 獻(xiàn)因素可能產(chǎn)生足夠的不確定性，以使得這些系統(tǒng)不能夠執(zhí)行，或者是有實(shí)在太多變化，以 至于不能有詳盡的目錄。另外，用于診斷和確定合適校正動(dòng)作的計(jì)算需求能夠干擾對(duì)時(shí)間 敏感的過程監(jiān)測和控制的性能。
[0008] -些硬件和軟件平臺(tái)因在執(zhí)行先進(jìn)人工智能(AI)方法時(shí)對(duì)實(shí)時(shí)控制動(dòng)作進(jìn)行識(shí) 別和安排優(yōu)選次序而眾所周知，該先進(jìn)人工智能方法能夠在不確定的情況下進(jìn)行診斷和作 決定。
[0009] 模式識(shí)別是人工智能和機(jī)器學(xué)習(xí)應(yīng)用的公共特征。通常，它用于通過執(zhí)行輸入的 "最可能"匹配(考慮到它們的統(tǒng)計(jì)學(xué)變化)來對(duì)于給定的輸入值賦予標(biāo)記或分類。因此，模 式識(shí)別不同于模式匹配，相反，模式匹配在數(shù)據(jù)輸入與預(yù)先存在的模式中尋找確切匹配。智 能監(jiān)測系統(tǒng)和方法在Veillette的美國專利No. 7818276中公開。
[0010] 模式識(shí)別通常是缺乏物理數(shù)據(jù)的真正理解的技術(shù)，只依賴于模式識(shí)別來分類過程 的變化或擾動(dòng)（用于形成控制動(dòng)作的基礎(chǔ))類似于盲目行動(dòng)，通常產(chǎn)生不可接受的危險(xiǎn)。
[0011] 需要一種用于控制動(dòng)態(tài)過程的裝置和方法，以使得在處理狀態(tài)中有足夠的可靠性 和確定性，從而能夠在可接受的危險(xiǎn)水平下采取自動(dòng)控制動(dòng)作。

【發(fā)明內(nèi)容】

[0012] 這里教導(dǎo)的實(shí)施例利用基于人工智能模型的控制器(AIMC)系統(tǒng)來由智能介質(zhì) (agent)承擔(dān)分類結(jié)果的分析確認(rèn)，并使它與其它過程變量觀察結(jié)果組合，以便盡可能確定 地建立過程狀態(tài)的診斷和它的潛在原因，以使得在過程狀態(tài)中有足夠的信心，以便能夠在 具有可接受的危險(xiǎn)水平(例如過程中斷或故障）的情況下采取自動(dòng)控制動(dòng)作。
[0013] 根據(jù)本發(fā)明公開的一個(gè)方面，提供了一種用于控制至少一個(gè)裝置過程的方法。該 方法包括:接收由該過程產(chǎn)生的實(shí)時(shí)處理數(shù)據(jù);處理該實(shí)時(shí)處理數(shù)據(jù)，并將該處理數(shù)據(jù)與預(yù) 測目標(biāo)函數(shù)、歷史平均值、預(yù)測操作包絡(luò)線和預(yù)定靜態(tài)函數(shù)中的至少一個(gè)進(jìn)行比較，以建立 與正常操作的任何偏離;應(yīng)用概率模型來分類該偏離的源和可能原因；優(yōu)先驅(qū)動(dòng)與偏離的 因果關(guān)系相關(guān)的至少一個(gè)或多個(gè)診斷;根據(jù)該一個(gè)或多個(gè)診斷的結(jié)果來改變概率模型；以 及應(yīng)用改變的概率模型來起動(dòng)對(duì)過程的至少一個(gè)控制動(dòng)作，以調(diào)節(jié)響應(yīng)于偏離的該過程。
[0014] 在一個(gè)實(shí)施例中，方法還包括:應(yīng)用改變的概率模型來用于評(píng)估該至少一個(gè)控制 動(dòng)作引起過程中斷的危險(xiǎn)。
[0015] 在另一實(shí)施例中，至少一個(gè)或多個(gè)診斷的優(yōu)先驅(qū)動(dòng)還包括:模式匹配，以便進(jìn)行與 已知模式的概率匹配;以及分類該一個(gè)或多個(gè)診斷中的哪些是首先驅(qū)動(dòng)的。
[0016] 在另一實(shí)施例中，方法還包括:在起動(dòng)該至少一個(gè)控制動(dòng)作之前優(yōu)化該至少一個(gè) 控制動(dòng)作。
[0017] 在另一實(shí)施例中，概率模型是概率圖網(wǎng)絡(luò)(Probabilistic Graphical Network)。 [0018]在另一實(shí)施例中，概率模型是貝葉斯(Bayesian)網(wǎng)絡(luò)。
[0019] 根據(jù)本發(fā)明的另一方面，提供了一種用于控制至少一個(gè)裝置過程的方法。該方法 包括:在數(shù)據(jù)和建模介質(zhì)處將實(shí)時(shí)數(shù)據(jù)與過程的統(tǒng)計(jì)圖(profile)、過程的歷史輪廓和過程 的模擬輪廓中的至少一個(gè)進(jìn)行比較，所述比較考慮操作變化并從而識(shí)別偏離;在狀態(tài)介質(zhì) 處跟蹤過程的進(jìn)展和特定狀態(tài);在監(jiān)控管理器處分類與用于進(jìn)行概率診斷測試的偏離相關(guān) 的一個(gè)或多個(gè)診斷介質(zhì)，所述診斷介質(zhì)包括因果關(guān)系的進(jìn)程相關(guān)的概率圖網(wǎng)絡(luò);在監(jiān)控管 理器處激發(fā)分類診斷介質(zhì)，以識(shí)別偏離的可能原因和它們的可能性，并接收概率診斷;在監(jiān) 督管理器處比較多個(gè)診斷介質(zhì)的概率診斷，并更新高確定性的診斷的狀態(tài)介質(zhì)，或者當(dāng)區(qū) 分可能的原因有足夠的不確定性時(shí)，起動(dòng)另外的診斷測試；以及在控制介質(zhì)處根據(jù)一個(gè)或 多個(gè)診斷的概率來評(píng)估控制動(dòng)作的機(jī)會(huì)和風(fēng)險(xiǎn)，并根據(jù)所述評(píng)估來起動(dòng)至少一個(gè)對(duì)于過程 的控制動(dòng)作。
[0020] 根據(jù)本發(fā)明的另一方面，提供了一種系統(tǒng)，用于控制該系統(tǒng)中的至少一個(gè)裝置的 過程。該系統(tǒng)包括:多個(gè)傳感器，用于收集過程的數(shù)據(jù);狀態(tài)介質(zhì)，用于根據(jù)由傳感器收集的 數(shù)據(jù)來監(jiān)測系統(tǒng)的狀態(tài);至少一個(gè)診斷介質(zhì)，用于診斷系統(tǒng)的至少一部分，并從傳感器收集 診斷數(shù)據(jù)，以便識(shí)別與正常操作的偏離;控制介質(zhì)，用于執(zhí)行對(duì)過程的控制動(dòng)作；以及監(jiān)控 管理器，該監(jiān)督管理器與狀態(tài)介質(zhì)、至少一個(gè)診斷介質(zhì)和控制介質(zhì)連接，用于:接收由過程 產(chǎn)生的實(shí)時(shí)處理數(shù)據(jù);與預(yù)測目標(biāo)函數(shù)和/或歷史平均值和/或預(yù)測操作包絡(luò)線和/或預(yù)定 靜態(tài)函數(shù)進(jìn)行比較，用于建立與正常操作的任何偏離;在狀態(tài)介質(zhì)處應(yīng)用概率模型，用于分 類偏離的源和可能原因；優(yōu)先驅(qū)動(dòng)與偏離的因果關(guān)系相關(guān)的至少一個(gè)診斷介質(zhì)；由來自該 至少一個(gè)診斷介質(zhì)的結(jié)果來改變狀態(tài)介質(zhì)的概率模型；以及在控制介質(zhì)處應(yīng)用概率模型， 用于評(píng)估風(fēng)險(xiǎn)和應(yīng)用控制動(dòng)作到該至少一個(gè)裝置，以便調(diào)節(jié)過程。
[0021] 在一個(gè)實(shí)施例中，該一個(gè)或多個(gè)診斷介質(zhì)是包含診斷介質(zhì)的子介質(zhì)。
[0022] 在另一實(shí)施例中，各介質(zhì)能夠作為單獨(dú)介質(zhì)或作為包含介質(zhì)的子介質(zhì)來獨(dú)立地操 作。
[0023] 在另一實(shí)施例中，包含介質(zhì)是面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)。
[0024] 在另一實(shí)施例中，該至少一個(gè)裝置包括至少一個(gè)抽油機(jī)(pump jack)。
[0025] 在另一實(shí)施例中，該至少一個(gè)裝置包括甲烷蒸氣重整器、鍋爐、熱處理爐、水處理 設(shè)備和撓裝壓縮機(jī)(compressor skid)中的至少一個(gè)。
[0026] 在另一實(shí)施例中，系統(tǒng)分布在多個(gè)工作地點(diǎn)中，用于控制該工作地點(diǎn)上的裝置。
[0027] 根據(jù)本公開的另一方面，提供了一種用于控制系統(tǒng)中的至少一個(gè)裝置的過程的系 統(tǒng)，所述系統(tǒng)包括:多個(gè)傳感器，用于收集過程的數(shù)據(jù)；以及至少一個(gè)計(jì)算裝置，該計(jì)算裝置 有多個(gè)介質(zhì)，用于分析從傳感器收集的數(shù)據(jù)，根據(jù)所述分析來改變過程的模型，并根據(jù)所述 改變的過程模型來起動(dòng)對(duì)于過程的控制動(dòng)作，用于調(diào)節(jié)該過程，其中，第一個(gè)所述介質(zhì)利用 概率圖模型來識(shí)別至少一個(gè)用于改變過程模型參數(shù)。
[0028] 在一個(gè)實(shí)施例中，概率圖模型是貝葉斯網(wǎng)絡(luò)。
[0029] 在另一實(shí)施例中，第二個(gè)所述介質(zhì)根據(jù)從傳感器收集的數(shù)據(jù)來監(jiān)測系統(tǒng)的狀態(tài)。
[0030] 在另一實(shí)施例中，至少第三個(gè)所述介質(zhì)診斷系統(tǒng)的至少一部分和從傳感器收集的 診斷數(shù)據(jù)，以便識(shí)別與正常操作的偏離。
[0031] 在另一實(shí)施例中，至少第四個(gè)所述介質(zhì)執(zhí)行控制動(dòng)作，以便調(diào)節(jié)過程。
[0032] 在另一實(shí)施例中，至少第五個(gè)所述介質(zhì)優(yōu)化要應(yīng)用于該過程的控制動(dòng)作;第六個(gè) 所述介質(zhì)建立和保持用于系統(tǒng)操作的過程模型，并識(shí)別處理與正常操作的偏離;第七個(gè)所 述介質(zhì)是監(jiān)控管理器，用于管理所述介質(zhì)。
[0033] 在另一實(shí)施例中，該至少一個(gè)裝置包括一個(gè)或多個(gè)抽油機(jī)。
[0034] 根據(jù)本公開的另一方面，提供了一種系統(tǒng)，用于控制系統(tǒng)中的至少一個(gè)裝置的過 程。該系統(tǒng)包括:多個(gè)傳感器，用于收集處理數(shù)據(jù)；以及至少一個(gè)計(jì)算裝置，該計(jì)算裝置有多 個(gè)介質(zhì)，用于分析從傳感器收集的數(shù)據(jù)，根據(jù)所述分析來改變過程模型，并根據(jù)改變的過程 模型來起動(dòng)對(duì)于過程的控制動(dòng)作，用于調(diào)節(jié)該過程，其中，至少一個(gè)所述介質(zhì)利用概率圖形 化模型來識(shí)別優(yōu)化策略，用于確定調(diào)節(jié)過程的控制動(dòng)作，并根據(jù)優(yōu)化策略來識(shí)別要優(yōu)化的 參數(shù)的數(shù)值搜索區(qū)域，且進(jìn)行數(shù)值優(yōu)化，以便搜索所述參數(shù)的最佳值。
[0035] 在一個(gè)實(shí)施例中，所述最佳值是總體最佳值。
[0036] 在一個(gè)實(shí)施例中，所述最佳值是在所述數(shù)值搜索區(qū)域中的最適合局部最佳值。
[0037] 在一個(gè)實(shí)施例中，概率圖模型是貝葉斯網(wǎng)絡(luò)。
[0038]在一個(gè)實(shí)施例中，第二個(gè)所述介質(zhì)根據(jù)從傳感器收集的數(shù)據(jù)來監(jiān)測系統(tǒng)的狀態(tài)。 [0039]在另一實(shí)施例中，至少第三個(gè)所述介質(zhì)診斷系統(tǒng)的至少一部分和從傳感器收集的 診斷數(shù)據(jù)，以便識(shí)別與正常操作的偏離。
[0040] 在另一實(shí)施例中，至少第四個(gè)所述介質(zhì)執(zhí)行對(duì)于過程的控制動(dòng)作。
[0041] 在另一實(shí)施例中，至少第五個(gè)所述介質(zhì)識(shí)別用于改變過程模型的至少一個(gè)參數(shù)； 第六個(gè)所述介質(zhì)建立和保持用于系統(tǒng)操作的過程模型，并識(shí)別處理與正常操作的偏離;第 七個(gè)所述介質(zhì)管理所述介質(zhì)。
[0042] 在另一實(shí)施例中，該至少一個(gè)裝置包括至少一個(gè)抽油機(jī)。
【附圖說明】
[0043]圖1表示了人工智能模型的控制器(AMC)系統(tǒng)的硬件圖，用于建立實(shí)時(shí)監(jiān)測、網(wǎng)絡(luò) 通信和過程控制，無論它們是本地、遠(yuǎn)程或者它們的組合；
[0044]圖2是圖1的AIMC系統(tǒng)的軟件結(jié)構(gòu)，表示了智能介質(zhì)（IA)網(wǎng)絡(luò)的分層結(jié)構(gòu)的實(shí)例， 該智能介質(zhì)網(wǎng)絡(luò)有多種類型的智能介質(zhì)，用于控制和優(yōu)化裝置和過程，在本文中為用于油 井的抽油桿栗控制器；
[0045] 圖3表示了在圖1的ABC系統(tǒng)的數(shù)據(jù)和建模介質(zhì)中的數(shù)據(jù)處理的流程圖；
[0046] 圖4表示了在圖1的ABC系統(tǒng)的狀態(tài)介質(zhì)中的數(shù)據(jù)處理的流程圖；
[0047] 圖5表示了在圖1的ABC系統(tǒng)的診斷介質(zhì)中的數(shù)據(jù)處理的流程圖；
[0048]圖6表示了在圖1的ABC系統(tǒng)的控制策略介質(zhì)中的數(shù)據(jù)處理的流程圖；
[0049] 圖7表示了在圖1的ABC系統(tǒng)的優(yōu)化介質(zhì)中的數(shù)據(jù)處理的流程圖；
[0050] 圖8表示了圖1的AIMC系統(tǒng)的數(shù)據(jù)和建模介質(zhì)的功能圖；
[0051] 圖9表示了圖1的AIMC系統(tǒng)的狀態(tài)介質(zhì)的功能圖；
[0052] 圖10表示了圖1的AIMC系統(tǒng)的診斷介質(zhì)的功能圖；
[0053]圖11表示了模型/參數(shù)優(yōu)化介質(zhì)的功能圖；
[0054]圖12是完整時(shí)間圖，圖13A至13C是完整圖的放大圖，所述圖表不通過循環(huán)栗送過 程來實(shí)施，其中，監(jiān)督介質(zhì)以一個(gè)周期中間的時(shí)間增量來監(jiān)測過程中的流數(shù)據(jù)（圖13A)，并 進(jìn)行測試、概率分類，用于在需要時(shí)補(bǔ)充合適的控制介質(zhì)，學(xué)習(xí)和更新介質(zhì)（圖13B)，并進(jìn)一 步監(jiān)測整個(gè)循環(huán)(圖13B和13C)，從而根據(jù)概率來分類結(jié)果，以便智能控制循環(huán)和管理偏離； [0055]圖14表示了圖1的AMC系統(tǒng)的AI管理器，該AI管理器控制用于進(jìn)行概率分析的IA， 以便確定偏離的因果關(guān)系、根據(jù)處理參數(shù)來優(yōu)先化和選擇可能的診斷介質(zhì)，從方案中學(xué)習(xí)， 更新模型，并根據(jù)例如過程中斷或故障的可接受風(fēng)險(xiǎn)來發(fā)出控制指令；
