Key information

Title
Fremgangsmåte for å prosessere data og anvendelse av samme.
Application number
20052674
Case type
National
Status
30.06.2024 Ikke betalt årsavgift
Filed
03.06.2005
Effective date
03.06.2005
Publicly available
13.11.2006
Applicant
Epsis AS (NO)
Owner
EPSIS AS (NO)
Inventor
Stig Olsen (NO) et al.
Agent
ACAPO AS (NO)
Granted
13.11.2006
Patent number
322656

Abstract and drawing

Disclaimer: This text has been machine-scanned and may contain errors – please refer to "Publications" for legally binding content.
Det beskrives en fremgangsmåte for å behandle samplet data for den hensikten av dataoverføring og/eller datalagring, kjennetegnet ved at fremgangsmåten omfatter et eller flere av de følgende trinn: å utføre sanntids diskrete wavelettransformasjon av de samplete dataene ved å anvende en fremgangsmåte for bevegende wavelet-vindu, å utføre en sanntids støyestimering, å utføre fjerning av sterkt avvikende verdier av signalet ved å anvende et medianfilter, et vindusfilter, i tillegg til et inngangssignal av vindusstørrelsen og støyestimer-ingen, å filtrere signalet ved å fjerne og/eller krympe wavelet-koeffisientene ved å anvende støyestimering og waveleter, og å bestemme filternivå, regel for krymping og terskelverdi, og å utføre datakompresjon ved å bestemme en optimal kompresjonsgrad.

Publications

B1
Checking availability of the latest published version...

Documents

 Expand Download files (11)
Date
 Date Doc. No. Process Case number In/Out Journal description To/from
 15.01.2025 16-01 Saksbehandling 20052674(322656) UT PT Opphørt Patent - for ikke betalt årsavgift (3311) ACAPO AS
 04.11.2024 15-01 Saksbehandling 20052674(322656) UT PT Påminnelse om ikke betalt årsavgift (3329) (PT20052674) ACAPO AS
 08.07.2021 02-01 Endring av søker/innehaver 2021/09013 UT GH Forespørsel ACAPO AS
 23.06.2021 01-02 Endring av søker/innehaver 2021/09013 INN P10235NO00 Fullmakt - Pat. 322656 ACAPO AS
 23.06.2021 01-01 Endring av søker/innehaver 2021/09013 INN Generell henvendelse ACAPO AS
 12.09.2013 14-01 Saksbehandling 20052674 UT Batch STARTGRACE Patent varsel ikke betalt
04.09.2013 13-01 Saksbehandling 20052674 UT Batch STARTGRACE Patent varsel ikke betalt
02.09.2013 02-01 Overdragelse av søknad/rettighet 2013/10716 UT GH Forespørsel Acapo AS
 29.08.2013 01-03 Overdragelse av søknad/rettighet 2013/10716 INN Fullmakt Acapo AS
 29.08.2013 01-02 Overdragelse av søknad/rettighet 2013/10716 INN Endringsskjema Acapo AS
 29.08.2013 01-01 Overdragelse av søknad/rettighet 2013/10716 INN Generell henvendelse Acapo AS
12.04.2007 12-01 Saksbehandling 20052674 UT Patent - Reminder of first annual fee (2007.04.12)
06.12.2006 11-01 Saksbehandling 20052674 UT PT RegistreringsBrev (2006.12.06)
08.11.2006 10-01 Saksbehandling 20052674 UT Patent Specifications (2006.11.08)
31.08.2006 09-01 Saksbehandling 20052674 UT PT Medelelse om patent (2006.08.31)
21.04.2006 08-03 Saksbehandling 20052674 INN Krav
21.04.2006 08-02 Saksbehandling 20052674 INN Beskrivelse
21.04.2006 08-01 Saksbehandling 20052674 INN Korrespondanse (hoved dok)
27.03.2006 07-05 Saksbehandling 20052674 INN Patenttegninger
27.03.2006 07-04 Saksbehandling 20052674 INN Krav
27.03.2006 07-03 Saksbehandling 20052674 INN Beskrivelse
27.03.2006 07-02 Saksbehandling 20052674 INN Sammendrag
27.03.2006 07-01 Saksbehandling 20052674 INN Korrespondanse (hoved dok)
05.01.2006 06-01 Saksbehandling 20052674 UT Uttalelse i Patentsøknad (2006.01.05)
05.01.2006 05-01 Saksbehandling 20052674 UT PT Realitet_patent (2006.01.05)
19.07.2005 04-01 Saksbehandling 20052674 UT PT Formelle mangler_nasj patent (2005.07.19)
12.07.2005 03-02 Saksbehandling 20052674 INN Overdragelsesdokument
12.07.2005 03-01 Saksbehandling 20052674 INN Korrespondanse (hoved dok)
07.06.2005 02-04 Saksbehandling 20052674 INN Fullmakt
07.06.2005 02-03 Saksbehandling 20052674 INN Patenttegninger
07.06.2005 02-02 Saksbehandling 20052674 INN Beskrivelse, krav, sammendrag (annet språk)
07.06.2005 02-01 Saksbehandling 20052674 INN Korrespondanse (hoved dok)
03.06.2005 01-05 Saksbehandling 20052674 INN Fullmakt
03.06.2005 01-04 Saksbehandling 20052674 INN Beskrivelse, krav, sammendrag (annet språk)
03.06.2005 01-03 Saksbehandling 20052674 INN Patenttegninger
03.06.2005 01-02 Saksbehandling 20052674 INN Tilleggsskjema Oppfinnere/Designere
03.06.2005 01-01 Saksbehandling 20052674 INN Søknadsskjema PT (PT Form)

