Unsupervised Anomaly Detection on Streaming Data in the Petroleum Industry Using Deep Neural Networks

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