CN111305774A - 一种油水井作业在线监测清洗系统及其在线监测方法 - Google Patents

Abstract

本发明公开了一种油水井作业在线监测清洗系统，清洗系统和监测系统，清洗系统包括换热主机、补水泵、回收泵、回收箱排污泵、冲洗泵、真空超导加热炉、补水箱、回收箱、配电箱、冲洗纳米软管、泄水短接、收卷机、清洗器，监测系统包括总磁通检测系统和漏磁通检测系统，油管清洗完毕后，使用磁通检测系统对油管的管壁进行监测，总磁通检测系统采用测量线圈对通过其中的油管截面部分的面积变化进行测量，检测得到的信号进行数据处理和缺陷分析。

Description

一种油水井作业在线监测清洗系统及其在线监测方法

技术领域

本发明涉及油水井技术领域，具体涉及一种油水井作业在线监测清洗系统及其在线监测方法。

背景技术

油井作业过程中，如何实现作业清洁、高效、安全，是近年来困扰油田生产的难题，更是环境保护工作亟待解决的问题。目前油井作业过程中，传统清洗油管、杆方式有三种：

①将抽油杆、油管分别起出井口，放在管桥上，用蒸汽枪进行高温冲洗，冲洗产生的污油污水散落于井场，产生大量污油污水污泥，环境污染严重。

②将抽油杆、油管从井口起出后，装车运送到油管厂进行清洗，清洗后再将管、杆运回作业现场。该方法不仅能耗高、易造成污染、同时又增加了运输和装卸过程的安全风险。

③用返洗井方法，将热水从套管注入，从油管返出，每井次用水量40-70吨，既浪费水、浪费燃料，更重要的是污染了油层，影响原油产量。

在油井生产过程中，由于腐蚀、磨损及承载应力等原因，致使油管腐蚀穿孔和杆状偏磨或断裂事故在我国各油田发生极为频繁。

在油井作业时，一口井的绝大部分油管都是好的，只有几根或数十根带伤痕的油管不能继续下井使用。目前通常的做法是将全口井的油管全部拉回厂内进行检测和分选，由于油井距离油管厂较远，会在运输上和等待检测上耗费大量的时间和财力。

对油管的检测可以看作是对钢管的检测。但油管内壁缺陷多，危害大，一般探伤方法不适合。又因为油管的使用具有重复性，在油田生产中对节约成本，保证安全生产有至关重要的作用，因此对油管缺陷的无损探伤，一直是国内外无损检测界的难题之一。无损检测评估的目的就是判断是否有缺陷以及给出缺陷的位置、形状和大小等特征。缺陷的高灵敏度检测技术是检测、判断缺陷的关键技术。从检测探头输出的信号难免带有噪声，尤其是在探头的结构相对于缺陷的形状不太合理或在出现某种异常情况时，必须利用信号处理的方法，从中提取缺陷的信息。传统的信号处理方法已不适应当代无损检测技术的发展，引进现代信号处理技术对信号中缺陷信心进行处理，能有效的挖掘出检测信号中蕴藏的丰富信息，以较低的成本换取最大的收益。

发明内容

本发明的目的就在于为了解决上述问题而提供一种油水井作业在线监测清洗系统，详见下文阐述。该系统实现了清洁、高效、安全的油田,并且实现了对清洗后油管的缺陷在线监测，及时给出缺陷的状态并判断油管能否继续使用。

为实现上述目的，本发明提供了以下技术方案：

一种油水井作业在线监测清洗系统，包括：清洗系统和监测系统，清洗系统包括换热主机、补水泵、回收泵、回收箱排污泵、冲洗泵、真空超导加热炉、补水箱、回收箱、配电箱、冲洗纳米软管、泄水短接、收卷机、清洗器，配电箱与换热主机、补水泵、回收泵、排污泵、冲洗泵、燃烧器和收卷机电连接，换热主机内部设置有真空超导加热炉和加热弯管，补水箱通过补水泵与加热弯管连接，真空超导加热炉采用超导传热对加热弯管加热，加热弯管内的高温热水通过冲洗泵加压后通过清洗器对油水井进行清洗，清洗产生的油水混合物通过回收泵自动压入地下集油管网或者流入回收箱，回收箱将油水进行分离通过排污泵将分离的油压入地下集油管网；监测系统包括总磁通检测系统和漏磁通检测系统，油管清洗完毕后，使用磁通检测系统对油管的管壁进行监测，总磁通检测系统采用测量线圈对通过其中的油管截面部分的面积变化进行测量，测量线圈将油管截面积的变化量转化为电量，通过对此电量的检测判断出油管的管壁变化情况；总磁通检测系统和漏磁通检测系统检测得到的信号经过模数转换后的采样数字信号进入数字信号处理器进行数据处理，包括：平滑处理和数据分析，然后进入计算机进行缺陷分析，包括数据融合，从而检测油管的缺陷，并判断油管是否能够继续使用。

一种油水井作业在线监测清洗系统进行在线监测方法，其特征在于：数字信号处理器进行数据处理和计算机进行缺陷分析，过程如下：

步骤1、平滑处理，该步骤1在数字信号处理器中实现，

对其模数转换的信号进行平滑处理，剔除数据中的短促干扰信号和孤立点，由中值器实现，求取连续等时间间隔记录的电压信号的平均，再将该平均信号作为最终的输出电压信号记录下来；

采样频率为4×10⁶Hz，对模数转换的信号进行采样，得到一个400点的序列，进行平滑处理，剔除数据中短促干扰信号和孤立点；

采样后得到的空间域信号序列为x(m),m＝0,1,2,...，中值器的输出为y(m)，则，

y(m)＝Media{x(m-1),x(m),x(m+1)}，m＝1,2,...