[0056]圖15至24表示了系統(tǒng)和方法的工業(yè)實(shí)施例，具體地說，在本文中為油井和抽油機(jī) 過程；
[0057]圖15表示了圖1的AIMC系統(tǒng)的數(shù)據(jù)和建模介質(zhì)的詳情；
[0058]圖16表示了圖1的ABC系統(tǒng)的狀態(tài)介質(zhì)的詳情；
[0059]圖17是理想栗循環(huán)、氣體干擾的已知診斷和觀察的栗循環(huán)的視圖，系統(tǒng)通過概率 圖模型(PGM)來確定栗循環(huán)的狀態(tài)和將要調(diào)用氣體干擾介質(zhì)（圖6,6-3)的可能性；
[0060]圖18A是可選和可能的診斷介質(zhì)的流程圖，該診斷介質(zhì)能夠通過識(shí)別與栗操作中 的正?；蝾A(yù)測操作的任何潛在變化或偏離來補(bǔ)充，例如外部擾動(dòng)或處理?xiàng)l件或參數(shù)的變 化，如由圖1的狀態(tài)介質(zhì)來確定，表示了用于氣體干擾的介質(zhì)（圖18B)、桿疲勞監(jiān)測（圖18C) 和井參數(shù)(圖18D)，各介質(zhì)能夠通過可能起作用的測試和已知因素的概率確定來選擇；
[0061 ]圖19A和19B表示了在整個(gè)循環(huán)中在鉆桿柱上的力的三維(3D)繪圖，其中，圖19A表 示了彩色古德曼應(yīng)力圖(Goodman Stress Diagram)，表示了在整個(gè)循環(huán)中鉆桿柱的各部分 的Goodman負(fù)載，從而使得用戶能夠很容易地識(shí)別在鉆桿柱的沖程中哪里超應(yīng)力，圖19B表 示了圖19A的Goodman應(yīng)力圖的非彩色形式；
[0062]圖20是分組多個(gè)節(jié)點(diǎn)的示意圖，這些節(jié)點(diǎn)能夠用于表示在根據(jù)圖1的栗實(shí)施例的 過程、模型和量度(me tr i c s)中的值；
[0063]圖21表示了由第一和第二部件的組合產(chǎn)生的結(jié)構(gòu)的學(xué)習(xí)，以便提供因果關(guān)系的概 率圖模型；
[0064]圖22表示了圖1的AIMC系統(tǒng)的控制介質(zhì)的詳情，用于控制抽油桿栗的栗出循環(huán)，控 制介質(zhì)評(píng)估和建立特定控制動(dòng)作引起過程中斷或故障的危險(xiǎn)，并根據(jù)診斷結(jié)果以及來自優(yōu) 化和診斷介質(zhì)的進(jìn)一步輸入而推薦合適的控制動(dòng)作，該優(yōu)化和診斷介質(zhì)用于在采取精確控 制動(dòng)作之前可能地優(yōu)化機(jī)會(huì)；
[0065] 圖23是用于圖1的栗實(shí)施例的概率圖網(wǎng)絡(luò)的可能結(jié)構(gòu)的示意圖，即使用概率方法 來確定因果關(guān)系和實(shí)施用于控制的裝置的控制動(dòng)作，動(dòng)作的危險(xiǎn)和結(jié)果包括優(yōu)化性能的目 的，并考慮相反目的來平衡；以及
[0066] 圖24表示了圖1的AIMC系統(tǒng)的優(yōu)化介質(zhì)的詳情，用于與控制介質(zhì)合作，以便控制抽 油桿栗的栗出循環(huán)。
【具體實(shí)施方式】
[0067] 這里所述的實(shí)施例使用基于人工智能模型的控制器(AIMC)系統(tǒng)來監(jiān)測一個(gè)或多 個(gè)裝置或設(shè)備的操作過程，通過智能介質(zhì)來承擔(dān)分類結(jié)果的分析確認(rèn)，并調(diào)節(jié)該過程。分析 確認(rèn)與其它過程變量觀察進(jìn)行組合，以便盡可能確定地建立過程狀態(tài)的診斷和它的根本原 因，以使得在處理狀態(tài)中有足夠的信心，以便能夠在具有可接受的危險(xiǎn)水平(例如過程中斷 或故障）的情況下采取自動(dòng)控制動(dòng)作。下文中，術(shù)語"盡可能確定地"的意思是建立的診斷在 滿足設(shè)計(jì)要求的合適程度上是確定，例如在如過程中斷或故障的可接受危險(xiǎn)水平下自動(dòng)控 制動(dòng)作。
[0068]系統(tǒng)結(jié)構(gòu)
[0069]參考圖1，根據(jù)一個(gè)實(shí)施例，基于人工智能模型的控制器(AMC)系統(tǒng)表示為用于控 制一個(gè)或多個(gè)裝置或設(shè)備，例如抽油機(jī)，并總體由參考標(biāo)號(hào)100表示。如圖所示，系統(tǒng)100包 括控制器102,該控制器102安裝在油井的工作地點(diǎn)104上?？刂破?02可以在通用計(jì)算機(jī)中 通過合適的軟件、固件、微控制器、微處理器或多個(gè)微處理器、數(shù)字信號(hào)處理器或者其它硬 件或硬件和軟件的組合(使用本領(lǐng)域技術(shù)人員已知的方法)來實(shí)施。也可選擇，控制器102可 以使用一個(gè)或多個(gè)工業(yè)控制裝置來實(shí)施，該工業(yè)控制裝置是設(shè)計(jì)成用于特殊目的或用途的 普通計(jì)算裝置。
[0070]控制器102與多個(gè)傳感器106連通，這些傳感器106安裝在地面上或油井的井孔中 的多個(gè)裝置(例如抽油機(jī)114、油管柱、機(jī)殼、抽油桿(未示出）等)上，用于收集與油井和裝置 相關(guān)的數(shù)據(jù)，例如曲柄速度、桿應(yīng)力、井下溫度和壓力、流體高度等。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)知 道，在多個(gè)實(shí)施例中，系統(tǒng)100可以包括多種傳感器，并在需要時(shí)收集多種數(shù)據(jù)。特殊的傳感 器和收集的數(shù)據(jù)通常取決于系統(tǒng)的設(shè)計(jì)和實(shí)施方式。
[0071] 控制器102還與多個(gè)動(dòng)作裝置108連通，這些動(dòng)作裝置108例如變速馬達(dá)、AC或DC變 速驅(qū)動(dòng)器例如ABE ACS_601(ABE Industry 0y，赫爾辛基，芬蘭）或Allen-Bradley 1336沖 擊驅(qū)動(dòng)器(羅克韋爾自動(dòng)化公司（Rockwell Automation)，密爾沃基，威斯康星州.，美國）、 動(dòng)態(tài)制動(dòng)器、警報(bào)器等，用于根據(jù)預(yù)定規(guī)則(例如用于控制曲柄速度的曲柄速度型面)和/或 響應(yīng)由傳感器106收集的數(shù)據(jù)來控制油井的裝置的操作。
[0072]系統(tǒng)100還包括一個(gè)或多個(gè)計(jì)算裝置110A和110B，這里集中表示為計(jì)算裝置110。 如本領(lǐng)域技術(shù)人員已知，各計(jì)算裝置110可以包括處理器、儲(chǔ)存器(例如只讀儲(chǔ)存器(R0M)、 易失和/或非易失隨機(jī)存取存儲(chǔ)器(RAM)、固態(tài)驅(qū)動(dòng)器、硬盤驅(qū)動(dòng)器等）、網(wǎng)絡(luò)模塊和其它部 件，它們都通過一個(gè)或多個(gè)信號(hào)總線而與處理器連接。
[0073] -些計(jì)算裝置110A可以部署在油井的工作地點(diǎn)104中，并通過合適的有線或無線 裝置而與控制器1 〇 2連接，例如直接電纜連接、局域網(wǎng)（L A N )、以太網(wǎng)、 WiFi?、Bluetooth?、Zigbee?等。一些其它計(jì)算裝置110B可以部署為遠(yuǎn)離油井，并通 過網(wǎng)絡(luò)112而與控制器連接，例如廣域網(wǎng)(WAN)、互聯(lián)網(wǎng)、電話網(wǎng)絡(luò)、電纜網(wǎng)絡(luò)或衛(wèi)星，通過合 適的有線或無線裝置。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)知道，根據(jù)系統(tǒng)設(shè)計(jì)和實(shí)施方式，一個(gè)或多個(gè)計(jì) 算裝置110可以是桌面計(jì)算機(jī)、膝上計(jì)算機(jī)、服務(wù)器計(jì)算機(jī)、平板、智能電話、個(gè)人數(shù)字助理 (roA)等。
[0074] 盡管在圖1中未示出，系統(tǒng)100還可以包括設(shè)計(jì)成用于專門應(yīng)用或用途的計(jì)算裝 置，例如適合工業(yè)控制裝置實(shí)施的裝置。
[0075] 在該實(shí)施例中，AMC系統(tǒng)100利用概率圖網(wǎng)絡(luò)(PGN)例如Bayesian網(wǎng)絡(luò)和時(shí)間序列 模式識(shí)別技術(shù)等，通過利用包括過程的相關(guān)分析模型、處理子系統(tǒng)或擾動(dòng)的測試的過程變 量、狀態(tài)和輸出，以構(gòu)造和評(píng)估一個(gè)或多個(gè)裝置的操作過程的當(dāng)前狀態(tài)的分類和診斷，以便 確認(rèn)多種分類的可能性。從軟件的觀點(diǎn)，AMC系統(tǒng)100包括智能介質(zhì)（IA)網(wǎng)絡(luò)或介質(zhì)，它們 各自是執(zhí)行預(yù)定分析范圍和由中心介質(zhì)(表示為AI管理器)管理的軟件模塊。AMC系統(tǒng)使得 一個(gè)或多個(gè)過程模型和模型預(yù)測控制技術(shù)與多個(gè)IA結(jié)合。各IA利用概率推理方法來執(zhí)行、 引導(dǎo)和優(yōu)先進(jìn)行專門的分析、診斷和控制方向，例如概率圖模型或Bayesian網(wǎng)絡(luò)。
[0076]圖2表示了A頂C系統(tǒng)100的軟件結(jié)構(gòu)150,如在系統(tǒng)硬件上執(zhí)行。如圖所示，軟件結(jié) 構(gòu)150包括AI管理器152(也稱為監(jiān)督管理器或監(jiān)督介質(zhì)）、一個(gè)或多個(gè)診斷介質(zhì)154、狀態(tài)介 質(zhì)156、數(shù)據(jù)和建模介質(zhì)158、一個(gè)或多個(gè)優(yōu)化介質(zhì)160、一個(gè)或多個(gè)控制策略介質(zhì)162以及一 個(gè)或多個(gè)模型/參數(shù)調(diào)整介質(zhì)168,它們各自作為IA實(shí)施。軟件結(jié)構(gòu)150還包括通信模塊164 和栗控制器166。如本領(lǐng)域技術(shù)人員已知，通信模塊164包括合適的有線或無線信道和功能 部件，用于通過信道使用一組合適的通信協(xié)議來通信。在該實(shí)施例中，通信模塊164是使用 公知的TCP/1P通信協(xié)議的TCP/1P通信模塊。
[0077] AI管理器152根據(jù)接收的數(shù)據(jù)來管理診斷介質(zhì)154、狀態(tài)介質(zhì)156、數(shù)據(jù)和建模介質(zhì) 158、優(yōu)化介質(zhì)160和控制策略介質(zhì)162(后面更詳細(xì)介紹KAI管理器152起動(dòng)和優(yōu)先運(yùn)行這 些介質(zhì)154至162和168,用于優(yōu)化處理器的使用，通信測試結(jié)果，診斷和控制推薦，并通過更 新由多個(gè)IA利用的PGN或Bayes ian網(wǎng)絡(luò)所使用的數(shù)據(jù)和概率表格而促進(jìn)學(xué)習(xí)能力。
[0078]在該實(shí)施例中，從傳感器106收集的實(shí)時(shí)數(shù)據(jù)首先傳送給栗控制器166。栗控制器 166再通過通信模塊164而將傳感器數(shù)據(jù)傳送給數(shù)據(jù)和建模介質(zhì)158。
[0079]數(shù)據(jù)和建模介質(zhì)158管理輸入的數(shù)據(jù)，執(zhí)行實(shí)時(shí)分析和測試，如由AI管理器152來 指引。數(shù)據(jù)和建模介質(zhì)158建立和保持用于系統(tǒng)操作的過程模型，根據(jù)實(shí)施方式，該過程模 型可以包括多個(gè)子模型，用于系統(tǒng)操作的多個(gè)方面。數(shù)據(jù)和建模介質(zhì)158處理實(shí)時(shí)傳感器數(shù) 據(jù)，以便更新過程模型。
[0080] 圖3表示了在數(shù)據(jù)和建模介質(zhì)158中處理數(shù)據(jù)的流程圖。如圖所示，從通信模塊164 接收的實(shí)時(shí)傳感器數(shù)據(jù)202由幾何測力記錄卡(Dyna卡)產(chǎn)生模塊204來處理，用于產(chǎn)生幾何 測力記錄卡，并由建模模塊206進(jìn)一步處理，用于更新過程模型。數(shù)據(jù)和建模介質(zhì)158還根據(jù) 由診斷介質(zhì)154(后面更詳細(xì)介紹)進(jìn)行的診斷測試來從AI管理器152接收表示過程模型更 新的數(shù)據(jù)，以便更新過程模型。而且，數(shù)據(jù)和建模介質(zhì)158還從模型/參數(shù)調(diào)整介質(zhì)168接收 數(shù)據(jù)，以便當(dāng)處理模型明顯偏離它的上次的已知狀態(tài)時(shí)調(diào)整該過程模型。
[0081] 監(jiān)測和記錄模塊208監(jiān)測過程模型的更新，產(chǎn)生用于狀態(tài)介質(zhì)156的數(shù)據(jù)214,并將 過程模型更新記錄至記錄日志中。監(jiān)測和記錄模塊208還提供用于模型預(yù)測控制(MPC)模塊 210來預(yù)測處理模型變化所需的數(shù)據(jù)。分別由MPC模塊210和監(jiān)測和記錄模塊208產(chǎn)生的數(shù)據(jù) 212和214發(fā)送給狀態(tài)介質(zhì)156。
[0082]同時(shí)，實(shí)時(shí)傳感器數(shù)據(jù)202以及由幾何測力卡產(chǎn)生模塊204、建模模塊206和監(jiān)測和 記錄模塊208產(chǎn)生的數(shù)據(jù)也發(fā)送給警告管理器216,用于識(shí)別需要通知或警告的事件。數(shù)據(jù) (例如與識(shí)別事件相關(guān)和由警告管理器216產(chǎn)生的數(shù)據(jù))也發(fā)送給狀態(tài)介質(zhì)156。
[0083]狀態(tài)介質(zhì)156使用從數(shù)據(jù)和建模介質(zhì)158接收的數(shù)據(jù)來用于更新系統(tǒng)狀態(tài)、跟蹤過 程的進(jìn)展和特定狀態(tài)、并監(jiān)測和識(shí)別與正常操作的變化。如圖4中所示，根據(jù)狀態(tài)方法252， 狀態(tài)介質(zhì)156使用從數(shù)據(jù)和建模介質(zhì)158接收的數(shù)據(jù)來進(jìn)行一系列的狀態(tài)測試254。狀態(tài)測 試結(jié)果送入Bayesian網(wǎng)絡(luò)256中用于分析。Bayesian網(wǎng)絡(luò)256的輸出發(fā)送給AI管理器152,用 于調(diào)節(jié)系統(tǒng)操作。Bayesian網(wǎng)絡(luò)256的輸出也用于通過優(yōu)先進(jìn)行基于概率的分析來調(diào)節(jié)狀 態(tài)方法252。
