(19)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 202110787413.9 (22)申请日 2021.07.13 (65)同一申请的已公布的文献号 申请公布号 CN 113435660 A (43)申请公布日 2021.09.24 (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 专利权人 中国海洋大学　 北京航空航天大 学　 中海石油深海开发有限公司 　 中海油安全技 术服务有限公司 　 烟台杰瑞 石油装备技 术有限公司 (72)发明人 蔡宝平　邵筱焱　刘永红　刘贵杰　 冯强　吴奇霖　葛伟凤　李心成　吴奇兵　吴小路　何睿　邹哲先　 王泓晖　范红艳　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06N 7/00(2006.01) G06F 30/27(2020.01) (56)对比文件 CN 105426692 A,2016.0 3.23 CN 110633529 A,2019.12.31 CN 111967189 A,2020.1 1.20 CN 112001545 A,2020.1 1.27 US 2021157312 A1,2021.0 5.27 审查员 李玲 (54)发明名称 融合卡尔曼滤波和贝叶斯网络的水下采油 树重预测方法 (57)摘要 本发明属于石油工程领域， 具体地， 涉及一 种融合卡尔曼滤波和贝叶斯网络的水下采油树 重预测方法。 融合卡尔曼滤波和贝叶斯网络的水 下采油树重预测方法， 包含三个步骤： 数字孪生 模型建立、 退化过程重预测模型建立和剩余寿命 计算模型建立。 融合卡尔曼滤波和贝叶斯网络的 水下采油树重预测系统， 包括安装于水下分配单 元的水下分配单元信息采集子系统、 安装于水下 控制模块的水下控制模块信息采集子系统、 安装 于水下阀组的水下阀组信息采集子系统、 安装于 井口机械模块的井口机械模块信息采集子系统、 安装于水下控制模块的水下环境信息采集模块 和安装于水上控制站的水下采油树数字孪生子 系统。 权利要求书5页 说明书7页 附图3页 CN 113435660 B 2022.07.08 CN 113435660 B 1.一种融合卡尔曼滤波和贝叶斯网络的水下采油树重预测方法， 其特征在于： 包括三 个步骤， 数字 孪生模型建立、 退化过程重预测模型建立和剩余寿命计算模型建立； 数字孪生模型建立的具体步骤为： S101： 针对水下采油树的物理结构， 建立数字孪生的几何尺寸模型， 该模型包括电子结 构几何尺寸模型， 液压结构几何尺寸模型和机械结构几何尺寸模型， 三种 结构的几何尺寸 模型反映物理系统的几何尺寸和装配关系； S102： 针对水下采油树的海洋环境， 建立数字孪生的生产环境模型， 该模型包括台风、 内波流、 海水温压海洋环境 监测数据构成的实时动态数据； S103： 针对水下采油树的过程参数， 建立数字孪生的生产流程模型， 该模型包括常规采 油、 化学药剂注入、 清蜡油气生产过程数据； S104： 针对水下采油树的监测参数， 建立数字孪生的生产状态模型， 该模型包括机械结 构、 液压结构、 电子结构的多源传感器系统状态数据； 退化过程重预测模型建立的具体步骤为： S201： 读取水下采油树的系统状态数据， 计算各组件随时间变化的退化量， 读取水下采 油树历史进程的电子结构的电压信息、 液压结构的压力、 流量信息和机械结构的应力应变 信息， 利用水 下采油树失效模式确定历史退化 量； S202： 基于退化数据估计维纳过程参数， 对于水下采油树， 各结构的退化模型符合维纳 过程： X(t)＝X(0)+λt+σBB(t) 其中， λ为漂移系数， σB为扩散系数， B(t)为标准布朗运动； 针对n组退化数据， 每组退化数据有i个监测点， 退化量记为X， 时间记为T， 利用极大似 然估计方法对维纳过程 参数进行参数估计： 其中Φn＝diag(ΔTn,t1,ΔTn,t2,…,ΔTn,ti)； 将得到的维纳过程参数代入维纳过程中， 分别得到电子结构、 液压结构和机械结构的 服从维纳过程的退化 量； S203： 建立水下采油 树初始退化预测模型， 在构建的数字孪生模型中利用卡尔曼滤波 进行水下采油树的初始退化预测， 卡尔曼滤波可以对状态估计值和状态测量值进 行最优化 选择， 进而得到最优预测值， 卡尔曼 滤波包括五个步骤： ①状态预测： 其中Ft是状态转移矩阵， Bt是控制矩阵， 代表着控制变量ut对当前时刻的影响， 表示 基于前一时刻状态对当前时刻的估计值； ②协方差矩阵： Pt‑＝FPt‑1FT+Q 其中P是协方差矩阵， Q是 预测模型的噪声； ③观测值：权　利　要　求　书 1/5 页 2 CN 113435660 B 2zt＝Hxt+ξ 其中zt代表观测值， H代 表观测矩阵， ξ 为观测噪声； ④状态更新： 其中， Kt是卡尔曼系数， 可以表示 为： Kt＝Pt‑HT(HPt‑HT+R)‑1 其中R为观测噪声的协方差矩阵； ⑤协方差矩阵的更新： Pt＝(I‑KtH)Pt‑ 使用卡尔曼 滤波对维纳过程进行状态预测， 需要将维纳过程 转化为状态空间方程： 在维纳过程中认定 λt＝ λt‑1， 则构建的卡尔曼 滤波为： 预测模型的噪声Q可以表示 为 初始状态可以表示 为： 初始协方差矩阵可以表示 为： 利用维纳过程构建的卡尔曼滤波算法， 结合给定的初始条件， 通过卡尔曼滤波对系统 估计值和 测量值的最优 估计， 实现对退化 量的初次预测； S204： 建立水下采油 树退化重预测模型， 在数字孪生模型中利用贝叶斯网络将维纳过 程建立为动态贝叶斯网络； 首先维纳过程的主要参数： 漂移系数均值， μλ、 漂移系数方差， σλ2、 扩散系数的平方值σB2和退化量X成为静态贝叶斯网络的节点， 节点间的箭头表示节点 间的物理关系， 经过时间扩展得到t个时间片的动态贝叶斯网络， E代表证据 节点， 可以将物 理实体中的补充信息 输入到动态贝叶斯网络中， 实现动态贝叶斯网络的信息更新； 信息更新后的动态贝叶斯网络计算结果作为新的状态测量值被输入到S203建立的卡 尔曼滤波算法中， 进行退化量的二次计算； 二次计算根据了初始的状态估计值和动态贝叶权　利　要　求　书 2/5 页 3 CN 113435660 B 3