基于Volve油田的基础井况异常检测：构建标签、基线模型与双头模型

文章背景与核心概要

本文针对真实工业生产环境中机器状态监测与异常检测的难题展开研究。在现实油田等生产场景中，通常缺乏现成的故障日志以及人为诱发的训练异常数据。为此，研究人员利用公开的 Equinor Volve 油田数据集，提出了一套基于物理工程规范和现场文档的严谨标签构建框架。

研究人员通过无监督基线模型以及从金属缺陷检测技术中改进而来的紧凑型监督双头模型（用于识别事件的存在性及分类），对这些构建好的标签进行了评估。实验结果表明，无监督检测器能够独立收敛至规则标记的区域，从而验证了标签的有效性；同时，监督模型尽管在时间定位上较为粗糙，但成功实现了对未见过的新井中事件检测与分类的泛化。该研究的完整数据集、基础标签、溯源信息、基线评估、训练模型及代码均已在 CC-BY-NC-SA 4.0 许可证下开源。

文档详情 (Document Details)

摘要 (Abstract)

大多数用于机器状态监测的公共基准测试都来自测试台，在这些测试台中，故障是人为诱发的且每个事件都是已知的。然而，真实的生产油田极少能提供这样的条件。它们提供的是没有附带故障日志的传感器历史数据，而这正是异常检测方法必须自行生成标签、且容易悄然引入未察觉假设的典型场景。

我们使用 Equinor 发布的公开 Volve 油田数据，并认真对待了此类数据集通常会忽略的两个核心问题： 1. 基础标签（Grounded Labels）： 我们构建的异常标签不仅来源于数据中的模式，还结合了现场工程文档中记录的实际物理故障可能性进行交叉验证。我们公开了每个标签背后的推理过程。 2. 可学习性测试（Learnability Testing）： 我们利用无监督基线和一个小型双头模型（可标记事件发生的时间及其类型——这一灵感源于我们早期在金属零件缺陷检测中的工作），测试了这些构建的标签是否具备可学习性。

研究结果客观坦诚。一个从未见过这些标签的无监督检测器，依然能够落入我们规则标记的相同区域，这说明这些标签并非凭空捏造。紧凑型监督模型能够跨越其从未见过的油田井，很好地恢复事件的存在性和事件类型，尽管在时间上的定位较为粗糙。我们如实报告了有效的方法、无效的方法以及其中的所有假设。

Most public benchmarks for machine-condition monitoring come from test rigs, where faults are induced on purpose and every event is known. Real production fields rarely offer that. They give you sensor histories with no fault log attached, which is exactly the situation where an anomaly-detection method has to invent its own labels, and where quiet assumptions can slip in unnoticed.

We work with the open Volve field data released by Equinor and take two things seriously that such datasets usually skip: 1. Grounded Labels: We build anomaly labels that are not just patterns in the numbers, but are checked against what the field's own engineering documents say can physically go wrong. We release the reasoning behind every label. 2. Learnability Testing: We test whether those constructed labels are learnable at all, using both an unsupervised baseline and a small dual-head model that marks when an event happens and what kind it is—an idea we carry over from earlier work on defect detection in metal parts.

The results are honest. An unsupervised detector that never sees the labels still lands on the same regions our rules flagged, which tells us the labels are not arbitrary. A compact supervised model recovers event presence and event type well across wells it has never seen, and locates events in time only roughly. We report what worked, what did not, and every assumption in between.

资源与访问 (Resources & Access)

• 全文 PDF： 通过 arXiv 查看 PDF
• 代码与数据可用性： 数据集、基础标签、每个标签的溯源、基线分数、训练模型和代码已在 CC-BY-NC-SA 4.0 许可证下向公众开源。
• 文献计量与引用工具：
• NASA ADS
• Google Scholar
• Semantic Scholar

• Full-Text PDF: View PDF via arXiv
• Code & Data Availability: Dataset, grounded labels, per-label provenance, baseline scores, trained models, and code are released publicly under the CC-BY-NC-SA 4.0 license.
• Bibliographic & Citation Tools:
• NASA ADS
• Google Scholar
• Semantic Scholar