CN106930751A - 一种有杆泵抽油井故障分离方法 - Google Patents

Abstract

本发明涉及一种有杆泵抽油井故障分离方法，获取采集到的少量标注故障和大量未标注的有杆泵抽油井地面示功图，并转化为井下泵示功图，采用小波矩特征提取方法提取归一化处理之后的泵示功图的特征向量，利用半监督核极限学习机算法对泵示功图的特征向量进行训练学习，从而完成有杆泵抽油井的故障分离，本发明采用低频段小波矩提取的泵示功图特征向量能够形象的描述泵示功图的边缘特征，采用加入流形正则化项的半监督核极限学习机算法对有杆泵抽油井进行故障诊断，充分利用了实际有杆泵抽油井采集到的大量未标记数据进行训练，提高了诊断的精度。

Description

一种有杆泵抽油井故障分离方法

技术领域

本发明属于抽油井故障诊断领域，特别涉及一种有杆泵抽油井故障分离方法。

背景技术

在实际有杆泵抽油机采油过程中，泵示功图包含了抽油井工况的大量信息。因此，分析泵示功图已成为确定油井工况的最可靠手段之一，传统采油过程中一般的故障诊断方法是依靠专家和现场技术工作人员对泵示功图进行分析，这种方式诊断周期过长，对复杂功图的诊断往往无法满足生产的需求。

在现代科学技术发展的基础上，很多基于泵示功图的计算机分析方法越来越受到该领域专家学者的重视，通过计算机提取泵示功图特征参数，鉴于不变矩的平移、旋转及尺度不变性，让其成为使用比较普遍的特征提取方法，但是对泵示功图分区分块以及全局的提取特征向量的不变矩有着计算量复杂，受噪声干扰影响大等缺点，所以在细微差别上分辨率低，而小波矩就可以克服以上缺点，采用小波矩提取泵示功图特征量，不仅能得到示功图的全局特征，还可以得到局部特征，有着更高的分辨率。

