CN104234695A - 一种基于神经网络的油井故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于神经网络进行抽油机井工况诊断方法。一种基于神经网络的油井故障诊断方法，其步骤在于：步骤1：通过载荷和位移传感器获取示功图位移和载荷数据，并通过远程RTU光杆模块将上述数据上传至数据库；步骤2：对上述数据库中的信息进行以下处理，获得特征向量；步骤3：构建径向基神经网络，进行判断。本发明克服了单纯依靠图形几何特征作为判断依据的盲目性和不确定，能够提高诊断的准确率，满足生产实践要求。

Description

一种基于神经网络的油井故障诊断方法

技术领域

本发明涉及一种基于神经网络进行抽油机井工况诊断方法。

背景技术

当前，有杆抽油技术在国内普遍应用，有杆泵抽油井占我国油井的绝大多数，因此，在生产中，及时判明有杆抽油系统故障并采取适当措施加以排除，对于生产单位降低成本，提高效益具有十分重大的意义。通过抽油机井示功图进行系统工况分析，是当前油井工况诊断的主要手段。

目前，进行示功图解释的方法可以归结人工判别方法、有杆泵抽油井故障诊断专家系统和模式识别系统。人工解释受到技术人员经验和技术水平的极大制约，解释结果因人而异，而且利用人工解释示功图，每天能够解释的数量极为有限，对于油井存在的问题不能及时察觉，往往造成比较大的损失，已不能满足油田正常生产的需要；已经投入使用的故障诊断专家系统，由于其本身的建立常会受到知识和信息获取的制约，仅能处理单一领域知识范畴的符号推理，当抽油机发生故障时，若系统知识不全面，实践经验不充足，那么很可能对故障只做表面分析或根本做不出有效正确的判断；在当前的示功图故障诊断中，也引入了一些模式识别方法，其主要思路是根据示功图图形特征来判别故障类型，但此种方法存在不能精确区分图形之间的微小差别的缺点，如某些故障的示功图的几何特征几乎相同，这时此种方法很难做出准确判断，往往会造成对抽油机井工况的误判。

发明内容

本发明的目的提供一种适应性好、简单，且能够对抽油机井实现连续实时监控，准确度高的一种基于神经网络的油井故障诊断方法。

本发明的技术方案在于：

一种基于神经网络的油井故障诊断方法，其所述的神经网络为三层，分别为输入层、隐含层以及输出层；其中，输入层与隐含层之间的连接为连接权值为1的连接；隐含层连接输出层；其步骤在于： 

步骤1：通过载荷和位移传感器获取示功图位移和载荷数据，并通过远程RTU光杆模块将上述数据上传至数据库；

步骤2：对上述数据库中的信息进行以下处理，获得特征向量；

2-1：提取示功图位移和载荷数据的中心矩，并进行归一化；

2-2：利用上步经过归一化处理的中心距，构造不变矩；

2-3：对上述不变矩进行修正，以调整其取值范围为[0,45]；

2-4：计算得到泵效及上下冲程实测载荷与理论载荷偏差；

2-5：对上述（3）式修正后的不变矩以及（4）式获得的泵效、上下冲程实测载荷与理论载荷偏差进行归一化，将其取值范围限制在[0,1]之间；

步骤3：构建径向基神经网络：

（1）选取步骤2中归一化的不变矩、泵效以及上下冲程实测载荷与理论载荷偏差作为神经网络的输入特征向量；

（2）隐含层节点定义如下：

                                                                              

 式中，k=1，2，…..m，C_kt为RBF函数的中心向量C_k的第i个分量，

隐含层随机从输入特征向量中选取隐含层节点的中心，为并对输入向量进行非线性传递：

；                                            

通过隐含层到输出层的线性映射获取输出向量：

；     

（3）通过对输出向量进行0-1判断，获得诊断结果。

优选地，2-1中提取示功图位移和载荷数据的中心矩的方法为：对于由数字组成的示功图位移和载荷数据，假定其边缘曲线是由个离散的点组成，即(x_i，y_i)，i=1,2，…N;它的p+q阶矩m_pq将被定义为：