式中，Media为中值函数。

对y(m)进行傅里叶变换得到时间域信号x(t)，t代表时间。

步骤2、多维度短时傅里叶变换数据分析，该步骤2在数字信号处理器中实现，

步骤2.1、带有测量噪声的信号进行多维度短时傅里叶变换，得到不同维度下的多维度短时傅里叶变换值，

其中，ψ()表示短时傅里叶时域函数，W_k表示对x(t)第k维度的多维度短时傅里叶变换，b为维度因子，

步骤2.2、取前三个维度上的多维度短时傅里叶变换进行信号处理，在相邻维度上，如果多维度短时傅里叶变换值出现在相同或几乎相同的位置上，符号相同且幅值不随维度增大而减小，就认为是信号，予以保留，否则就认为是噪声，予以虑除

取k＝1，2，3，即W₁x(t)，W₂x(t)，W₃x(t)，分别获取三个维度的多维度短时傅里叶变换的局部极大值的维度因子的值，计作b_1j，b_2j，b_3j，对W_kx(t)进行极值变换，

步骤2.3、用保留下来的多维度短时傅里叶变换值进行信号重构，对多维度短时傅里叶变换W_2kx(t)进行重构得到时间域信号x'(t)，

其中，c_ψ为容许条件，

其中，

为短时傅里叶时域函数ψ(t)在频域的傅立叶变换，ω为频域向量，其中，ψ(t)∈L，L表示能量有限的信号空间，

步骤3、数据融合，该步骤在计算机中实现，

步骤3.1、根据所选择的检测准则，将漏磁或涡流传感器输出信号经过数据处理后的信号形成最优门限滤波，产生最终的检测输出；

步骤3.2、根据系统观测时间、报告位置、传感器类型、信息的属性和特征来分选和归并数据，控制信息量，避免融合系统过载，控制融合的油管缺陷数据收集；

步骤3.3、综合来自多个传感器的位置信息建立缺陷的行迹和数据库，包括数据校准、空间校准、时间校准、位置融合、测量互联、滤波预测；

步骤3.4、属性信息融合，是对来自多个传感器的目标属性数据组合，得到对缺陷的联合估计,估计缺陷对油管寿命的影响，对存在严重缺陷的油管发出报警。

步骤3.4具体为：

步骤3.4.1、对测量线圈检测到的缺陷用阻抗增量的幅值辨识缺损的长度值，用阻抗增量的相位辨识缺损的深度要比单纯用缺损的包括幅值和相位的复数值来辨识缺损的长度和深度值，人工神经网络为三层网络，输入层为阻抗增量幅值或者相位的特征值，输入节点数为12个，其中8个为判断缺陷长度的特征，4个为判断缺陷深度的特征，输出节点数为2个，内容分别为长度值、深度值，隐层节点20个；

步骤3.4.2、磁敏器件检测到的缺陷的长、宽、深特征的8个特征分量作为人工神经网络的输入，输入节点为8个，输出节点为3个，内容分别为长度值、宽度值、深度值,隐层节点为10个；

步骤3.4.3、对每组人工神经网络的输出的缺陷的长度值、宽度值、深度值作为下一级数据融合，采用设定阈值的方法，对长度值、宽度值、深度值分别设定不同的阈值，当神经网络的输出大于阈值时，缺陷为严重缺陷，重新下井可威胁到油井的正常生产，须淘汰该缺陷所在的油管；没有超过阈值的缺陷在工程允许范围内，这样的油管可以重新下井，继续使用。

其中，步骤3.4.2中，对磁敏器件得到的漏磁信号进行数据处理的最终目标是通过分析漏磁信号重现缺陷形状及尺寸，漏磁信号数据处理后，只包括了与缺陷有关的信息，对缺陷漏磁信号进行定性和定量识别的关键在于信号特征量或向量的提取；

经过数据处理的漏磁信号x'_l(t)体现了局部空间或时间轴上的异常信号，经过数据处理的漏磁信号x'_l(t)的特征量如下：

(1)信号波形的峰谷值γ_p-p，评价缺陷深度，根据漏磁信号中的极大和极小值求得相邻的一对极值之差的绝对值计算；

(2)信号波形的谷谷值χ_p-p，漏磁信号是沿管道空间位置采样获得，谷谷值χ_p-p可有效地反映轴向信号分布情况以及缺陷沿油管长度方向的漏磁场变化；

(3)信号波形的面积S_a，指在一个波动中曲线波动部分的面积，单个缺陷的漏磁信号由峰和谷组成一个波动，反映信号的短时一阶中心矩，表示为：

其中，t1表示曲线波动部分的起始时间，t2表示曲线波动部分的结束时间，min为极小值函数；

(4)一次微分信号的峰谷长值Dχ_p-p，漏磁信号进行一次微分后，增大高频部分，同时反映出漏磁场的变化率，在缺陷的边界处漏磁场发生突变，用一次微分信号的峰谷长值Dχ_p-p能够有效衡量缺陷长度；

