1 of 12

Предиктивная аналитика токограмм УШГН: трансформация

электромеханических сигнатур в инженерные гипотезы и цифровую диагностику

ГРАБОВЕЦКИЙ Д.С., НАЧАЛЬНИК ОТДЕЛА ПО ЭКСПЛУАТАЦИИ И РЕМОНТУ ТЕПЛОЭНЕРГЕТИЧЕСКОГО ОБОРУДОВАНИЯ УСПП ДДНГ ПАО «ТАТНЕФТЬ»

Уважаемые коллеги, сегодня я представляю не просто цифровой инструмент, а новую управленческую концепцию работы с фондом УШГН — переход от реагирования на отказы к их упреждению. Проблематика отказов наземного оборудования — это не только техническая задача, но и вопрос стабильности добычи. Предиктивная аналитика токограмм позволяет нам превратить электромеханические сигнатуры в управляемый ресурс, а диагностику — из постфактум в предвосхищение.

2 of 12

Скважин УШГН с дистанционным контролем

>10 000

Проблема

Низкая точность прогноза отказов

Проблема

Зависимость от человеческого фактора

Проблема

Длительность отклика после отказа

Проблема

Ошибки интерпретации

Проблема

Невозможность обнаружения предпосылок отказов

1

2

3

4

5

Эксплуатационным затратам на ремонт и увеличению МРП оборудования УШГН

Это приводит к

ПРОБЛЕМАТИКА

2

Остановки скважин с УШГН неизбежно приводят к формированию потерь добычи и снижению устойчивости производственного процесса. Фонд скважин находится в зоне постоянного риска отказов наземного оборудования, и каждый такой случай запускает цепочку технологических отклонений, влияющих на общий уровень эффективности. В этих условиях эксплуатационные сбои выходят за рамки локальных инцидентов и становятся фактором, напрямую воздействующим на производительность и энергозатраты.

3 of 12

РЕШЕНИЕ - «ПРЕДИКТИВНАЯ АНАЛИТИКА ОТКАЗОВ УШГН»

Комплексный анализ данных токограмм

Анализ данных токограмм и связанных и ними данных в АСДКУ и КИС АРМИТС

Выявление паттернов

Выявление особенностей в данных перед отказами, которые были отобраны

Аналитические методы и методы ИИ

Разработка и апробация математических методов и методов ИИ для обобщения прогнозных функций для отказов

Система предиктивной аналитики

Внедрение предиктивной аналитики в существующие системы контроля и управления фондом

3

Причина большинства потерь кроется не в самих установках, а в управлении ими. Низкая точность прогнозов, зависимость от человеческого фактора, задержка реакции на отказ и ошибки интерпретации данных — всё это формирует критический разрыв между событием и вмешательством службы. Когда мы фиксируем отказ по факту, мы уже потеряли фонтан времени. И сегодня нам необходимо замкнуть этот цикл — от факта к прогнозу, от события к предупреждению.

4 of 12

ДВУКОМПОНЕНТНАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА

Визуализация аналитики предотказного состояния оборудования УШГН

Анализ данных токограмм и определение классов отклонений

КОМПОНЕНТ «СВЕТОФОР»

Прогноз отказов при помощи модели машинного обучения

КОМПОНЕНТ «МОДЕЛЬ ML»

РЕШЕНИЕ - «ПРЕДИКТИВНАЯ АНАЛИТИКА ОТКАЗОВ УШГН»

Выгрузка по всем скважинам с классами отклонений и вероятностями отказов

Формирование рекомендаций

4

Предложенное решение заключается в создании системы, которая не просто фиксирует отказ, а заранее определяет вероятность его наступления. Мы используем комплексный анализ токограмм, совмещённый с данными АСДКУ и КИС АРМИТС, чтобы выявлять смещение сигнатур, характерных для предотвращаемых ситуаций. Таким образом, мы получаем не статистику, а инженерную гипотезу, которая переходит в управленческое решение. Это фундаментальное изменение баланса — от реакции к упреждению.