  ；                                        

式中，代表横坐标（位移）；代表纵坐标（载荷）；代表了曲线边缘的第个离散点;是离散点个数;是相邻点间的直线距离；其表达式为；

因此，可以得到图形相应的 p+q阶中心矩为：

     

其中，点是图形重心坐标。

优选地，所述2-1中归一化处理公式为：

                          

   其中，。 

或者优选地，2-3中对上述不变矩进行修正的修正公式为：

 。                     

或者优选地，2-4中泵效的计算公式为：

    

上冲程实测载荷与理论载荷偏差计算公式为： 

 ；                                                                            

下冲程实测载荷与理论载荷偏差计算公式为： 

。      

或者优选地，2-5中不变矩的归一化处理公式为：  

。

本发明的技术效果在于：

1、本发明提出了新的有杆抽油系统特征向量的提取方法，克服了单纯依靠图形几何特征作为判断依据的盲目性和不确定，能够提高诊断的准确率，满足生产实践要求；

2、本发明对抽油机井实现连续实时监控，克服了人工解释标准不统一、难于大量同时分析抽油机井状况的缺点；

3、本发明一种基于神经网络的抽油机井故障诊断方法，采用径向基神经网络，其为三层静态前馈神经网络,是直接连接网络,隐含层单元数自适应地调整,且具有唯一解，具有更好的适应性。

附图说明

图1抽油机井工况监测系统示意图。

其中，1-载荷和位移传感器；2-RTU机柜。

图2为数据处理流程图。

具体实施方式

一种基于神经网络的抽油机井故障诊断方法，采用如下步骤。

步骤1：通过载荷和位移传感器1获取示功图位移和载荷数据，并通过远程RTU机柜2将上述数据上传至数据库中。

步骤2：对上述数据库中的信息进行如下处理，获得特征向量。

（1） 提取示功图位移和载荷数据的中心矩，并进行归一化：

对于由数字所组成的边缘图形，假定其边缘曲线是由个离散的点组成即(x_i，y_i)，i=1,2，…N;它的p+q阶矩m_pq将被定义为：

   ；                                                                                          

式中，代表横坐标（位移）；代表纵坐标（载荷）；代表了曲线边缘的第个离散点；是离散点个数；是相邻点间的直线距离；其表达式为；

因此，可以得到图形相应的 阶中心矩为：

                                         

其中，点是图形重心坐标。

由式（2）可以计算出各阶中心矩：

                         

 

           

      

  ；  

为了避免量纲和坐标尺度对示功图特征识别的影响，对以上中心矩进行归一化，其方法是，通过零阶中心矩与其它各阶中心矩的比得到；

归一化公式如下所示： 

             

    其中，； 

其中，代表了示功图周长，归一化后的示功图中心矩与示功图大小无关，这样有效的消除了示功图比例大小对工况诊断结果的影响。 

（2） 利用上步经过归一化处理的中心距，构造不变矩：

                  

        

      

 

  。    

（3） 对上述不变矩进行修正，以调整其取值范围为[0,45]；

在实际计算过程中，特征值越大对识别结果的贡献就越大，反之亦然。因此，在综合考虑到不变矩特征的大小及后续模式识别的结构特点，需要对示功图的7个不变矩的值进行修正，以调整其取值范围为[0,45]。其中不变矩的修正公式为：

。

（4）对泵效及上下冲程实测载荷与理论载荷偏差计算：

有杆抽油井的泵效：

其中，：有杆抽油系统的泵效（取值范围是[0,1]），单位为%；Q：油井的实际产量，单位为m³/d；：油井的理论产量，单位为m³/d；S：冲程，单位为m；N：冲次，单位为；