(5)一次微分信号的峰谷高值Dγ_p-p，反映了漏磁场最高点和最低点的变化程度，它可反映缺陷的最大深度，用它作为缺陷深度评价的一个指标。

由上述五个信号特征量构建8个特征分量作为人工神经网络的输入节点，8个特征分量分别为：

轴向缺陷长度Lχ_p-p，轴向信号波形的面积与轴向信号波形的峰谷值比LS_a/Lγ_p-p，轴向信号波形的微分峰谷长LDχ_p-p，周向信号波形的峰谷值Wγ_p-p，周向微分信号的峰谷长WDχ_p-p，轴向信号波形的峰谷值Lγ_p-p，轴向漏磁场波形信号的面积与谷谷值比LS_a/Lχ_p-p，轴向微分信号的峰谷高LDγ_p-p

有益效果在于：

1.改善了作业现场的环境，作业施工更加清洁、环保；真正实现清洁生产，节省开发成本；减少了污油污水污泥的产生(基本没有污油泥的产生)；防渗布的处理物华来承担(给开发单位提供处理资质)，这样开发单位节省了油泥砂的处理费用和防渗布的处理费用；油管柱清洁提出井筒后，也有利于现场分析判断造成躺井的原因；

2、漏磁检测法是目前被公认最可靠、最成熟的钢管检测方法。油管绝大多数采用导磁良好的高碳钢制成，适合利用漏磁检测法进行检测，可以有效检测油管表面及内壁的裂纹、孔洞、腐蚀坑及磨损等缺陷。

3、磁力无损检测，不受油管油污的影响总磁通测量法与漏磁通测量法同时进行检测，减少漏检盲区；施加相互为正交的磁化场，采用二维漏磁检测技术可分辨各种缺陷；井口机械装置设计巧妙，不影响正常作业；软件能够自动存储数据，现场直观显示，总磁通检测、横向漏磁通检测、纵向漏磁通检测的实时测量曲线，也可单独直观显示，任何一种检测方法的测量曲线；缺陷实时报警

4、使用了多维度短时傅里叶变换进行数据处理，剔除了信号中无用部分，将缺陷信号突出处理，降低了问题的维数，起到了数据压缩的作用；

5、使用神经网络进行数据融合，利用多个传感器共同或联合操作的优势提高整个传感器系统的有效性。将传感器输出信号进行预处理，特征提取，对每类传感器进行数据融合，判断缺陷类型，然后对两类传感器的输出结果进行融合，判断整根油管的严重程度，快速准确的给出缺陷的属性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的清洗抽油杆的清洗系统构成图；

图2是本发明的清洗油管外壁的清洗系统构成图；

图3是本发明的清洗油管内壁的清洗系统构成图；

图4是本发明的油管内井液回收的清洗系统构成图；

图5是本发明的漏磁通检测系统原理图；

图6是本发明的信号处理装置构成图；

图7是本发明的在线监测方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

参见图1-图7所示，一种油水井作业在线监测清洗系统，包括：清洗系统和监测系统，清洗系统包括换热主机、补水泵、回收泵、回收箱排污泵、冲洗泵、真空超导加热炉、补水箱、回收箱、配电箱、冲洗纳米软管、泄水短接、收卷机、清洗器，配电箱与换热主机、补水泵、回收泵、排污泵、冲洗泵、燃烧器和收卷机电连接，换热主机内部设置有真空超导加热炉和加热弯管，补水箱通过补水泵与加热弯管连接，真空超导加热炉采用超导传热对加热弯管加热，加热弯管内的高温热水通过冲洗泵加压后通过清洗器对油水井进行清洗，清洗产生的油水混合物通过回收泵自动压入地下集油管网或者流入回收箱，回收箱将油水进行分离通过排污泵将分离的油压入地下集油管网；监测系统包括总磁通检测系统和漏磁通检测系统，油管清洗完毕后，使用磁通检测系统对油管的管壁进行监测，总磁通检测系统采用测量线圈对通过其中的油管截面部分的面积变化进行测量，测量线圈将油管截面积的变化量转化为电量，通过对此电量的检测判断出油管的管壁变化情况；总磁通检测系统和漏磁通检测系统检测得到的信号经过模数转换后的采样数字信号进入数字信号处理器进行数据处理，包括：平滑处理和数据分析，然后进入计算机进行缺陷分析，包括数据融合，从而检测油管的缺陷，并判断油管是否能够继续使用。

