CN108798641A - 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于子空间迁移学习的有杆泵抽油井故障诊断方法，步骤为：收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据X_s、对单口新井收集示功图历史数据X_t；将X_s和X_t进行主元成分分析得到初始化映射矩阵P和低维样本，利用K‑SVD对低维样本进行分解得到初始化低维字典矩阵D；根据D的维度，初始化理想系数矩阵Q_s、Q_t；通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D；对待诊断的示功图数据利用映射矩阵P降维，并在低维空间中对其进行编码；根据编码系数，判断当前工况。本发明利用已有较完备的故障样本数据，对于较新的抽油井只需要部分类型的样本数据，不需要全部类别的故障样本，更符合实际生产需求。

Description

一种基于子空间迁移学习的有杆泵抽油井故障诊断方法

技术领域

本发明涉及一种抽油井故障诊断技术，具体为一种基于子空间迁移学习的有杆泵抽油井故障诊断方法。

背景技术

有杆泵抽油系统是当今国内外最常采用的一种采油机构。在实际的石油开采过程中，有杆泵抽油井系统所处的生产一般环境较为恶劣，这导致了系统工作不稳定，故障发生率高。发生故障的机构会导致诸如产油量减少，油井停产甚至设备损坏等严重后果。因此，利用计算机自动实现有杆泵抽油井系统的故障诊断是一种非常有意义的技术。

有杆泵抽油井系统的故障诊断问题实际上是一类模式识别问题，通常的做法是在进行特征提取后，选择合适的分类器对示功图进行诊断。传统的识别算法有一个很严格的假设，即训练样本与测试样本满足相同分布。当前的有杆泵抽油井故障诊断方法大都基于此假设。而实际生产中，不同的抽油井由于环境，设备参数的差异，同一种工况的示功图也会产生较大差异。因此，采用其他井的历史示功图数据直接作为训练样本有时难以达到满意的诊断效果。

此外，由于抽油井的抽油过程是一种缓慢的过程，一般来说，工况不会在短时间内频繁变化。因此，对于新的抽油井，难以取得部分非常见故障的示功图数据。试图对每一口新抽油井单独采集历史数据作为训练样本也是不现实的。如何利用新抽油井有限的历史数据和其他抽油井相对较多的历史示功图数据进行故障诊断，是一个亟待解决的问题。

发明内容

针对现有技术中有杆泵抽油井系统故障诊断方法中，较新的抽油井故障样本种类不全，难以取得部分非常见故障的示功图数据等不足，本发明要解决的技术问题是提供一种可有效利用其他井完备的数据集和单口较新井不完备的数据集的基于子空间迁移学习的有杆泵抽油井故障诊断方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种基于子空间迁移学习的有杆泵抽油井故障诊断方法，包括以下步骤：

1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据X_s、对单口新井收集示功图历史数据X_t，其中X_s故障种类完备，X_t故障种类不完备；

2)初始化参数；

3)将X_s和X_t作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本，利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D；

4)根据D的维度，初始化理想系数矩阵Q_s、Q_t；

5)通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D；

6)对待诊断的示功图数据利用映射矩阵P降维，并在低维空间中对其进行编码；

7)根据上一步计算得到的编码系数，判断当前工况。

步骤4)中，利用标签信息，根据低维字典D的维数和已有故障样本X_s、X_t分别建立理想系数矩阵Q_s和Q_t，矩阵Q_t中含有零列向量。

步骤5)中迭代优化需优化如下目标函数：

s.t.：P^TX_s＝DZ_s+E_s

P^TX_t＝DZ_t+E_t

其中，Z_s为系数矩阵，Z_t表示在低维空间中，经过降维的样本P^TX_s和P^TX_t关于D的重构系数，E_s和E_t是重构误差，Q_t为理想系数矩阵，β和λ为惩罚因子，||·||_F为frobenius范数。