实际有杆泵抽油井生产过程中会采集到大量未被标记的(专家和技术人员未识别标记的)泵示功图，能否充分地实时地利用这些泵示功图的数据，是该领域的技术重点和难点。

发明内容

针对现有技术的不足，本发明提出了一种有杆泵抽油井故障分离方法。

本发明的技术方案是：

一种有杆泵抽油井故障分离方法，包括以下步骤：

步骤1：采集l个已知故障类型的有杆泵抽油井地面示功图和u个未知故障类型的有杆泵抽油井地面示功图；

步骤2：将l+u个有杆泵抽油井地面示功图转化为井下泵示功图；

步骤3：采用小波矩的特征提取方法对有杆泵抽油井井下的泵示功图进行特征提取；

步骤3.1：对l+u个有杆泵抽油井井下泵示功图进行归一化处理。

步骤3.2：对归一化后的悬点载荷位移进行极坐标变换。

步骤3.3：通过对θ积分来计算径向函数S_q(r)，所述计算式为：

S_q(r)＝∫f(r，θ)e^jqθdθ

步骤3.4：计算泵示功图的小波矩W_m,n,q，所述计算式为：

W_m,n,q＝||∫S_q(r)ψ_m,n(r)rdr||

步骤4：采用基于流形正则化的半监督核极限学习机算法对提取的标记和未标记泵示功图特征向量进行分类，完成有杆泵抽油井的故障分离；

步骤4.1：对于少部分已知故障类型和正常工况的泵示功图特征向量，通过专家和现场工人的经验进行标记，使其具有类标签，这类特征数据表示为：

而大部分直接采集到的未经过标记的泵示功图的特征向量表示为：

式中，l和u为标记和未标记的样本个数，t_i∈{1,2,...,s},i＝1,...,l，其中s是故障类型。

步骤4.2：确定核函数映射κ(x_i,x_j)，极限学习机隐层节点N，并随机生成隐层节点的参数(a_i,b_i),i＝1,2,...,N；

步骤4.3：计算核矩阵K_ELM＝HH^T，H表示隐层输出矩阵，具体形式如下：

步骤4.4：计算拉普拉斯矩阵L，所述计算式如下：

L＝D-W

式中，D是对角矩阵表示为：边缘权矩阵W_ij采用高斯核映射：

步骤4.5：计算输出权重β，所述计算式如下：

步骤4.5.1：表示出(l+u)×c训练目标矩阵所述计算式如下：

为标记数据集的目标矩阵，为加入未标记数据之后的训练目标矩阵。

步骤4.5.2：考虑到平衡经验风险和学习函数f(x)的复杂性之间的关系，训练误差最小化为：

式中，λ是惩罚系数，tr是正则化矩阵F的迹。

步骤4.5.3：将网络输出的表达式F＝Hβ代入上式，得到：

式中，J是用来区分标记数据和未标记数据的惩罚系数矩阵，所述表达式为：

J(i,i)＝1,i＝1,2,...,n,J(i,j)＝0,i≠j

步骤4.5.4：问题变为无约束优化问题之后，就可以计算出网络的输出权重β。

步骤4.6：计算半监督核极限学习机的网络输出f(x)，所述计算式如下：

步骤5：根据最优解f(x)来确定该示功图的故障信息：

式中，f_i为样本点x_i的预测类标签。

本发明的优点是：

本发明不把泵示功图分开区域，提取整体的特征信息，采用小波矩的特征提取方法能够提取高分辨率下的功图特征，同时具有很强的抗噪声干扰性。充分的利用大量未标记泵示功图提取的特征数据进行训练，降低了分析功图的时间周期，有效的提高了故障分离的精确率。

附图说明

图1为本发明具体实施方式中一种有杆泵抽油井故障分离方法的流程图；

图2为本发明具体实施方式中的有杆泵抽油井泵示功图；

图3为本发明具体实施方式中归一化处理之后的有杆泵抽油井泵示功图；

图4为本发明具体实施方式中半监督核极限学习机分类器与其他两种分类器对小波矩特征的训练时间对比示意图。

图5为本发明具体实施方式中半监督核极限学习机分类器与其他两种分类器对小波矩特征的分类精度对比示意图。

具体实施方式

下面结合附图1-5对本发明具体实施方式加以详细的说明。

一种有杆泵故障分离方法，如图1所示，包括以下步骤：

步骤1：采集l个已知故障类型的有杆泵抽油井地面示功图和u个未知故障类型的有杆泵抽油井地面示功图；

本实施方式中，选取了100个已知故障类型的有杆泵抽油井地面示功图和180个待分离故障的未知故障类型有杆泵抽油井地面示功图，其中已知故障类型的地面示功图有9种，这里把“正常”也视为一种故障类型，分别是：12个“正常”类型的有杆泵抽油井地面示功图、11个“供液不足”类型的有杆泵抽油井地面示功图、11个“泵上碰”类型的有杆泵抽油井地面示功图、9个“泵下碰”类型的有杆泵抽油井地面示功图、12个“气体影响”类型的有杆泵抽油井地面示功图、13个“固定凡尔漏失”类型的有杆泵抽油井地面示功图、10个“游动凡尔漏失”类型的有杆泵抽油井地面示功图、12个“油井出砂”类型的有杆泵抽油井地面示功图、10个“断脱”类型的有杆泵抽油井地面示功图。

步骤2：将l+u个(实施例采用280个)有杆泵抽油井地面示功图转化为井下泵示功图；

建立用来描述有杆泵抽油井抽油杆运动和应力传播的一维粘滞阻尼波动方程，采用傅里叶系数法求解该一维粘滞阻尼波动方程，得到抽油杆任意截面处的位移和载荷，进而得到有杆泵抽油井抽油泵处的位移和载荷，从而确定有杆泵抽油井泵示功图。

步骤3：采用小波矩的特征提取方法对有杆泵抽油井井下的泵示功图进行特征提取；

步骤3.1：对l+u个(实施例采用280个)有杆泵抽油井井下泵示功图进行归一化处理；泵示功图的悬点载荷为x_i和位移为y_i，计算式为：

式中悬点载荷平均值为位移平均值为

归一化处理后的泵示功图如图3所示

步骤3.2：对归一化后的悬点载荷和位移进行极坐标变换，计算公式如下：

x＝rcosθ (3)

y＝rsinθ (4)