其中，如图1所示，清洗器包括抽油杆清洗器、泄水短接，泄水短接安装在油管和套管之间的结合部，抽油杆清洗器安装在采油树上，抽油杆清洗器内的高温高压热水在温度和力度的双重作用下，在提起抽油杆时，将抽油杆冲洗干净，清洗产生的油水混合物沿油管内壁向下流动，从泄水短接流入套管，套管满水，则油水混合物自动上浮从套管的阀门溢出，进入回收泵。

上述清洗器用于清洗抽油杆。

其中，如图2所示，清洗器包括油管清洗器、防喷器，防喷器安装在采油树上，油管清洗器安装在防喷器上，油管清洗器内的高温高压热水在温度和力度的双重作用下，在提起油管时，将油管冲洗干净，清洗产生的油水混合物沿油管外壁和套管内壁向下流动，油水混合物从套管的阀门溢出，进入回收泵。

上述清洗器用于清洗油管外壁。

其中，如图3所示，清洗器包括油管清洗器、收卷机、导向器、冲洗纳米软管、三通口、防喷器以及喷头，三通口安装在油管出口，防喷器安装在采油树上，油管清洗器安装在防喷器上，收卷机卷绕冲洗纳米软管，导向器对冲洗纳米软管进行导向，冲洗纳米软管通过油管清洗器、三通口、防喷器进入油管，高温高压热水通过冲洗纳米软管后经喷头冲洗油管，清洗产生的油水混合物沿冲洗纳米软管外壁和油管内壁向上流动，油水混合物从三通口进入回收泵。

上述清洗器用于无泄油器油井中清洗油管内壁。

其中，如图4所示，清洗器包括回收桶，回收桶套设在连接两个油管的管箍处并进行包紧，回收桶底部设有回收管，拆卸油管前，按动开关，回收桶将油管包紧，油管与管箍分离后，油管内的井液通过回收管流入回收泵。

上述清洗器用于无泄油器或者泄油器打不开的油井的油管内井液的回收。

如图5所示，漏磁通检测系统包括驱动装置、传动装置、磁化装置、磁敏器件以及信号处理装置，驱动装置包括第一电机、第二电机、第一减速器和第二减速器，传动装置包括第一传动齿轮、第二传动齿轮、第一滚轮组、第二滚轮组，第一电机通过第一减速器与第一传动齿轮的齿轮轴连接，第一传动齿轮带动第一滚轮组旋转，第二电机通过第二减速器与第二传动齿轮的齿轮轴连接，第二传动齿轮带动第二滚轮组旋转，第一滚轮组共有两排第一滚轮，两排第一滚轮同步转动，抵接并带动油管水平前进，第一滚轮转动轴心与油管轴心垂直，第二滚轮组共有两个第二滚轮，两个第二滚轮同步转动，抵接并带动油管水平前转动，第二滚轮转动轴心与油管轴心水平，测量时，油管为螺旋前进运动，

第一滚轮组驱动油管水平方向以速度v前进，第二滚轮组驱动油管自身以角速度ω转动，其轨迹方程为：

x＝Rcosθ，y＝Rsinθ，

θ＝ωt，

式中，R为管道半径；θ为某点在x-y-z平面投影的矢径与x轴的夹角；h为螺旋线的螺距，即管道每转动一周前进的z向距离，将x，y，z分别对时间t求一阶、二阶导数，可以求得管道某点的速度和加速度，。

磁化装置包括磁轭、磁化线圈，设置在磁化装置的两个磁轭之间，油管旋转，磁轭不动，磁化线圈通过磁轭磁化油管，沿油管轴向摆放的磁敏器件的探测方向应与油管的径向之间存在一定的夹角α，该夹角α可以通过下式计算得到：α＝tg^-1(v/2πωR)，

本发明由于磁化装置本身不转动，没有平衡配比问题及对体积和重量的限制，所以磁化线圈匝数可以适当增加，减小磁化电流，避免线圈发热，根据v和R选择适当的夹角α，使磁敏器件的探测方向能够垂直切割油管轴向上的漏磁场而获得最大检测灵敏度。

如图6所示，信号处理装置由信号发生器、信号预处理器、模数转换器、数字信号处理器，油管相对于磁敏器件运动，信号发生器用来产生激励源提供给磁化线圈，磁敏器件和测量线圈获得缺陷信息，信号预处理装置将磁敏器件和测量线圈输出的检测信号进行叠加、放大、滤波处理，经过预处理的数据送入模数转换器，经模数转换后的采样数字信号进入数字信号处理器进行数据处理，包括：平滑处理和数据分析，然后进入计算机进行缺陷分析，包括数据融合。

其中，信号预处理器是检测系统的中间环节，具有对信号的放大、除噪、误差补偿及调整功能，信号预处理器将磁敏器件和测量线圈输出的检测信号进行不失真放大、滤波处理，信号电平达到模数转换信号的幅度范围，使各通道间的信号不发生相互干扰。

