CN108756854A - 一种基于示功体的有杆泵工况智能监测方法 - Google Patents
一种基于示功体的有杆泵工况智能监测方法 Download PDFInfo
- Publication number
- CN108756854A CN108756854A CN201810711850.0A CN201810711850A CN108756854A CN 108756854 A CN108756854 A CN 108756854A CN 201810711850 A CN201810711850 A CN 201810711850A CN 108756854 A CN108756854 A CN 108756854A
- Authority
- CN
- China
- Prior art keywords
- work
- sucker rod
- rod pump
- operating mode
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000003129 oil well Substances 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000008021 deposition Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
- E21B47/009—Monitoring of walking-beam pump systems
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于示功体的有杆泵工况智能监测方法,所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。本发明基于示功体对有杆泵工况进行智能监测，解决了现有技术难以在短时间内对发生渐变性故障的抽油井识别诊断，以及由于样本数据与实际数据对比误差造成的诊断准确率提升空间不大的问题，实现了在短时间内提供诊断识别并发出预警，从而提高了有杆泵工况监测的正确率以及神经网络使用的智能性和有效性。
Description
技术领域
本发明涉及油田生产活动数据处理和故障诊断技术领域，尤其是一种基于示功体的有杆泵工况智能监测方法。
背景技术
目前，示功图分析法是抽油系统进行故障诊断的常用方法，通过示功图可以分析油井井下的工况，分析出故障的种类。传统光杆(地面)示功图是由载荷随位移的变化关系曲线所构成的封闭曲线图。
油井故障根据发生的时间长短可以大致分为两类：1)瞬间发生的故障，如抽油杆断脱、井喷等，此类故障发生时，短时间内形成的前后两张示功图变化很大，可以立刻根据故障功图诊断；2)缓慢发生的故障，如结蜡和一些泵筒磨损等渐变性的工况，需要经过长时间的细微变化的累积功图才会有明显差别，短时间前后形成的两张示功图变化很小。故很难从短时间的前后两张示功图中看出故障，而是需要对存在渐变故障的油井生产较长时间的前后示功图进行对比才可以判断出来。如果将所有的示功图堆叠在一个平面内，又会十分的杂乱，难以判断。此时，故障已经发生许久，造成大量的经济损失。
在这样的环境下，提出示功体的概念，三维图形较二维图形更加形象，能够对于微小的改变有更加直观的感受，用以对此类非突变性的工况做出提前预警，挽救损失。
卷积神经网络(CNN)通过层层传递，能够自动、系统地学习输入数据与输出之间的复杂映射关系，通过对函数的建模与优化来自动学习不同层次的特征表达，采用CNN来完成对示功体的诊断。
发明内容
本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于示功体的有杆泵工况智能监测方法，以解决难以在短时间内对发生渐变性故障的抽油井识别诊断以及由于样本数据与实际数据对比误差造成的诊断准确率提升空间不大的问题。
本发明解决其技术问题所采用的技术方案是：一种基于示功体的有杆泵工况智能监测方法，所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。
步骤a中示功体样本集合的构建，是在传统地面光杆示功图的基础上，将单口井一段时间内的所有示功图堆叠起来，构建示功体，形成示功体样本集合。
进一步地，所述单口井的示功图，是指采集单口井单位时间内所产生的所有示功图，以采集时间为顺序，将所有示功图堆叠，示功图的横纵坐标分别相对应，外边框相连，构建成一个三维立体结构图形；然后在单口井构建的示功体基础上，挑选出目标油井，根据目标油井的实际功图，分别构建示功体，对示功体进行筛选，构建示功体样本集合。
上述目标油井是指发生漏失、结蜡或泵筒磨损这样一些非工况突变性故障的油井。
步骤b中，卷积神经网络的构建过程包括：(1)、对构建的示功体信息进行分析诊断归类，构建基于各类工况下的示功体样本集合；(2)、基于卷积神经网络，搭建神经网络构架；(3)、利用示功体样本集训练卷积神经网络；(4)、得到以示功体为学习样本，以卷积神经网络为学习方法的有杆泵工况智能监测系统。
步骤c中，卷积神经网络的实际应用，是指将基于示功体的智能监测系统应用于监测该地区油井的生产活动，对油井的实时生产活动进行分析诊断；将诊断结果推送给监测人员，采取措施处理出现实际问题的生产油井。
步骤d中，所述的强化学习与更新，其过程包括：(1)、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；(2)、修正错误的诊断结果；(3)、将正确和经过修正的诊断结果构建成新的示功体样本集合；(4)、用新的示功体样本集合再次训练卷积神经网络智能监测系统；(5)、卷积神经网络监测系统强化学习，更新卷积神经网络智能监测系统。
本发明的有益效果是：本发明与传统的示功图分析法相比，具有如下突出的有益效果：首先，基于发生渐变故障工况的油井，可以提供诊断预警，及时提醒工作人员处理，或者提高对预警油井的关注，节约费用和时间；其次，基于强化学习的过程，可以有效提高卷积神经网络智能监测系统的成长性，在反复的工况诊断和不断的强化学习中，提高工况的正确性，解决少量样本数据和大量实际生产数据对比可能存在的误差，达到神经网络越用越智能、越用越好用的效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的原理框图。
图2是本发明监测时在气体影响下的示功体图形。
