Traducido del inglés al español - www.onlinedoctranslator.

com

Revista de ciencia e ingeniería del petróleo 191 (2020) 107154

Listas de contenidos disponibles en ScienceDirect

Revista de ciencia e ingeniería del petróleo

revista Página de inicio: http://www.elsevier.com/locate/petrol

Diagnóstico de fallas de eje roto de bomba sumergible eléctrica basado en análisis de

componentes principales

Long Peng *, Guoqing Han, Arnold Landjobo Pagou, Jin Shu

Universidad de Petróleo de China-Beijing, 18 Fuxue Road, Changping, Beijing, 102249, China

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: La bomba sumergible eléctrica (ESP) se emplea actualmente de forma generalizada para ayudar a mejorar la producción de
Bomba eléctrica sumergible pozos de flujo no lineal con alta producción y alto corte de agua. Sin embargo, el eje roto ESP es común en la industria
Análisis de componentes
petrolera. El eje roto provoca interrupciones en la producción, lo que resulta en pérdidas económicas importantes. El objetivo
principales Eje roto
de este trabajo es evaluar el Análisis de Componentes Principales (PCA) como una técnica de aprendizaje automático no
Diagnóstico erroneo
supervisada para detectar la causa de la rotura del eje ESP. Este método se aplicó con éxito en el bloque Penglai del campo
Modelo de diagnóstico de PCA

Aprendizaje automático no supervisado

petrolífero de Bohai en China para detectar la fractura del eje ESP en tiempo real. Se puede utilizar un gráfico bidimensional
de las puntuaciones del Componente principal 1 y el Componente principal 2 para identificar diferentes grupos de la región
estable, la región inestable y la región de falla. Con eso se refiere, Se encontrará una posible fractura del eje ESP cuando el
grupo comience a desviarse de la región estable. Además, se construye un modelo de diagnóstico de PCA para predecir el
momento en el que se produce la fractura del eje ESP y para determinar la variable de decisión principal más responsable de
la rotura del eje ESP. Este artículo demuestra que la aplicación del método PCA funciona bien en el monitoreo del sistema de
operación ESP y predice la rotura inminente del eje ESP con alta precisión.

1. Introducción para análisis de fallas y monitoreo de salud.

La bomba sumergible eléctrica se emplea actualmente ampliamente para ayudar a
mejorar la producción de pozos de flujo no lineal con alta producción, alto corte de agua
y pozos de petróleo en alta mar debido a su estructura simple y alta eficiencia (Ratcliff et
al., 2013). Entre todos los sistemas de levantamiento artificial de petróleo, se prefiere el
ESP porque puede producir grandes volúmenes a temperaturas más altas y alcanzar
profundidades más profundas. Sin embargo, a menudo se observa que el sistema ESP
llega al punto de interrupción del servicio. La rotura del eje de la bomba es un problema
grave para la empresa operadora ya que genera una pérdida estimada de cientos de
millones de barriles de petróleo. Si el eje de la bomba se rompiera, la corriente del motor
caería repentinamente y se interrumpiría la producción. El motivo de la rotura del eje de
la bomba es el mal montaje de la bomba o el envejecimiento de la bomba.
El desarrollo de sensores y sistemas de adquisición de datos hace posible que los
sistemas ESP registren continuamente la presión de admisión, la temperatura de
admisión, el cabezal de la bomba, la presión de descarga, la temperatura de descarga, la
temperatura del motor, la corriente del motor, la corriente de fuga, la vibración, etc. Esos
datos se registrarían a intervalos regulares y se transmitirían a las unidades terminales
remotas (RTU) de superficie (Bates et al., 2004). Para los pozos de pozo rotos, se pueden
utilizar estadísticas o algoritmos de aprendizaje automático.
El objetivo de este trabajo es evaluar el Análisis de Componentes Principales
como una herramienta de monitoreo para predecir la rotura del eje ESP.
2. Analítica de datos ESP
El sistema de operación ESP se ha desarrollado a lo largo de los años y se considera
un medio eficaz para levantar petróleo crudo en condiciones de pozo. Hay una mayor
atención a los sistemas ESP debido al rápido desarrollo de los sensores ESP en la
industria petrolera. Los sensores ESP recopilan una gran cantidad de datos, incluidos
datos dinámicos, datos estáticos y datos históricos (Abdelaziz et al., 2017), como se
muestra en Figura 1. En los últimos años, los pozos que utilizan tecnología ESP se han
rastreado mediante visitas físicas al sitio de los pozos, lo que requiere enormes recursos
humanos para realizar los ajustes necesarios en el sistema operativo del pozo. La
industria del petróleo y el gas ha comenzado a aplicar análisis de datos para mejorar la
eficiencia de la producción (Stone et al., 2007; Takacs, 2017) propuso las tablas de
amperímetro como el método de diagnóstico principal para monitorear el desempeño
del ESP. Además, el surgimiento del sistema de Adquisición de Datos y Control de
Supervisión (SCADA) ha brindado comodidad al personal de campo para monitorear y
controlar el comportamiento del pozo ESP (Ratcliff et al., 2013). El sistema SCADA puede
lograr el

