CN111852839A - 一种潜油电泵机组监测和故障预测装置及方法 - Google Patents
一种潜油电泵机组监测和故障预测装置及方法 Download PDFInfo
- Publication number
- CN111852839A CN111852839A CN202010868582.0A CN202010868582A CN111852839A CN 111852839 A CN111852839 A CN 111852839A CN 202010868582 A CN202010868582 A CN 202010868582A CN 111852839 A CN111852839 A CN 111852839A
- Authority
- CN
- China
- Prior art keywords
- pump unit
- vibration acceleration
- submersible pump
- acceleration data
- data
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims description 17
- 230000001133 acceleration Effects 0.000 claims abstract description 145
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 61
- 239000012530 fluid Substances 0.000 claims description 47
- 238000004088 simulation Methods 0.000 claims description 25
- 230000000007 visual effect Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013144 data compression Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000003129 oil well Substances 0.000 description 4
- 230000000087 stabilizing effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- E21B47/06—Measuring temperature or pressure
-
- 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
- E21B47/12—Means for transmitting measuring-signals or control signals from the well to the surface, or from the surface to the well, e.g. for logging while drilling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Medical Informatics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开了潜油电泵机组监测和故障预测装置，包括：井下装置实时采集潜油电泵机组的当前运行状态信息，将当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，当下一个周期的振动加速度数据超过振动加速度阈值，则将本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至井上装置。井上装置将获取的压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，发送至上位机。上位机根据获取的本周期的所有振动加速度数据，并对潜油电泵机组进行故障预测分析。通过本发明不仅实现了潜油电泵机组的运行状态监测，而且对运行状态进行预测性分析。
Description
技术领域
本发明涉及潜油电泵机组技术领域，尤其涉及一种潜油电泵机组监测和故障预测装置及方法。
背景技术
潜油电泵机组是油田开发的重要机械采油设备，具有排量大、扬程高、生产压差大、适应性强、地面工艺流程简单、经济效益显著等优点，可广泛应用于停喷后的高产油井、高含水井、深井及定向井中，是油田实现高产稳产的重要手段。
由于潜油电泵机组工作在深油井下，不仅其工况状态难以监测，而且在生产过程中容易出现许多不易判别的井下故障。因此如何针对潜油电泵机组运行进行全面的工况状态监测及工作状态预测性分析，掌握潜油电泵机组生产时井下的状态并预测设备故障，是一项十分重要、紧迫的研究课题，也是挖掘油井潜力、保证设备有效工作、延长检泵周期、提高生产管理技术水平的关键。
现有的潜油电泵机组井下监测系统一般针对井下温度和压力这两个二元参数进行测试，但是从现场应用情况来看，由于该方案中的测试参数少，从而不能完全满足用户掌握潜油电泵井下多参数监测的需求，并且存在操作过程复杂的显著缺点。潜油电泵机组井下监测系统的数据传输效率低，系统井下装置数据的预处理智能化程度低，没有对井下潜油电泵机组的状态进行预测性分析。另外，潜油电泵机组井下监测系统的井上装置工作内容单一，仅是对井下装置采集到的数据进行数据液晶显示和简单的数据处理，不能形象且直观的反映井下监测装置所处的工作状态。
发明内容
鉴于此，本发明提供一种潜油电泵机组监测和故障预测装置及方法，不仅实现了潜油电泵机组的多个运行状态参数的监测，而且实现了对其运行状态的预测性分析。
为实现上述目的，本发明提供一种潜油电泵机组监测和故障预测装置，所述装置包括井下装置、井上装置和上位机，
所述井下装置包括采集模块、井下控制模块和井下通讯模块，其中
所述采集模块，实时采集潜油电泵机组的当前运行状态信息，并发送至所述井下控制模块，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据；
所述井下控制模块，将所述潜油电泵机组的当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，若所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值，则将获取的本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至所述井下通讯模块；
所述井下通讯模块，将所述压缩后的振动加速度数据发送至所述井上通讯模块；
所述井上装置包括井上通讯模块和井上控制模块，
所述井上通讯模块，将接收的来自所述井下装置的压缩后的振动加速度数据发送至所述井上控制模块；
所述井上控制模块，将所述压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，并发送至所述上位机；
所述上位机，根据获取的本周期的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析。
优选的，所述采集模块包括温度传感器、压力传感器和振动传感器；
所述温度传感器将潜油电泵机组的温度数据的模拟信号发送至所述井下控制模块，其中，所述温度数据包括井下装置温度、潜油电机温度和井液温度；
所述压力传感器将潜油电泵机组的压力数据的模拟信号发送至所述井下控制模块，其中，所述潜油电泵机组的压力数据包括井液压力和泵出口压力；
所述振动传感器将潜油电泵机组的三维振动加速度值发送至所述井下控制模块。
优选的，所述井下控制模块包括网络模型单元和判断单元；
