| dc.description.abstract | Moderne produksjonssystemer innen olje og gass er intensivt overvåket av et stort antall sensorer og tilstandsovervåkende utstyr. Dette generer enorme mengder data som kontinuerlig strømmes til produksjonsdataplattformer, noe som presenterer industrien med store muligheter og tekniske utfordringer. Et stort potensiale knyttet til dette ligger i å utvikle effektive metoder for å overvåke tilstanden til systemene slik at man kan avdekke når enkelte systemer avviker fra normalen for å kunne avdekke umiddelbare farer. Med dette i siktet er hovedmålet for denne oppgaven å utvikle algoritmer for avviksdetektering i sanntid for utstyr i olje- og gassindustrien. Vi fokuserer på en gasskompressor på en oljeplattform i Nordsjøen, der vi foreslår to modell-baserte algoritmer for å detektere avvik ved å sammenligne observerte målinger med prediksjoner fra en statistisk modell som simulerer normaltilstanden til systemet.
En presis prediktiv modell er avgjørende for suksessen av slike algoritmer. Ettersom dyp læring med sekvensbaserte nevrale nettverk har vist seg å være svært suksessfulle innen lignende problemstillinger, ser vi på potensialet for dyp læring som et rammeverk for å modellere fysiske system. Vi implementerer ulike typer dype nevrale nett, såfremt teknikker for å estimere den prediktive usikkerheten tilknyttet disse modellene. Videre implementerer vi et sett av mindre avanserte modeller som fungerer som standarder for å sammenligne ytelsen til de nevrale nettverkene. Våre resultater viser at den mest presise modellen er satt sammen av et Long Short-Term Memory nettverk og et feed-forward nevralt nettverk, som klart presterer bedre enn de beste standardene med en relativ forbedring på 17.2%. Dermed benytter vi denne modellen i algoritmene for å detektere avvik.
Den første algoritmen for å detektere avvik benytter seg av en statisk residualdistribusjon for å klassifisere observasjoner, mens den andre benytter seg av det punktvise prediksjonsintervallet. Kvaliteten av metodene er evaluert ved å anvende metodene på tre tilfdelig utplukkede datasett som innehar flere observasjoner som avviker fra normalen, der vi undersøker om avviksadvarslene stemmer overens med det vi forventer. Begge metodene presterer svært tilfredsstillende, der avviksadvarslene stemmer godt overens med våre forventninger, og vi finner at den prediktive modellen fungerer utmerket i forbindelse med algoritmene. Metodene implementert i denne oppgaven møter de høye kravene for avviksdetektering i sanntid, der de kan prosessere og evaluere data på en rask og effektiv måte, og dette viser stort potensiale for å benytte seg av slike modeller i industrien. | |
| dc.description.abstract | Modern petroleum production systems are intensively monitored by a high number of sensors and condition monitoring equipment, generating vast amounts of data that is continuously streamed to production data platforms. A fundamental capability of streaming analytics is to develop anomaly detection methods that can efficiently monitor critical equipment and warn about anomalous behavior, helping to prevent imminent equipment failures and reduce operational risk. As such, the main objective of this thesis is to demonstrate how to develop unsupervised, real-time anomaly detection algorithms for equipment in the oil and gas industry. We specifically look at a gas compressor operating at an oil rig in the North Sea, and propose two model-based anomaly detection methods that identify anomalies by comparing the true measurements to the predictions of a probabilistic model that simulate the normal behavior of the equipment.
An accurate predictive model is crucial to the success of such anomaly detection methods. Seeing deep learning and sequence specialized neural networks as tremendously successful in similarly complex modeling problems, this thesis focuses on researching the potential of deep learning as a modeling framework for the physical equipment. To this end, we implement deep neural networks of varying types and designs, as well as techniques to assess the predictive uncertainty of these models. In addition, a set of less advanced baselines are implemented to benchmarks their performances. We find that the best performance is achieved by an ensemble model consisting of a Long Short-Term Memory network and a feed-forward neural network, clearly outperforming the best benchmark model by 17.2%. Consequently, this model is employed in the anomaly detection algorithms.
The first of the proposed anomaly detection methods uses a static residual distribution to classify observations, while the other uses the prediction intervals of point-predictions to do the same. The quality of the methods is evaluated by examining whether their anomaly warnings conform to our expectations when applied to three arbitrarily chosen datasets with clear abnormal patterns. On this evaluation criterion, their performances are highly satisfactory and consistent with our expectations, and we find that the applied deep learning model works excellently in conjunction with the proposed anomaly detection methods. The implemented anomaly detection setups meet the high demands of a real-time streaming anomaly detection algorithm, they can process and evaluate incoming data in a fast, efficient and unsupervised manner, and show great potential to be utilized in an industrial setting. | en |