* Autor correspondiente.
Correos electrónicos: 18611745494@163.com (L. Peng), hanguoqing@163.com (G. Han), pagouarnold@yahoo.fr (A. Landjobo Pagou), 649668665@qq.com (J. Shu).

https://doi.org/10.1016/j.petrol.2020.107154
Recibido el 24 de diciembre de 2019; Recibido en forma revisada el 11 de febrero de 2020; Aceptado el 3 de marzo de 2020
On-line el 7 de marzo de 2020
0920-4105 / © 2020 Elsevier BV Todos los derechos reservados.
L. Peng y col. Revista de ciencia e ingeniería del petróleo 191 (2020) 107154

realización del registro continuo de datos de producción de ESP en tiempo real. el eje de la bomba será monitoreado y diagnosticado.
En años recientes, "Big Data" recopilada en los sensores ESP está enmarcando Eriksson y col. (2013)representó el modelo básico de PCA de la siguiente manera:
el punto clave de cómo extraer la información más esencial para evaluar el
X¼TPT þ mi (1)
sistema operativo ESP. Los modelos basados en datos, junto con el aprendizaje
automático, se han utilizado para juzgar y optimizar la producción de pozos.Bravo
dónde:
y col. (2014)describió la analítica de datos como un proceso integral de
recopilación y análisis de macrodatos.
X es la matriz de entradanorte pag); representa los parámetros originales;
La fractura del eje de la bomba es una falla común en el sistema operativo ESP. Con
PAG es la matriz de carga (pag k); representa la contribución de los
base en los datos de operación adquiridos por los sensores ESP terrestres y de fondo de
parámetros originales;
pozo, el análisis de modelos basado en datos jugará un papel importante en el
T es la matriz de puntuaciónnorte k); representa la relación entre los
monitoreo de la rotura del eje de la bomba. Existe la necesidad de evolucionar de un
parámetros originales;
método supervisado hacia el diagnóstico de fallas a un enfoque de acuerdo con modelos
mi es la matriz residual (norte pag); representa la varianza no capturada;
basados en datos para el mantenimiento predictivo. El análisis de componentes
norte es el número de pasos de tiempo (Gupta y col., 2016);
principales se considera ampliamente como un método de preprocesamiento para la
pag es el número de parámetros originales;
reducción de la dimensionalidad, la extracción de valores propios y la visualización de
k es el número de componentes principales;
datos (Abdelaziz et al., 2017). El PCA se puede utilizar como una técnica de aprendizaje
automático no supervisada para analizar el motivo de la rotura del eje de la bomba.
Según el criterio de varianza máxima, los componentes principales
capturados por el modelo PCA son irrelevantes. El primer componente principal
3. Análisis de componentes principales
contiene la varianza más alta, lo que implica que el primer componente principal
contiene la mayor cantidad de información. El segundo componente principal
Jackson (2005) define el análisis de componentes principales como un medio de
capturará la siguiente variación más alta, que ya ha eliminado la información del
reducción de dimensionalidad no supervisado que transfiere datos linealmente y crea un
primer componente principal. Por este medio, el tercero, cuarto... Se puede
nuevo conjunto de parámetros llamado "componente principal”. Lo que sabemos es que
construir un k-ésimo componente principal para evaluar el sistema original.
los datos ESP están generalmente altamente correlacionados; es decir, un aumento de la
Figura 2 resume los comentarios anteriores.
presión de la boca del pozo dará lugar a un aumento de la presión de entrada y
Como suele ser el caso, el modelo PCA encuentra k componente principal
descarga, lo que finalmente provocará un aumento de la temperatura del motor. El
para construir las PC, que retiene la mayor parte de la información que pertenece
análisis de componentes principales hace uso de la interdependencia de los datos
al sistema inicial. El k-ésimo componente principal se indica en la siguiente
originales para construir un modelo de PCA. Esto da como resultado la reducción de los
ecuación tomando PC1 como ejemplo.
parámetros de producción.' dimensión aprovechando las combinaciones lineales y
creando un nuevo espacio de Componente Principal (PC). Estas PC pueden evaluar el ordenador personal1 ¼a11 PAGDconsumo presiónÞ þa21 PAGDdescarga presiónÞ þa31 PAGDconsumo temperaturaÞ