上冲程实测载荷与理论载荷偏差： 

；

其中，是上冲程的载荷变化量，单位%；F_smax是实测示功图的上冲程中的最大悬点载荷，单位kN；F_lmax是理论示功图的上冲程中的最大悬点载荷，单位kN；

下冲程实测载荷与理论载荷偏差 ：                         

；                      

其中，是下冲程的载荷变化量，单位%；F_xmin是实测示功图的下冲程中的最小悬点载荷，单位kN；F_kmin是理论示功图的下冲程中的最小悬点载荷，单位kN。

（5）对上述获得的（）这10个特征向量中，泵效、上冲程实测载荷与理论载荷偏差和下冲程实测载荷与理论载荷偏差通过计算取值都不大，基本在[0,2]区间内；但是示功图不变矩的取值范围在[0,45]之间，在实际判断中，取值范围小的特征向量会受到取值范围大的特征向量的影响，取值比较小的参数不能体现它的作用。因此，对不变矩进行归一化处理，将其取值范围限定在[0,1]之间。其方法如下：

；

其中，t_q：处理后特征值；t_i：输入特征值；t_min：最小特征值；t_max：最大特征值；通过以上处理特征向量，消除了参数间的相互干扰。

选取某油田实测施工图90组数据进行样本测试，其中60组作为训练样本，30组作为测试样本。每组数据由光杆载荷与位移所组成的100组数据对构成，采样间隔为1/100运动周期；

测试样本特征参数样本库

。

归一化得出综合特征向量如下：

综合特征向量

。

步骤3：构建径向基神经网络：

构建径向基神经网络：径向基神经网络是一种前馈反向传播网络，它由输入层、隐含层和输出层组成。其中隐含层为径向基层，输出为一线性层；输入层的作用是传输信号，输入层与隐含层之间的连接可以看作是连接权值为1的连接；隐含层与输出层之间通过激励函数连接；

选取2-5中归一化后的不变矩、泵效以及上下冲程实测载荷与理论载荷偏差作为作为神经网络的输入特征向量； 

隐含层随机从输入特征向量中选取隐含层节点的中心，并对输入向量进行非线性传递；然后，在隐含层通过非线性优化策略，对激励函数即高斯函数的参数进行调整，采用随机选取RBF函数中心（直接计算法）的方式，随机从输入特征向量中选取隐含层节点的中心，此中心固定不变。

隐含层的激励函数一般为高斯函数，即。隐含层的每一个节点都是RBF的一个中心向量() ，若径向基神经函数网络有m个隐层节点数，则网络就会有m个相对应的径向基中心，由于径向基神经网络的隐含层对输入向量进行的是非线性传递，所以使得径向基神经网络不同于一般的神经网络。

隐含层节点的定义如下：

                                    

式中，k=1，2，…..m；

为RBF函数的中心向量的第i个分量，因此，对于RBF网络而言，变换后隐节点的输出值为：

       

式中，k=1，2，…..q。表示范数，通常取欧几里德范数，为非线性Gauss函数，B是实常数，用以改变高斯曲线的宽度，起到控制RBF网络泛化能力的作用，B值越小，随着的增大，Z_k下降得很快，Gauss曲线变得很窄；反之，B值越大，曲线越宽。各隐含层节点的输出Z_k代表着输入模式X离开RBF中心向量C_k的程度，即隐含层仅是为每个隐含层节点选择中心向量，而不对权值矩阵进行调整；

由于径向基神经网络从隐含层空间到输出层空间是线性映射的，故径向基神经网络的输出为：

                       

在上式中，j=1,2,…..m。W_j=[W_j1, W_j2, W_j3,…. W_jm]为隐含层节点j的输出权向量，Z=[Z₁,Z₂,Z₃,….Z_m]^T为隐含层输出列向量。

输出层节点个数为油井故障类型的个数，按照目前油田现场特有的故障，故障类型有：工作正常、油井结蜡、气体影响、油井出砂、供液不足、油杆断脱等6种，将网络输出节点为6个，某个节点输出数值变化区间为[0,1]，接近1者则为诊断出的故障类型。这种方法优点是可以诊断出一幅示功图对应多个故障，更适合井下实际工况。当存在新的情况时，可扩展网络输出节点，例如当出现固定阀漏失、游动阀漏失、液击、卡泵、油管漏、空抽等情况时，按照实际需要增加需要判断的故障类型，提高故障诊断的准确性。