其中，模数转换器，将检测到模拟量信号转换成数字信号，模数转换的指标包括：字长、分辨率、绝对精度、相对精度和线性误差。

确定模数转换器字长主要考虑的因素是输入信号的动态范围和分辨率。设输入信号的最大值V_max和最小值V_min分别为：

式中，C为字长，λ为转换当量，则，

优选C＝8bit；

分辨率D：

模数转换器的字长越长，它的分辨率越高，对于分析信号越有利，但是字长过长除了器件成本增加之外也增加了转换后的数据量，增加了数据存储的负担和运算的复杂程度，因此在保证分析正确的前提下尽量减少数据字长。优选使用8bit字长的数据。

如图7所示，一种在线监测方法，包括数字信号处理器进行数据处理和计算机进行缺陷分析，过程如下：

步骤1、平滑处理，该步骤1在数字信号处理器中实现，

对其模数转换的信号进行平滑处理，剔除数据中的短促干扰信号和孤立点，由中值器实现，求取连续等时间间隔记录的电压信号的平均，再将该平均信号作为最终的输出电压信号记录下来；

采样频率为4×10⁶Hz，对模数转换的信号进行采样，得到一个400点的序列，进行平滑处理，剔除数据中短促干扰信号和孤立点；

采样后得到的空间域信号序列为x(m),m＝0,1,2,...，中值器的输出为y(m)，则，

y(m)＝Media{x(m-1),x(m),x(m+1)}，m＝1,2,...

式中，Media为中值函数。

对y(m)进行傅里叶变换得到时间域信号x(t)，t代表时间。

步骤2、多维度短时傅里叶变换数据分析，该步骤2在数字信号处理器中实现，

步骤2.1、带有测量噪声的信号进行多维度短时傅里叶变换，得到不同维度下的多维度短时傅里叶变换值，

其中，ψ()表示短时傅里叶时域函数，W_k表示对x(t)第k维度的多维度短时傅里叶变换，b为维度因子，

步骤2.2、取前三个维度上的多维度短时傅里叶变换进行信号处理，在相邻维度上，如果多维度短时傅里叶变换值出现在相同或几乎相同的位置上，符号相同且幅值不随维度增大而减小，就认为是信号，予以保留，否则就认为是噪声，予以虑除

取k＝1，2，3，即W₁x(t)，W₂x(t)，W₃x(t)，分别获取三个维度的多维度短时傅里叶变换的局部极大值的维度因子的值，计作b_1j，b_2j，b_3j，对W_kx(t)进行极值变换，

步骤2.3、用保留下来的多维度短时傅里叶变换值进行信号重构，对多维度短时傅里叶变换W_2kx(t)进行重构得到时间域信号x'(t)，

其中，c_ψ为容许条件，

其中，

为短时傅里叶时域函数ψ(t)在频域的傅立叶变换，ω为频域向量，其中，ψ(t)∈L，L表示能量有限的信号空间，

步骤3、数据融合，该步骤在计算机中实现，

步骤3.1、根据所选择的检测准则，将漏磁或涡流传感器输出信号经过数据处理后的信号形成最优门限滤波，产生最终的检测输出；

步骤3.2、根据系统观测时间、报告位置、传感器类型、信息的属性和特征来分选和归并数据，控制信息量，避免融合系统过载，控制融合的油管缺陷数据收集；

步骤3.3、综合来自多个传感器的位置信息建立缺陷的行迹和数据库，包括数据校准、空间校准、时间校准、位置融合、测量互联、滤波预测；

步骤3.4、属性信息融合，是对来自多个传感器的目标属性数据组合，得到对缺陷的联合估计,估计缺陷对油管寿命的影响，对存在严重缺陷的油管发出报警。

步骤3.4具体为：

步骤3.4.1、对测量线圈检测到的缺陷用阻抗增量的幅值辨识缺损的长度值，用阻抗增量的相位辨识缺损的深度要比单纯用缺损的包括幅值和相位的复数值来辨识缺损的长度和深度值，人工神经网络为三层网络，输入层为阻抗增量幅值或者相位的特征值，输入节点数为12个，其中8个为判断缺陷长度的特征，4个为判断缺陷深度的特征，输出节点数为2个，内容分别为长度值、深度值，隐层节点20个；

步骤3.4.2、磁敏器件检测到的缺陷的长、宽、深特征的8个特征分量作为人工神经网络的输入，输入节点为8个，输出节点为3个，内容分别为长度值、宽度值、深度值,隐层节点为10个；

步骤3.4.3、对每组人工神经网络的输出的缺陷的长度值、宽度值、深度值作为下一级数据融合，采用设定阈值的方法，对长度值、宽度值、深度值分别设定不同的阈值，当神经网络的输出大于阈值时，缺陷为严重缺陷，重新下井可威胁到油井的正常生产，须淘汰该缺陷所在的油管；没有超过阈值的缺陷在工程允许范围内，这样的油管可以重新下井，继续使用。

其中，步骤3.4.2中，对磁敏器件得到的漏磁信号进行数据处理的最终目标是通过分析漏磁信号重现缺陷形状及尺寸，漏磁信号数据处理后，只包括了与缺陷有关的信息，对缺陷漏磁信号进行定性和定量识别的关键在于信号特征量或向量的提取；