步骤5)中，通过优化得到低维字典，使得所有样本X_s、X_t在通过映射矩阵P降维后，可以在低维空间中由D线性重构。

故障种类完备是指抽油过程中常见的工况种类，包含：泵上碰、泵下碰、泵供液不足、气体影响、游动阀漏失、固定阀漏失、游动阀和固定阀同时漏失、活塞脱出工作筒以及抽油杆断脱，缺少上述任何一种或几种都属于不完备的情况。

泵上碰是指在抽油机上下往复抽油的过程中上顶端即上死点，柱塞与泵头相撞；泵下碰是指柱塞和固定阀罩相撞；气体影响是指油气混合物进入泵内。

本发明具有以下有益效果及优点：

1.本发明方法通过对已有的其他抽油井的比较完备的故障样本数据进行信息迁移，可以充分利用已有的较完备的故障样本数据，对于较新的抽油井只需要部分类型的样本数据，不需要全部类别的故障样本，由于抽油过程是一个较为缓慢的过程，难以在短时间内获得单口井全部类型的故障样本，因此本发明更符合实际生产需求。

2.采用本发明方法，所有的训练样本在降维后，在低维子空间中均可以由字典矩阵进行线性重构，可以认为而在此子空间中所有样本满足同一分布，因此在此子空间中可以利用传统的分类算法进行分类。

附图说明

图1为本发明基于子空间迁移学习的有杆泵抽油井故障诊断方法流程图；

图2为本发明方法中故障类型完备的历史数据X_s所对应理想系数矩阵Q_s示意图；

图3为本发明方法中故障类型缺失的历史数据X_t所对应的理想系数矩阵Q_t示意图。

具体实施方式

下面结合说明书附图对本发明作进一步阐述。

如图1所示，本发明一种基于曲波变换和核稀疏的抽油井半监督故障诊断方法包括以下步骤：

1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据X_s、对单口新井收集示功图历史数据X_t，其中X_s故障种类完备，X_t故障种类不完备；

2)初始化参数，包括维度，惩罚因子等，具体为：

确定低维空间的维度d，惩罚因子μ＞0，0＜γ＜1，β，λ，ρ，μ_max和最大迭代次数T_max；

3)将X_s和X_t作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本，利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D；

本步骤将数据X_s和X_t合并成一组数据集X_a，其中在数据集X_a中属于同一类别的样本排列在一起；对数据集X_a利用主元成分分析进行降维处理，初始化映射矩阵P和低维样本X_al；对X_al进行K-SVD分解，得到初始化低维字典矩阵D；

4)根据D，初始化理想系数矩阵Q_s，Q_t；矩阵Q_s，Q_t的示意图如图2、图3所示；

5)优化如下目标函数：

s.t.：P^TX_s＝DZ_s+E_s

P^TX_t＝DZ_t+E_t

其中系数矩阵Z_s，Z_t表示在低维空间中，经过降维的样本P^TX_s和P^TX_t关于D的重构系数，Es和Et是重构误差；β和λ为惩罚因子，||·||_F为frobenius范数。

本发明中，完备的故障种类是指抽油过程中常见的工况种类，包含：泵上碰(在上死点即在抽油机上下往复抽油的过程中上顶端位置柱塞与泵头相撞)、泵下碰(柱塞和固定阀罩相撞)、泵供液不足、气体影响(油气混合物进入泵内)、游动阀漏失、固定阀漏失、游动阀和固定阀同时漏失、活塞脱出工作筒以及抽油杆断脱，缺少上述任何一种或几种都属于不完备的情况。

