基于无监督自编码器的石油行业有限故障数据异常检测方法

《IEEE Open Journal of Instrumentation and Measurement》：Unsupervised Autoencoder-Based Anomaly Detection Under Limited Failure Data For Oil Industry

　　

摘要：

本文提出了一种基于深度自编码器的无监督异常检测方法，用于在故障数据有限的条件下检测离心泵的异常情况，该方法着重应用于石油和天然气行业。这些自编码器被设计用来从SCADA数据中重建输入序列，这些数据包括压力、温度、振动和电流等信息，而异常检测则是通过重建误差来实现的。异常检测采用移动最小值异常评分法，该方法能够抑制短暂波动，突出持续性的偏差。每个自编码器都在故障发生前的正常运行数据上进行训练，然后在包含已记录故障的序列上接受评估。该自编码器能够在维护团队实际发现故障前74天就检测到异常，在其他情况下则能提前两到三天发出预警。文中还提出了相应的架构、训练参数以及数据预处理步骤，包括压差计算和空闲状态过滤等。研究结果表明，在工业环境中，当故障标注数据有限时，无监督深度学习方法在工业故障检测领域具有应用潜力。