Description, claims and drawings

Disclaimer: This text has been machine-scanned and may contain errors – please refer to "Publications" for legally binding content. Description
Den foreliggende oppfinnelsen vedrører en fremgangsmåte for behandling av samplet data for hensikten dataoverføring og/eller datalagring.Sanntidsdata spiller en økt viktig rolle i dagens energi- og petroleumsindustri. En tydelig utviklingstrend er at mer og mer sanntidsdata blir tilgjengelig for operatører og ingeniører for å hjelpe analyser og avgjørelsestaking innen produksjonsoptimalisering, drift og vedlikehold, så vel som boring. Selv om dette oppnås ved feltlokasjon eller i brønner, kan dataene overføres til ytre anleggslokasjoner og er tilgjengelig i sanntid for analyse og avgjørelsestaking. For de fleste landbaserte og offshorebaserte fordeler, kan typisk flere tusen datakilder måles, og flere av disse kildene blir innsamlet på et sekund-etter-sekund basis.Selv om denne utviklingen tilbyr mange muligheter med hensyn til å foreta lydoperasjonelle avgjørelser, så frembringes det også en del utfordringer. For eksempel, med høy samlingshastighet, kan en sensor tilveiebringe millioner av datapunkter hvert år. Å lagre og administrere disse dataene og gjøre dem lett innhentbare når ønsket blir et praktisk hinder i anvendelsen av dataene. Også det å anvende datapunktene direkte i analyseapplikasjoner kan begrense beregninger betraktelig. I tillegg kan sterk avvikende data forårsake at uønskede alarmer går, som resulterer i å initiere ytterligere og unødvendig arbeid.US 6,078,868 beskriver et system og en metode for innsamling, overføring og behandling av seismiske data, hvor dataene blir delvis behandlet i en brønn og sendt til en sentral for videre behandling, der behandling omfatter blant annet å estimere et referansesignal til de seismiske dataene ved hjelp av wavelet som på forhånd er lagret i en database.Denne oppfinnelsen letter den praktiske bruken av produksjonsdata innen olje-og gassindustri, ved å frembringe et system som automatisk kan fjerne støy og komprimere data fra en sensor eller et system - uten menneskelig intervensjon. I tillegg er det ikke behov for å sette opp det oppfunnete system spesielt for en datakilde, for eksempel blir signalets standardavvik for å redusere støy detektert automatisk som en del av fremgangsmåten for støyreduksjon. Dette betyr at filtersystemet kan utnyttes på stedet for installasjon, kontorlokasjoner eller et sted i mellom uten tidkrevende innstilling eller vedlikeholdsrutiner.Datafiltrering og datakompresjon blir viktig for å redusere datamengden og for å ekstrahere den viktige informasjonen fra dataene. Dette fører til utviklingen av fremgangsmåtene for støyreduksjon for å skille viktige trender fra støyen, og kompresjon for å redusere datamengden uten å miste viktig informasjon som dataene bærer. Fordelene med støyreduksjon og kompresjon av signalene er flere og kan oppsummeres som følger:Fjerne sterkt avvikende verdier som seriøst kan påvirkeKomprimere store datamengder for effektiv lagring eller overføring. Detektere underliggende trender eller endringer i signaler.I det siste tiåret har litteratur blitt dominert av en teknikk som kalles waveshrink eller wavelet-filtrering. Wavelet-filtrering har vist seg å være en effektiv måte å finne struktur i et signal som omfatter støy uten å anta en bestemt parametrisk regresjonsmodell på funksjonen/e z,2(sr).hvor e antas å være normaldistribuerte variabler med middelverdi u og standardavvik o. Støystandardawiket kan være eller ikke være kjent.Grunnen til at wavelet-filtrering er så populært er på grunn av sin spatiale adaptivhet, beregnelige effektivitet og asymptotiske optiske egenskaper. De fleste signaler som blir funnet er ikke-stasjonære signaler og waveletenes spatiale adaptivhet gjør dem ideelle for å analysere slike signaler.Et stort antall fremgangsmåter for wavelet-filtrering har blitt foreslått, og noen av disse fremgangsmåtene har blitt vurdert innen petroleumsindustrien. Det er imidlertid utenfor petroleumsindustrien at hovedapplikasjonene for wavelet-filtrering kan finnes. Blant flere disipliner hvor wavelet-filtrering blir brukt i stor utstrekning er seismisk og geofysisk signalbehandling, medisinsk og bio-medisinsk bildebehandling, datafremvisning