由于目标函数中变量较多，无法直接得到闭式解。为了便于优化，引入辅助变量M₁、M₂后，按照如下步骤对进行迭代优化：

5.1)保持其他变量不变，按照如下规则更新P：

P^k+1＝γP^k+(1-γ)P_update

其中P_update为：

5.2)保持其他变量不变，按照如下规则更新Z_s：

其中：

是一个与参数相关的阈值算子，其中

其中M＝UΣV^T是M的奇异值分解。惩罚因子

5.3)保持其他变量不变，按照如下规则更新Z_t：

其中

5.4)保持其他变量不变，按照如下规则更新E_s：

其中shrink(X,λ)是收缩算子：

5.5)保持其他变量不变，按照如下规则更新E_t：

5.6)保持其他变量不变，按照如下规则更新D：

D^k+1＝γD^k+(1-γ)D_update

其中D_update为：

5.7)持其他变量不变，更新两个辅助变量及惩罚因子，更新规则如下：

循环迭代更新上述各变量直至达到最大迭代次数或者满足收敛条件，收敛条件为：

其中ε为最大容许误差，一般取ε＝10^-4。

迭代停止后，可以得到映射矩阵P和更新后的低维字典矩阵D。

6)对待测试样本x_test利用映射矩阵P进行降维处理，得到低维测试样本x_tl：

x_tl＝P^Tx_test

在低维空间中，利用低维字典矩阵D对低维测试样本x_tl进行编码：

min||Z||_*+λ||E||₁

s.t.:P^TX＝DZ+E

其中，Z为低维测试样本x_tl所对应的编码系数；

7)根据编码系数计算待诊断样本的标签y_test

y_test＝Y_DZ

其中Y_D为字典中每列元素所对应的标签向量集合，y_test中数值最大的元素所对应的序号i，即代表当前发生第i类故障。

本发明首先收集两个数据集的数据样本，一个数据集故障类型完备，另一个数据集故障类型缺失；将所有样本利用主元成分分析进行降维，得到低维训练样本和初始化映射矩阵；对低维训练样本进行K-SVD分解，得到初始化低维字典矩阵；迭代优化后，得到低维字典和映射矩阵，使得所有样本数据经过低维映射后均可以被低维字典线性重构；对每一个带诊断样本在低维空间中计算其关于字典的编码系数；利用编码系数计算待诊断样本的故障类型。本发明通过对已有的其他抽油井的比较完备的故障样本数据进行信息迁移，可以对缺少故障样本的较新抽油井进行故障诊断。

Claims (6)

1.一种基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于包括以下步骤：

1)收集运行5年以上、故障种类完备的单口抽油井的示功图历史数据X_s、对单口新井收集示功图历史数据X_t，其中X_s故障种类完备，X_t故障种类不完备；

2)初始化参数；

3)将X_s和X_t作为训练数据进行主元成分分析得到初始化映射矩阵P和低维样本，利用K-SVD对低维样本进行分解得到初始化低维字典矩阵D；

4)根据D的维度，初始化理想系数矩阵Q_s、Q_t；

5)通过迭代优化得到映射矩阵P和更新后的低维字典矩阵D；

6)对待诊断的示功图数据利用映射矩阵P降维，并在低维空间中对其进行编码；

7)根据上一步计算得到的编码系数，判断当前工况。

2.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：步骤4)中，利用标签信息，根据低维字典D的维数和已有故障样本X_s、X_t分别建立理想系数矩阵Q_s和Q_t，矩阵Q_t中含有零列向量。

3.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：步骤5)中迭代优化需优化如下目标函数：

s.t.：P^TX_s＝DZ_s+E_s

P^TX_t＝DZ_t+E_t

其中，Z_s为系数矩阵，Z_t表示在低维空间中，经过降维的样本P^TX_s和P^TX_t关于D的重构系数，E_s和E_t是重构误差，Q_t为理想系数矩阵，β和λ为惩罚因子，||·||_F为frobenius范数。

4.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：步骤5)中，通过优化得到低维字典，使得所有样本X_s、X_t在通过映射矩阵P降维后，可以在低维空间中由D线性重构。

5.根据权利要求1所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：故障种类完备是指抽油过程中常见的工况种类，包含：泵上碰、泵下碰、泵供液不足、气体影响、游动阀漏失、固定阀漏失、游动阀和固定阀同时漏失、活塞脱出工作筒以及抽油杆断脱，缺少上述任何一种或几种都属于不完备的情况。

6.根据权利要求5所述的基于子空间迁移学习的有杆泵抽油井故障诊断方法，其特征在于：泵上碰是指在抽油机上下往复抽油的过程中上顶端即上死点，柱塞与泵头相撞；泵下碰是指柱塞和固定阀罩相撞；气体影响是指油气混合物进入泵内。