(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110752771.6 (22)申请日 2021.07.02 (65)同一申请的已公布的文献号 申请公布号 CN 113378480 A (43)申请公布日 2021.09.10 (73)专利权人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 蔡宝平　王远东　刘永红　孔祥地　 张妍平　刘贵杰　冯强　李心成　 葛伟凤　吴奇兵　吴奇霖　纪仁杰　 刘增凯　李荣康　 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01)G06Q 10/00(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) G06F 119/02(2020.01) 审查员 张春洁 (54)发明名称 基于剩余使用寿命预测的水下采油树视情 维修方法及系统 (57)摘要 本发明属于石油工程领域， 具体地， 涉及一 种基于剩余使用寿命预测的水下采油树视情维 修方法及系统。 基于剩余使用寿命 预测的水下采 油树视情维修方法， 包含六个步骤： 水下采油树 各组件退化冲击模型建立、 水下采油树各组件不 完全维修模 型建立、 水下采油树各组件剩余使用 寿命预测模 型建立、 水下采油树系统备件模型建 立、 水下采油树系统视情维修模 型建立和水下采 油树系统维修决策阈值确定。 基于剩余使用寿命 预测的水下采油树视情维修系统， 包含五个部 分： 水下采油树生产回路数据采集模块、 水下采 油树环空回路数据采集模块、 水下采油树化学药 剂注入回路数据采集模块、 水下采油树传感器数 据收集与存储模块、 水下采油树维修决策子系 统。 权利要求书8页 说明书11页 附图7页 CN 113378480 B 2022.04.15 CN 113378480 B 1.基于剩余使用寿命预测的水下采油树视情维修方法， 其特征在于： 包括以下6个步 骤： S1： 根据历史故障数据建立水 下采油树各组件退化冲击模型， 具体包括以下步骤： S11： 建立水下采油树各组件内部退化模型， 将水下采油树各组件内部退化过程建模为 伽马过程， 则水下采油树各组件单位周期时间T的退化量xT相互独立且服从伽马分布， 如下 所示： 其中， f(xT, α, β )为伽马分布密度函数， α 为伽马分布的形状参数， β 为伽马分布的逆尺度 参数， Γ(xT)为伽马函数， 伽马分布的形状参数和逆尺度参数由历史数据确定； 水下采油树各组件在t个单位周期时间的内部退化总量Xt为： 其中， xTk为水下采油树各组件第k个单位周期时间的退化 量， k为单位周期时间编号； S12： 建立水下采油树各组件海洋环境外部冲击模型， 将水下采油树各组件海洋环境外 部冲击过程建模为泊松过程， 对 任意时间段t1,t2≥0， 有 其中， n为水下采油树各组件受到海洋环境外部冲击的次数， Nc(t1+t2)为t1+t2时间段受 到的海洋环境外部冲击次数， Nc(t1)为t1时间段受到的海洋环境外部冲击次数， P{Nc(t1+ t2)‑Nc(t1)＝n}为在任意t2时间段发生n次海洋环境外部冲击的概率， λ为泊松分布的参数， 由历史数据确定； 水下采油树各组件受到的海洋环境外部冲击的强度xs即海洋环境外部冲击造成的退化 量服从正态分布， 如下 所示： 其中， f(xs)为正态分布的密度函数， μ为海洋环境外部冲击强度的均值， σ 为海洋环境外 部冲击强度的方差， 由历史数据确定； 海洋环境外 部冲击总量XS为： 其中， xSh为第h次海洋环境外部冲击量， Ns为海洋环境外部冲击次数， h为海洋环境外部 冲击次数编号； 水下采油树各组件退化状态X为内部退化总量Xt和海洋环境外 部冲击总量XS之和， 即： X＝Xt+XS 在不采取维修和更换的情况下， 随着时间的增加， 水下采油树各组件退化状态只增不权　利　要　求　书 1/8 页 2 CN 113378480 B 2减； S2： 根据水下采油树系统维修数据及维修之后的退化数据， 建立水下采油树各组件不 完全维修模型， 具体包括以下步骤： S21： 建立水下采油树各组件不完全维修之后的退化状态降低模型， 具体包括以下内 容： 根据水下采油树维修数据及维修之后的退化数据得到水下采油树各组件在不完全维 修之后， 退化状态Xj低于维修之前的退化状态X， 但是 高于上一次不完全维修之后的退化状 态Xj‑1； 将水下采油树各组件不完全维修之后的退化状态分布建模为Xj‑1到(X‑Xj‑1)·0.6+Xj‑1 的均匀分布， 如下 所示： 其中， fXj为均匀分布的密度函数， j为组件不完全维修次数； S22： 结合水下采油树各组件不完全维修次数， 建立水下采油树各组件不完全维修之后 的退化加速模型， 具体包括以下内容： 水下采油树各组件在不完全维修之后， 退化加速表现在内部退化模型和海洋环境外部 冲击模型参数 上为： αj＝α +κ·j μj＝ τj·μ 其中， αj为第j次不完全维修后， 内部退化伽马分布的形状参数， μj为第j次不完全维修 后， 水下采油树各组件承受的海洋环境外部冲击强度的均值； τ和κ为退化加速系数， τ＞1， 由历史数据确定； S3： 根据水下采油树系统历史故障数据建立基于神经网络算法的水下采油树各组件剩 余使用寿命预测模型， 具体包括以下步骤： S31： 建立基于神经网络算法的水下采油树各组件正常退化状态下剩余使用寿命预测 模型， 基于神经网络算法的水下采油树各组件正常退化状态下剩余使用寿命预测模型将水 下采油树各组件相邻监测时刻的退化状态Xt‑1和Xt、 对应退化状态下的工作的单位周期时 间数t和t ‑1及当前退化状态下的不完全维修次数j作为神经网络的输入量， 输入神经网络 的输入层， 经过两层3节点R的隐藏层， 在输出层输出水下采油树各组件正常退化状态下剩 余使用寿命数据Rul； S32： 建立基于神经网络算法的水下采油树各组件不完全维修下剩余使用寿命预测模 型， 基于神经网络算法的水下采油树各组件不完全维修下剩余使用寿命预测模型将水下采 油树各组件在维修时刻维修之前的退化状态Xt、 维修时刻工作的单位周期时间数t、 水下采 油树各组件不完全维修之后的退化状态Xj及不完全维修次数j作为神经网络 的输入量， 输 入神经网络的输入层， 经过两层3节点R的隐藏层， 在输出层输出水下采油树各组件不完全 维修下剩余使用寿命数据Rul； 经过多次训练得到预测精度满足使用要求的水下采油树各组件剩余使用寿命预测模 型；权　利　要　求　书 2/8 页 3 CN 113378480 B 3