og kommunikasjonssystemer. Flere studier som sammenligner ulike fremgangsmåter for wavelet-filtrering har også blitt publisert. Andre studier, omfattende begrensede mengder wavelet-filtreringsteknikker har også blitt publisert, ofte i forbindelse med nylig foreslåtte fremgangsmåter.Selv om flere wavelet-baserte teknikker har blitt presentert, gjenstår fremdeles flere problemer før et effektivt verktøy vil eksistere. Noen wavelet-baserte teknikker har bevist å gi god utførelse i noen tilfeller, men imidlertid eksisterer ingen utstrakt sammenligning som fører til valget av wavelet-teknikker for anvendelse med produksjonsdata. For de fleste av de foreslåtte teknikker må flere parametere, slik som støynivå, primært oppløsningsnivå, kompresjonsgrad, wavelet-type så vel som terskelverdier og regler for wavelet-krymping bestemmes. Det gjør disse teknikkene tidkrevende og krever ekspertbrukere for effektiv anvendelse og utførelsesprestasjon. Å løse disse problemene innehar løftet med automatisk datafiltrering og kompresjon, som er svært viktig for smart produksjon hvor analysemoduler behøver å aksessere data med minimal menneskelig intervensjon mellom datakilden og analysemodulene.Et formål med den foreliggende oppfinnelsen er å frembringe en forbedret fremgangsmåte for wavelet-filtrering. Dette vil omfatte å foreslå nye forbedrete støy-, nivå-, terskelverdi- og kompresjonsgradsestimatorer som yter bra sammenlignet med andre, og hovedsakelig bedre enn noen av de mest vanlige fremgangsmåter for wavelet-filtrering som anvendes.Et annet formål med den foreliggende oppfinnelsen er å tilveiebringe en fremgangsmåte for å bestemme standardavviket for et signal automatisk for optimal støyreduksjon, dvs. å fjerne så mye støy som mulig fra signalet uten å utjevne signalet.Et annet formål med den foreliggende oppfinnelsen er å tilveiebringe en fremgangsmåte for automatisk wavelet-filtrering og datakompresjon for å oppnå forbedrete resultater for datafremstilling.Den foreliggende oppfinnelsen innfører en omfattende analyse av støy-reduksjon og kompresjonsytelse av ulike typer wavelet-baserte teknikker. Nye fremgangsmåter for estimering av støynivå, primært opplysningsnivå, terskelverdier samt wavelet og wavelets-krympemetoder blir presentert. I tillegg vil det også bti presentert en metode som automatisk velger optimal kompresjonsgrad for et gitt signal.Den foreliggende oppfinnelsen frembringer en fremgangsmåte for støy-reduksjon fra trykk- og ratesignaler. Den følgende fremgangsmåte blir deretter anvendt til å utføre sanntidsopprenskning:Formålene som nevnes heri og andre formål oppnås ved å tilveiebringe en fremgangsmåte for å håndtere samplet data for formålet dataoverføring og datalagring, kjennetegnet ved trekkene i krav 1.Foretrukne utførelser av fremgangsmåten ifølge den foreliggende oppfinnelsen er spesifisert ved de karakteristiske trekkene i de etterfølgende uavhengige krav 2-12.En applikasjon av fremgangsmåten iføtge oppfinnelsen er beskrevet i krav 13.Det viser seg at mye av fokuset innen wavelet-filtrering har vært å fjerne alt støy i signalet som resulterer i å overutjevne signalet, siden en vesentlig mengde av signalet i seg selv blir fjernet sammen med støyen. Ved å anvende løsnings-måten ifølge den foreliggende oppfinnelsen blir en stor del av støyen fjernet uten å ødelegge eller utjevne det underliggende signalet.En fordel med den foreliggende oppfinnelsen er at de nye filtreringsteknikkene og anbefalingene ifølge oppfinnelsen kan produsere opp til 90% støyreduksjon.I situasjoner med få transienter kan mer enn 95% støyfjeming observeres.Den foreliggende oppfinnelsen vil nå bli beskrevet med henvisning til de medfølgende figurer, hvori: Figur 1 viser et anvendelsesområde for fremgangsmåten ifølge den foreliggende oppfinnelsen. Figur 2 viser beregning av skaleringskoeffisienter ifølge kjent teknikk. Figur 3 viser beregning av skaleringskoeffisienter ifølge kjent teknikk. Figur 4 viser behandlingen av nye punkter ifølge den foreliggende oppfinnelsen som er lagt til i figur 2. Figur 5 viser oppdatering av medianen ifølge fremgangsmåten i den foreliggende oppfinnelsen. Figur 6 viser en graf av innsamlet data før og etter filtrering ifølge den foreliggende oppfinnelsen. Figur 7 viser en graf over feilestimat versus