5 of 12

ПРИНЯТИЕ РЕШЕНИЙ И РОЛИ ПОЛЬЗОВАТЕЛЕЙ:

ЗАМКНУТЫЙ ЦИКЛ ДЛЯ УЛУЧШЕНИЯ ОБРАТНОЙ СВЯЗИ СИСТЕМЫ

АСДКУ – API –

ML/Светофор

Формирование списка событий с повышенным классом опасности и повышенной вероятностью отказа

Уведомление через дашборд АСДКУ и мессенджер

Решение технологической службы

Оператор ЦДНГ - следит за дашбордом, подтверждает/отклоняет предупреждения

Технолог- анализирует хронику классов, формирует план-график ремонтов

5

Система построена на двух взаимодополняющих компонентах: визуальном модуле «Светофор» и аналитической модели машинного обучения. Первый обеспечивает мгновенную оценку состояния каждой скважины, второй — формирует прогноз, определяя вероятность отказа по временной шкале. Такой подход позволяет объединить оперативный контроль и стратегическое планирование ремонтов. Конфликт между человеком и данными исчезает — система не подсказывает, а предупреждает.

6 of 12

ПЕРВЫЙ КОМПОНЕНТ – СИСТЕМА "СВЕТОФОР"

Разработка визуальной системы отображения статуса скважин

Основной признак – паттерны в токограммах и спектрограммах токограмм

Автоматическая классификация состояния (норма / отклонение / предотказ)

Интуитивная визуальная оценка ситуации на месторождении

Нормальный режим:

Нет или небольшие отклонения

Отклонение:

Средние отклонения

Предотказ:

Сильные и очень сильные отклонения

Изменение значения тока и определение классов отклонений

6

Компонент «Светофор» обеспечивает визуализацию предотказных состояний. Мы переходим от масштабных таблиц к осмысленной цветовой сигнализации. Система классифицирует состояние скважин как норму, отклонение или предотказ, позволяя инженеру видеть не симптом, а тенденцию. Это означает, что технолог получает инструмент немедленного восприятия риска, без необходимости декодирования электромеханических графиков. Этот подход ускоряет управленческую реакцию.

7 of 12

ПРИМЕР РАБОТЫ СВЕТОФОРА

Выявление сильного отклонения тока до фиксации события «Ослабление тяговой цепи»

7

Второй модуль представляет собой модель машинного обучения, ежедневно считывающую токограммы всех скважин. Она формирует вероятностный прогноз по отказам и позволяет увидеть проблему за несколько суток до наступления события. Здесь мы получаем не фиксацию, а предчувствие отказа. То, что раньше определялось человеком по опыту, становится оцифрованной вероятностью. Это не замена человека — это снятие с него нагрузки систематического анализа.

8 of 12

ВЕРИФИКАЦИЯ СВЕТОФОРА

Стабилизация тока после проведения ремонтных работ

8

9 of 12

ВТОРОЙ КОМПОНЕНТ – МОДЕЛЬ ML

Ежедневная выгрузка всех токограмм скважин

Прогноз отказов при помощи модели машинного обучения

Классификация отказов с вероятностями по трем классам + верификация

9

Важной частью решения является замкнутый цикл обратной связи. Информация передаётся через АСДКУ, формируя списки скважин с повышенным риском. Оператор получает уведомление, технолог принимает решение о вмешательстве, служба ремонта составляет план-график. Таким образом, каждый уровень — от оператора до руководства — получает сигнал именно в той форме, которая соответствует его управленческой ответственности. Это не цифровой продукт — это изменение производственной логики.

10 of 12

ВЕРИФИКАЦИЯ МОДЕЛИ ML

Снижение вероятности нормального режима и повышение вероятности отказа за несколько дней до наступления событий

Можно говорить о том, что модель неоднократно предупреждала о высокой вероятности наступления отказа

Событие «Сгорели ремни»

Событие «Замена пальца кривошипа»

10

11 of 12

ЗАКЛЮЧЕНИЕ

Снижение нагрузки на инженерные службы, сокращение затрат, повышение уровня добычи за счет сокращения МРП

Улучшение точности и времени прогнозов отказов оборудования УШГН

Разработка автоматизированных платформ предиктивной аналитики для управления промыслами

Потенциальный к возврату объём добычи нефти при предотвращении 30 % простоев составит ≈ 5 000 т

Показывает отклонения за счет быстрой работы компонента «Светофор»

Точность детекции отказов на пилотном проекте – 72 %

Не требует дополнительных датчиков

Российская юрисдикция – отсутствие санкционных рисков

Развитие автоматизации производства

11

12 of 12

СПАСИБО �ЗА ВНИМАНИЕ!