步骤3.3：通过对极角θ积分来计算径向函数S_q(r)，计算式为：

S_q(r)＝∫f(r,θ)e^jqθdθ (5)

步骤3.4：计算泵示功图的小波矩W_m,n,q，所述计算式为：

W_m,n,q＝||∫S_q(r)ψ_m,n(r)rdr|| (6)

式中，ψ_m,n(r)为径向小波基函数，m是尺度指数，n是位移指数，q表示泵示功图在第q频域的特征，由于示功图的特征信息均是边缘纹理特征，所以这里q取1。

步骤4：采用基于流形正则化的半监督核极限学习机算法对提取的标记和未标记泵示功图特征向量进行分类，完成有杆泵抽油井的故障分离；

步骤4.1：对于少部分已知故障类型和正常工况的泵示功图特征向量，通过专家和现场工人的经验进行标记，使其具有类标签，这类特征数据表示为：

而大部分直接采集到的未经过标记的泵示功图的特征向量表示为：

式中，l和u为标记和未标记的样本个数，t_i∈{1,2,...,s},i＝1,...,l，其中s是故障类型。

步骤4.2：确定核函数映射κ(x_i,x_j)，极限学习机隐层节点N，并随机生成隐层节点的参数(a_i,b_i),i＝1,2,...,N；

步骤4.3：计算核矩阵K_ELM＝HH^T，H表示隐层输出矩阵，具体形式如下：

步骤4.4：计算拉普拉斯矩阵L，所述计算式如下：

L＝D-W (10)

式中，D是对角矩阵表示为：边缘权相似度矩阵W_ij采用高斯核映射：

步骤4.5：计算输出权重β，所述计算式如下：

步骤4.5.1：表示出(l+u)×c训练目标矩阵所述计算式如下：

步骤4.5.2：考虑到平衡经验风险和学习函数f(x)的复杂性之间的关系，训练误差最小化为：

式中，λ是惩罚系数，tr是正则化矩阵F的迹。

步骤4.5.3：将网络输出的表达式F＝Hβ代入上式，得到：

式中，J是用来区分标记数据和未标记数据的惩罚系数矩阵，所述表达式为：

J(i,i)＝1,i＝1,2,...,n,J(i,j)＝0,i≠j (16)

式中，j为故障类型，x_i为第i个样本点。

步骤4.5.4：问题变为无约束优化问题之后，通过对式(13)偏导为0就可以计算出网络的输出权重β。

步骤4.6：计算半监督核极限学习机的网络输出f(x)，所述计算式如下：

式中，半监督核极限学习机分类器的网络输出f(x)即是有杆泵抽油井故障分离目标函数的最优解。

步骤5：根据最优解f(x)来确定该示功图的故障信息：

式中，f_i为样本点x_i的预测类标签。

为了确定不同数目的标记数据对故障分离效果精度的影响，本实施方式保持180组未标记样本数据不变的情况下，选用了10组，20组，……100组标记样本数据用于建模。同时为了验证本实施方式所提出的故障分离方法的有效性，将本实施方式所提出的故障分离方法分别于半监督极限学习机(SS-ELM)和核极限学习机(K-ELM)作比较。

如图4所示，为本发明具体实施方式中对有杆泵抽油井故障数据样本训练时间随着标记数据变化的曲线示意图。从图中可以看出，本发明具体实施方式中半监督核极限学习机分类器初始的训练时间就相比没有改进的半监督极限学习机分类器和核极限学习机分类器更短，而随着标记数据的增加，训练时间增加的速率也小于其他两种算法。

如图5所示，为本发明具体实施方式中对有杆泵抽油井故障分离精度随着标记数据变化的曲线示意图。从图中可以看出，本发明具体实施方式中半监督核极限学习机分类器初始的分类精度高于其他两种没改进的极限学习机分类器，随着标记数据的增加，本发明具体实施方式中半监督核极限学习机分类器的分类精度提高的速率也大于其他两种算法。验证了本算法分离故障数据的有效性。