sistema ESP solo mediante varios componentes principales, lo que facilita mucho el þa41 PAGDdescarga temperaturaÞ þ⋯þapag1 PAGDvibraciónÞ (2)
proceso.
Para aquellos pozos con fractura del eje de la bomba, se puede establecer un
Cuando se trabaja con dos dimensiones, Ionita y Schiopu (2010)
representó este caso usando Fig. 3.
modelo PCA para analizar algunos meses de datos de producción antes de que la bomba
PCA se utiliza para encontrar patrones en datos de alta dimensión y para transformar los
se rompa. Una vez que se construye el modelo robusto de PCA, la causa de la rotura de
datos de la región estable, que generalmente se caracteriza como un estrecho

Figura 1. Los datos ESP están disponibles.

2
L. Peng y col. Revista de ciencia e ingeniería del petróleo 191 (2020) 107154

2
SPE2 ¼ Yo PPT xt ð Þ 2¼ PAGTXmi DtÞ δ2 SPE (4)

dónde:

XDtÞ es la tth paso de tiempo de la matriz de entrada;

Λ 1 es la inversa de la matriz de covarianza (Westerhuis y col., 2000);

PAG son los autovectores de la matriz de covarianza;
PAG
mi es la matriz de carga residual;
I es la matriz de identidad;

Dnorte 1Þðnorte þ 1Þk

δ2T ¼ F αkDN; KÞ (5)
norteDnorte kÞ

0Dh0 1Þ h0
α 0
C h pag2ffiffiffi 2
θffiffiffiffi
δSPE
2 ¼θ1 þ 1 θþ2h (6)
θ1 θ21

dónde δ2Ty δ2 donar

SPE el co límites de confianza para T2 y SPE. T2 fol bajas
una distribución F, la distribución F es una distribución sesgada a la derecha para
estudiar las variaciones de población. Dóndeα representa el límite en el que la
función de distribución acumulativa de la posible distribución es 0,99.
Una vez que excede el límite de control δ2 T, T2 es
considerado como un potencial
anomalía. De acuerdo aJackson y M udholkar (1979), SPE sigue una
Distribución gaussiana, la distribución gaussiana es simétrica con respecto a la media, lo
que muestra que los datos cercanos a la media son más frecuentes en la ocurrencia
Figura 2. La arquitectura de PCA.
que los datos alejados de la media. Donde Cα representa el límite y α es igual a
0,99. SPE se considera anormal cuando excede el control
conjuntos de datos de clúster o nube. De esta forma, se detectarán anomalías en el
límite δSPE.
2
sistema operativo del ESP mediante el establecimiento de un modelo de PCA con un
Cho y col. (2005)propuso la siguiente ecuación que define el
conjunto de datos de producción normal. Las dos primeras PC tienen la varianza más
contribución de cada variable de decisión P basada en T2 y SPE
alta, lo que explica la mayor parte de la información en los parámetros originales
visualizados solo por las dos primeras PC. contTI 2¼XTPAGTΛ 1PξIξT (7)
I X; I¼ 1;…; metro

4. Modelo de diagnóstico de PCA T 2I ¼1;…; metro

contSPE
I ¼ I ξT I PP x; (8)

