[论文解读] Application of Deep Learning for Predictive Maintenance of Oilfield Equipment

Abdeldjalil Latrach|arXiv (Cornell University)|Jan 1, 2020

Oil and Gas Production Techniques被引用 4

一句话总结

本论文提出了一种基于深度学习的框架，利用传感器数据对油田设备进行预测性维护，结合信号处理与神经网络技术，实现故障诊断与剩余使用寿命（RUL）预测。该方法通过将振动信号图像化并使用卷积神经网络（CNN）实现近乎完美的故障分类，同时在基准数据集上利用长短期记忆网络（LSTM）和全连接网络实现高精度的RUL预测。

ABSTRACT

This thesis explored applications of the new emerging techniques of artificial intelligence and deep learning (neural networks in particular) for predictive maintenance, diagnostics and prognostics. Many neural architectures such as fully-connected, convolutional and recurrent neural networks were developed and tested on public datasets such as NASA C-MAPSS, Case Western Reserve University Bearings and FEMTO Bearings datasets to diagnose equipment health state and/or predict the remaining useful life (RUL) before breakdown. Many data processing and feature extraction procedures were used in combination with deep learning techniques such as dimensionality reduction (Principal Component Analysis) and signal processing (Fourier and Wavelet analyses) in order to create more meaningful and robust features to use as an input for neural networks architectures. This thesis also explored the potential use of these techniques in predictive maintenance within oil rigs for monitoring oilfield critical equipment in order to reduce unpredicted downtime and maintenance costs.

研究动机与目标

• 开发基于数据的预测性维护模型，用于油田设备的深度学习方法。
• 通过振动信号处理与卷积神经网络（CNN）对轴承故障进行诊断并分类故障类型。
• 利用循环神经网络与全连接神经网络预测机械系统的剩余使用寿命（RUL）。
• 提出一种实用的实施框架，用于利用传感器数据与神经网络对油井顶部驱动装置（Top Drives）进行监测。
• 评估信号变换技术（如小波标量图）作为深度学习模型输入特征的有效性。

提出的方法

• 使用公开数据集：NASA C-MAPSS、凯斯西储大学轴承数据集以及FEMTO轴承数据集，用于模型训练与评估。
• 应用傅里叶分析、连续小波变换（CWT）以及时频分析等信号处理技术，从原始振动信号中提取有意义的特征。
• 将振动信号转换为图像（如标量图），以支持基于CNN的故障分类。
• 在传感器数据上训练全连接神经网络与长短期记忆网络（LSTM），以预测RUL。
• 通过主成分分析（PCA）进行降维，以提升特征鲁棒性并降低输入维度。
• 设计了一种多传感器监测策略，集成振动、温度、压力与流量传感器，实现对顶部驱动装置的全面健康评估。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用传感器数据预测油田设备的剩余使用寿命（RUL）？
• RQ2 不同神经网络架构（如LSTM、CNN、前馈网络）在从振动信号中诊断轴承故障方面的表现如何？
• RQ3 小波变换等信号处理技术在剩余寿命预测中，对深度学习模型的特征表示能力提升程度如何？
• RQ4 经过变换的振动信号（如标量图）能否有效作为CNN的输入，以实现故障类型与直径的分类？
• RQ5 将这些深度学习技术应用于油井顶部驱动装置实时监测的可行性与潜在影响如何？

主要发现

• CNN模型在转换后的振动信号图像上实现了近乎完美的分类准确率，成功区分了不同故障类型与直径。
• 与全连接网络相比，LSTM网络显著提升了RUL预测性能，尤其在捕捉随时间退化的模式方面表现更优。
• 利用连续小波变换（CWT）生成的标量图，为故障分类提供了稳健且信息丰富的输入表示。
• 傅里叶分析与小波变换等信号处理技术能有效从原始振动信号中提取具有判别力的特征。
• 所提出的顶部驱动装置监测框架为利用现有传感器基础设施与深度学习技术在油田作业中实施预测性维护提供了切实可行的路径。
• 通过PCA进行降维增强了模型泛化能力，并在不显著损失预测性能的前提下降低了计算负载。