[0084]狀態(tài)介質(zhì)156向AI管理器152報(bào)告系統(tǒng)100的狀態(tài)。需要時(shí)，例如當(dāng)系統(tǒng)處于特殊狀 態(tài)時(shí)、當(dāng)檢測到異常情況時(shí)，或者當(dāng)接近計(jì)劃診斷時(shí)間時(shí)，AI管理器152再命令一個(gè)或多個(gè) 診斷介質(zhì)154來診斷系統(tǒng)的至少一部分和從傳感器106收集診斷數(shù)據(jù)，用于識(shí)別與正常操作 或MPC的偏離。如圖5中所示，診斷介質(zhì)154根據(jù)診斷方法272來進(jìn)行一系列診斷測試274。診 斷測試結(jié)果送入Bayesian網(wǎng)絡(luò)276中用于分析。Bayesian網(wǎng)絡(luò)276的輸出發(fā)送給AI管理器 152,用于調(diào)節(jié)系統(tǒng)操作和用于更新狀態(tài)介質(zhì)156Bayesian網(wǎng)絡(luò)276的輸出也用于通過優(yōu)先 進(jìn)行基于概率的分析來調(diào)節(jié)診斷方法272。
[0085] 根據(jù)來自狀態(tài)介質(zhì)156的報(bào)告和診斷介質(zhì)154的診斷結(jié)果，AI管理器152命令一個(gè) 或多個(gè)控制策略介質(zhì)162來評(píng)估和推薦用于調(diào)節(jié)系統(tǒng)操作的控制動(dòng)作，例如通過改變栗控 制器166的參數(shù)。如圖6中所示，控制策略介質(zhì)162從AI管理器152接收與系統(tǒng)操作相關(guān)的數(shù) 據(jù)和從優(yōu)化介質(zhì)160 (后面將介紹)接收優(yōu)化數(shù)據(jù)，并根據(jù)控制策略方法302來進(jìn)行一系列控 制策略測試304?？刂撇呗詼y試結(jié)果送入Bayesian網(wǎng)絡(luò)306中用于分析。Bayesian網(wǎng)絡(luò)306的 輸出發(fā)送給栗控制器166,用于調(diào)節(jié)系統(tǒng)操作。Bayesian網(wǎng)絡(luò)306的輸出也用于通過優(yōu)先進(jìn) 行基于概率的分析來調(diào)節(jié)控制策略方法302。
[0086] AI管理器152還可以命令一個(gè)或多個(gè)優(yōu)化介質(zhì)160來確定用于控制策略介質(zhì)162的 優(yōu)化控制策略。如圖7中所示，優(yōu)化介質(zhì)160從AI管理器152接收與系統(tǒng)操作相關(guān)的數(shù)據(jù)，并 根據(jù)優(yōu)化策略方法332來進(jìn)行一系列的優(yōu)化策略測試334。優(yōu)化策略測試結(jié)果送入Bayesian 網(wǎng)絡(luò)336中用于分析。Bayesian網(wǎng)絡(luò)336的輸出發(fā)送給控制策略介質(zhì)，用于確定控制動(dòng)作。 Bayesian網(wǎng)絡(luò)336的輸出也用于通過優(yōu)先進(jìn)行基于概率的分析來調(diào)節(jié)優(yōu)化策略方法332。 [0087]如本領(lǐng)域技術(shù)人員已知，模塊152至168根據(jù)它們的功能和角色來確定。各模塊152 至168可以包括一個(gè)或多個(gè)程序或程序模塊，并可以以任意合適形式而部署在一個(gè)或多個(gè) 計(jì)算裝置110和控制器102上，例如作為軟件程序、軟件包、固件、或者硬件部件，例如可現(xiàn)場 編程的門陣列（FPGA)或?qū)Ｓ眉呻娐?ASIC)芯片。處理負(fù)載也可以動(dòng)態(tài)地分布在控制器 102和/或計(jì)算裝置110的至少一些處理器上。
[0088]盡管圖2中未示出，控制器102和計(jì)算裝置110各自執(zhí)行操作系統(tǒng)，例如實(shí)時(shí)操作系 統(tǒng)、Unix?、Linux?、Mi_cros〇ft?ffind〇w NT、Micros〇ft?Wind〇ws 2000Server、 Micr〇S〇ft?Windows Server 2012等。通常，操作系統(tǒng)是由處理器執(zhí)行的一組計(jì)算機(jī)可讀 代碼，用于管理各個(gè)硬件和軟件部件，并用于支持執(zhí)行應(yīng)用程序。控制器102和計(jì)算裝置110 都可以執(zhí)行相同類型的操作系統(tǒng)，或者在需要時(shí)它們可以執(zhí)行不同類型的操作系統(tǒng)。
[0089]因?yàn)榇蟛糠止I(yè)控制器的計(jì)算能力和可編程能力通常太多限制，以至于不能實(shí)施 現(xiàn)代AI技術(shù)，因此這里所述的計(jì)算裝置的實(shí)施例可以包括一個(gè)從運(yùn)行到完成的事件驅(qū)動(dòng)操 作系統(tǒng)和一個(gè)無閉塞核心，它能夠優(yōu)先進(jìn)行控制方案的時(shí)間敏感方面的監(jiān)測和控制，同時(shí) 運(yùn)行多個(gè)算法或線程，包括人工智能算法，該人工智能算法可以在優(yōu)先的基礎(chǔ)上與給定的 進(jìn)程同步或不同步地運(yùn)行。
[0090] 而且，根據(jù)系統(tǒng)設(shè)計(jì)和實(shí)施方式，一些計(jì)算裝置可以根本不執(zhí)行操作系統(tǒng)。而是， 這些計(jì)算裝置可以只執(zhí)行管理程序，以便管理它的硬件和/或軟件部件，并方便它們的操 作。
[0091] 對(duì)于軟件結(jié)構(gòu)150，AIMC系統(tǒng)100利用概率方法和模式識(shí)別技術(shù)的集合，以便監(jiān)測 和控制系統(tǒng)操作過程。AHC系統(tǒng)100使得過程的隨機(jī)理解與機(jī)器學(xué)習(xí)技術(shù)結(jié)合，以便在不確 定的情況下盡可能確定性地作出處理控制決定。
[0092]如上所述，AMC系統(tǒng)100建立和保持用于系統(tǒng)操作的過程模型。過程模型進(jìn)行精確 調(diào)整，以便反映當(dāng)前的操作情況和最佳地執(zhí)行。特別是，系統(tǒng)100觀察過程操作，并使它與過 去或歷史觀察相比較，以便檢測過程參數(shù)的漂移。由處理參數(shù)漂移導(dǎo)致的處理輸出的處理 模擬或統(tǒng)計(jì)表示與當(dāng)前觀察進(jìn)行比較，并用于識(shí)別、確認(rèn)和更新處理模型的變化。
[0093]過程模擬能夠用于詳盡地或者選擇地描繪對(duì)于過程變量的過程響應(yīng)、它們的操作 范圍和潛在的偏離，這樣，過程的變化可能通過機(jī)器學(xué)習(xí)技術(shù)能夠概率性地確定，并表示為 概率圖網(wǎng)絡(luò)(PGN)。當(dāng)與過程的歷史觀察組合時(shí)，能夠進(jìn)行本質(zhì)上高度確定性的參數(shù)調(diào)整或 處理優(yōu)化，而沒有實(shí)時(shí)的詳盡模擬和/或數(shù)值方法。
[0094]當(dāng)使用機(jī)器學(xué)習(xí)技術(shù)時(shí)，過程響應(yīng)(例如能量消耗或生產(chǎn)輸出）能夠表示在PGN中， 并用于向數(shù)字優(yōu)化裝置提供引導(dǎo)。引導(dǎo)可以包括識(shí)別用于數(shù)字搜索的緊湊范圍，以便對(duì)于 操作參數(shù)或在過程事件中高度確定地收斂在最佳方案上，并直接向控制器提供最佳操作參 數(shù)。在可選實(shí)施例中，過程變量能夠表示為傅里葉序列或者其它近似方式，且過程的總體響 應(yīng)的概率性描繪可以作為傅里葉系數(shù)的函數(shù)來產(chǎn)生。這提供了優(yōu)于其它最佳方法的獨(dú)特優(yōu) 點(diǎn)，因?yàn)樗軌虼蟠鬁p少用于實(shí)時(shí)地確定對(duì)于處理的局部或總體最佳值所需的時(shí)間。
[0095] 過程的概率描繪可以在控制過程的處理器背景中或者在單獨(dú)處理器中計(jì)算，該單 獨(dú)處理器也可以利用平行計(jì)算方法來減少流逝的時(shí)間，并產(chǎn)生用于優(yōu)化PGN的概率表格。
[0096] 而且，控制動(dòng)作的確定基于決定分析，該決定分析包括與可能的決定選擇相關(guān)的 成本和危險(xiǎn)，包括對(duì)于不準(zhǔn)確的分類或觀察采取控制動(dòng)作的危險(xiǎn)。
[0097] 產(chǎn)生的技術(shù)能夠有與自動(dòng)醫(yī)療診斷工具類似的診斷方法。當(dāng)設(shè)備（例如抽油機(jī) 114)操作時(shí)，IA在識(shí)別設(shè)備和處理問題的背景中運(yùn)行，執(zhí)行測試和計(jì)算，以便在有可接受的 確定性的情況下識(shí)別被監(jiān)測的系統(tǒng)的操作狀態(tài)、與正常操作的任何偏離或問題的源、動(dòng)作 的最佳過程和動(dòng)作的實(shí)施，和/或向操作人員、監(jiān)督人或其它自動(dòng)控制器提供操作引導(dǎo)。 [0098] AIMC系統(tǒng)100利用一個(gè)或多個(gè)處理模型和/或子模型、歷史過程信息和/或過程衍 生的狀態(tài)機(jī)器，以便監(jiān)測該過程。AIMC系統(tǒng)100利用IA的集合來識(shí)別過程偏離和擾動(dòng)，使用 同步或不同步操作的PGN(例如Bayesian網(wǎng)絡(luò)）來分類、確定和確認(rèn)擾動(dòng)的性質(zhì)或基本因果 關(guān)系。AMC系統(tǒng)100起動(dòng)優(yōu)化程序，并利用通過PGN或Bayesian網(wǎng)絡(luò)進(jìn)行的危險(xiǎn)評(píng)估和決定 分析來確定控制方向。AHC系統(tǒng)100的操作通過AI管理器152來協(xié)調(diào)。
[0099]人工智能（IA)的概述
[0100] 如上所述，AHC系統(tǒng)100包括多個(gè)IA，包括但不局限于AI管理器152、診斷介質(zhì)154、 狀態(tài)介質(zhì)156、數(shù)據(jù)和建模介質(zhì)158、優(yōu)化介質(zhì)160、控制策略介質(zhì)162以及模型/參數(shù)調(diào)整介 質(zhì) 168。
[0101] IA的基礎(chǔ)結(jié)構(gòu)是具有支持算法和軟件方法的統(tǒng)計(jì)學(xué)或概率因果關(guān)系模型，以便能 夠進(jìn)行IA概率表格的更新、在概率圖模型(PGM)中的節(jié)點(diǎn)值的狀態(tài)輸入以及執(zhí)行查詢。介質(zhì) 或IA可以包括另外的算法和方法，例如模式識(shí)別、數(shù)值方法，以便評(píng)估過程參數(shù)或優(yōu)化過程 操作，以及監(jiān)測、測試和分類觀察。在該實(shí)施例中，AIMC系統(tǒng)100包含因果關(guān)系模型，該因果 關(guān)系模型是成Bayesian網(wǎng)絡(luò)或無向概率網(wǎng)絡(luò)(例如Markov網(wǎng)絡(luò))形式的PGM。不過，本領(lǐng)域技 術(shù)人員已知的、PGN的其它實(shí)施方式也可以用于執(zhí)行這些功能。
[0102]除了AI管理器152之外，IA的典型操作包括以下：
[0103] 接收輸入的數(shù)據(jù)；
[0104] 需要時(shí)使用算法來進(jìn)一步分析該數(shù)據(jù)；
[0105] 更新任何概率表格；
[0106] 計(jì)算或解釋統(tǒng)計(jì)學(xué)或概率因果關(guān)系模型；
[0107] 確定是否已經(jīng)達(dá)成決定或方向；
[0108] 當(dāng)沒有時(shí)，識(shí)別所需的附加測試或數(shù)據(jù)；
[0109] 向AI管理器152報(bào)告；以及
[0110]等待來自AI管理器的進(jìn)一步指令或數(shù)據(jù)，直到已經(jīng)達(dá)成決議。
[0111]根據(jù)過程和不同診斷的復(fù)雜性，可以部署各種類型IA的多個(gè)IA<JA的驅(qū)動(dòng)和執(zhí)行 將在統(tǒng)計(jì)學(xué)或概率確定的優(yōu)先基礎(chǔ)上來控制。也可選擇，IA可以分開成分離的子介質(zhì)，以便 降低它們的復(fù)雜性和/或提高它們的能力。例如，數(shù)據(jù)和建模介質(zhì)158可以分開成用于管理 和測試歷史數(shù)據(jù)的分離IA以及用于和測試實(shí)時(shí)或流數(shù)據(jù)的分離IA。診斷介質(zhì)154和它的PGN 可以以面向?qū)ο蟮姆绞絹順?gòu)成，其中，它包括多個(gè)子PGN，各子PGN用于一定范圍的潛在診 斷，它們能夠作為分離介質(zhì)或者作為更大介質(zhì)（該更大介質(zhì)包含在單個(gè)介質(zhì)中PGN)的一部 分來單獨(dú)運(yùn)行。在包含介質(zhì)下多個(gè)子介質(zhì)的一個(gè)實(shí)例是面向?qū)ο蟮腂ayesian網(wǎng)絡(luò)(00BN)。 PGN可以表示為在更大PGN網(wǎng)絡(luò)中的單個(gè)節(jié)點(diǎn)。PGN能夠自己獨(dú)立地運(yùn)行，或者與其它PGN結(jié) 合運(yùn)行。
[0112]實(shí)施方式
[0113] IA可以使用任意合適的方法和編程語言來實(shí)施。圖8至11表示了在本文的循環(huán)栗 送過程中一些IA的功能圖的一些實(shí)例。圖8表示了數(shù)據(jù)和建模介質(zhì)158的功能圖。如圖所示， 數(shù)據(jù)和建模介質(zhì)158儲(chǔ)存抽油機(jī)操作的歷史數(shù)據(jù)370,并保持操作包絡(luò)線數(shù)據(jù)384、統(tǒng)計(jì)學(xué)操 作數(shù)據(jù)386和理想操作模型388的數(shù)據(jù)。操作包絡(luò)線數(shù)據(jù)384、統(tǒng)計(jì)學(xué)操作數(shù)據(jù)386和理想操 作模型388的數(shù)據(jù)供給狀態(tài)介質(zhì)156作為參考值390。
[0114] 通過通信模塊164而從栗控制器166接收的傳感器數(shù)據(jù)372在數(shù)據(jù)和建模介質(zhì)中利 用幾何和動(dòng)態(tài)模型374來進(jìn)行分析，用于產(chǎn)生地面操作376的建模數(shù)據(jù)。在通過使用幾何和 動(dòng)態(tài)模型374來分析之后，數(shù)據(jù)372通過使用處理模型378來進(jìn)一步分析，用于產(chǎn)生井下操作 380的建模數(shù)據(jù)。用于地面操作376的建模數(shù)據(jù)和用于井下操作的建模數(shù)據(jù)供給狀態(tài)介質(zhì) 156作為信號(hào)382。
[0115] 圖9表示了狀態(tài)介質(zhì)156的功能圖。狀態(tài)介質(zhì)156從數(shù)據(jù)和建模介質(zhì)158接收參考值 390和信號(hào)382,并比較接收的參考值390和信號(hào)382,以便確定操作的偏離是否在預(yù)定限制 402內(nèi)。當(dāng)操作的偏離并不在預(yù)定限制402內(nèi)時(shí)，使用分類器404來產(chǎn)生一個(gè)或多個(gè)激發(fā)事件 406,以便激發(fā)合適的診斷介質(zhì)154或模型/參數(shù)調(diào)整介質(zhì)168來診斷系統(tǒng)和/或調(diào)整操作模 型。分類器404也激發(fā)子模塊408，以便跟蹤進(jìn)程狀態(tài)。