El modelo de diagnóstico de PCA se aplica para identificar la causa y el momento de la
fractura del eje de la bomba. El estadístico T-cuadrado de Hotelling (T2) y el error de predicción al
cuadrado (SPE) se utilizan para visualizar numéricamente estadísticas escalares
(Yue y Qin, 2001). T2 es una estadística univariante que juega un papel importante
en la prueba de hipótesis multivariante, SPE se utiliza con frecuencia en
control de proceso estadístico variable. T2 y SPE se aplican para analizar si la
variable de decisión es satisfactoria con el requisito de funcionamiento estable.
Con este método, se puede determinar la contribución de cada variable de
decisión al fracaso. El problema de la falla se diagnosticará en última instancia
debido a la clasificación de la contribución de cada una de las variables de
decisión. Las anomalías potenciales están relacionadas con las variables
correlativas de mayor rango o de decisión más altas.
Yue y Qin (2001) describió T2 y SPE en el paso de tiempo de la siguiente manera:
2
Λ PAGTX
T2 ¼ ðtÞ ¼ XT DtÞPAGΛ 1XDtÞ δ2 T
1
dónde ξI representa el I columna de la matriz de identidad I. Cuanto mayor sea la
contribución de cada variable de decisión, mayor será la posibilidad de
posibles anomalías.
5. Estudio de caso: diagnóstico del eje roto del ESP
5.1. Selección de las variables de eje roto ESP
Los datos de producción de diez pozos ESP con eje roto se registran a una
frecuencia de 20 min mediante sensores ESP de fondo de pozo y de tierra. Los
sensores ESP de fondo de pozo y de tierra comienzan a recolectar los datos de
producción desde que se ponen en producción diez pozos ESP y terminan cuando
ocurre la rotura del eje de la bomba en estos pozos. Estos pozos de eje roto ESP,
incluidos E52ST1, C06ST1, B50ST2, E20ST2, A11ST1, B03ST1, B48ST1, E21ST1,
E47ST1 y E42ST1, son del bloque Penglai del campo petrolífero de Bohai en China.
(3)

Se recopilan dos tipos diferentes de conjuntos de datos.

2

Incluyen:

Fig. 3. El significado geométrico de PCA con dos dimensiones.

3
L. Peng y col. Revista de ciencia e ingeniería del petróleo 191 (2020) 107154

presión
Registros
de ladelínea
datos
deque
la carcasa,
contienen
presión
parámetros
de la carcasa,
de variables
caudalde
deentrada
gas de la
delcarcasa,
estrangulador
admisión
deESP
carcasa,

presión, presión de descarga del ESP, presión de la línea de flujo, temperatura de la línea de
flujo, temperatura de admisión, corriente del motor, corriente de fuga del motor, potencia
del motor, temperatura del motor, corriente de par del motor, vibración del motor, voltaje
del motor, estrangulador de la tubería y frecuencia del VFD.
Registros de datos que contienen información sobre el momento en que se produjo la rotura.
del eje de la bomba se produce en cada pozo.

5.2. Puntuación de los componentes principales

Se construye un modelo de PCA en base a las variables de entrada obtenidas.