经过数据处理的漏磁信号x'_l(t)体现了局部空间或时间轴上的异常信号，经过数据处理的漏磁信号x'_l(t)的特征量如下：

(1)信号波形的峰谷值γ_p-p，评价缺陷深度，根据漏磁信号中的极大和极小值求得相邻的一对极值之差的绝对值计算；

(2)信号波形的谷谷值χ_p-p，漏磁信号是沿管道空间位置采样获得，谷谷值χ_p-p可有效地反映轴向信号分布情况以及缺陷沿油管长度方向的漏磁场变化；

(3)信号波形的面积S_a，指在一个波动中曲线波动部分的面积，单个缺陷的漏磁信号由峰和谷组成一个波动，反映信号的短时一阶中心矩，表示为：

其中，t1表示曲线波动部分的起始时间，t2表示曲线波动部分的结束时间，min为极小值函数；

(4)一次微分信号的峰谷长值Dχ_p-p，漏磁信号进行一次微分后，增大高频部分，同时反映出漏磁场的变化率，在缺陷的边界处漏磁场发生突变，用一次微分信号的峰谷长值Dχ_p-p能够有效衡量缺陷长度；

(5)一次微分信号的峰谷高值Dγ_p-p，反映了漏磁场最高点和最低点的变化程度，它可反映缺陷的最大深度，用它作为缺陷深度评价的一个指标。

由上述五个信号特征量构建8个特征分量作为人工神经网络的输入节点，8个特征分量分别为：

轴向缺陷长度Lχ_p-p，轴向信号波形的面积与轴向信号波形的峰谷值比LS_a/Lγ_p-p，轴向信号波形的微分峰谷长LDχ_p-p，周向信号波形的峰谷值Wγ_p-p，周向微分信号的峰谷长WDχ_p-p，轴向信号波形的峰谷值Lγ_p-p，轴向漏磁场波形信号的面积与谷谷值比LS_a/Lχ_p-p，轴向微分信号的峰谷高LDγ_p-p。

以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种油水井作业在线监测清洗系统，其特征在于包括：清洗系统和监测系统，清洗系统包括换热主机、补水泵、回收泵、回收箱排污泵、冲洗泵、真空超导加热炉、补水箱、回收箱、配电箱、冲洗纳米软管、泄水短接、收卷机、清洗器，配电箱与换热主机、补水泵、回收泵、排污泵、冲洗泵、燃烧器和收卷机电连接，换热主机内部设置有真空超导加热炉和加热弯管，补水箱通过补水泵与加热弯管连接，真空超导加热炉采用超导传热对加热弯管加热，加热弯管内的高温热水通过冲洗泵加压后通过清洗器对油水井进行清洗，清洗产生的油水混合物通过回收泵自动压入地下集油管网或者流入回收箱，回收箱将油水进行分离通过排污泵将分离的油压入地下集油管网；监测系统包括总磁通检测系统和漏磁通检测系统，油管清洗完毕后，使用磁通检测系统对油管的管壁进行监测，总磁通检测系统采用测量线圈对通过其中的油管截面部分的面积变化进行测量，测量线圈将油管截面积的变化量转化为电量，通过对此电量的检测判断出油管的管壁变化情况；总磁通检测系统和漏磁通检测系统检测得到的信号经过模数转换后的采样数字信号进入数字信号处理器进行数据处理，包括：平滑处理和数据分析，然后进入计算机进行缺陷分析，包括数据融合，从而检测油管的缺陷，并判断油管是否能够继续使用。

2.根据权利要求1所述的一种油水井作业在线监测清洗系统，其特征在于：

清洗器包括抽油杆清洗器、泄水短接，泄水短接安装在油管和套管之间的结合部，抽油杆清洗器安装在采油树上，抽油杆清洗器内的高温高压热水在温度和力度的双重作用下，在提起抽油杆时，将抽油杆冲洗干净，清洗产生的油水混合物沿油管内壁向下流动，从泄水短接流入套管，套管满水，则油水混合物自动上浮从套管的阀门溢出，进入回收泵。

3.根据权利要求1所述的一种油水井作业在线监测清洗系统，其特征在于：清洗器包括油管清洗器、防喷器，防喷器安装在采油树上，油管清洗器安装在防喷器上，油管清洗器内的高温高压热水在温度和力度的双重作用下，在提起油管时，将油管冲洗干净，清洗产生的油水混合物沿油管外壁和套管内壁向下流动，油水混合物从套管的阀门溢出，进入回收泵。

4.根据权利要求1所述的一种油水井作业在线监测清洗系统，其特征在于：清洗器包括油管清洗器、收卷机、导向器、冲洗纳米软管、三通口、防喷器以及喷头，三通口安装在油管出口，防喷器安装在采油树上，油管清洗器安装在防喷器上，收卷机卷绕冲洗纳米软管，导向器对冲洗纳米软管进行导向，冲洗纳米软管通过油管清洗器、三通口、防喷器进入油管，高温高压热水通过冲洗纳米软管后经喷头冲洗油管，清洗产生的油水混合物沿冲洗纳米软管外壁和油管内壁向上流动，油水混合物从三通口进入回收泵。

