本技术涉及基于数字油田数据监测分析领域，尤其涉及一种数字油田的数据监测分析系统及其分析方法。
背景技术：
1、在数字石油系统中，由于石油的勘探开发往往具有复杂的地质和环境条件，钻井安全问题也就日益凸现，如井漏、井喷等事故时常发生，造成重大经济损失与人员伤亡，因此，在数字石油系统中需要统筹钻井、测井、录井、岩心描述和化验分析的数据，建立多种应用于安全预测的网络神经模型进行安全预测，通过安全特征进行相应风险的针对性分析，进行多方面的提示，并及时给出安全预测及安全警报，例如可选择矿井的几条剖面作为学习样本，以几个剖面的计算实例作为预测样本，在预测过程中要尽可能保证足够高的网络性能和泛化能力，而预测模型的精确度与模型复杂程度和转换函数的型式以及样本数据的特性等因素有关。想要得到较为准确的安全预测结果，则需要较为精确的实时监测数据，在监测过程中会产生大量的实时数据，数据与其相关联的安全特征进行综合性计算时，由于如果不能迅速准确的对监测数据先行筛选分类，使会导致安全预测的结果出现误差，因此需要将获取的异常数据先进行快速的分类筛选。
技术实现思路
1、以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
2、为了解决问题，本技术提供一种数字油田的数据监测分析系统，包括监测参数模块、数据获取模块、异常属性判断模块和安全预测模块；所述监测参数模块包括监测参数的类别、监测参数的校验阈值和波动阈值，以及与每类监测参数相关联的安全特征；所述数据获取模块能够获取监测参数的正常数据和异常数据；所述异常属性判断模块能够判断异常数据的属性标注类别；所述安全预测模块能够通过异常数据的属性标注类别和监测参数相关联的安全特征，通过网络神经模型获得安全预测结果。
3、其中，优选的，所述异常属性判断模块包括波动异常筛选模块、波动异常第一分类模块和波动异常第二分类模块，其中，通过波动异常筛选模块获取到波动范围异常的监测参数，通过波动异常第一分类模块对波动范围异常的异常数据进行第一波动监测，对异常数据的标注属性进行分类；将在第一波动监测中未能分类的异常数据通过第二分类模块进行第二波动监测，对异常数据的标注属性进行分类。
4、其中，优选的，所述监测参数的类别包括钻速、扭矩、钻压、转速、回转压力和泥浆泵流量。
5、一种使用上述的数字油田的数据监测分析系统的分析方法，步骤包括：
6、s1，设置监测参数c具有n个类别，c= [c1，c2，c3，…，cn]，设置监测参数ci的校验阈值为mmax，波动阈值为qmax；
7、建立第i类监测参数ci的正常数据列表ei和异常数据列表fi；其中，根据产生原因，所述异常数据列表fi中异常数据的属性标注类别包括第一属性类别和第二属性类别；
8、s2，在tj时间获取到监测参数ci的第j次监测数据mj；
9、当mj≥mmax时，将第j次监测数据mj加入异常数据列表fi，属性标注为第一属性类别；
10、当mj＜mmax时，设置正常数据列表ei中包括k个正常数据，ei= [ei1，ei2，ei3，…，eik]，其中第z个正常数据为eiz，获得第j次监测数据mj的波动值；
11、当△mj＜qmax时，将第j次监测数据mj加入正常数据列表ei；
12、当△mj≥qmax时，转入步骤s3；
13、s3，在tj+1时间获取监测参数ci的第j+1次监测数据mj+1；其中，tj+1=tj+△t，△t为样本由井底到井口的传送时间；
14、当mj+1≥mmax时，将mj加入异常数据列表fi，属性标注为第一属性类别；
15、当mj+1＜mmax时，得到第j+1次监测数据mj+1的波动值；
16、当△mj+1＞△mj时，将mj加入异常数据列表fi，属性标注为第一属性类别；
17、当△mj+1＜qmax时，将mj加入异常数据列表fi，属性标注为第二属性类别；
18、当qmax≤△mj+1≤△mj时，转入步骤s4；
19、s4，在tj+2时间获取到监测参数ci的第j+2次监测数据mj+2，其中，；
20、当mj+2≥mmax时，将mj加入异常数据列表fi，属性标注为第一属性类别；
21、当mj+2＜mmax时，得到监测数据mj+2的波动值；