图3是本发明监测时在双漏失影响下的示功体图形。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1～图3所示，一种基于示功体的有杆泵工况智能监测方法，包括以下步骤：
a、有杆泵工况监测示功体样本集合的构建：是在传统地面光杆示功图的基础上，将单口井一段时间内的所有示功图堆叠起来，构建示功体，形成示功体样本集合。
具体说，所述单口井的示功图，是指采集单口井单位时间内所产生的所有示功图，以采集时间为顺序，将所有示功图堆叠，示功图的横纵坐标分别相对应，外边框相连，构建成一个三维立体结构图形；然后在单口井构建的示功体基础上，挑选出目标油井，根据目标油井的实际功图，分别构建示功体，对示功体进行筛选，构建示功体样本集合。
上述目标油井是指发生漏失、结蜡或泵筒磨损这样一些非工况突变性故障的油井。
b、有杆泵工况监测卷积神经网络的构建；构建过程包括：(1)、对构建的示功体信息进行分析诊断归类，构建基于各类工况下的示功体样本集合；(2)、基于卷积神经网络，搭建神经网络构架；(3)、利用示功体样本集训练卷积神经网络；(4)、最终得到以示功体为学习样本，以卷积神经网络为学习方法的有杆泵工况智能监测系统。
c、有杆泵工况监测卷积神经网络的实际应用：是指将基于示功体的智能监测系统应用于监测该地区油井的生产活动，对油井的实时生产活动进行分析诊断；将诊断结果推送给监测人员，采取措施处理出现实际问题的生产油井。
d、有杆泵工况监测卷积神经网络的强化学习与更新：其过程包括：(1)、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；(2)、修正错误的诊断结果；(3)、将正确和经过修正的诊断结果构建成新的示功体样本集合；(4)、用新的示功体样本集合再次训练卷积神经网络智能监测系统；(5)、卷积神经网络监测系统强化学习，更新卷积神经网络智能监测系统。
本发明基于示功体对有杆泵工况进行智能监测，与传统的示功图分析法相比，首先，对于发生渐变故障工况的油井，可以在短时间内提供诊断识别而发出预警，及时提醒工作人员处理，同时可提高对发生渐变故障工况油井的关注度，节约费用和时间；其次，基于强化学习的过程，可以有效提高卷积神经网络智能监测系统的成长性，在反复的工况诊断和不断的强化学习中，解决少量样本数据和大量实际生产数据对比可能存在的误差，提高工况监测的正确率，不断提高神经网络使用的智能性和有效性。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种基于示功体的有杆泵工况智能监测方法，其特征是：所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。
2.如权利要求1所述的基于示功体的有杆泵工况智能监测方法，其特征是：步骤a中，示功体样本集合的构建是在传统地面光杆示功图的基础上，将单口井一段时间内的所有示功图堆叠起来，构建示功体，形成示功体样本集合。
3.如权利要求2所述的基于示功体的有杆泵工况智能监测方法，其特征是：所述单口井的示功图，是指采集单口井单位时间内所产生的所有示功图，以采集时间为顺序，将所有示功图堆叠，示功图的横纵坐标分别相对应，外边框相连，构建成一个三维立体结构图形。
4.如权利要求2所述的基于示功体的有杆泵工况智能监测方法，其特征是：在单口井构建的示功体基础上，挑选出目标油井，根据目标油井的实际功图，分别构建示功体，对示功体进行筛选，构建示功体样本集合。
5.如权利要求2所述的基于示功体的有杆泵工况智能监测方法，其特征是：所述的目标油井是指发生漏失、结蜡或泵筒磨损非工况突变性故障的油井。
6.如权利要求1所述的基于示功体的有杆泵工况智能监测方法，其特征是：步骤b中，卷积神经网络的构建过程包括：(1)、对构建的示功体信息进行分析诊断归类，构建基于各类工况下的示功体样本集合；(2)、基于卷积神经网络，搭建神经网络构架；(3)、利用示功体样本集训练卷积神经网络；(4)、得到以示功体为学习样本，以卷积神经网络为学习方法的有杆泵工况智能监测系统。
7.如权利要求1所述的基于示功体的有杆泵工况智能监测方法，其特征是：步骤c中，卷积神经网络的实际应用，是指将基于示功体的智能监测系统应用于监测该地区油井的生产活动，对油井的实时生产活动进行分析诊断；将诊断结果推送给监测人员，采取措施处理出现实际问题的生产油井。
8.如权利要求1所述的基于示功体的有杆泵工况智能监测方法，其特征是：步骤d中，所述的强化学习与更新，其过程包括：(1)、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；(2)、修正错误的诊断结果；(3)、将正确和经过修正的诊断结果构建成新的示功体样本集合；(4)、用新的示功体样本集合再次训练卷积神经网络智能监测系统；(5)、卷积神经网络监测系统强化学习，更新卷积神经网络智能监测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810711850.0A CN108756854A (zh) | 2018-07-03 | 2018-07-03 | 一种基于示功体的有杆泵工况智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810711850.0A CN108756854A (zh) | 2018-07-03 | 2018-07-03 | 一种基于示功体的有杆泵工况智能监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108756854A true CN108756854A (zh) | 2018-11-06 |
Family
ID=63975532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810711850.0A Pending CN108756854A (zh) | 2018-07-03 | 2018-07-03 | 一种基于示功体的有杆泵工况智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108756854A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977156A (zh) * | 2019-03-22 | 2019-07-05 | 常州大学 | 一种可增强学习的油井工况实时分析管理系统及管理方法 |