filternivå ifølge den foreliggende oppfinnelsen. Figur 8 viser en graf over filternivå versus antall datapunkter ifølge den foreliggende oppfinnelsen. Figur 9 viser en endring i wavelet-koeffisientene ifølge den foreliggende oppfinnelsen. Figur 10 viser en fremgangsmåte for kompresjon ifølge den foreliggende oppfinnelsen. Figur 11 viser en graf for å bestemme optimal kompresjonsgrad ifølge den foreliggende oppfinnelsen. Figur 1 viser et felt hvor fremgangsmåten i den foreliggende oppfinnelsen kan anvendes. Det automatiske filtrerings- og kompresjonssystemet kan anordnes mellom sensoren 4 og styringssystemet 2 på anleggslokasjonen (på land/offshore), og filtrere og komprimere data før de entrer styringssystemet 2 i seg selv (derfor blir det en del av dataanskaffelsen for styringssystemet). Alternativt kan filtrerings- og kompresjonssystemet anordnes på servere 6/historieservere på stedet før datalagring og/eller overføring. Som et alternativ eller i tillegg kan systemet implementeres på kontorlokasjoner i tilknytning til historieservere eller anvendelsesservere/-systemer som filtrerer og kompri-merer data før eller i tilknytning til analyser. Systemet kan også implementeres på eksterne nettverk slik figur 1 viser.Fremgangsmåtene ifølge den foreliggende oppfinnelsen blir anvendt for å fjerne sterkt avvikende verdier (outliers), redusere støy og komprimere sanntidsdata. Som et første trinn av fremgangsmåten blir waveleten for den spesifikke data-typen valgt og vindustørrelsen for fjerning av sterkt avvikende verdier blir selektert. Ulike typer waveleter tilpasses bra for ulike signaltyper, og på grunn av ulike egenskaper for rate- og trykksignaler, bør ulike waveleter anvendes. Ulike typer waveleter tilpasses bra for ulike signaltyper, og på grunn av ulike egenskaper for rate- og trykksignaler, bør ulike waveleter anvendes. Basert på analyser av produksjonsdata, har de følgende waveleter blitt anvendt for å eksemplifisere:Spline39 indikerer at lavpass- og høypassfilteret som anvendes er av ulik filterstørrelse, og spline39 betyr at lavpassfilteret har en filterstørrelse på 3 og høypassfilteret har en størrelse på 9.Det skal bemerkes at waveletene som anvendes i den foreliggende oppfinnelsen ikke skal begrenses til waveletene ifølge eksempelet, og at ulike waveleter kan anvendes for å oppnå optimale resultater ifølge inngangssignalet. Oppfinnerne av den foreliggende oppfinnelsen anerkjenner at valget av gode waveleter så vel som filterinnstillinger kan være avgjørende. Med denne motivasjonen ble ytelse for flere kjent fremgangsmåter for støyreduksjon utforsket og nye fremgangsmåter som ble foreslått var gjennomførbare.Normalt blir wavelet-transformasjon utført på et fast signal, og modifikasjoner er nødvendig dersom wavelet-transformasjonen skal anvendes på kontinuerlige datastrømmer. Å anvende den vanlige wavelet-transformasjonen for sanntidsdata vil kreve svært komplekse beregninger, siden wavelet-transformasjonen hurtig vil bli beregnet på nytt idet nye punkter kommer inn. I tillegg vil randeffekter i en wavelet-transformasjon forstyrre de siste punktene. Disse punktene er de som normalt overvåkes av en operatør, og de kan i tillegg være tilkoblet alarmer for å detektere plutselige signalendringer. Følgelig er det svært ønskelig å transformere disse punktene uten interfererende grenseeffekter.For å oppnå dette anvender den foreliggende fremgangsmåten løsningsmåte med bevegende wavelets-vindu. Basert på asymptotiske hensyn, så bør dette vinduet være så stort som mulig, og basert på beregninger, så liten som mulig. Filterstørrelsen og filtemivået vil også sette begrensninger på samlings-størrelsen. Dersom et filter med størrelse 4 anvendes for å filtrere til nivå 5, kreves en samlingsstørrelse på 45=1024 for å beregne det tilnærmede signalet ved nivå 5. Generelt så er antallet signalpunkter som kreves ( filter størmlse) nivå. Figur 2 viser bestemmelse av skaleringskoeffisientene som anvender to nivåer og filterstørrelse 2. Randpunkter 2 kan ses til høyre, og påvirker flere og flere punkter med høyere filternivå. Figur 2 viser bestemmelse av skaleringskoeffisientene for wavelet-analysen etter åtte datapunkter 10 ved å anvende to nivåer og en filterstørrelse 2. Ved å utelate randpunktene 12 i figur 2 fra beregningen vil