基于联邦径向基函数支持向量机的油气井协同异常分类方法研究

《Future Internet》：FedRBF-SVM: A Federated Support Vector Machine for IIoT-Based Anomaly Detection in Upstream Oil and Gas Wells

　　上游油气井中的异常工况和设备故障可能危害安全、中断生产并造成巨大的经济损失。本研究提出了一种联邦径向基函数支持向量机方法（FedRBF-SVM），用于跨工业物联网（IIoT）油气井的协同异常分类。每个参与井以客户端的身份，使用带标注样本训练并保留本地径向基函数支持向量机（RBF-SVM），仅返回每个推理样本的标量决策函数分数。服务器对这些分数取平均并应用经验证校准的决策阈值。该方法在3W油井数据集上进行了评估，采用模拟联邦环境，测试了不同数量的本地存储训练模式、三个目标假阳性率（FPR）工作点，以及与集中式RBF-SVM基线的对比。FedRBF-SVM的性能总体上随着本地存储训练模式数量的增加而提升。在每客户端2500个训练模式、目标假阳性率为0.05的条件下，FedRBF-SVM的F1分数约为0.79，精确率约为0.97，召回率约为0.67。这些结果表明，联邦支持向量机在分布式油井监测中是可行的，同时将训练数据和模型保留在客户端。