按照前述输入向量，应用本方法诊断结果如下：

。

通过上表中测试输出结果与标准输出模式进行对比，系统得出了判断结论，从结果来看，测试结果与标准输出误差很小，诊断结果可靠。以上述实测功图为例，判断准确率为97%；当仅采用不变矩作为输入向量时，诊断结果如下表：

。

由上表可见，当今采用反应图形特征的不变矩作为输入向量时，出现了比较多的误判，特别是供液不足的测试样本中，出现了3组将供液不足诊断为气体影响的情况。这是由于供液不足与气体影响在施工图上的特征比较类似，仅仅依据图形信息区分难于作出正确的判断。其判断准确率约为80%。

此外，文献“基于示功图分析的抽油机故障诊断系统”中提出了基于面积及示功图曲线斜率变化的油井工矿诊断方法，其中列举了50幅实测示功图图例，据其根据这些方法得出的诊断结果数据统计，该系统诊断准确率约为76%。

综上所述，本发明提供的油井工矿诊断方法能够提高诊断的准确率，满足生产实践要求。

Claims (6)

1.一种基于神经网络的油井故障诊断方法，其特征在于：其所述的神经网络为三层，分别为输入层、隐含层以及输出层；其中，输入层与隐含层之间的连接为连接权值为1的连接；隐含层连接输出层；其步骤在于： 

步骤1：通过载荷和位移传感器（1）获取示功图位移和载荷数据，并通过远程RTU机柜（2）将上述数据上传至数据库；

步骤2：对上述数据库中的信息进行以下处理，获得特征向量；

2-1：提取示功图位移和载荷数据的中心矩，并进行归一化；

2-2：利用上步经过归一化处理的中心距，构造不变矩；

2-3：对上述不变矩进行修正，以调整其取值范围为[0,45]；

2-4：计算得到泵效及上下冲程实测载荷与理论载荷偏差；

2-5：对上述（3）式修正后的不变矩以及（4）式获得的泵效、上下冲程实测载荷与理论载荷偏差进行归一化，将其取值范围限制在[0,1]之间；

步骤3：构建径向基神经网络：

（1）选取步骤2中归一化的不变矩、泵效以及上下冲程实测载荷与理论载荷偏差作为神经网络的输入特征向量；

（2）隐含层节点定义如下：

                                                                         

式中，k=1，2，…..m，C_kt为RBF函数的中心向量C_k的第i个分量，

隐含层随机从输入特征向量中选取隐含层节点的中心，为并对输入向量进行非线性传递：

                                          

通过隐含层到输出层的线性映射获取输出向量：

；                                                                                        

（3）通过对输出向量进行0-1判断，获得诊断结果。

2.如权利要求1所述一种基于神经网络的油井故障诊断方法，其特征在于：2-1中提取示功图位移和载荷数据的中心矩的方法为：对于由数字组成的示功图位移和载荷数据，假定其边缘曲线是由N个离散的点组成，即(x_i，y_i)，i=1,2，…N;它的p+q阶矩m_pq将被定义为：

                                                                                         

式中，x_i代表横坐标（位移）；y_i代表纵坐标（载荷）；i代表了曲线边缘的第i个离散点；N是离散点个数； △l_i是相邻点间的直线距离；其表达式为

；

因此，可以得到图形相应的 p+q阶中心矩为：

                                                                                

其中，，，点是图形重心坐标。

3.如权利要求1所述一种基于神经网络的油井故障诊断方法，其特征在于：所述2-1中归一化处理公式为：

                                                            

其中，。

4.如权利要求1所述一种基于神经网络的油井故障诊断方法，其特征在于：2-3中对上述不变矩进行修正的修正公式为：

 。

5.如权利要求1所述一种基于神经网络的油井故障诊断方法，其特征在于：2-4中泵效的计算公式为：

                                                                            

上冲程实测载荷与理论载荷偏差计算公式为： 

                                                                            

下冲程实测载荷与理论载荷偏差计算公式为： 

。

6.如权利要求1所述一种基于神经网络的油井故障诊断方法，其特征在于：2-5中不变矩的归一化处理公式为： 

 。