| CN110173239A (zh) * | 2019-06-18 | 2019-08-27 | 常州大学 | 基于油井工况诊断的抽油机自动调速装置 |
| CN110318731A (zh) * | 2019-07-04 | 2019-10-11 | 东北大学 | 一种基于gan的抽油井故障诊断方法 |
| CN110348532A (zh) * | 2019-07-17 | 2019-10-18 | 海默潘多拉数据科技(深圳)有限公司 | 一种基于机器学习与残差网络构成的有杆泵工况组合监测方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102829911A (zh) * | 2012-08-09 | 2012-12-19 | 北京豪仪测控工程有限公司 | 一种抽油机示功仪 |
| CN202748183U (zh) * | 2012-08-09 | 2013-02-20 | 北京豪仪测控工程有限公司 | 一种抽油机示功仪 |
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
-
2018
- 2018-07-03 CN CN201810711850.0A patent/CN108756854A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102829911A (zh) * | 2012-08-09 | 2012-12-19 | 北京豪仪测控工程有限公司 | 一种抽油机示功仪 |
| CN202748183U (zh) * | 2012-08-09 | 2013-02-20 | 北京豪仪测控工程有限公司 | 一种抽油机示功仪 |
| CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977156A (zh) * | 2019-03-22 | 2019-07-05 | 常州大学 | 一种可增强学习的油井工况实时分析管理系统及管理方法 |
| CN110173239A (zh) * | 2019-06-18 | 2019-08-27 | 常州大学 | 基于油井工况诊断的抽油机自动调速装置 |
| CN110318731A (zh) * | 2019-07-04 | 2019-10-11 | 东北大学 | 一种基于gan的抽油井故障诊断方法 |
| CN110348532A (zh) * | 2019-07-17 | 2019-10-18 | 海默潘多拉数据科技(深圳)有限公司 | 一种基于机器学习与残差网络构成的有杆泵工况组合监测方法 |
| CN110348532B (zh) * | 2019-07-17 | 2021-03-02 | 海默潘多拉数据科技(深圳)有限公司 | 基于机器学习与残差网络构成的有杆泵工况组合监测方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN110766192B (zh) * | 2019-09-10 | 2022-09-09 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108756854A (zh) | 一种基于示功体的有杆泵工况智能监测方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN108500498B (zh) | 一种焊缝成型质量监测方法 | |
| CN108122075A (zh) | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 | |
| CN110163302A (zh) | 基于正则化注意力卷积神经网络的示功图识别方法 | |
| CN108266178A (zh) | 一种基于富信息示功图和dbn的有杆泵工况监测方法 | |
| CN100415159C (zh) | 心脏状态的实时趋势动力学特征分析方法 | |
| CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
| CN104523264B (zh) | 一种心电信号处理方法 | |
| CN109872018B (zh) | 一种基于示功图的抽油井产量计算方法 | |
| CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
| CN109409567A (zh) | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 | |
| CN103985099A (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
| CN117115045B (zh) | 基于互联网生成式人工智能提升医学影像数据质量的方法 | |
| CN110318731A (zh) | 一种基于gan的抽油井故障诊断方法 | |
| CN205015889U (zh) | 一种基于卷积神经元网络的中医舌诊模型的确定系统 | |
| Wang et al. | A working condition diagnosis model of sucker rod pumping wells based on deep learning | |
| CN107909278A (zh) | 一种编程能力综合评估的方法及系统 | |
| CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
| CN109770891A (zh) | 心电信号预处理方法及预处理装置 | |
| CN105469180A (zh) | 基于tps的产业集群企业生产协同管理评价系统 | |
| CN110070945A (zh) | 一种基于大数据分析技术的数据脉象价值分析方法 | |
| CN106919725A (zh) | 基于智能算法的合成橡胶转化率在线检测方法及装置 | |
| CN109977156A (zh) | 一种可增强学习的油井工况实时分析管理系统及管理方法 | |
| CN117008559B (zh) | 应用于有机肥料生产系统的数据采集处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |