异常检测与特定领域的形状学习用于吸管杆系统的异常检测.
Xiangyu Li1, Zhupei Liao1, Chunhua Yuan2
1School of Automation and Electrical Engineering, Shenyang Ligong University, Shenyang, 110159, China.
Scientific reports
|July 18, 2025
概括
本研究介绍了一种无监督的算法,用于早期检测吸杆系统 (SRPS) 的故障. 异常检测与特定域形状学习 (AD-DSL) 算法有效地识别电机功率数据中的异常,以提高运行可靠性.
科学领域:
- 石油工程是石油工程中的一个.
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 吸管系统 (SRPS) 的可靠运行在石油工业中至关重要.
- 早期检测SRPS中发展缓慢的次要故障对于防止故障至关重要.
- 传统方法依赖于标记的数据集和机械模型,限制了它们的适用性.
研究的目的:
- 提出一个无监督的,端到端的学习算法,用于SRPS中的异常检测.
- 开发一种不需要标记数据集或广泛的机械信息的方法.
- 为决策者提供潜在问题的早期预警.
主要方法:
- 提出了一种无监督的端到端学习算法,即用域特定格式学习 (AD-DSL) 检测异常.
- AD-DSL使用了一种机械信息矩阵和一个促进稀疏性的目标函数.
- 基于图形的特征是从电机功率时间序列数据中学习的,加上动态值和异常分数用于趋势监测.
主要成果:
- AD-DSL算法在SRPS电机功率数据中证明了有效的异常检测.
- 该方法提供可解释的,基于Shapelet的功能,用于故障识别.
- 定量比较表明,AD-DSL在准确性方面优于基线方法,并提供具有竞争力的F1分数.
结论:
- 拟议的AD-DSL算法为SRPS无监督异常检测提供了强大的和有效的解决方案.
- 这种方法可以提前警告,提高石油开采的可靠性和运营效率.
- 通过减少对标记数据和机制模型的依赖,AD-DSL克服了传统方法的局限性.