Claims (2)

1.一种有杆泵抽油井故障分离方法，其特征在于，包括以下步骤：

步骤1：采集l个已知故障类型的有杆泵抽油井地面示功图和u个未知故障类型的有杆泵抽油井地面示功图；

步骤2：将l+u个有杆泵抽油井地面示功图转化为井下泵示功图；

步骤3：采用小波矩的特征提取方法对有杆泵抽油井井下的泵示功图进行特征提取；

步骤3.1：对l+u个有杆泵抽油井井下泵示功图进行归一化处理；

步骤3.2：对归一化后的悬点载荷位移进行极坐标变换；

x＝r cosθ

y＝r sinθ

步骤3.3：通过对极角θ积分来计算径向函数S_q(r)，计算式为：

S_q(r)＝∫f(r,θ)e^jqθdθ

式中r为极径，θ为极角，q表示泵示功图在第q频域的特征，表达式为：

f(r cosθ,r sinθ)＝f(x,y)0≤θ≤2π

步骤3.4：计算泵示功图的小波矩W_m,n,q，计算式为：

W_m,n,q＝||∫S_q(r)ψ_m,n(r)rdr||

式中，ψ_m,n(r)为径向小波基函数，m是尺度指数，n是位移指数；

步骤4：采用基于流形正则化的半监督核极限学习机算法对提取的标记和未标记泵示功图特征向量进行分类，完成有杆泵抽油井的故障分离；

步骤4.1：对于少部分已知故障类型和正常工况的泵示功图特征向量，通过专家和现场工人的经验进行标记，使其具有类标签，这类特征数据表示为：

而大部分直接采集到的未经过标记的泵示功图的特征向量表示为：

式中，l和u为标记和未标记的样本个数，t_i∈{1,2,...,s},i＝1,...,l，其中s是故障类型；

步骤4.2：确定核函数映射κ(x_i,x_j)，极限学习机隐层节点N，并随机生成隐层节点的参数(a_i,b_i),i＝1,2,...,N；

步骤4.3：计算核矩阵K_ELM＝HH^T，H表示隐层输出矩阵，具体形式如下：

其中，h(x)为极限学习机的激励函数，是隐层相对于样本的输出，通常作为一个非线性的特征映射，当h(x)未知时，采用核矩阵映射K_ELM代替；l+u为已知和未知故障类型的示功图数量之和；

步骤4.4：计算拉普拉斯矩阵L，计算式如下：

L＝D-W

式中，D是对角矩阵表示为：W是边缘权矩阵W_ij表示标记数据与未标记数据之间的相似程度，采用高斯核映射：

步骤4.5：计算输出权重β，计算式如下：

步骤4.6：计算半监督核极限学习机的网络输出f(x)，计算式如下：

κ(x_i,x_j)为核函数映射，C为常数，J是用来区分标记数据和未标记数据的惩罚系数矩阵。

2.根据权利要求1所述的一种有杆泵抽油井故障分离方法，其特征在于，所述的步骤4.5按以下步骤执行：

步骤4.5.1：表示出(l+u)×c训练目标矩阵所述计算式如下：

为标记数据集的目标矩阵，为加入未标记数据之后的训练目标矩阵；

步骤4.5.2：考虑到平衡经验风险和学习函数f(x)的复杂性之间的关系，训练误差最小化为：

式中，β是输出权重，ε_i是λ是惩罚系数，tr是正则化矩阵F的迹；

步骤4.5.3：将网络输出的表达式F＝Hβ代入上式，得到：

式中，J是用来区分标记数据和未标记数据的惩罚系数矩阵，所述表达式为：

J(i,i)＝1,i＝1,2,...,n,J(i,j)＝0,i≠j

步骤4.5.4：问题变为无约束优化问题之后，就可以计算出网络的输出权重β；

步骤5：根据最优解f(x)来确定该示功图的故障信息：

式中，f_i为样本点x_i的预测类标签。