[0116] 當(dāng)操作的偏差在預(yù)定限制402內(nèi)時(shí)，子模塊408激發(fā)，以便跟蹤進(jìn)程狀態(tài)。
[0117] 當(dāng)激發(fā)子模塊408時(shí)，它利用操作包絡(luò)線分析410和模式識(shí)別412來跟蹤操作狀態(tài)。 在操作狀態(tài)跟蹤過程中，子模塊408可以進(jìn)行用于方便操作狀態(tài)跟蹤的測試414。如前所述， 進(jìn)程狀態(tài)報(bào)告給AI管理器152。
[0118] 在圖9的實(shí)例中，過程表示為在六個(gè)狀態(tài)S1至S6之間的環(huán)路，這六個(gè)狀態(tài)S1至S6使 用標(biāo)號(hào)416來集中表示。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)知道，這樣的狀態(tài)環(huán)路純粹是用于圖示目的， 實(shí)際過程可以有復(fù)雜的狀態(tài)圖。
[0119] 圖10表示了診斷介質(zhì)154的功能圖。如圖所示，診斷介質(zhì)154使用因果關(guān)系PGM模 型，該因果關(guān)系PGM模型包括用于診斷系統(tǒng)操作的已知值、狀態(tài)和量度的節(jié)點(diǎn)網(wǎng)絡(luò)。
[0120]頂層節(jié)點(diǎn)442是已知值或已知變量，例如過程參數(shù)，獨(dú)立或周圍條件、過程狀態(tài)，它 們能夠進(jìn)行觀察，例如直接測量或應(yīng)用于過程，或者相對(duì)確定地已知。已知值442還可以包 括歷史數(shù)據(jù)，例如應(yīng)力循環(huán)的數(shù)目、導(dǎo)致故障的桿應(yīng)力、故障或維護(hù)歷史、已知生產(chǎn)量度(例 如累積產(chǎn)量或材料特性）、相對(duì)確定地已知的過程輸入或過程變量。
[0121]中層節(jié)點(diǎn)444是對(duì)于導(dǎo)致過程偏離的基本條件進(jìn)行可能的診斷的條件。
[0122] 條件444能夠包括可變過程參數(shù)或者它的狀態(tài)，例如表示流體高度的變化、表示一 個(gè)組件的質(zhì)量或故障或退化或感興趣的其他條件的參數(shù)、或者可能需要控制動(dòng)作或者需要 進(jìn)行跟蹤或保持的值，以便保證過程性能和/或質(zhì)量。條件444還能夠包括確定需要調(diào)整模 型和操作的操作的限制和域值，例如在多個(gè)循環(huán)中的積累應(yīng)力，該積累應(yīng)力導(dǎo)致疲勞和影 響導(dǎo)致故障的時(shí)間或應(yīng)力。
[0123] 底層節(jié)點(diǎn)446是量度，包括測試結(jié)果、可觀察值、征兆或者取決于基本條件的量度， 使用它們的固有概率以具有可接受的確定程度從該量度識(shí)別基本條件。量度446能夠包括 多種類型例如能量守恒、生產(chǎn)優(yōu)化、設(shè)備狀態(tài)或過程狀態(tài)、計(jì)算的栗充裝、由流體高度的自 動(dòng)或人工測試/檢查的結(jié)果、計(jì)算分析、觀察的過程條件，通常(但并不總是)起動(dòng)為幫助條 件的診斷或確定。
[0124] 模型/參數(shù)調(diào)整介質(zhì)168利用概率圖模型來識(shí)別至少一個(gè)參數(shù)，用于改變過程模 型。圖11表示了模型/參數(shù)調(diào)整介質(zhì)168的功能圖，該模型/參數(shù)調(diào)整介質(zhì)168將在操作模型 明顯偏離它的最后已知狀態(tài)時(shí)被驅(qū)動(dòng)。如圖所示，當(dāng)確定操作模型明顯偏離它的最后已知 狀態(tài)472時(shí)，模型/參數(shù)調(diào)整介質(zhì)168檢查已有的模型是否能夠妥善處理該偏離474。當(dāng)是時(shí)， 模型/參數(shù)調(diào)整介質(zhì)168結(jié)束476。
[0125] 當(dāng)已有模型不能妥善處理偏離時(shí)，模型/參數(shù)調(diào)整介質(zhì)168利用因果關(guān)系PGM模型 來檢查因果關(guān)系478，該因果關(guān)系PGM模型包括多個(gè)變量480、參數(shù)482和量度484的網(wǎng)絡(luò)。歷 史數(shù)據(jù)486和所需量度488也用于因果關(guān)系檢查478中。因果關(guān)系檢查478的結(jié)果用于調(diào)節(jié)最 可能的參數(shù)490，更新過程模型預(yù)測值492。當(dāng)偏離仍然存在時(shí)494，處理模型預(yù)測值492供給 因果關(guān)系檢查478,用于進(jìn)一步調(diào)節(jié)最可能的參數(shù)和更新處理模型預(yù)測值。當(dāng)偏離消失時(shí) (494的"No"分支），進(jìn)行比較496,以便使得測試結(jié)果與實(shí)際過程比較。當(dāng)比較496表示偏離 存在時(shí)498，選擇下一個(gè)最可能的參數(shù)500，并再次進(jìn)行因果關(guān)系檢查478。
[0126] 當(dāng)比較496表示沒有偏離時(shí)(498的"No"分支），模型/參數(shù)調(diào)整介質(zhì)168使用過程模 型預(yù)測值來更新(502)數(shù)據(jù)和模型介質(zhì)158。
[0127] 用于循環(huán)栗送過程的實(shí)施例的定時(shí)圖在圖12中表示，表示了數(shù)據(jù)樣本到數(shù)據(jù)樣本 操作，其中，跟蹤、學(xué)習(xí)和識(shí)別或者儲(chǔ)存（用于以后識(shí)別）與"理想"包絡(luò)線偏離的模式。為了 更好地表示，圖12分割成圖13A、13B和13C的三個(gè)部分。
[0128] 通常，系統(tǒng)包括使得實(shí)時(shí)數(shù)據(jù)與處理的統(tǒng)計(jì)學(xué)和/或歷史型面或者處理的模擬型 面比較，考慮操作變化，因此識(shí)別偏離。狀態(tài)介質(zhì)156跟蹤過程的進(jìn)展和特定狀態(tài)。模式識(shí) 另IJ、與操作包絡(luò)線的漂移和偏離的量度將在分類器中識(shí)別要激發(fā)的可能診斷介質(zhì)，包括模 型/參數(shù)調(diào)整介質(zhì)168 JI管理器152激發(fā)合適的診斷介質(zhì)154和接收結(jié)果。具有因果關(guān)系進(jìn) 程專用PGN的診斷介質(zhì)154識(shí)別偏離的可能原因和它們的可能性。
[0129] AI管理器152比較多個(gè)診斷介質(zhì)154的可能性，并更新高確定性的診斷的狀態(tài)介質(zhì) 156,或者當(dāng)不確定性水平太高以至于不能區(qū)分可能的原因時(shí)起動(dòng)另外的診斷測試。AI管理 器152還可以根據(jù)診斷介質(zhì)154的輸出來起動(dòng)模型/參數(shù)調(diào)整介質(zhì)168。控制策略介質(zhì)162根 據(jù)一個(gè)或多個(gè)診斷的概率來評(píng)估控制動(dòng)作的機(jī)會(huì)和/或危險(xiǎn)，并根據(jù)機(jī)會(huì)/危險(xiǎn)分析來推薦 控制動(dòng)作。而且，優(yōu)化介質(zhì)160可以在實(shí)施控制動(dòng)作之前激發(fā)，以便優(yōu)化或確定要采取的精 確控制動(dòng)作。
[0130] 詳細(xì)介質(zhì)說明
[0131 ]在該實(shí)施例中，系統(tǒng)100的IA監(jiān)測抽油機(jī)操作，并動(dòng)態(tài)調(diào)節(jié)抽油桿栗。
[0132] AI管理器
[0133] AI管理器152管理全部IA。根據(jù)觀察和激發(fā)(它們接收來自于一個(gè)或多個(gè)數(shù)據(jù)&建 模介質(zhì)158和狀態(tài)介質(zhì)156)，AI管理器152處理優(yōu)先順序和激發(fā)一個(gè)或多個(gè)診斷介質(zhì)154,。
[0134] 如圖14中所示，AI管理器152的過程為自發(fā)和不同步，以便協(xié)調(diào)不同IA的執(zhí)行和操 作。AI管理器152的職責(zé)包括：
[0135] -從狀態(tài)介質(zhì)156接收輸出，驅(qū)動(dòng)合適的介質(zhì)，動(dòng)態(tài)優(yōu)先化介質(zhì)，并監(jiān)測來自不同介 質(zhì)的結(jié)果。
[0136] -跟蹤全部有效診斷介質(zhì)154、優(yōu)化介質(zhì)160和控制策略介質(zhì)162的狀態(tài)。
[0137] -使用從診斷和控制介質(zhì)154和162接收的結(jié)果，以便使能夠、使不能或調(diào)節(jié)由數(shù) 據(jù)&建模介質(zhì)158和狀態(tài)介質(zhì)156使用的測試。
[0138] -監(jiān)督激發(fā)和向不同計(jì)算線程的數(shù)據(jù)傳遞，例如IA，它們中的很多可以包含PGM，例 如Bayesian網(wǎng)絡(luò)和/或其它IA。
[0139] -使用進(jìn)程間通信(非嵌入)或事件觸發(fā)(嵌入）。
[0140]-管理Bayesian網(wǎng)絡(luò)的自學(xué)操作和過程參數(shù)的更新。
[0141] 數(shù)據(jù)&建模介質(zhì)
[0142] 數(shù)據(jù)&建模介質(zhì)158的一個(gè)任務(wù)是監(jiān)測和跟蹤過程信息以及根據(jù)過程信息來運(yùn)行 過程模型，用于由其它介質(zhì)使用。
[0143] 如圖15中所示，數(shù)據(jù)&建模介質(zhì)158實(shí)時(shí)或者在周期性過程或間歇過程的每個(gè)周期 完成后，和/或在更長周期/多個(gè)循環(huán)中同步操作，從而通過運(yùn)行至完成接收的每一次數(shù)據(jù) 來處理輸入數(shù)據(jù)。
[0144] 數(shù)據(jù)&建模介質(zhì)158運(yùn)行過程模型，執(zhí)行實(shí)時(shí)分析并測試各數(shù)據(jù)樣本和/或循環(huán)，如 由AI管理器152指示，該AI管理器152作用在診斷或決定介質(zhì)上。需要比在數(shù)據(jù)樣本之間提 供的時(shí)間更長的計(jì)算周期的測試或算法可以不同步地起動(dòng)和運(yùn)行。
[0145] 數(shù)據(jù)&建模介質(zhì)158也執(zhí)行歷史數(shù)據(jù)622的記錄。
[0146] 數(shù)據(jù)&建模介質(zhì)實(shí)時(shí)操作，從而接收和調(diào)節(jié)輸入的數(shù)據(jù)608,且在需要時(shí)查詢低優(yōu) 先級(jí)的數(shù)據(jù)。它將利用接收的數(shù)據(jù)來運(yùn)行設(shè)備和處理的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)模型，以便觀察和 評(píng)估過程的實(shí)際性能。因此，數(shù)據(jù)&建模介質(zhì)將產(chǎn)生和記錄性能參考值，用于與輸入數(shù)據(jù)比 較。
[0147] 這些參考值將包括根據(jù)過程參數(shù)和建立操作包絡(luò)線的過程性能的靜態(tài)模型626。 操作包絡(luò)線或參考值基于靜態(tài)測量值或已知的處理參數(shù)，并依賴確保保過程在所有條件下 都在操作限制內(nèi)，例如，系統(tǒng)起動(dòng)但可以并不調(diào)節(jié)，或者模型可以有不充分的信息，但提供 更高水平的能力和精度。操作包絡(luò)線提供了在正常操作下過程變量和參數(shù)的合理預(yù)期。
[0148] 參考值還包括具有關(guān)鍵測量和導(dǎo)出的過程參數(shù)的標(biāo)準(zhǔn)關(guān)鍵偏離的、統(tǒng)計(jì)產(chǎn)生的平 均參考值，該過程參數(shù)基于部分為了過濾過程噪音和外部擾動(dòng)的多個(gè)過程周期。統(tǒng)計(jì)產(chǎn)生 的平均參考值將在多個(gè)循環(huán)中產(chǎn)生，周期性地記錄，用于在有限的時(shí)間中與當(dāng)前過程性能 比較，然后，在需要時(shí)或在過程參數(shù)變化時(shí)產(chǎn)生更新的參考值來代替。各記錄參考值進(jìn)行儲(chǔ) 存，用于歷史分析。
[0149] 參考值還包括基于模型的預(yù)測參考值624,該預(yù)測參考值624利用測量和導(dǎo)出的過 程參數(shù)，該過程參數(shù)包括動(dòng)態(tài)過程模型，可以包括或不包括理想或計(jì)劃輸出。該模型將與輸 入的過程數(shù)據(jù)比較和進(jìn)行確認(rèn)，還將周期性地記錄和更新，類似于統(tǒng)計(jì)參考值。
[0150] 在往復(fù)系統(tǒng)(例如抽油機(jī)）中，介質(zhì)606使用地面和井下設(shè)備的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)模 型610通過輸入的處理數(shù)據(jù)608來分別產(chǎn)生對(duì)于各栗循環(huán)的地面和井下示功圖614和616。示 功圖614和616表示在單個(gè)栗循環(huán)過程中作為桿位置的函數(shù)的桿負(fù)載，該單個(gè)栗循環(huán)包括完 整的向上沖程和隨后的完整向下沖程?？?14和616的實(shí)際值和形狀再在需要時(shí)與靜態(tài)、統(tǒng) 計(jì)和預(yù)測模型進(jìn)行比較或與之相關(guān)。
[0151] 可以監(jiān)測另外的過程參數(shù)，包括但不局限于：油管和套管壓力、測量或?qū)С龅牧?參數(shù)，例如栗摩擦、栗充裝、流體高度、沿鉆桿柱或者施加在各個(gè)處理設(shè)備部件(地面或井 下)上的桿應(yīng)力。
[0152] 還認(rèn)識(shí)到使用視覺信息(例如圖像或視頻)來識(shí)別生產(chǎn)和操作問題的潛在可能。例 如，由視頻傳感器或照相機(jī)106捕獲的、抽油桿栗的運(yùn)動(dòng)的視頻可以用于識(shí)別機(jī)械問題，例 如皮帶滑移、化學(xué)藥物泄露或者部件破裂，它們可能只通過監(jiān)測過程輸入將并不明顯。在其 它過程中（例如鍋爐），可以利用熱圖像來識(shí)別和定位在鍋爐管網(wǎng)絡(luò)中的熱點(diǎn)或冷點(diǎn)。介質(zhì) 將包括用于特定測試的算法，該測試可以是由AI管理器152需要用于其它介質(zhì)的。這些測試 將作為數(shù)據(jù)流來執(zhí)行，并可以對(duì)于整個(gè)或部分循環(huán)來執(zhí)行，或者在完成給定循環(huán)時(shí)執(zhí)行。對(duì) 于循環(huán)測試的計(jì)算可以分布在流數(shù)據(jù)和循環(huán)完成之間，以便優(yōu)化處理器的應(yīng)用。測試可以 包括輸入數(shù)據(jù)分別與靜態(tài)、參考和模型預(yù)測的地面和井下卡638、634和636、過程/設(shè)備操作 包絡(luò)線和安全限制的比較。