Los diferentes componentes principales se clasifican de acuerdo con el orden
decreciente de varianza capturado. Tomando el pozo E52ST1 por ejemplo, se
observa que ocho componentes principales capturan más del 99% de la varianza
de los parámetros de entrada originales, como se muestra enFigura 4.
Los dos primeros componentes principales tienen la varianza más alta y capturan
probablemente una varianza del 70% en los datos originales. Se utiliza una gráfica
bidimensional de las puntuaciones del Componente principal 1 y el Componente
principal 2 para observar diferentes grupos durante los períodos estable, inestable o de
falla. El ESP funciona normalmente y todos los parámetros de las variables de entrada
están en el rango de trabajo normal durante los períodos estables. Cuando se trata de
los períodos inestables, algunos de los parámetros de las variables de entrada son
obviamente anormales, pero el ESP sigue funcionando. Además, se produce la rotura del
eje de la bomba y el ESP se estropea durante los periodos de avería.
Figura 5 representa la gráfica de puntuación del Componente principal 1 y el
Componente principal 2 de los datos históricos del pozo E52ST1 con fractura del
eje de la bomba. Durante este período de tiempo, a medida que aumenta el
intervalo de tiempo, el resultado muestra claramente tres grupos diferentes para
la región estable, la región inestable y la región de falla. Al principio, el ESP se
pone en producción. Se observa que los parámetros de las variables de entrada
operativas normales forman un grupo de regiones estable. Después de trabajar
muchas horas, algunos de los parámetros de las variables de entrada comienzan
a desviarse del rango de trabajo normal, pero el ESP sigue funcionando. Cuando
tiene lugar este comportamiento anormal, se formará una región inestable que
se desviará de la región estable. El ESP continúa funcionando durante un período
de tiempo inestable. Finalmente, se produce la rotura del eje de la bomba y el ESP
se avería. De la trama de abajo, podemos observar que la región de falla negra
está lejos de la región estable. Esta gráfica bidimensional de puntuaciones del
Componente principal 1 y el Componente principal 2 puede ser de gran
importancia para monitorear el desempeño de ESP en tiempo real contra la zona
de operación previamente normal para advertir a los ingenieros de campo de una
falla potencial si el grupo comienza a desviarse del establo. región.
5.3. Identificación del eje roto de la bomba
Los datos de producción de la región estable se normalizan y se utilizan como
Figura 5. Gráfico de puntuaciones del pozo E52ST1 del Componente principal 1 y el Componente
principal 2.
matriz de entrada (Xcapacitación) para construir el modelo robusto de PCA. Además, los
datos históricos correspondientes a un período de región inestable o de falla son
seleccionado como un conjunto de datos de prueba (Xpruebas) alimentado al modelo PCA. Este
proceso se puede repetir para los eventos históricos de ejes rotos que conducen a una falla.
Además, el modelo de diagnóstico de PCA está diseñado para predecir el momento en el
que se produce la rotura del eje de la bomba y para determinar la variable de decisión
más responsable de la fractura del eje de la bomba.
La contribución de cada una de las variables de decisión se puede calcular mediante
el modelo de diagnóstico de PCA basado en la Ec. (7)y Eq. (8). Las variables de decisión
con mayor rango o mayor contribución están más relacionadas con la fractura del eje de
la bomba. Las variables de decisión se clasifican en función de su contribución. Tomando
el pozo E52ST1 como ejemplo, se muestra en
Figura 6 que la corriente de par del motor tiene la mayor contribución para la
región de falla. Por lo tanto, este tipo de gráfico de contribución se puede utilizar
para diagnosticar las variables de decisión más responsables de la rotura del eje
de la bomba en una plataforma de monitoreo en tiempo real si el grupo comienza
a desviarse de la región estable.
Una vez que se construye un modelo de PCA robusto, se puede pronosticar el
momento en que se producirá la fractura del eje de la bomba. T2 y se aplican
ecuaciones SPE para determinar el tiempo de anomalías potenciales que
preceden a la rotura del eje de la bomba. Dunia y Joe Qin (1998)
sugirió cuatro posibles resultados de detección bajo el diagnóstico de PCA
modelo, esos resultados son los siguientes: (1) tanto el T2 y los índices SPE
superan los límites de control; (2) ni T2 ni los índices SPE superan los límites de
control; (3) la T2 El índice excede el límite de control, pero SPE no
no; (4) el índice SPE excede el límite de control, pero T2 no.
Como suele ser el caso, los resultados de detección (1) y (4) se suelen
considerar como una posible rotura del eje de la bomba. Este trabajo contiene
información sobre los datos del momento en que ocurrió la ruptura del eje ESP en
cada pozo. Se hace una comparación detallada entre el ESP predicho's tiempo de
rotura del eje por el modelo de diagnóstico PCA y el ESP real's tiempo de rotura
del eje.
Tomando los pozos E52ST1, CO6ST1 y B50ST1 como ejemplos, T2 y los índices de SPE
se calculan para predecir la anomalía de la producción de ESP que se muestra en
Figura 7, Figura 8 y Figura 9. Cuando el eje ESP se rompe, T2 y SPE se utilizan para
determinar el tiempo de rotura empleando los resultados de detección (1) y (4).

tabla 1 muestra la comparación del tiempo de predicción del modelo de

diagnóstico PCA de la fractura del eje de la bomba y el tiempo real de frenado del
eje del ESP. Un análisis detabla 1 revela que el tiempo de rotura predicho por el
modelo de diagnóstico de PCA es un poco antes que el eje de la bomba real
Figura 4. La varianza capturada del pozo E52ST1 por Componentes principales.