resultere i en wavelet-transformasjon 20 som vist i figur 3. Dersom vindusstørrelsen i dette eksempelet blir valgt til 8, og kun to filtemivåer blir betraktet, så illustrerer figur 4 hva som vil skje dersom et nytt punkt 28 dukker opp. Det nye punktet 28 vil kreve beregningen av to nye skaleringskoeffisienter 26. Det samme gjelder for wavelet-koeffisienten hvor to nye wavelet-koeffisienter blir lagt til. I tillegg til beregningen av fire nye koeffisienter (to wavelet + to skalering) behøves fire punkter 30 å bli slettet idet vindusstørrelsen når sin grense, og de er. Derfor vil transformasjonen kun resultere i en lite antall beregninger sammenlignet med den vanlige wavelet-transformasjonen, og den vil eliminere påvirkningen av randeffekter.Det vil imidlertid være en forsinkelse i det tilnærmede signalet og det detaljerte signalet, avhengig av filterstørrelsen og tilnærmingsnivået, og de tilnærmede og detaljerte signalet vil kun være i nærheten av sanntid ved disse nivåene.Støyen som estimeres kan foretas ved å først beregne medianverdien for de detaljerte wavelet-koeffisientene ved nivå en i wavelet-transformasjonen. Dette betegnes som MAD: Deretter kan støyestimatet a beregnes:I denne oppfinnelsen er MAD normaliserende til typen wavelet som anvendes og den aktuelle datastrømmen og ved å ekskludere alle null-koeffisienter. Som et resultat oppnås en robust støyestimering. For sanntidsdata blir den bevegende støyestimeringen gitt som:hvor konstanten a blir valgt avhengig av ulike signaler. Oppdateringen av medianen utføres hurtig med fjerning og innsetting i en kontinuerlig sortert liste som vist i figur 5.Den foreliggende oppfinnelsen innfører nye verdier for støynormaliserings-verdier a, produserer et nøyaktig estimat for standardavviket, dvs. støyestimer-ingen a. RMAD, Robust Medianverdi, blir bestemt ved å bestemme medianen for wavelet-koeffisientene ved nivå en og fjerne alle null-wavelet-koeffisienter. En optimal støynormaliseringsverdi a gjennom regresjonsanalyse, ved å anvende en serie med datasett for trykk og produksjonsrate med kjent standardavvik. To nye estimatorer kalt Medium og Høy Robust Medianestimator er frembrakt for de to tidligere nevnte typene waveleter som anvendes innen produksjonsdata.Median RMAD estimater for anvendelse med ratedata ved å anvende spline4246 er foreslått som:Høy RMAD estimater for anvendelse med trykkdata ved å anvende spline 39 er foreslått som:Dette oppsettet krever ingen brukerinnsignal og kan derfor gjøres automatisk for en datakilde. Verdiene for konstanten a er mest foretrukket i forbindelse med den nevnte wavelet, men et avvik på minst 50% kan også være aksepterbart.De nye estimatorene kombinert med den korrekte wavelet er ikke sensitiv for antallet rateendringer, antallet nullforhold, antall punkter (med unntak fra veldig små) eller størrelsesordenen på rateendringene. For andre waveleter enn de to ovennevnte, ble det detektert klar avhengighet av for eksempel antallet rateendringer.Det skal bemerkes av de ovennevnte koeffisientene i formlene (4) og (5) er gyldige med den foreslåtte spline-wavelet, og at omfanget ved oppfinnelsen ikke skal begrenses til bruk av disse waveletene, og at andre koeffisientverdier kan bestemmes gjennom regresjonsanalyse basert på inngangssignalet og den valgte wavelet.Sterkt avvikende verdier (outliers) kan fjernes ved å anvende et medianfilter, et vindusfilter og krever et inngangssignal for vindusstørrelse og et inngangssignal for støyestimatet. Vindusstørrelsen tillater oss å spesifisere det største antallet etterfølgende avvikende verdier som kan fjernes. Verdien på denne parameter-en bør velges høyere enn det største antall etterfølgende avvikende verdier som skal fjernes og mindre enn antallet datapunkter i den minste transienten. Generelt bør det ikke være vanskelig å sette en ganske generell verdi for vindusstørrelsen, avhengig av oppløsningen på datakilden.Fremgangsmåten fungerer slik at hvert punkt som har et større avvik fratrenden enn det estimerte støynivået blir definert som avvikende punkter. For å unngå å fjerne punkter som kun er påvirket av støy, blir det anvendt tre ganger støyestimatet for avvikende punkter. Derfor, dersom det analyserte datapunktet har en verdi som er tre ganger høyere enn medianverdien i det gjeldende