5.根据权利要求1所述的一种油水井作业在线监测清洗系统，其特征在于：清洗器包括回收桶，回收桶套设在连接两个油管的管箍处并进行包紧，回收桶底部设有回收管，拆卸油管前，按动开关，回收桶将油管包紧，油管与管箍分离后，油管内的井液通过回收管流入回收泵。

6.根据权利要求1所述的一种油水井作业在线监测清洗系统，其特征在于：

漏磁通检测系统包括驱动装置、传动装置、磁化装置、磁敏器件，驱动装置包括第一电机、第二电机、第一减速器和第二减速器，传动装置包括第一传动齿轮、第二传动齿轮、第一滚轮组、第二滚轮组，第一电机通过第一减速器与第一传动齿轮的齿轮轴连接，第一传动齿轮带动第一滚轮组旋转，第二电机通过第二减速器与第二传动齿轮的齿轮轴连接，第二传动齿轮带动第二滚轮组旋转，第一滚轮组共有两排第一滚轮，两排第一滚轮同步转动，抵接并带动油管水平前进，第一滚轮转动轴心与油管轴心垂直，第二滚轮组共有两个第二滚轮，两个第二滚轮同步转动，抵接并带动油管水平前转动，第二滚轮转动轴心与油管轴心水平，测量时，油管为螺旋前进运动。

7.根据权利要求6所述的一种油水井作业在线监测清洗系统，其特征在于：第一滚轮组驱动油管水平方向以速度v前进，第二滚轮组驱动油管自身以角速度ω转动，其轨迹方程为：

x＝Rcosθ，y＝Rsinθ，

θ＝ωt，

式中，R为管道半径；θ为某点在x-y-z平面投影的矢径与x轴的夹角；h为螺旋线的螺距，即管道每转动一周前进的z向距离，将x，y，z分别对时间t求一阶、二阶导数，可以求得管道某点的速度和加速度,

磁化装置包括磁轭、磁化线圈，设置在磁化装置的两个磁轭之间，油管旋转，磁轭不动，磁化线圈通过磁轭磁化油管，沿油管轴向摆放的磁敏器件的探测方向应与油管的径向之间存在一定的夹角α，该夹角α可以通过下式计算得到：α＝tg^-1(v/2πωR)。

8.根据权利要求1所述的一种油水井作业在线监测清洗系统，其特征在于：

信号处理装置由信号发生器、信号预处理器、模数转换器、数字信号处理器，油管相对于磁敏器件运动，信号发生器用来产生激励源提供给磁化线圈，磁敏器件和测量线圈获得缺陷信息，信号预处理装置将磁敏器件和测量线圈输出的检测信号进行叠加、放大、滤波处理，经过预处理的数据送入模数转换器，经模数转换后的采样数字信号进入数字信号处理器进行数据处理，包括：平滑处理和数据分析，然后进入计算机进行缺陷分析，包括数据融合。

9.根据权利要求8所述的一种油水井作业在线监测清洗系统，其特征在于：

模数转换器，将检测到模拟量信号转换成数字信号，模数转换的指标包括：字长、分辨率、绝对精度、相对精度和线性误差。

确定模数转换器字长主要考虑的因素是输入信号的动态范围和分辨率。设输入信号的最大值V_max和最小值V_min分别为：

式中，C为字长，λ为转换当量，则，

优选C＝8bit；

分辨率D：

模数转换器的字长越长，它的分辨率越高，对于分析信号越有利，但是字长过长除了器件成本增加之外也增加了转换后的数据量，增加了数据存储的负担和运算的复杂程度，因此在保证分析正确的前提下尽量减少数据字长。优选使用8bit字长的数据。

10.一种使用如权利要求1-9任意一项所述的一种油水井作业在线监测清洗系统进行在线监测方法，其特征在于：数字信号处理器进行数据处理和计算机进行缺陷分析，过程如下：

步骤1、平滑处理，该步骤1在数字信号处理器中实现，

对其模数转换的信号进行平滑处理，剔除数据中的短促干扰信号和孤立点，由中值器实现，求取连续等时间间隔记录的电压信号的平均，再将该平均信号作为最终的输出电压信号记录下来；

采样频率为4×10⁶Hz，对模数转换的信号进行采样，得到一个400点的序列，进行平滑处理，剔除数据中短促干扰信号和孤立点；

采样后得到的空间域信号序列为x(m),m＝0,1,2,...，中值器的输出为y(m)，则，

y(m)＝Media{x(m-1),x(m),x(m+1)}，m＝1,2,...