22、当△mj+2＞△mj时，将mj加入异常数据列表fi，标注为第一属性类别；
23、当△mj+2＜qmax时，将mj加入异常数据列表fi，标注为第二属性类别；
24、当qmax≤△mj+2≤△m j时，获得波动更新阈值；其中，e为自然常数，γ为异常数据的属性类别的判断准确率；
25、当△mj+2≥qmax’时，将mj加入异常数据列表fi，标注属性为第一属性类别；
26、当△mj+2＜qmax’时，将mj加入异常数据列表fi，标注属性为第二属性类别；
27、s5，设置与第i类监测参数ci相关联的安全特征ir包括m类，ir= [ir1，ir2，ir3，…，irm]，其中，根据监测参数ci的异常数据列表中的异常数据及其属性类别，获得安全特征，建立网络神经模型，进行预测分析。
28、其中，优选的，第一属性类别为设备风险，第二属性类别为钻头到达新层次。
29、其中，优选的，在步骤s4中，。
30、其中，优选的，在步骤s5中，建立网络神经模型的方法为：
31、设置接收d个安全特征输入向量x = [x1; x 2 ; …; x d ]
32、，
33、z表示输入的加权和,其中w=[w1; w2;…; w d]是多维输入的权重向量，b∈r是偏置；使用的激活函数可以为logistic 函数或relu函数，使用relu函数时：
34、，
35、多层前馈神经网络中，令，前馈神经网络通过不断迭代下列公式逐层进行信息传播公式为：，
36、复合函数为：，
37、其中w和b表示网络中所有层的连接权重和偏置，l为神经网络的层数；为第l-1层到第l层的权重矩阵；为第l-1层到第l层的偏置，为第l层神经元的净输入；为第l、 ll层神经元的输出；
38、采用交叉熵损失函数，对于样本(x,y)其损失函数为：
39、，
40、其中，为y对应的one-hot向量表示；
41、给定训练集为，将每个样本输入给前置神经网络，得到网络输出为，其在数据集上的风险函数为：
42、，
43、其中w和b分别表示网络中所有的权重矩阵和偏置向量；是正则化项，用来防止过拟合；λ>0为长参数，λ>0越大w越接近于 0：；
44、在梯度下降方法的每次迭代中，参数w 和b的更新方式
45、。
46、本技术实现的有益效果如下：
47、为了在预测过程中要尽可能保证足够高的网络性能和泛化能力，提高预测模型的精确度，因此需要提升作为预测模型基础的安全特征的广度和精准度，本技术能够对监测数据先行筛选分类，通过提前分类判断的方法，能将海量的数据进行快速精确的前期处理，提升安全特征的精准度，提高安全预测的准确性。
1.一种数字油田的数据监测分析系统，其特征在于，包括监测参数模块、数据获取模块、异常属性判断模块和安全预测模块；所述监测参数模块包括监测参数的类别、监测参数的校验阈值和波动阈值，以及与每类监测参数相关联的安全特征；所述数据获取模块能够获取监测参数的正常数据和异常数据；所述异常属性判断模块能够判断异常数据的属性标注类别；所述安全预测模块能够通过异常数据的属性标注类别和监测参数相关联的安全特征，通过网络神经模型获得安全预测结果。
2.如权利要求1所述的数字油田的数据监测分析系统，其特征在于，所述异常属性判断模块包括波动异常筛选模块、波动异常第一分类模块和波动异常第二分类模块，其中，通过波动异常筛选模块获取到波动范围异常的监测参数，通过波动异常第一分类模块对波动范围异常的异常数据进行第一波动监测，对异常数据的标注属性进行分类；将在第一波动监测中未能分类的异常数据通过第二分类模块进行第二波动监测，对异常数据的标注属性进行分类。
3.如权利要求1所述的数字油田的数据监测分析系统，其特征在于，所述监测参数的类别包括钻速、扭矩、钻压、转速、回转压力和泥浆泵流量。
4.一种使用如权利要求1-3任一项所述的数字油田的数据监测分析系统的分析方法，其特征在于，步骤包括：
5.如权利要求4所述的数字油田的数据监测分析系统的分析方法，其特征在于，第一属性类别为设备风险，第二属性类别为钻头到达新层次。
6.一种使用如权利要求5所述的数字油田的数据监测分析系统的分析方法，其特征在于，在步骤s4中，。
7.一种使用如权利要求5所述的数字油田的数据监测分析系统的分析方法，其特征在于，在步骤s5中，建立网络神经模型的方法为：