vinduet, så blir verdien erstatt med medianverdien.Et datasett med tre standardavvik hvitt støy og opp til syv etterfølgende avvikende verdier ble generert på en tilfeldig måte med tilfeldig amplitude for avvikende verdier. Ved å anvende medianfilteret og støyestimering ble alle avvikende verdier fjernet, enkle avvikende verdier så vel som etterfølgende avvikende verdier. Et forstørret bilde av dataene kan ses i figur 6.Prosessen ovenfor har beskrevet hvordan man kan oppnå wavelet- og skaleringskoeffisienten. Det er kjent at signalet kan filtreres ved å fjerne eller krympe wavelet-koeffisientene på den følgende måten:hvor S er signalet, K er wavelet-tranformasjonen, D er terskelverdioperatøren, A er terskelverdien og W1 er den inverse wavelet-transformasjonen.Ideen bak wavelet-krymping er at kun noen få store wavelet-koeffisienter eksisterer på grunn av signalet mens resten og mindre eksisterer på grunn av støy, som betyr at signalet kan støyreduseres ved å krympe alle små koeffisienter mot null og beholde store.For å anvende wave-krymping (wave shrink), må flere parametere bestemmes. Dette omfatter støyestimat (beskrevet tidligere), filternivå, wavelet (beskrevet tidligere), regler for krymping og terskelverdi. De følgende optimale innstilling har blitt identifisert ifølge den foreliggende oppfinnelsen:Noe arbeid, som beskrevet tidligere, har blitt gjort når det gjelder bestemmelse av det optimale oppløsningsnivået. Den generelle ideen er å filtrere opp til et bestemt eller estimert oppløsningsnivå og ignorere de groveste nivåene. Når det gjelder å minimere differansen eller kvadratrotdifferansefeilen viser det seg imidlertid at å filtrere opp til maksimalt mulig nivå som er definert i wavelet-transformasjonen er i de fleste tilfeller optimal. Figur 7 viser feilreduksjon i filtrering når filternivå øker for et trykk- og ratesignal som omfatter 32.000 punkter. Feilen viser en monoton reduksjon når det primære oppløsningsnivået øker i filtreringen.Dette antar imidlertid at de optimale terskelverdiene blir valgt ved hvert nivå, og at det vil være feilaktig å anvende denne løsningsmåten sammen med en terskelverdi som vil seriøst utjevne signalet.Imidlertid er gevinsten av å filtrere de siste nivåene vanligvis liten. Et merpraktisk filternivå vil være å filtrere minst ett nivå og deretter øke filternivået idet antallet datapunkter øker helt til antallet nivåer når ni, over ble små forbedringer funnet. Figur 8 viser optimalt filternivå for ulike signalstørrelser i betydningen av at kun små forbedringer i filtrering er mulig over disse nivåene.Man bør også stoppe filtrering når det er liten forbedring i å legge til ytterligere nivåer, som vist i figur 8. Dette gir en formel for nivåestimeringen somhvor n er antallet datapunkter.Basert på et stort antall med filtrering ved å anvende ulike wavelet- og krympefunksjon er den følgende regelen for krymping, benevnt SCAD, foretrukket for å utføre krymping av produksjonsdata:hvor Å er terskelverdien, S er signalet, og a =3.7, basert på et Bayesian argument. Dette er en behold, krymp eller drep regel.Det skal merkes at den foreliggende oppfinnelsen ikke skal begrenses til å anvende SCAD krympefunksjon, men at andre krympefunksjoner kan anvendes dersom ønskelig, slik som Hard og Soft Shrinkage, Garrote Shrinkage, eller Firm Shrinkage.Terskler vil typisk minke eksponentielt ettersom nivå øker. Terskelen vil i tillegg til nivå, avhenge av støy og antallet datapunkter. Det fremgår at en empirisk terskel av typen kan være anvendbar. Parameterne a og b blir bestemt gjennom regresjonsanalyse, og n er antallet datapunkter. For trykkdata ved å anvende spline39 og høy RMAD blir den følgende formelen for å bestemme terskel oppnådd: eller for ratedata ved å anvende spline4246 og medium RMAD blir den følgende formelen oppnådd:Anvendelsen av de ovennevnte formlene for terskler gav utmerkete resultater for trykkdata og ratedata, og de opptrådte nært optimalt for de ulike reglene for krymping. Det skal bemerkes at verdiene for a og b kan variere siden de blir bestemt ved regresjonsanalyse, og vil derfor bli påvirket av anvendelsen av andre modeller i forbindelse derav. Også er verdiene for a og b i forbindelse med spline-waveleten mest foretrukket, med et avvik på minst 50% kan være aksepterbart.Andre