[0153] 介質(zhì)將首先發(fā)送測量/導(dǎo)出的數(shù)據(jù)和測試結(jié)果至狀態(tài)介質(zhì)156,或者在需要時(shí)直接 發(fā)送給AI管理器152。介質(zhì)將內(nèi)部管理歷史數(shù)據(jù)和參考值的周期性記錄。介質(zhì)的特定測試和 數(shù)據(jù)的異常記錄將在AI管理器152需要時(shí)進(jìn)行。
[0154] 對(duì)于抽油桿應(yīng)用，典型的可觀察條件和設(shè)置信息包括:在機(jī)殼和管路中的壓力、流 體高度、測量和計(jì)算的井參數(shù)和配置、鉆桿柱完成數(shù)據(jù)、流體粘性和組成、流動(dòng)/不流動(dòng)檢 測、振動(dòng)傳感水平、馬達(dá)電壓、電流、扭矩、速度、桿負(fù)載:靜態(tài)和動(dòng)態(tài)、沖程參考位置、互鎖狀 〇
[0155] 狀態(tài)介質(zhì)
[0156] 狀態(tài)介質(zhì)156的主要任務(wù)是識(shí)別與正常或預(yù)測操作的任何潛在變化或偏離，該變 化或偏離產(chǎn)生例如處理?xiàng)l件或參數(shù)的外部擾動(dòng)或變化。圖16表示了狀態(tài)介質(zhì)156的詳情。狀 態(tài)介質(zhì)156包括Bayesian網(wǎng)絡(luò)652,該Bayesian網(wǎng)絡(luò)652使用多個(gè)輸入?yún)?shù)654來進(jìn)行介質(zhì)特 定測試656和可選測試658 jayesian網(wǎng)絡(luò)652產(chǎn)生用于AI管理器的多個(gè)輸出660。
[0157] 狀態(tài)介質(zhì)156包括用于檢測與正常、理想或預(yù)測操作的偏離的機(jī)構(gòu)、基于PGM的過 程狀態(tài)模型、操作包絡(luò)線分析裝置和模式識(shí)別裝置以及分類器（以便激發(fā)合適的診斷和控 制介質(zhì)154和162);以及用于通過機(jī)器學(xué)習(xí)技術(shù)來更新固有的PGM的機(jī)構(gòu)（當(dāng)需要時(shí)）。
[0158] 狀態(tài)介質(zhì)156監(jiān)測以及在實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)、模型預(yù)測之間識(shí)別。
[0159]狀態(tài)介質(zhì)156識(shí)別變化是否明顯偏離正常操作，并起動(dòng)測試以便識(shí)別變化的潛在 源或源的類型，且設(shè)置調(diào)查的優(yōu)先事項(xiàng)。這優(yōu)化了有價(jià)值和有限的計(jì)算能力的使用。
[0160] 操作包絡(luò)線分析使用基于歷史數(shù)據(jù)的、過程的統(tǒng)計(jì)平均值，該歷史數(shù)據(jù)周期性地 更新，和/或是過程的預(yù)測/理想模型。與正?；蚶硐氩僮鞯钠x進(jìn)行識(shí)別，并標(biāo)記出它們的 嚴(yán)重性。
[0161] 當(dāng)它通過其操作周期時(shí)利用基于PGM的狀態(tài)模型來跟蹤過程的狀態(tài)，該基于PGM的 狀態(tài)模型利用對(duì)實(shí)時(shí)數(shù)據(jù)的測試來概率性地識(shí)別當(dāng)前操作狀態(tài)。
[0162] 例如，在抽油桿栗用途中，井下栗通過向上沖程(其中，通過向上運(yùn)動(dòng)而使得栗的 流體負(fù)載提升）、關(guān)閉游動(dòng)閥和打開固定閥以及隨后通過栗的向下運(yùn)動(dòng)、打開游動(dòng)閥和關(guān)閉 固定閥而進(jìn)行循環(huán)。除了閥的狀態(tài)，還有流體和/或氣體壓縮和解壓縮的狀態(tài)。當(dāng)過程通過 不同狀態(tài)時(shí)，PGM根據(jù)觀察和測試結(jié)果來確定各狀態(tài)的可能性。PGM可以是隱藏Mar ko v模型、 Bayesian網(wǎng)或類似的概率圖模型。見圖17。
[0163] 還包括模式識(shí)別機(jī)構(gòu)。優(yōu)選的實(shí)施方式是時(shí)間序列模式識(shí)別，它提供了輸入數(shù)據(jù) 流與來自數(shù)據(jù)庫的已知模式的概率性匹配，以便幫助由PGM跟蹤過程狀態(tài)。Euclidean動(dòng)態(tài) 時(shí)間規(guī)整和動(dòng)態(tài)導(dǎo)出時(shí)間規(guī)整是用于實(shí)施的優(yōu)選匹配標(biāo)準(zhǔn)，盡管存在多種機(jī)理。另外，模式 識(shí)別包括分類機(jī)構(gòu)，該分類機(jī)構(gòu)能夠識(shí)別和分類與過程偏離相關(guān)聯(lián)的再現(xiàn)模式，儲(chǔ)存這些 模式，并結(jié)合過程變量來跟蹤它們的再現(xiàn)，以便幫助人工診斷或者根據(jù)機(jī)器學(xué)習(xí)技術(shù)來診 斷，該機(jī)器學(xué)習(xí)技術(shù)使用模式以及與其發(fā)生相關(guān)聯(lián)的觀察數(shù)據(jù)。
[0164] 最后，分類器用于識(shí)別和優(yōu)先激發(fā)合適的診斷介質(zhì)和/或控制介質(zhì)。
[0165] 當(dāng)診斷被證實(shí)或確認(rèn)為提高性能時(shí)，PGM和分類器的概率表格進(jìn)行更新。
[0166] 狀態(tài)介質(zhì)156利用PGM作為分類器，該分類器比較過程數(shù)據(jù)與過程模型預(yù)測和/或 統(tǒng)計(jì)歷史數(shù)據(jù)，以便識(shí)別與預(yù)測或正常操作的偏離。
[0167] 根據(jù)偏離的性質(zhì)，可以激發(fā)和優(yōu)先進(jìn)行特定處理參數(shù)的診斷或評(píng)估，以便識(shí)別源 和因果關(guān)系。
[0168] 測試完成的通知和它們的結(jié)果將直接發(fā)送給AI管理器152,該AI管理器152將激發(fā) 和優(yōu)先進(jìn)行合適的診斷、模型/參數(shù)調(diào)整、優(yōu)化和控制介質(zhì)154、160、168和162。例如，在過程 模型的參數(shù)中的可能偏離將激發(fā)模型/參數(shù)調(diào)整介質(zhì)168的驅(qū)動(dòng)。
[0169] 診斷測試的結(jié)果和由多個(gè)介質(zhì)對(duì)診斷的確認(rèn)將通過AI管理器152而與狀態(tài)介質(zhì) 156通信，以便進(jìn)一步訓(xùn)練狀態(tài)介質(zhì)156。狀態(tài)介質(zhì)156的優(yōu)先權(quán)可以人工設(shè)置，或者從由類 似井建立的概率性來導(dǎo)出。
[0170] 隱藏或潛在的變量/節(jié)點(diǎn)將包含在狀態(tài)介質(zhì)156中，以方便識(shí)別在部署的曲線概率 性網(wǎng)絡(luò)的初始設(shè)計(jì)中沒有考慮的模式、依賴性、關(guān)系或問題。
[0171] 首先，狀態(tài)介質(zhì)156將需要在性質(zhì)上迭代，當(dāng)處理?xiàng)l件在不同沖程中維持或發(fā)展時(shí) 進(jìn)行監(jiān)測。它將產(chǎn)生狀態(tài)條件和警告，以便中繼至AI管理器152,該AI管理器152將方便診斷 和動(dòng)作過程。在多個(gè)沖程后維持的偏離可以增加一些情況的概率，因此再分配處理器計(jì)算 的優(yōu)先性。
[0172] 狀態(tài)介質(zhì)156將需要能夠認(rèn)識(shí)過程或井情況的變化，該過程或井情況在獲得井情 況的歷史趨勢所需的幾小時(shí)、幾天或幾個(gè)月的過程中逐漸地發(fā)展?？梢源_定，狀態(tài)介質(zhì)156 可以分成兩個(gè)分開的介質(zhì)，以便解決較短和更長方面的過程變化。
[0173] 還應(yīng)當(dāng)知道，對(duì)于一些系統(tǒng)狀態(tài)（該系統(tǒng)狀態(tài)最好留給確定性或邏輯類型的控 制），該介質(zhì)可以減小范圍，以便排除警報(bào)產(chǎn)生。
[0174] 存在或不存在用于補(bǔ)救已知偏離的控制動(dòng)作可以包含在Bayesian網(wǎng)絡(luò)中，作為解 出條件，這可以花費(fèi)幾個(gè)沖程或更多，并產(chǎn)生另外的處理變化。
[0175] 診斷介質(zhì)
[0176] 診斷介質(zhì)154的任務(wù)是識(shí)別與正?；蝾A(yù)測操作的任何潛在變化或偏離，該變化或 偏離產(chǎn)生例如外部擾動(dòng)或處理?xiàng)l件或參數(shù)的變化。如圖18A中所示，一個(gè)或多個(gè)診斷介質(zhì) 154可以與AI管理器152通信。
[0177] -診斷介質(zhì)154從正常操作或MPC診斷變化的因果關(guān)系。操作在激發(fā)后不同步。
[0178]-診斷介質(zhì)154使用PGM，該P(yáng)GM根據(jù)測試和已知數(shù)據(jù)來識(shí)別設(shè)備的可能情況和/或 偏離的因果關(guān)系。
[0179] -診斷介質(zhì)154可能需要通過AI管理器由數(shù)據(jù)&建模介質(zhì)來測試。
[0180] -來自診斷介質(zhì)的結(jié)果可以用于激發(fā)另外的介質(zhì)，例如模型/參數(shù)調(diào)整介質(zhì)168,該 模型/參數(shù)調(diào)整介質(zhì)168將識(shí)別和定量過程參數(shù)的變化。
[0181] 還參考圖10,在優(yōu)選的診斷介質(zhì)實(shí)施方式中，將使用具有三個(gè)主要層或類型的節(jié) 點(diǎn)的因果關(guān)系PGM模塊，在臨床診斷中發(fā)現(xiàn)相同的特征。
[0182] 如前所述，頂層節(jié)點(diǎn)442包括處理參數(shù)、獨(dú)立或周圍條件、能夠觀察(直接測量或應(yīng) 用于過程)或相對(duì)確定地已知的過程狀態(tài)(誘因）。
[0183] 中間層節(jié)點(diǎn)444是條件，該條件是對(duì)于導(dǎo)致過程偏離的基本條件的潛在診斷（疾 病)。
[0184] 底層節(jié)點(diǎn)446是測試結(jié)果、可觀察值、征兆或量度，該量度取決于基本條件，從該基 本條件中，它們的固有概率性用于在可接受的確定程度下識(shí)別基本條件(診斷測試、征兆）。
[0185] 診斷介質(zhì)實(shí)例1:由于外部擾動(dòng)的過程偏離:氣體干擾
[0186] 如圖17和18B中所示，征用或起動(dòng)診斷介質(zhì)154A，以便應(yīng)用氣體干擾模型，確認(rèn)和 定量條件以及方便對(duì)模型預(yù)測控制的更新或調(diào)節(jié)。診斷介質(zhì)154A包括氣體干擾模型700和 Bayesian網(wǎng)絡(luò)702,該Bayesian網(wǎng)絡(luò)702使用多個(gè)輸入?yún)?shù)704(這些輸入?yún)?shù)704使用合適 的方法來獲得），以便進(jìn)行介質(zhì)特定測試706和可選測試708 jayesian網(wǎng)絡(luò)702產(chǎn)生用于AI 管理器152的多個(gè)輸出710。診斷介質(zhì)154A還包括栗充裝712的靜態(tài)數(shù)據(jù)。
[0187] 在模型中應(yīng)用的測試將包括在井下負(fù)載位置型面中的氣體干擾的模式識(shí)別，是否 降低了足夠的負(fù)載，以便說明流體負(fù)載和摩擦、負(fù)載相對(duì)于位置和時(shí)間的變化率、負(fù)載的定 時(shí)、位置和變化率是否與氣體和流體壓縮模型一致，該氣體和流體壓縮模型由在井下栗負(fù) 載和可能的地面桿負(fù)載中的其它觀察偏離來給出。在圖17中，表示了多個(gè)測力計(jì)，操作的多 個(gè)階段識(shí)別為:PPRL_峰值拋光桿負(fù)載、MPRL-微小拋光桿負(fù)載、CBE-平衡效果、TV-游動(dòng)閥、 SV-固定閥;且多個(gè)過程點(diǎn)識(shí)別為：1-DH向上沖程開始、2-流體負(fù)載拾取，SV打開，TV關(guān)閉、3-DH沖程的頂部/DH向下沖程開始、4-流體負(fù)載下降，TV&SV關(guān)閉、5-氣體和流體壓縮完成，SV 打開、6-氣體逐漸壓縮，TV&SV關(guān)閉，栗充裝可識(shí)別、7-流體負(fù)載獲取，TV打開，SV關(guān)閉、8-栗 柱塞撞擊栗的頂部、以及9-栗柱塞撞擊栗的底部。與氣體干擾相關(guān)的樣本偏離在點(diǎn)線中表 不。
[0188] 較大的氣體干擾能夠?qū)е铝黧w灌輸，這使得鉆桿柱和設(shè)備產(chǎn)生應(yīng)力，或者表示氣 鎖或栗關(guān)閉狀態(tài)，從而需要關(guān)閉設(shè)備，以便使得井中的流體高度充分升高，用于重新開始栗 送。診斷介質(zhì)154A還可以激發(fā)另一單獨(dú)的診斷介質(zhì)154A，以便評(píng)估對(duì)設(shè)備疲勞的貢獻(xiàn)。
[0189] 診斷的概率將由AI管理器152來比較，以便根據(jù)對(duì)于其它條件的獨(dú)立診斷的結(jié)果 來評(píng)估正確診斷的可能性。
[0190] 診斷介質(zhì)實(shí)例:疲勞監(jiān)測
[0191] 而且，當(dāng)AI管理器152需要時(shí)，能夠補(bǔ)充用于疲勞監(jiān)測的進(jìn)一步診斷介質(zhì)154B，該 診斷介質(zhì)154B監(jiān)測、評(píng)價(jià)和跟蹤鉆桿柱設(shè)備的疲勞。如圖18C中所示，診斷介質(zhì)154B包括井 下模型740和Bayesian網(wǎng)絡(luò)742,該Bayesian網(wǎng)絡(luò)742使用多個(gè)輸入?yún)?shù)744(這些輸入?yún)?shù) 744使用合適的方法來獲得），以便進(jìn)行介質(zhì)特定測試746和可選測試748 jayesian網(wǎng)絡(luò)742 產(chǎn)生用于AI管理器152的多個(gè)輸出750。診斷介質(zhì)154B還包括疲勞跟蹤數(shù)據(jù)752。診斷介質(zhì) 154B保持監(jiān)測/記錄子模塊754,用于監(jiān)測和記錄診斷歷史。
[0192] 在操作過程中施加給桿的力由井下模型740來計(jì)算和解析為對(duì)于鉆桿柱的固定部 分。由這些力導(dǎo)致的應(yīng)力和疲勞將定量和跟蹤。Goodman分析方法744用于評(píng)估在各沖程中 施加的應(yīng)力怎樣影響鉆桿柱的疲勞和循環(huán)壽命。圖19A和19B表示了在整個(gè)循環(huán)中在鉆桿柱 上的應(yīng)力和疲勞負(fù)載的三維繪圖。表面通常有顏色，以便表示在整個(gè)循環(huán)中鉆桿柱的各部 分的Goodman負(fù)載，從而使得用戶能夠很容易地識(shí)別鉆桿柱在沖程中在何處過大應(yīng)力。
[0193] 評(píng)估鉆桿柱在短期和長期中損壞的可能性，包括它對(duì)在設(shè)備的故障(MTBE)之間的 平均時(shí)間的影響。