式中，Media为中值函数。

对y(m)进行傅里叶变换得到时间域信号x(t)，t代表时间。

步骤2、多维度短时傅里叶变换数据分析，该步骤2在数字信号处理器中实现，

步骤2.1、带有测量噪声的信号进行多维度短时傅里叶变换，得到不同维度下的多维度短时傅里叶变换值，

其中，ψ()表示短时傅里叶时域函数，W_k表示对x(t)第k维度的多维度短时傅里叶变换，b为维度因子，

步骤2.2、取前三个维度上的多维度短时傅里叶变换进行信号处理，在相邻维度上，如果多维度短时傅里叶变换值出现在相同或几乎相同的位置上，符号相同且幅值不随维度增大而减小，就认为是信号，予以保留，否则就认为是噪声，予以虑除

取k＝1，2，3，即W₁x(t)，W₂x(t)，W₃x(t)，分别获取三个维度的多维度短时傅里叶变换的局部极大值的维度因子的值，计作b_1j，b_2j，b_3j，对W_kx(t)进行极值变换，

步骤2.3、用保留下来的多维度短时傅里叶变换值进行信号重构，对多维度短时傅里叶变换W_2kx(t)进行重构得到时间域信号x'(t)，

其中，c_ψ为容许条件，

其中，

为短时傅里叶时域函数ψ(t)在频域的傅立叶变换，ω为频域向量，其中，ψ(t)∈L，L表示能量有限的信号空间，

步骤3、数据融合，该步骤在计算机中实现，

步骤3.1、根据所选择的检测准则，将漏磁或涡流传感器输出信号经过数据处理后的信号形成最优门限滤波，产生最终的检测输出；

步骤3.2、根据系统观测时间、报告位置、传感器类型、信息的属性和特征来分选和归并数据，控制信息量，避免融合系统过载，控制融合的油管缺陷数据收集；

步骤3.3、综合来自多个传感器的位置信息建立缺陷的行迹和数据库，包括数据校准、空间校准、时间校准、位置融合、测量互联、滤波预测；

步骤3.4、属性信息融合，是对来自多个传感器的目标属性数据组合，得到对缺陷的联合估计,估计缺陷对油管寿命的影响，对存在严重缺陷的油管发出报警。

步骤3.4具体为：

步骤3.4.1、对测量线圈检测到的缺陷用阻抗增量的幅值辨识缺损的长度值，用阻抗增量的相位辨识缺损的深度要比单纯用缺损的包括幅值和相位的复数值来辨识缺损的长度和深度值，人工神经网络为三层网络，输入层为阻抗增量幅值或者相位的特征值，输入节点数为12个，其中8个为判断缺陷长度的特征，4个为判断缺陷深度的特征，输出节点数为2个，内容分别为长度值、深度值，隐层节点20个；

步骤3.4.2、磁敏器件检测到的缺陷的长、宽、深特征的8个特征分量作为人工神经网络的输入，输入节点为8个，输出节点为3个，内容分别为长度值、宽度值、深度值,隐层节点为10个；

步骤3.4.3、对每组人工神经网络的输出的缺陷的长度值、宽度值、深度值作为下一级数据融合，采用设定阈值的方法，对长度值、宽度值、深度值分别设定不同的阈值，当神经网络的输出大于阈值时，缺陷为严重缺陷，重新下井可威胁到油井的正常生产，须淘汰该缺陷所在的油管；没有超过阈值的缺陷在工程允许范围内，这样的油管可以重新下井，继续使用。

其中，步骤3.4.2中，对磁敏器件得到的漏磁信号进行数据处理的最终目标是通过分析漏磁信号重现缺陷形状及尺寸，漏磁信号数据处理后，只包括了与缺陷有关的信息，对缺陷漏磁信号进行定性和定量识别的关键在于信号特征量或向量的提取；

经过数据处理的漏磁信号x′_l(t)体现了局部空间或时间轴上的异常信号，经过数据处理的漏磁信号x′_l(t)的特征量如下：

(1)信号波形的峰谷值γ_p-p，评价缺陷深度，根据漏磁信号中的极大和极小值求得相邻的一对极值之差的绝对值计算；

(2)信号波形的谷谷值χ_p-p，漏磁信号是沿管道空间位置采样获得，谷谷值χ_p-p可有效地反映轴向信号分布情况以及缺陷沿油管长度方向的漏磁场变化；

(3)信号波形的面积S_a，指在一个波动中曲线波动部分的面积，单个缺陷的漏磁信号由峰和谷组成一个波动，反映信号的短时一阶中心矩，表示为：

其中，t1表示曲线波动部分的起始时间，t2表示曲线波动部分的结束时间，min为极小值函数；

(4)一次微分信号的峰谷长值Dχ_p-p，漏磁信号进行一次微分后，增大高频部分，同时反映出漏磁场的变化率，在缺陷的边界处漏磁场发生突变，用一次微分信号的峰谷长值Dχ_p-p能够有效衡量缺陷长度；

(5)一次微分信号的峰谷高值Dγ_p-p，反映了漏磁场最高点和最低点的变化程度，它可反映缺陷的最大深度，用它作为缺陷深度评价的一个指标。

由上述五个信号特征量构建8个特征分量作为人工神经网络的输入节点，8个特征分量分别为：

轴向缺陷长度Lχ_p-p，轴向信号波形的面积与轴向信号波形的峰谷值比LS_a/Lγ_p-p，轴向信号波形的微分峰谷长LDχ_p-p，周向信号波形的峰谷值Wγ_p-p，周向微分信号的峰谷长WDχ_p-p，轴向信号波形的峰谷值Lγ_p-p，轴向漏磁场波形信号的面积与谷谷值比LS_a/Lχ_p-p，轴向微分信号的峰谷高LDγ_p-p。

Images