modeller for terskel, slik som første- og andreordens polynomer ble også forsøkt, men disse modellene var ikke vellykket. Det skal bemerkes at ulike modeller for terskel kan velges avhengig av inngangssignalet, og at fremgangsmåten som beskrives heri kun er et eksempel for å klargjøre.Figur 9 viser at en endring i en wavelet-koeffisient kan forårsake mange oppdateringer i signalet. Filtreringen og inverstransformasjon er i liten grad mer komplisert enn forovertransformasjonen. Grunnen til dette er at endrete wavelet-koeffisienter ved høye nivåer vil forårsake endringer i mange signalelementer og derfor kreve mange oppdateringer hver gang en endringer forekommer.I sanntidsfiltrering blir forovertransformasjon først utført som beskrevet tidligere i figuren når nye punkter kommer inn. Dette vil kun forårsake en begrenset mengde nye beregninger. De nye wavelet-koeffisientene blir deretter testet om de skal beholdes, reduseres eller drepes avhengig av regelen for krymping og terskelverdier. Terskelverdien omfatter ofte et støyestimat. Dersom noen av wavelet-koeffisientene blir endret, må beregningen som vist i figur 8 utføres for å oppdatere signalet.Dette betyr at et punkt vil bli mer og mer filtrert ettersom høyere-nivå detaljkoeffisienter blir innbefattet i filtreringen, og operatøren vil se et gradvis signal som utjevnes.For trykk, temperatur og nivådata kan støyreduksjon gjennomføres ved å anvende støyestimator høy RMAD (5), nivåestimering (7), spline39, SCAD-krymping (8) og høy RED-terskel (10).For rate- og chokestørrelse kan dette oppnås ved å anvende støymedium RMAD (4), spline4246, nivåestimering (7), SCAD-krymping (8) og lav RED-terskel (11).Etter wavelet-filtrering bør man anvende et kompresjonsfilter. Dette er spesielt viktig for hastighetsdata. Hovedformålet med kompresjon er å få vekk hastighetsendringer på grunn av støy mer enn å simpelthen redusere de fordelte antall datapunkter. Hastighetsendringene vil komplisere beregningene. For nøyaktig kompresjon av hastighetsdata, blir sterkt avvikende verdier fjernet først etterfulgt av støyreduksjon av data med et egnet wavelet-filter som beskrevet tidligere. Dersom data ikke støyreduseres før kompresjon vil de største støy-toppene (peak) typisk bli beholdt, som faktisk betyr at støy i signalet kan bli fremhevet.Fremgangsmåten for kompresjon kan starte ved å eliminere punkter. Figur 10 viser tre figurer a)-c). Figur 10a) viser signalet som skal komprimeres. Figur 10b) har komprimert dataene 2:1 mens figur 10c) har komprimert dataene 6:1. Punktene før de største endringene blir alltid beholdt og er markert med hen-visningstall 36 i figur 10b). Etter fjerning av punkter, blir de interpolert tilbake til den opprinnelige avstanden ved å anvende det komprimerte datasettet. Disse punktene er formet som ellipser. I figur 11c) kan det ses at for mange punkter har blitt fjernet. Dette betyr at kvadratroten av differansen mellom det interpolerte delsettet og det støyreduserte delsettet vil være høy.Dersom datasettet blir støyredusert, vil kvadratroten av differansen mellom det filtrerte datasettet og det komprimerte datasettet interpolert tilbake til den filtrerte datasettavstanden være under støynivået dersom usignifikante punkter blir fjernet. Dette er vist i figur 11.1 punktet (40), hvor kvadratroten av støy-estimatet krysser den fjernede energien fra signalet, kan optimal kompresjonsgrad bestemmes, som indikert i figur 11.Dersom for mange små hastighetsendringer foreligger kan fremgangsmåten ovenfor svikte, men feilen som innføres i disse tilfellene er antatt å være liten. Det viser seg at denne fremgangsmåten i de fleste tilfeller vil fungere tilfreds-stillende.Fremgangsmåten som anvendes for hastighetsdata antar at det underliggende signalet er konstant mellom transienter, men oppfinnelsen er ikke begrenset til denne antagelsen, og at teknikken enkelt kan utvides til andre omstendigheter.
Claims