[0194] 標(biāo)記出不可接受的應(yīng)力水平，或者進(jìn)行警告，并返回給AI和警告管理器，從而能夠 確定和實(shí)施特定控制動(dòng)作。
[0195] 診斷介質(zhì)實(shí)例:井參數(shù)
[0196] 圖18D表示了用于井參數(shù)監(jiān)測的進(jìn)一步診斷介質(zhì)154C，該診斷介質(zhì)154C監(jiān)測、評(píng)估 和跟蹤井參數(shù)。如圖所示，診斷介質(zhì)154C包括井下模型780和Bayesian網(wǎng)絡(luò)782,該Bayesian 網(wǎng)絡(luò)782使用多個(gè)輸入?yún)?shù)784(這些輸入?yún)?shù)784使用合適的方法來獲得），以便進(jìn)行介質(zhì) 特定測試786和可選測試788 jayesian網(wǎng)絡(luò)782產(chǎn)生用于AI管理器152的多個(gè)輸出790。診斷 介質(zhì)154C還包括更新的井參數(shù)792。
[0197] 模型/參數(shù)調(diào)整介質(zhì)：
[0198] 模型/參數(shù)調(diào)整介質(zhì)168根據(jù)診斷測試的結(jié)果來改變概率過程模型，并識(shí)別一個(gè)或 多個(gè)參數(shù)，用于調(diào)整該過程。模型/參數(shù)調(diào)整介質(zhì)168使用PGM，該P(yáng)GM根據(jù)測試和已知數(shù)據(jù)來 識(shí)別對(duì)過程模型做貢獻(xiàn)的、過程參數(shù)和/或設(shè)備情況的可能變化。
[0199] 當(dāng)使用過程參數(shù)變化的概率性時(shí)，模型/參數(shù)調(diào)整介質(zhì)168能夠通過過程模型來起 動(dòng)和優(yōu)先進(jìn)行數(shù)值或迭代方法，以便識(shí)別和定量對(duì)于觀察偏離的可能貢獻(xiàn)因素，且相對(duì)于 由過程觀察的當(dāng)前數(shù)據(jù)來確認(rèn)它們。一旦定量潛在的源時(shí)，校正過程模型所需的變化的可 能性將在概率上考慮使用決定網(wǎng)，該決定網(wǎng)考慮了與不正確診斷相關(guān)聯(lián)的危險(xiǎn)。
[0200] 可能需要在正常操作之外的特定量度、測試或測量，以便幫助過程模型的診斷和 調(diào)整，并將在需要的基礎(chǔ)上來執(zhí)行，不過，一旦"調(diào)整"，這些測試的需要將減至最小，以便不 會(huì)對(duì)生產(chǎn)產(chǎn)生不利影響或者消耗有限的計(jì)算能力。
[0201] 過程模型參數(shù)調(diào)整實(shí)例：
[0202] 用于抽油桿栗的井下觀察器模型的井參數(shù)調(diào)整介質(zhì)
[0203] 過程模塊為"自調(diào)整"或"學(xué)習(xí)"。這是在設(shè)備故障或外部干擾之外，該設(shè)備故障或 外部干擾將通過它們自身的專用IA來解決。
[0204] 過程模型參數(shù)調(diào)整介質(zhì)的任務(wù)是保證過程模型精確反映實(shí)際過程。通過由狀態(tài)介 質(zhì)156和診斷介質(zhì)154來激發(fā)，調(diào)整介質(zhì)168識(shí)別、評(píng)估和定量模型參數(shù)、過程變量和設(shè)備情 況的潛在變化，該變化導(dǎo)致在過程和過程模型之間的偏離。
[0205] 當(dāng)井條件的變化將在不同沖程中維持或者逐漸發(fā)展時(shí)，需要保證過程模型仍然精 確。在過程模型的參數(shù)中的可能偏離將激發(fā)調(diào)整介質(zhì)168的驅(qū)動(dòng)。
[0206] 操作的基本概念
[0207]當(dāng)使用平均值的歷史順序或典型處理循環(huán)時(shí)，處理模型調(diào)整介質(zhì)168在歷史順序 中標(biāo)記對(duì)于觀察的偏離的最可能原因，并確認(rèn)該原因和校正模型中的參數(shù)。
[0208]在抽油桿栗/油井的情況下，很多不同的參數(shù)變化或條件能夠?qū)е绿幚砥x。
[0209]在機(jī)械系統(tǒng)故障、栗出或氣體鎖定、鉆桿柱粘接等情況下，井條件能夠在從一個(gè)沖 程到下一個(gè)沖程中非常快地變化。根據(jù)條件的性質(zhì)，可能需要識(shí)別和標(biāo)記用于警告、控制模 式或動(dòng)作的變化。也能夠測量其它條件，例如氣體壓力、溫度、栗速度、桿負(fù)載等。
[0210]過程模型參數(shù)更緩慢地變化，但是也能夠在它們變化時(shí)受到井條件的影響。例如， 管路中的泄露能夠影響管路中的流體高度和壓力。
[0211] 這些井條件中的一些能夠影響多個(gè)參數(shù)。例如，溫度能夠影響流體粘度，使得蠟沉 淀，從而增加摩擦。流體高度能夠影響井下壓力，浮桿重量影響摩擦、粘度和其它觀察的力。
[0212] -些參數(shù)在不同沖程中在幾個(gè)小時(shí)或幾天中緩慢變化。介質(zhì)將評(píng)估參數(shù)的變化率 和目標(biāo)，這些最可能影響觀察誤差，該觀察誤差在一段時(shí)間中觀察，用于驗(yàn)證它。
[0213] 介質(zhì)的操作范圍將限制在井下模型的調(diào)整，但是也能夠識(shí)別超過該范圍（獨(dú)立于 模型）的變化，例如設(shè)備故障或一些外部干擾。IA將再引導(dǎo)其它介質(zhì)、算法、控制模式或警告 管理器，以便參與解決過程與模型的偏離。
[0214] 為了調(diào)整模型，優(yōu)選是可以有IA提供的方向，對(duì)于該方向，參數(shù)和這些參數(shù)的值范 圍，這樣，算法可以更迅速地搜索校正值，而不是總體搜索。它還可以幫助識(shí)別是否需要調(diào) 節(jié)一個(gè)或多個(gè)參數(shù)。
[0215]介質(zhì)實(shí)施
[0216] 過程模型調(diào)整介質(zhì)168將使得過程的歷史記錄與當(dāng)前記錄比較，獲得過程變量的 當(dāng)前測量值，并導(dǎo)出過程量度，以便識(shí)別和確認(rèn)哪一個(gè)模型參數(shù)已經(jīng)變化和確定正確的值。
[0217] 在抽油機(jī)的情況下，在從一個(gè)測力卡到下一個(gè)中有明顯的變化，該變化可以掩蓋 過程模型參數(shù)的變化。為了克服它，將使用多個(gè)測力卡，以便產(chǎn)生這樣的分配，該分配的平 均和變化/標(biāo)準(zhǔn)偏離將以快速傅里葉轉(zhuǎn)換(FFT)的形式而周期性地儲(chǔ)存。歷史"平均"卡與過 程模型的最近平均值或當(dāng)前輸出進(jìn)行比較，以便識(shí)別量度的漂移。
[0218]參考圖10,在優(yōu)選的IA實(shí)施方式中，具有三個(gè)主層或類型的節(jié)點(diǎn)的因果關(guān)系PGM模 型將以與在診斷介質(zhì)中使用的方式類似的方式來使用。
[0219] 如前所述，頂層節(jié)點(diǎn)442包括過程參數(shù)、能夠觀察(直接測量或應(yīng)用于過程)或相對(duì) 確定地已知的獨(dú)立或周圍條件，并能夠影響參數(shù)變化的可能性(誘因）。
[0220] 中間層節(jié)點(diǎn)444是處理模型參數(shù)，該處理模型參數(shù)不能確定地直接測量，并進(jìn)行變 化(疾病）。
[0221] 底層節(jié)點(diǎn)446是可觀察值、征兆或量度，該量度取決于模型和井條件或者測試的結(jié) 果，它們能夠用于進(jìn)一步解決過程模型參數(shù)和變化范圍（診斷測試、征兆）。
[0222] 圖20表示了多個(gè)節(jié)點(diǎn)的分組，這些節(jié)點(diǎn)將用于表示在過程、模型824和量度826中 的值。
[0223] 用于介質(zhì)的概率圖模型包括兩個(gè)主要部分:過程量度的可能范圍的繪圖以及過程 模型參數(shù)變化的可能性的概率表格。
[0224] 第一部分是過程量度的可能范圍的繪圖，它將由過程變量和過程模型參數(shù)的范圍 來得出。需要時(shí)，該繪圖可以是絕對(duì)值，或者是與變量或參數(shù)的標(biāo)稱值的偏離。本質(zhì)上，過程 變量的給定實(shí)例或范圍以及模型參數(shù)和量度的特定實(shí)例將根據(jù)模型來確定。變量、參數(shù)或 量度中的一些或全部能夠表示為離散范圍或連續(xù)分布，并通過模型對(duì)于全部值的詳盡迭代 來確定。也可選擇，繪圖可以根據(jù)在多個(gè)變量和過程模型之間的因果關(guān)系，而不是完全通過 在變量和參數(shù)的可能范圍內(nèi)的機(jī)器學(xué)習(xí)和詳盡的過程模擬來導(dǎo)出。
[0225]第二部分包括自從上次歷史記錄以來處理模型參數(shù)變化的可能性的概率表格或 分布。這可以基于歷史數(shù)據(jù)，但是還包括計(jì)算。計(jì)算的一個(gè)實(shí)例將是基于在當(dāng)前和歷史記錄 之間給定時(shí)間產(chǎn)生的流體容積的可能范圍的流體高度變化的可能性。
[0226]參考圖21，圖中表示了學(xué)習(xí)靈敏的過程模型，其具有學(xué)習(xí)結(jié)構(gòu)、繪圖和變化的可能 性相組合，并且學(xué)習(xí)結(jié)構(gòu)提供了因果關(guān)系PGM。
[0227] 對(duì)于給定設(shè)置的過程變量822和量度826, PGM識(shí)別最可能變化的模型參數(shù)824,并 激發(fā)特定數(shù)值方法，以便導(dǎo)出正確調(diào)整模型所需的確切值。PGM和相關(guān)的"調(diào)整"算法能夠在 多個(gè)模型參數(shù)可以變化的情況下操作。這可以包括以實(shí)際或歷史結(jié)果來迭代預(yù)測模型，以 便收斂在修訂的處理參數(shù)。
[0228] 介質(zhì)還能夠起動(dòng)或要求補(bǔ)充測試，以便能夠診斷和確認(rèn)偏離的源。
[0229] 目標(biāo)是當(dāng)過程在后臺(tái)中運(yùn)行時(shí)高效和自動(dòng)地調(diào)整模型。IA也可以利用實(shí)時(shí)數(shù)據(jù)作 為努力的一部分，以便在鎖定于修訂參數(shù)之前確認(rèn)該調(diào)整。已經(jīng)變化的特定過程參數(shù)將使 用過程模型和實(shí)時(shí)數(shù)據(jù)來定量和確認(rèn)，并涉及AI管理器152,用于更新全部相關(guān)IA的處理參 數(shù)和概率表格。
[0230] 這里介紹的介質(zhì)將并不直接在控制環(huán)路中。它也可以用作使得其它介質(zhì)排隊(duì)的資 源管理器，以便通過確定偏離的源(該偏離不可能與過程模型參數(shù)的變化相關(guān))來研究更高 水平的井操作和條件。
[0231] 在抽油機(jī)的情況下，使用可變內(nèi)部沖程速度的操作可能需要與固定內(nèi)部沖程速度 的PGM不同的PGM，因?yàn)樗俣鹊淖兓黠@增加了復(fù)雜性，并能夠大大影響量度和學(xué)習(xí)結(jié)構(gòu)，以 便識(shí)別和校正處理模型參數(shù)。這樣增加的復(fù)雜性也大大增加了過程能夠優(yōu)化的程度以及整 個(gè)方法和裝置增加的值。
[0232] 模型結(jié)構(gòu)
[0233] 屬于井"完成"的某些數(shù)據(jù)為已知。也就是說，在操作過程中，初始模型將相對(duì)于提 供的結(jié)構(gòu)信息來確認(rèn)。這將屬于安裝的設(shè)備的類型和它的特定結(jié)構(gòu)。結(jié)構(gòu)信息很可能在操 作過程中變化。在循環(huán)栗控制器中的這些信息包括：
[0234] 鉆桿柱類型、長度、特性和在整個(gè)鉆桿柱內(nèi)的位置
[0235] 抽油機(jī)類型、幾何形狀、齒輪比、操作限制
[0236] 井下栗，類型、尺寸、操作限制、其它信息
[0237] 管路類型和錨固件
[0238] 井在鉆孔時(shí)的方位和偏離
[0239] 可能影響動(dòng)態(tài)模型性能的、井下或地面上的其它設(shè)備 [0240]桿刮刀、間隔器等
[0241 ] 過程變量
[0242] 過程變量能夠包括但不局限于：
[0243] 栗速度和位置
[0244] 在機(jī)殼中和管路中的氣體壓力
[0245] 在地面的溫度:環(huán)境、流線
[0246] 實(shí)際生產(chǎn)
[0247] 過程模型參數(shù)
[0248] 還有生產(chǎn)的流體的信息。這些值可以隨著時(shí)間和生產(chǎn)速度而逐漸變化。
[0249] 在機(jī)殼和管路中的流體高度 [0250]流體密度、粘度(靜態(tài)和動(dòng)態(tài)）
[0251 ]這些值將隨著深度/壓力、溫度、油、水煤氣或其它流體的％ (即含水量）。
[0252] 過程量度
[0253] 還有井的狀態(tài)和井下條件的其它信息。該信息中的一些能夠根據(jù)井結(jié)構(gòu)的信息、 直接測量或已知的其它條件來測量、計(jì)算或推斷/估算。
[0254] 地面和井下負(fù)載測量，相對(duì)于時(shí)間和/或在栗沖程中的位置
[0255] 井下溫度和通向地面的梯度
[0256] 井下靜態(tài)桿負(fù)載和通向地面的梯度
[0257] 流體重量、摩擦等對(duì)于地面和井下卡的相關(guān)和絕對(duì)貢獻(xiàn)，以及
[0258] 可以需要操作人員輸入或人工測試。
[0259] 控制策略介質(zhì)
[0260] 控制策略介質(zhì)162的主要任務(wù)是根據(jù)診斷結(jié)果和來自優(yōu)化和診斷介質(zhì)160和154的 輸入而評(píng)估&推薦合適的控制動(dòng)作。它通常使用使用概率決定網(wǎng)，該概率決定網(wǎng)考慮了與控 制動(dòng)作相關(guān)聯(lián)的危險(xiǎn)。圖22表示了控制策略介質(zhì)162的細(xì)節(jié)。如圖所示，控制策略介質(zhì)162包 括Bayesian網(wǎng)絡(luò)852,該Bayesian網(wǎng)絡(luò)852使用優(yōu)化引導(dǎo)858和多個(gè)輸入?yún)?shù)854(該輸入?yún)?數(shù)854使用合適方法而獲得），以便進(jìn)行介質(zhì)特定測試856 Aayesian網(wǎng)絡(luò)852產(chǎn)生用于AI管 理器152的多個(gè)輸出860。控制策略介質(zhì)162的輸出860也供給栗控制器166,用于改變抽油機(jī) 操作過程。
[0261] 控制策略介質(zhì)實(shí)例：
[0262] 用于抽油桿栗的井下觀察器模型的栗出介質(zhì)
[0263]控制策略介質(zhì)162根據(jù)來自診斷介質(zhì)154和其它介質(zhì)的信息而監(jiān)測和識(shí)別與正常 操作&推薦合適控制動(dòng)作的變化。動(dòng)作可以包括開/關(guān)方向860或栗出循環(huán)參數(shù)860的調(diào)節(jié)， 例如持續(xù)時(shí)間的開和關(guān)。
[0264] 例如，氣體干擾可以導(dǎo)致一些流體灌輸，該流體灌輸可以在或不在可接受的桿應(yīng) 力限制內(nèi)。疲勞監(jiān)測介質(zhì)（未示出）將給由鉆桿柱經(jīng)歷的疲勞以及它對(duì)MTBF的影響進(jìn)行定 量。條件、嚴(yán)重性和外部條件的維持可以規(guī)定單個(gè)或多個(gè)動(dòng)作過程。在多個(gè)動(dòng)作過程或以前 沒有遇到的條件的事件中，控制策略介質(zhì)162可以激發(fā)優(yōu)化介質(zhì)160,以便評(píng)估和推薦最佳 策略。