4
L. Peng y col. Revista de ciencia e ingeniería del petróleo 191 (2020) 107154

Figura 6. Bueno E52ST1's Panel de diagnóstico del ESP.

Figura 7. Predicciones del tiempo de rotura de la bomba por T2 y SPE en el pozo E52ST1.

Figura 8. Predicciones del tiempo de rotura de la bomba por T2 y SPE en el pozo CO6ST1.

tiempo de rotura. En consecuencia, el modelo de diagnóstico de PCA tiene una precisión
excelente para predecir el tiempo de rotura de los pozos de eje rotos de ESP.
Como se menciona en tabla 1, PCA se puede utilizar como un importante pre
método de procesamiento y como una técnica de aprendizaje automático no
supervisada para predecir el eje roto del ESP en tiempo real. Además, la técnica
PCA se puede aplicar como base para el desarrollo de mejores herramientas para
predecir fallas ESP.
6. Conclusiones
Este documento presenta un modelo analítico basado en big data para
predecir un eje roto inminente en el sistema operativo ESP. El modelo de big data
depende de datos en tiempo real recopilados por sensores ESP de fondo de pozo
y de superficie. Se puede concluir que el PCA tiene el potencial de ser utilizado
como una técnica de reconocimiento para predecir cambios dinámicos y por lo
tanto identificar la rotura inminente del eje ESP. Conclusiones clave de este

5
L. Peng y col. Revista de ciencia e ingeniería del petróleo 191 (2020) 107154

Figura 9. Predicciones del tiempo de rotura de la bomba por T2 y SPE en el pozo B48ST1.

el trabajo reportado en este documento.

tabla 1
Comparación del tiempo de predicción del modelo de diagnóstico de PCA de la fractura del eje ESP
Expresiones de gratitud
al tiempo real de rotura.

Wells NO. Predicciones del modelo PCA Tiempo de rotura real Este trabajo es apoyado por la Fundación Nacional de Ciencias Naturales de
E52ST1 2019-5-26 13:40 2019-5-26 16:00 China (Grant No. 51574256). Los autores desean expresar su agradecimiento a los
CO6ST1 2019-5-27 22:20 2019-5-28 6:40 revisores de la Universidad del Petróleo de China (Beijing) y al Instituto de
B48ST1 2015-10-7 21:40 2015-10-8 16:20
Investigación CNOOC por sus comentarios críticos.
E20ST2 2019-9-12 10:20 2019-9-12 12:40
B50ST2 2019-6-15 8:00 2019-6-16 15:40
A11ST1 2015-5-10 4:40 10-5-2015 10:00 Apéndice A. Datos complementarios
B03ST1 2015-8-30 15:40 2015-8-31 1:00
E21ST1 2015-8-26 10:00 2015-8-26 23:40
Se pueden encontrar datos complementarios a este artículo en línea en https: // doi.
E47ST1 2018-1-14 8:40 2018-1-15 9:20
org / 10.1016 / j.petrol.2020.107154.
E42ST1 2018-4-24 22:40 2018-4-25 2:00