1. Fremgangsmåte for å behandle samplet data for den hensikten av dataoverføring og/eller datalagring, karakterisert ved at fremgangsmåten omfatter et eller flere av de følgende trinn: - å utføre sanntids diskrete wavelet-transformasjon av de samplete dataene ved å anvende en fremgangsmåte for bevegende wavelet-vindu, - - å utføre en sanntids støyestimering: hvor RMAD, Robust Medianverdi, blir bestemt ved å bestemme medianen av wavelet-koeffisientene ved nivå en og å fjerne alle null-wavelet-koeffisienter, og å bestemme en optimal støynormaliseringsverdi a gjennom regresjonsanalyse, - å utføre fjerning av sterkt avvikende verdier av signalet ved å anvende et medianfilter, et vindusfilter, i tillegg til et inngangssignal av vindusstørrelsen og støyestimeringen a, - å filtrere signalet ved å fjerne og/eller krympe wavelet-koeffisientene ved å anvende støyestimering og waveleter, og å bestemme filternivå, regel for krymping og terskelverdi, og - å utføre datakompresjon ved å bestemme et optimalt komprimeringsforhold.2. Fremgangsmåte i samsvar med krav 1, karakterisert ved at de samplete dataene omfatter produksjonsdata, slik som trykk, temperatur og nivådata, strømningshastigheter og choke-størrelser.3. Fremgangsmåte i samsvar med krav 2, karakterisert ved at for nevnte trykk, temperatur og nivådata, strømningshastigheter og choke-størrelser, blir en spline-wavelet valgt, fortrinnsvis en spline39 wavelet for temperatur- og nivådataene, og fortrinnsvis en spline4246 wavelet for strømningshastighetene og choke-størrelsene.4. Fremgangsmåte i samsvar med krav 1-3, karakterisert ved at den optimale støynormaliseringsverdien a fortrinnsvis er i området 0,26 < a < 0,78, og mest fortrinnsvis a « 0.5164for anvendelse med en datahastighet som anvender spline4246 waveleter.5. Fremgangsmåte i samsvar med krav 1-3, karakterisert ved at den optimale støynormaliseringsverdien a fortrinnsvis er i området 0,21 < a < 0,62, og mest a » 0.4193 for anvendelse med en datahastighet som anvender spline39 waveleter.6. Fremgangsmåte i samsvar med et av de foregående krav, karakterisert ved at en sterkt avvikende verdi blir definert til å være tre ganger støyestimatet.7. Fremgangsmåte i samsvar med krav 6, karakterisert ved at filtemivåestimeringen blir beregnet ved hvor n er antallet datapunkter.8. Fremgangsmåte i samsvar med krav 1, karakterisert ved å anvende en SCAD-krymperegel i forbindelse med produksjonsdata: hvor Å er terskelverdien, S er signalet, og a =3.7, basert på et Bayesian argument.9. Fremgangsmåte i samsvar med et av de foregående krav, karakterisert ved at en empirisk terskel-RED kan bestemmes ved hvor a og b blir bestemt ved regresjonsanalyse.10. Fremgangsmåte i samsvar med krav 9, karakterisert ved at 1.1 < a < 3.3, og mest fortrinnsvis a « 2.2, og fortrinnsvis 0.19 < b < 0.57, og mest fortrinnsvis b « 0,38 for anvendelse med datarate ved å anvende spline39 og høy RMAD.11. Fremgangsmåte i samsvar med krav 9, karakterisert ved at 2.0 < a < 6.0, og mest fortrinnsvis a •« 4.0, og fortrinnsvis 0.13 < fe < 0.39, og mest fortrinnsvis b ~ 0,26 for anvendelse med datahastighet ved å anvende spline4246 og medium RMAD.12. Fremgangsmåte i samsvar med et av de foregående krav, karakterisert ved at den optimale kompresjonsgraden blir bestemt ved å finne det punktet hvor kvadratroten av støyestimeringen krysser den fjernede energien fra signalet.13. Anvendelse av fremgangsmåten i samsvar med et av de foregående krav, for innsamling av produksjonsdata innen petroleumsindustrien, for forbedret databehandling, slik som automatisk filtrering og datakompresjon, og hurtig datatilberedelse, for overvåking og lagring av dataene.
Drawings

Priority

No priority

Patent classes

IPC classesG10L 19/00G01V 1/00

Citations

US 6078868 ()

Applicants, owners and inventors

Owners
EPSIS AS
Postboks 27 Kokstad 5863 BERGEN NO (BERGEN Municipality, Vestland county)Org. number: 983746802Inventors
Stig Olsen
Nattlandsveien 59 5093 BERGEN NO (BERGEN Municipality, Vestland county)
Jan-Erik Nordtvedt
Skeielia 86 5239 RÅDAL NO (BERGEN Municipality, Vestland county)

Agent

ACAPO AS
ACAPO AS

Org. number: 915113737

Name and address are automatically synchronized with the Brønnøysund Register Centre.

Open in The Brønnøysund Register Centre
Edvard Griegs vei 1 5059 BERGEN NO (BERGEN Municipality, Vestland county)
Org. number: 915113737
Reference: P10235NO00-BL

Status history

Payment history

Oppositions and appeals

No oppositions or appeals

Administrative limitation

No administrative limitation

Liens and licences

No liens or licenses registered

Gazette entries

No Gazette entries foundOnly events from 2024.03.04 and onwards are shown.