[0265] 疲勞的嚴(yán)重性、故障的可能性、維修的成本、用于降低疲勞的控制選擇以及損失生 產(chǎn)或增加生產(chǎn)值的機(jī)會(huì)成本將根據(jù)危險(xiǎn)和機(jī)會(huì)而代入PGN決定網(wǎng)絡(luò)中，以便評(píng)估動(dòng)作過程。 用于PGN的可能結(jié)構(gòu)在圖23中表示。這種介質(zhì)集成了多個(gè)診斷介質(zhì)154的結(jié)果，并作出控制 方向決定。它還可以警告操作人員設(shè)計(jì)問題或潛在的緩和方法，例如降低栗送速度?？刂撇?略介質(zhì)162是學(xué)習(xí)介質(zhì)，用于從優(yōu)化介質(zhì)160的推薦和先前推薦的成功中學(xué)習(xí)對(duì)于各種條件 的最佳控制動(dòng)作。
[0266] 優(yōu)化介質(zhì)
[0267] 優(yōu)化介質(zhì)160利用PGM來識(shí)別用于確定調(diào)節(jié)過程的控制動(dòng)作的優(yōu)化策略，識(shí)別要根 據(jù)優(yōu)化策略來優(yōu)化的參數(shù)的數(shù)值搜索區(qū)域;并進(jìn)行數(shù)值優(yōu)化，以便搜索參數(shù)的總體或最適 合的局部最佳值。圖24表示了優(yōu)化介質(zhì)160的詳情。如圖所示，優(yōu)化介質(zhì)160包括Bayesian網(wǎng) 絡(luò)882,該Bayesian網(wǎng)絡(luò)882使用多個(gè)輸入?yún)?shù)884(該輸入?yún)?shù)884使用合適方法來獲得）， 以便進(jìn)行介質(zhì)特定測試886和可選測試888 Aayesian網(wǎng)絡(luò)882產(chǎn)生用于AI管理器152的多個(gè) 輸出890。優(yōu)化介質(zhì)160還保持生產(chǎn)潛力892和優(yōu)化引導(dǎo)894的數(shù)據(jù)。
[0268] 優(yōu)化介質(zhì)160的任務(wù)是使用模型和計(jì)算參數(shù)來評(píng)估潛在的優(yōu)化策略和提供引導(dǎo)。 介質(zhì)160通常使用概率決定網(wǎng)絡(luò)，該概率決定網(wǎng)絡(luò)考慮與不同優(yōu)化策略動(dòng)作相關(guān)聯(lián)的機(jī)會(huì) 或危險(xiǎn)。
[0269] 另外，能夠利用處理模擬來詳盡或選擇地描繪對(duì)于過程變量的過程響應(yīng)、它們的 操作范圍和潛在偏離，這樣，過程的變化能夠在概率上確定，并表示為PGN，通過潛在的機(jī)器 學(xué)習(xí)技術(shù)。當(dāng)與過程的歷史觀察組合時(shí)，這使得過程優(yōu)化裝置能夠在性質(zhì)上有高度的確定 性，而不需要詳盡模擬和/或?qū)崟r(shí)數(shù)值方法。
[0270]當(dāng)使用機(jī)器學(xué)習(xí)技術(shù)時(shí)，過程響應(yīng)(例如能量消耗或生產(chǎn)輸出）能夠表示在PGN中， 并用于向數(shù)值優(yōu)化裝置提供引導(dǎo)。引導(dǎo)能夠包括識(shí)別要優(yōu)化的操作參數(shù)的緊湊數(shù)值搜索區(qū) 域，用于使得數(shù)值搜索收斂在優(yōu)化方案上，是用于操作參數(shù)的、在數(shù)值搜索區(qū)域中的總體最 佳值或最適合的局部最佳值，或者在具有高度確定性的過程事件中直接向控制器提供最佳 操作參數(shù)。在可選實(shí)施例中，過程變量能夠表示為傅里葉序列或其它近似方式，且過程的總 體響應(yīng)的概率繪圖可以產(chǎn)生為這些傅里葉系數(shù)的函數(shù)。這提供了優(yōu)于其它優(yōu)化方法的獨(dú)特 優(yōu)點(diǎn)，因?yàn)樗軌虼蟠鬁p少用于實(shí)時(shí)地確定對(duì)于過程的局部或總體最佳值所需的時(shí)間。
[0271] 過程的概率描繪可以在控制過程的處理器后臺(tái)中或者在單獨(dú)處理器中計(jì)算，該單 獨(dú)處理器也可以利用平行計(jì)算方法來減少運(yùn)行時(shí)間，并產(chǎn)生用于優(yōu)化PGN的概率表格。
[0272] 在油井栗送系統(tǒng)的情況下，能夠在明顯減少計(jì)算(與其它數(shù)值優(yōu)化裝置相比）的情 況下執(zhí)行用于優(yōu)化井的、栗原動(dòng)機(jī)速度的復(fù)雜內(nèi)沖程變化的局部或總體優(yōu)化，例如授予 Watson的US6890156所述(抽油機(jī)速度型面），該文獻(xiàn)整個(gè)被本文參引。
[0273] _使用過程模型和計(jì)算參數(shù)與數(shù)值或迭代方法結(jié)合，以便評(píng)估潛在的優(yōu)化策略和 提供引導(dǎo)。操作在激發(fā)后不同步。
[0274] -例如，在由固定速度馬達(dá)控制的抽油桿栗用途中，介質(zhì)可以使用統(tǒng)計(jì)或積累栗充 裝和運(yùn)行時(shí)間來建立井流入速率，并利用它們來確定最佳的栗開關(guān)循環(huán)，以便根據(jù)對(duì)于抽 油桿鉆井柱的可接受疲勞極限來使生產(chǎn)最大化，和/或提供用于設(shè)置每分鐘最佳沖程的引 導(dǎo)，以便操作該栗?？梢愿鶕?jù)多個(gè)條件來識(shí)別控制策略(例如栗出）可以或不可以使用的情 況，這些條件包括但不局限于生產(chǎn)和能量需要、能量節(jié)約、疲勞、外部溫度(該外部溫度可以 影響性能，例如管線在冬天的冷凍)等。
[0275] -在抽油桿栗用途中（其中，馬達(dá)速度在多個(gè)循環(huán)中通過可變速或可變頻率的驅(qū)動(dòng) 器而可變），它可以引導(dǎo)控制介質(zhì)來改變驅(qū)動(dòng)器的速度。
[0276] -在馬達(dá)速度在沖程內(nèi)可變的抽油桿栗用途中（例如Watson的專利US6890156所 述），不同的速度型面可以根據(jù)處理模型來確定，預(yù)定速度型面起動(dòng)或調(diào)節(jié)和提供給控制策 略介質(zhì)162用于實(shí)施。
[0277] 本領(lǐng)域技術(shù)人員應(yīng)當(dāng)知道，其它實(shí)施例很容易獲得。例如，在可選實(shí)施例中，用于 控制過程的控制系統(tǒng)包括:至少一個(gè)處理器;至少一個(gè)傳感器，該傳感器與該至少一個(gè)處理 器連接；以及存儲(chǔ)器，該儲(chǔ)存器與該至少一個(gè)處理器連接和可由該至少一個(gè)處理器來讀出， 且儲(chǔ)存一組指令，該組指令在由該至少一個(gè)處理器執(zhí)行時(shí)使得處理器執(zhí)行動(dòng)作，該動(dòng)作包 括:從該至少一個(gè)傳感器接收由過程產(chǎn)生的實(shí)時(shí)過程數(shù)據(jù);與預(yù)測目標(biāo)函數(shù)和/或歷史平均 值和/或預(yù)測操作包絡(luò)線和/或預(yù)定靜態(tài)函數(shù)比較，用于建立與正常操作的任何偏離;在狀 態(tài)介質(zhì)處應(yīng)用概率模型來分類該偏離的源和可能原因；在監(jiān)督管理器處優(yōu)先驅(qū)動(dòng)與偏離的 因果關(guān)系相關(guān)的至少一個(gè)或多個(gè)診斷介質(zhì)；將診斷介質(zhì)的結(jié)果發(fā)送給監(jiān)督管理器；由該一 個(gè)或多個(gè)診斷介質(zhì)的結(jié)果來改變狀態(tài)介質(zhì)的概率模型；以及在控制介質(zhì)處應(yīng)用概率模型來 評(píng)估危險(xiǎn)和推薦對(duì)于處理的合適控制動(dòng)作。
[0278] 在另一實(shí)施例中，提供了計(jì)算機(jī)可讀的儲(chǔ)存裝置，該儲(chǔ)存裝置包含計(jì)算機(jī)可執(zhí)行 的指令，用于控制過程，其中，指令在執(zhí)行時(shí)使得處理器執(zhí)行動(dòng)作，該動(dòng)作包括:從該至少一 個(gè)傳感器接收由處理產(chǎn)生的實(shí)時(shí)處理數(shù)據(jù);與預(yù)測目標(biāo)函數(shù)和/或歷史平均值和/或預(yù)測操 作包絡(luò)線和/或預(yù)定靜態(tài)函數(shù)比較，用于建立與正常操作的任何偏離;在狀態(tài)介質(zhì)處應(yīng)用概 率模型來分類該偏離的源和可能原因；在監(jiān)督管理器處優(yōu)先驅(qū)動(dòng)與偏離的因果關(guān)系相關(guān)的 至少一個(gè)或多個(gè)診斷介質(zhì)；將診斷介質(zhì)的結(jié)果發(fā)送給監(jiān)督管理器；由該一個(gè)或多個(gè)診斷介 質(zhì)的結(jié)果來改變狀態(tài)介質(zhì)的概率模型；以及在控制介質(zhì)處應(yīng)用概率模型來評(píng)估危險(xiǎn)和推薦 對(duì)于處理的合適控制動(dòng)作。
[0279] 監(jiān)督控制和數(shù)據(jù)獲取(SCADA)管理器
[0280] 在可選實(shí)施例中，多個(gè)上述系統(tǒng)100(這些系統(tǒng)100可以分布在相同工作地點(diǎn)或不 同工作地點(diǎn)）通過合適的裝置而相互連接，并形成大型控制系統(tǒng)。這樣的大型控制系統(tǒng)還可 以包括SCADA管理器，該SCADA管理器可以包括在它的范圍內(nèi)的各系統(tǒng)100的AI管理器功能， 或者包括另外的方法或介質(zhì)，該SCADA管理器在本文的油田中監(jiān)測油田規(guī)模參數(shù)和它們?cè)?各井的效果。
[0281] SCADA管理器可以利用來自單井的概率表格或歷史數(shù)據(jù)來更新其它井的概率表格 或向這些井提供歷史情況信息，以便使得該井能夠利用機(jī)器學(xué)習(xí)技術(shù)來更新它們自身的概 率表格。
[0282] 而且，在通過分布式獨(dú)立過程來應(yīng)用于這種油田時(shí)，在各井中的AI管理器可以成 網(wǎng)絡(luò)或者與其它井處的其它AI管理器協(xié)調(diào)，以便直接或者通過中心SCADA管理器來共享學(xué) 習(xí)診斷或控制策略。
[0283] 例如，系統(tǒng)100的多個(gè)應(yīng)用能夠進(jìn)行合作工作，例如在油田情況下，其中，各井將有 AHC系統(tǒng)，該AHC系統(tǒng)也共享知識(shí)和與其它井一起學(xué)習(xí)，并有更高水平的系統(tǒng)，例如智能油 田管理器或SCADA系統(tǒng)。當(dāng)出售數(shù)據(jù)、栗動(dòng)態(tài)卡和模式能夠標(biāo)準(zhǔn)化時(shí)，甚至不在相同地塊 (pad)的井也能夠受益。知識(shí)能夠通過更新在PGN中的概率表格來共享;使用其它井的情況 歷史來訓(xùn)練在其它井處的PGN(使用其它機(jī)器學(xué)習(xí)技術(shù)），或者通過共享在過程數(shù)據(jù)中觀察 的學(xué)習(xí)過程參數(shù)或者模式。SCADA還可以根據(jù)數(shù)據(jù)和知識(shí)(SCADA從單井集中接收)來提供控 制方向。
[0284] 其它應(yīng)用
[0285] 盡管在上述實(shí)施例中，在本文中AMC系統(tǒng)100總體介紹為應(yīng)用油井的抽油桿栗控 制器，用于控制和優(yōu)化它的操作。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)知道，根據(jù)這里教導(dǎo)的實(shí)施例，AIMC 系統(tǒng)決不只局限于控制抽油桿栗，而是能夠定制為用于在多種工業(yè)中的任意數(shù)目的不同類 型動(dòng)態(tài)過程。
[0286] 這里所述的系統(tǒng)和方法(通常和特別為抽油機(jī)情況)也可應(yīng)用于多種其它處理，例 如甲烷蒸氣轉(zhuǎn)化爐、鍋爐、熱處理爐、水處理設(shè)備、壓縮機(jī)剎車/系統(tǒng)以及醫(yī)療系統(tǒng)?？梢哉J(rèn) 識(shí)到這里公開的技術(shù)能夠應(yīng)用于多種其它處理，其中，過程模型能夠用于從生產(chǎn)、維護(hù)和經(jīng) 濟(jì)的觀點(diǎn)來保證系統(tǒng)的最佳操作。
[0287] 在結(jié)合其它情況的一些另外細(xì)節(jié)中，這些其它過程的性質(zhì)和介質(zhì)的任務(wù)將介紹如 下。
[0288] 模型預(yù)測控制器
[0289] 模型預(yù)測控制技術(shù)通常需要預(yù)先知道干擾的性質(zhì)，以便提供控制方向，使得過程 返回至它的正常操作包絡(luò)線中。它們還需要精確調(diào)整模型的參數(shù)，這樣，向模型的輸入將產(chǎn) 生精確和相關(guān)的輸出。這樣的應(yīng)用明顯需要由具有高度技能和知識(shí)的個(gè)人來維護(hù)，除非它 們非常穩(wěn)定。在通過模型預(yù)測控制器的批量處理用途中，介質(zhì)執(zhí)行的任務(wù)是與油井抽油機(jī) 用途中類似的任務(wù)，除了控制動(dòng)作更限制為它提交給模型預(yù)測控制器。介質(zhì)的任務(wù)包括數(shù) 據(jù)和模型介質(zhì)158、狀態(tài)介質(zhì)156、AI管理器152、各種各樣的診斷介質(zhì)154,其中，AI管理器 152將比較各種診斷介質(zhì)154的概率，并高度確定地使得狀態(tài)介質(zhì)156更新診斷，或者當(dāng)不確 定性水平太高以至于不能區(qū)分可能的原因時(shí)起動(dòng)另外的診斷測試。AI管理器152還可以根 據(jù)診斷介質(zhì)154的輸出來起動(dòng)模型/參數(shù)調(diào)整介質(zhì)168。
[0290]控制策略介質(zhì)162根據(jù)一個(gè)或多個(gè)診斷的概率來評(píng)估機(jī)會(huì)和/或危險(xiǎn)，并根據(jù)機(jī) 會(huì)/危險(xiǎn)分析來向模型預(yù)測控制器推薦控制動(dòng)作。
[0291] 壓縮機(jī)剎車/系統(tǒng)
[0292] 壓縮機(jī)剎車是設(shè)計(jì)成執(zhí)行較窄范圍任務(wù)的典型封裝系統(tǒng)的代表，在本例中是氣體 壓縮以便供給過程中，或者從過程中抽取氣體壓縮，以便保持真空。后者可以在油井中看 見，其中，機(jī)殼壓力降低至低于大氣壓力，以便增加井流入。
[0293] 這些用途是典型的流體和熱力學(xué)過程，其中，栗、閥和過程操作的尺寸設(shè)置成用于 特定操作，并很容易建模。設(shè)備故障、過程干擾和操作限制說明了在過程中的大量變化。
[0294] 還有，作用也非常類似于油井抽油機(jī)用途中的作用，其中，主要變化是過程模型、 由狀態(tài)介質(zhì)跟蹤的操作狀態(tài)和診斷介質(zhì)的性質(zhì)，它們是特定過程。在這種情況下，當(dāng)監(jiān)測命 令與實(shí)際壓力、過程的流動(dòng)和溫度，以便建立概率。根據(jù)危險(xiǎn)和安全性含義，控制器可以用 于通過對(duì)過程設(shè)置點(diǎn)進(jìn)行較小變化來進(jìn)行實(shí)際測試，且驗(yàn)證干擾和產(chǎn)生控制動(dòng)作將表示合 適的操作，以便進(jìn)一步隔離過程干擾的源。