El estudio se puede resumir de la siguiente manera:
1. Se puede utilizar una gráfica bidimensional de las puntuaciones del
Componente principal 1 y el Componente principal 2 para identificar
diferentes grupos de la región estable, la región inestable y la región de falla.
A partir de esta gráfica bidimensional, los ingenieros de campo recordarán la
posible fractura del eje ESP si el grupo está lejos de la región estable.
2. Una vez que se construye un modelo de diagnóstico de PCA robusto, es de
gran importancia que se determinen las variables de decisión más
responsables de la rotura del eje ESP para explicar la desviación del clúster de
la región estable.
3. Al implementar T2 y SPE, el modelo de diagnóstico PCA tiene una precisión
excelente en la predicción del tiempo de rotura del eje ESP.
4. La PCA se puede utilizar como un importante método de preprocesamiento y como
una técnica de aprendizaje automático no supervisada para predecir las fallas de
ESP en desarrollo.
Referencias
Abdelaziz, M., Lastra, R., Xiao, J., et al., 2017. Análisis de datos esp: predicción de fallas para
rendimiento de producción mejorado. En: Exposición y conferencia internacional
del petróleo de Abu Dhabi. sociedad de Ingenieros Petroleros.
Bates, R., Cosad, C., Fielder, L., Kosmala, A., Hudson, S., Romero, G., Shanmugam, V.,
2004. Tomando el pulso a los pozos de producción-esp vigilancia. En: Oilfield Review.
Bravo, C., Rodríguez, J., Saputelli, L., Rivas Echevarria, F., et al., 2014. Aplicando
flujos de trabajo de análisis a producción: transformación de operaciones integradas en operaciones
inteligentes. En: Conferencia y exposición SPE Intelligent Energy. sociedad de Ingenieros Petroleros.
Cho, JH, Lee, JM, Choi, SW, Lee, D., Lee, IB, 2005. Identificación de fallas para el proceso
Monitoreo mediante análisis de componentes principales del kernel. Chem. Ing. Sci. 60, 279-288.
Dunia, R., Joe Qin, S., 1998. Enfoque subespacial para la identificación multidimensional de fallas
y reconstrucción. AIChE J. 44, 1813-1831.
Eriksson, L., Byrne, T., Johansson, E., Trygg, J., Vikstro
plicaciones,
Principios básicos y Ap de análisis de datos de megavariables€m, ume 1. Umetrics
C., 2013. Multi-and
Academia.
Gupta, S., Saputelli, L., Nikolaou, M., et al., 2016. Flujo de trabajo de análisis de big data para
salvaguardar operaciones esp en tiempo real. En: Conferencia y Exposición sobre
Levantamiento Artificial SPE North America. sociedad de Ingenieros Petroleros.
Ionita, I., Schiopu, D., 2010. Uso del análisis de componentes principales en la concesión de préstamos. Toro.
PG Univ. Ploiesti, Ser. Matemáticas. Inf. Phys. 62, 88.

Contribución del autor
Autor N ° 1 -Long Peng ha desarrollado el modelo de Análisis de
Componentes Principales (PCA) establecido en el documento e implementó el
algoritmo PCA. Autor n. ° 2: Guoqing Han ha recopilado datos del bloque Penglai
del campo petrolífero de Bohai y ha participado en el establecimiento del modelo
Jackson, JE, 2005. Un usuario's Guía de componentes principales, ume 587. John Wiley &
Hijos.
Jackson, JE, Mudholkar, GS, 1979. Procedimientos de control para residuos asociados con
análisis de componentes principales. Technometrics 21, 341-349.
Ratcliff, D., Gomez, C., Cetkovic, I., Madogwe, O., et al., 2013. Maximizing oil
producción y aumento de la vida útil de esp en un terreno abandonado utilizando software de optimización y
monitoreo de esp en tiempo real: estudio de caso de campo de Rockies. En: Conferencia y exposición técnica
anual de la SPE. sociedad de Ingenieros Petroleros.

de diagnóstico de la PCA. Autor No.3- Arnold LANDJOBO PAGOU ha participado en
la revisión y edición del manuscrito. Autor No.4- Jin Shu ha participado en la
curación de datos.
Declaración de intereses
Los autores declaran que no tienen intereses económicos o relaciones
personales en competencia que puedan haber parecido influir
Stone, P., et al., 2007. Introducción al análisis predictivo: oportunidades. En: Energía digital
Conferencia y Exposición. sociedad de Ingenieros Petroleros.
Takacs, G., 2017. Manual de bombas sumergibles eléctricas: diseño, operaciones y
Mantenimiento. Publicaciones profesionales del golfo.
Westerhuis, JA, Gurden, SP, Smilde, AK, 2000. Gráficos de contribución generalizada en
Monitoreo de procesos estadísticos multivariados. Chemometr. Intell. Laboratorio. Syst. 51, 95-114.
Yue, HH, Qin, SJ, 2001. Identificación de fallas basada en la reconstrucción utilizando una combinación
índice. Ind. Eng. Chem. Res. 40, 4403-4414.