[0295] 控制剎車的過程還可以進(jìn)行建模，以便使得ABC能夠有更廣的范圍。
[0296] 其它過程系統(tǒng)
[0297] 在其它過程中的應(yīng)用（例如爐、鍋爐、壓縮機(jī)或者過程的集合，這些過程組合成復(fù) 雜系統(tǒng)，例如蒸氣重整器或精煉器)并不根本改變AIMC和它的介質(zhì)怎樣基本操作。當(dāng)系統(tǒng)設(shè) 計(jì)成用于在不確定的條件下操作時(shí)，控制動(dòng)作的范圍可以根據(jù)安全和危險(xiǎn)公差來限制。它 們中的很大量能夠通過優(yōu)選實(shí)施方式來處理，該優(yōu)選實(shí)施方式將有AHC來向標(biāo)準(zhǔn)工業(yè)控制 器進(jìn)行控制推薦，該標(biāo)準(zhǔn)工業(yè)控制器包含所需的安全互鎖和許可，以便保證在所有情況下 都安全操作。
[0298] AI的設(shè)計(jì)和結(jié)構(gòu)能夠根據(jù)使用它的工業(yè)用途或內(nèi)容來變化，系統(tǒng)可能需要不同數(shù) 目和設(shè)計(jì)的功能介質(zhì)，例如診斷和控制策略介質(zhì)。
[0299]盡管在上述實(shí)施例中系統(tǒng)100包括一個(gè)狀態(tài)介質(zhì)156，但是在可選實(shí)施例中，系統(tǒng) 100可以包括多個(gè)狀態(tài)介質(zhì)156。
[0300]在一些可選實(shí)施例中，控制系統(tǒng)100可以以可擴(kuò)展方式來實(shí)施，這樣，計(jì)算能夠分 配給另外的處理器，在本地或遠(yuǎn)處嵌入，或者PC計(jì)算平臺(tái)。
[0301] 這樣的控制系統(tǒng)100還能夠與已有或私有的控制器網(wǎng)絡(luò)連接，以便進(jìn)入和監(jiān)測過 程數(shù)據(jù)，執(zhí)行診斷和優(yōu)化任務(wù)。這使得這里所述的技術(shù)能夠集成在現(xiàn)有或定制的工程系統(tǒng) 和OEM產(chǎn)品中。也可選擇，除了進(jìn)入已有的控制器或遠(yuǎn)處的I/O模塊，AMC系統(tǒng)還能夠包括它 自身的數(shù)字或模擬輸入（I/O)。在一些實(shí)施方式中，控制方向提供給工業(yè)控制器，該工業(yè)控 制器提供I/O的監(jiān)測和提供具有獨(dú)立安全互鎖和許可（它們通常在這些處理中）的基本控制 操作。
[0302] 本領(lǐng)域技術(shù)人員應(yīng)當(dāng)知道，上述介質(zhì)各自能夠作為分離的介質(zhì)而獨(dú)自操作，或者 也可選擇，作為包含介質(zhì)的子介質(zhì)。例如，在一個(gè)實(shí)施例中，一個(gè)或多個(gè)診斷介質(zhì)是包含診 斷介質(zhì)的子介質(zhì)。
[0303] 盡管在上述實(shí)施例中，AHC系統(tǒng)100包括模型/參數(shù)調(diào)整介質(zhì)168。但是在可選實(shí)施 例中，模型/參數(shù)調(diào)整介質(zhì)168的功能在數(shù)據(jù)和建模介質(zhì)158中實(shí)施，因此AIMC系統(tǒng)100并不 包括任何模型/參數(shù)調(diào)整介質(zhì)168。
[0304] 在可選實(shí)施例中，模型/參數(shù)調(diào)整介質(zhì)168以及數(shù)據(jù)和建模介質(zhì)158的功能在AI管 理器152中實(shí)施，因此AMC系統(tǒng)100并不包括任何模型/參數(shù)調(diào)整介質(zhì)168,也不包括任何數(shù) 據(jù)和建模介質(zhì)158。
[0305] 盡管在上述實(shí)施例中，AIMC系統(tǒng)100包括多個(gè)IA，但是在可選實(shí)施例中，AIMC系統(tǒng) 100在不使用任何介質(zhì)的情況下實(shí)施。相反，在該實(shí)施例中，AHC系統(tǒng)100使用傳統(tǒng)編程方法 來實(shí)施。
【主權(quán)項(xiàng)】
1. 一種控制至少一個(gè)裝置的過程的方法，該方法包括： 接收由過程產(chǎn)生的實(shí)時(shí)處理數(shù)據(jù)； 處理該實(shí)時(shí)處理數(shù)據(jù)，并將該處理數(shù)據(jù)與預(yù)測目標(biāo)函數(shù)、歷史平均值、預(yù)測操作包絡(luò)線 和預(yù)定靜態(tài)函數(shù)中的至少一個(gè)進(jìn)行比較，用于建立與正常操作的任何偏離； 應(yīng)用概率模型以分類該偏離的源和可能原因； 優(yōu)先驅(qū)動(dòng)與偏離的因果關(guān)系相關(guān)的至少一個(gè)或多個(gè)診斷； 根據(jù)該一個(gè)或多個(gè)診斷的結(jié)果改變概率模型；以及 應(yīng)用改變的概率模型來起動(dòng)對(duì)過程的至少一個(gè)控制動(dòng)作，以調(diào)節(jié)響應(yīng)于偏離的過程。2. 根據(jù)權(quán)利要求1所述的方法，還包括:應(yīng)用改變的概率模型來評(píng)估該至少一個(gè)控制動(dòng) 作引起過程中斷的危險(xiǎn)。3. 根據(jù)權(quán)利要求1所述的方法，其中：至少一個(gè)或多個(gè)診斷的優(yōu)先驅(qū)動(dòng)還包括： 模式匹配，以便進(jìn)行與已知模式的概率匹配；以及 分類該一個(gè)或多個(gè)診斷中的那些首先驅(qū)動(dòng)的。4. 根據(jù)權(quán)利要求1所述的方法，還包括:在起動(dòng)該至少一個(gè)控制動(dòng)作之前，優(yōu)化該至少 一個(gè)控制動(dòng)作。5. 根據(jù)權(quán)利要求1所述的方法，其中：該概率模型是概率圖網(wǎng)絡(luò)。6. 根據(jù)權(quán)利要求1所述的方法，其中：該概率模型是貝葉斯網(wǎng)絡(luò)。7. -種用于控制至少一個(gè)裝置的過程的方法，該方法包括： 在數(shù)據(jù)和建模介質(zhì)處，將實(shí)時(shí)數(shù)據(jù)與過程的統(tǒng)計(jì)型面、過程的歷史型面和過程的模擬 型面中的至少一個(gè)進(jìn)行比較，所述比較考慮操作變化并因此識(shí)別偏離； 在狀態(tài)介質(zhì)處，跟蹤過程的進(jìn)展和特定狀態(tài)； 在監(jiān)督管理器處，分類與偏離相關(guān)的一個(gè)或多個(gè)診斷介質(zhì)，以進(jìn)行概率診斷測試，所述 診斷介質(zhì)包括因果關(guān)系的特定過程概率圖網(wǎng)絡(luò)； 在監(jiān)督管理器處，激發(fā)分類診斷介質(zhì)，以識(shí)別偏離的可能原因和它們的可能性，并接收 概率診斷； 在監(jiān)督管理器處，比較多個(gè)診斷介質(zhì)的概率診斷，并更新高確定性的診斷的狀態(tài)介質(zhì)， 或者當(dāng)區(qū)分可能的原因有足夠的不確定性時(shí)，起動(dòng)另外的診斷測試;以及 在控制介質(zhì)處，根據(jù)一個(gè)或多個(gè)診斷的概率來評(píng)估控制動(dòng)作的機(jī)會(huì)和危險(xiǎn)，并根據(jù)所 述評(píng)估來起動(dòng)對(duì)于過程的至少一個(gè)控制動(dòng)作。8. -種用于控制在系統(tǒng)中的至少一個(gè)裝置的過程的系統(tǒng)，所述系統(tǒng)包括： 多個(gè)傳感器，用于收集過程的數(shù)據(jù)； 狀態(tài)介質(zhì)，用于根據(jù)由傳感器收集的數(shù)據(jù)來監(jiān)測系統(tǒng)的狀態(tài)； 至少一個(gè)診斷介質(zhì)，用于診斷系統(tǒng)的至少一部分，并從傳感器收集診斷數(shù)據(jù)，以便識(shí)別 與正常操作的偏離； 控制介質(zhì)，用于執(zhí)行對(duì)過程的控制動(dòng)作；以及 監(jiān)督管理器，該監(jiān)督管理器與狀態(tài)介質(zhì)、該至少一個(gè)診斷介質(zhì)和控制介質(zhì)連接，用于： 接收由過程產(chǎn)生的實(shí)時(shí)處理數(shù)據(jù)； 與預(yù)測目標(biāo)函數(shù)和/或歷史平均值和/或預(yù)測操作包絡(luò)線和/或預(yù)定靜態(tài)函數(shù)進(jìn)行比 較，用于建立與正常操作的任何偏離； 在狀態(tài)介質(zhì)處應(yīng)用概率模型，用于分類偏離的源和可能原因； 優(yōu)先驅(qū)動(dòng)與偏離的因果關(guān)系相關(guān)的至少一個(gè)診斷介質(zhì)； 由來自該至少一個(gè)診斷介質(zhì)的結(jié)果來改變狀態(tài)介質(zhì)的概率模型；以及 在控制介質(zhì)處應(yīng)用概率模型，用于評(píng)估危險(xiǎn)和應(yīng)用控制動(dòng)作到該至少一個(gè)裝置，以調(diào) 節(jié)過程。9. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其中：該一個(gè)或多個(gè)診斷介質(zhì)是一包含診斷介質(zhì)的子介 質(zhì)。10. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其中：各個(gè)介質(zhì)能夠作為單獨(dú)介質(zhì)或作為包含介質(zhì)的 子介質(zhì)來獨(dú)立地操作。11. 根據(jù)權(quán)利要求10所述的系統(tǒng)，其中:包含介質(zhì)是面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)。12. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其中：該至少一個(gè)裝置包括至少一個(gè)抽油機(jī)。13. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其中：該至少一個(gè)裝置包括甲烷蒸氣轉(zhuǎn)化爐、鍋爐、熱 處理爐、水處理設(shè)備和撬裝壓縮機(jī)中的至少一個(gè)。14. 根據(jù)權(quán)利要求8所述的系統(tǒng)，其中：該系統(tǒng)分布在多個(gè)工作地點(diǎn)中，用于控制該工作 地點(diǎn)上的裝置。15. -種用于控制在該系統(tǒng)中的至少一個(gè)裝置的過程的系統(tǒng)，所述系統(tǒng)包括： 多個(gè)傳感器，用于收集過程的數(shù)據(jù)；以及 至少一個(gè)計(jì)算裝置，該計(jì)算裝置具有多個(gè)介質(zhì)，用于分析從傳感器收集的數(shù)據(jù)，根據(jù)所 述分析來改變過程模型，并根據(jù)所述改變的過程模型來起動(dòng)對(duì)于過程的控制動(dòng)作，用于調(diào) 節(jié)該過程，其中， 第一個(gè)所述介質(zhì)利用概率圖模型來識(shí)別至少一個(gè)參數(shù)，用于改變過程模型。16. 根據(jù)權(quán)利要求15所述的方法，其中：該概率圖模型是貝葉斯網(wǎng)絡(luò)。17. 根據(jù)權(quán)利要求15所述的方法，其中：第二個(gè)所述介質(zhì)根據(jù)從傳感器收集的數(shù)據(jù)來監(jiān) 測系統(tǒng)的狀態(tài)。18. 根據(jù)權(quán)利要求17所述的方法，其中：至少第三個(gè)所述介質(zhì)診斷系統(tǒng)的至少一部分和 從傳感器收集的診斷數(shù)據(jù)，以便識(shí)別與正常操作的偏離。19. 根據(jù)權(quán)利要求18所述的方法，其中：至少第四個(gè)所述介質(zhì)執(zhí)行控制動(dòng)作，以便調(diào)節(jié) 過程。20. 根據(jù)權(quán)利要求19所述的方法，其中： 至少第五個(gè)所述介質(zhì)優(yōu)化要應(yīng)用于該過程的控制動(dòng)作； 第六個(gè)所述介質(zhì)建立和保持用于系統(tǒng)操作的過程模型，并識(shí)別過程與正常操作的偏 離； 第七個(gè)所述介質(zhì)是監(jiān)督管理器，用于管理所述介質(zhì)。21. 根據(jù)權(quán)利要求15所述的系統(tǒng)，其中：該至少一個(gè)裝置包括一個(gè)或多個(gè)抽油機(jī)。22. -種用于控制在該系統(tǒng)中的至少一個(gè)裝置的過程的系統(tǒng)，所述系統(tǒng)包括： 多個(gè)傳感器，用于收集處理數(shù)據(jù)；以及 至少一個(gè)計(jì)算裝置，該計(jì)算裝置有多個(gè)介質(zhì)，用于分析從傳感器收集的數(shù)據(jù)，根據(jù)所述 分析來改變過程模型，并根據(jù)所述改變的過程模型來起動(dòng)對(duì)于過程的控制動(dòng)作，用于調(diào)節(jié) 該過程，其中， 至少一個(gè)所述介質(zhì)利用概率圖模型用于： 識(shí)別優(yōu)化策略，以確定調(diào)節(jié)過程的控制動(dòng)作，以及 根據(jù)優(yōu)化策略來識(shí)別要優(yōu)化的參數(shù)的數(shù)值搜索區(qū)域， 進(jìn)行數(shù)值優(yōu)化，以便搜索所述參數(shù)的最佳值。23. 根據(jù)權(quán)利要求16所述的系統(tǒng)，其中:所述最佳值是總體最佳值。24. 根據(jù)權(quán)利要求16所述的系統(tǒng)，其中：所述最佳值是在所述數(shù)值搜索區(qū)域中的最適合 局部最佳值。25. 根據(jù)權(quán)利要求22所述的方法，其中:概率圖模型是貝葉斯網(wǎng)絡(luò)。26. 根據(jù)權(quán)利要求22所述的方法，其中：第二個(gè)所述介質(zhì)根據(jù)從傳感器收集的數(shù)據(jù)來監(jiān) 測系統(tǒng)的狀態(tài)。27. 根據(jù)權(quán)利要求26所述的方法，其中：至少第三個(gè)所述介質(zhì)診斷系統(tǒng)的至少一部分和 從傳感器收集的診斷數(shù)據(jù)，以便識(shí)別與正常操作的偏離。28. 根據(jù)權(quán)利要求27所述的方法，其中：至少第四個(gè)所述介質(zhì)執(zhí)行對(duì)于過程的控制動(dòng) 作。29. 根據(jù)權(quán)利要求28所述的方法，其中： 至少第五個(gè)所述介質(zhì)識(shí)別用于改變過程模型的至少一個(gè)參數(shù)； 第六個(gè)所述介質(zhì)建立和保持用于系統(tǒng)操作的過程模型，并識(shí)別過程與正常操作的偏 離；以及 第七個(gè)所述介質(zhì)管理所述介質(zhì)。30. 根據(jù)權(quán)利要求22所述的系統(tǒng)，其中：該至少一個(gè)裝置包括至少一個(gè)抽油機(jī)。
【文檔編號(hào)】G05B23/02GK105900022SQ201480072999
【公開日】2016年8月24日
【申請(qǐng)日】2014年11月27日
【發(fā)明人】杰夫·沃森
【申請(qǐng)人】精通人工智能系統(tǒng)有限公司