所述网络模型单元，将接收到的所述潜油电泵机组的当前运行状态信息输入灰色预测神经网络模型，经过神经网络计算，输出得到预测的潜油电泵机组的下一周期振动加速度数据；
所述判断单元，判定所述潜油电泵机组的下一个周期的振动加速度数据小于所述振动加速度阈值时，将所述潜油电泵机组的当前运行状态信息发送至所述井下通讯模块；
所述井下通讯模块，将所述潜油电泵机组的当前运行状态信息发送至所述井上通讯模块。
优选的，所述井上装置还包括三相模拟模块和通信接口模块，
所述三相模拟模块，采集潜油电泵机组的电源电压状态信息，并发送至所述井上控制模块；
所述井上通讯模块，将获取的所述潜油电泵机组的当前运行状态信息发送至所述井上控制模块；
所述井上控制模块，将所述潜油电泵机组的当前运行状态信息和电源电压状态信息通过所述通信接口模块发送至所述上位机。
优选的，所述井下控制模块包括压缩单元，
所述判断单元，判定所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值时，将获取的本周期内的所有振动加速度数据发送至所述压缩单元；
所述压缩单元，通过离散余弦变换对所述本周期内的所有振动加速度数据进行数据压缩处理，将压缩后的振动加速度数据发送至所述井下通讯模块；
所述井下通讯模块，停止所述潜油电泵机组的温度数据的传输，并将所述压缩后的振动加速度数据和压力数据发送至所述井上通讯模块。
优选的，所述井上通讯模块，将接收的压缩后的振动加速度数据和压力数据发送至所述井上控制模块；
所述井上控制模块，将压缩后的振动加速度数据进行解压缩，得到本周期内的所有振动加速度数据，并连同所述压力数据和电源电压状态信息一起通过所述通信接口模块发送至所述上位机。
优选的，所述上位机包括数据图像仿真模块、可视化监测网络模型模块和输出模块，
所述数据图像仿真模块，将潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息构建为有限元仿真模型的参数，利用所述参数进行耦合有限元仿真，得到潜油电机在不同工作状态下的热分布图，并集合成潜油电机热分布图库；
所述可视化监测网络模型模块，将潜油电机热分布图库中的热分布图与所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息电压进行数据融合，作为基于Keras改进的对抗神经网络的输入训练样本，并对所述训练样本进行训练，生成可视化监测网络模型；
所述输出模块，将获取的潜油电泵机组的当前井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息输入至所述可视化监测网络模型，输出并显示所述潜油电泵机组的当前运行状态下的热分布图。
优选的，所述潜油电泵机组本体通过螺母与所述井下装置活动连接。
为实现上述目的，本发明提供一种潜油电泵机组监测和故障预测方法，包括：
井下装置实时采集潜油电泵机组的当前运行状态信息，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据；
所述井下装置将所述潜油电泵机组的当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，若所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值，则将获取的本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至所述井上装置；
所述井上装置所述压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，并发送至上位机；
所述上位机根据获取的本周期的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析。
优选的，所述方法还包括：
所述上位机将潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息构建为有限元仿真模型的参数，利用所述参数进行耦合有限元仿真，得到潜油电机在不同工作状态下的热分布图，并集合成潜油电机热分布图库；
所述上位机将潜油电机热分布图库中的热分布图与所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息进行数据融合，作为基于Keras改进的对抗神经网络的输入训练样本，并对所述训练样本进行训练，生成可视化监测网络模型；
所述上位机将获取的潜油电泵机组的当前井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息输入至所述可视化监测网络模型，输出并显示所述潜油电泵机组的当前运行状态下的热分布图。
与现有技术相比，本发明提供一种潜油电泵机组监测和故障预测装置及方法，所带来的有益效果为：本发明通过神经网络算法对潜油电泵机组的运行状态参数进行预测分析，实现了对潜油电泵机组进行故障的预测分析，以使用户能够提前对潜油电泵机组的运行状态及时做出调整，通过井下装置获取潜油电泵机组的多个运行状态参数，满足用户掌握潜油电泵机组井下多参数的需求，减少井上装置获取数据的复杂环节；对潜油电泵机组的运行状态参数进行可视化展示，能够直观地展示潜油电泵机组的运行状态；对井下装置获取数据的预处理，提升了井下装置的智能化程度，提供获取数据的有效性和效率性；提高了油井监测的精确度，实现了对潜油电泵机组的远程即时测试，有助于延迟潜油电泵机组的工作寿命。
附图说明
图1是根据本发明的一个实施例的潜油电泵机组监测和故障预测装置的系统示意图。
图2是根据本发明的一个实施例的实时运行状态的热分布图。
图3是根据本发明的一个实施例的潜油电泵机组监测和故障预测方法的流程示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示的本发明的一个实施例，本发明提供一种潜油电泵机组监测和故障预测装置，所述装置包括井下装置1、井上装置2和上位机3，其中，
所述井下装置1包括采集模块10、井下控制模块11和井下通讯模块12，其中，
所述采集模块10，实时采集潜油电泵机组的当前运行状态信息，并发送至所述井下控制模块11，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据；
所述井下控制模块11，将所述潜油电泵机组的当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，若所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值，则将获取的本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至所述井下通讯模块12；
所述井下通讯模块12，将所述压缩后的振动加速度数据发送至所述井上通讯模块20；
所述井上装置2包括井上通讯模块20和井上控制模块21，其中，
所述井上通讯模块20，将接收的来自所述井下装置的压缩后的振动加速度数据发送至所述井上控制模块21；
所述井上控制模块21，将所述压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，并发送至所述上位机3；
所述上位机3，根据获取的本周期的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析。
所述井下装置包括井下通讯模块、井下控制模块和采集模块。所述采集模块实时采集潜油电泵机组的当前运行状态信息，并发送至所述井下控制模块。所述采集模块包括温度传感器、压力传感器和振动传感器。所述温度传感器采集潜油电泵机组的温度数据的模拟信号，并发送至所述井下控制模块。所述温度数据包括井下装置温度、潜油电机温度和井液温度。潜油电泵机组的井下装置温度和井液温度数据通过安装在井下装置上的温度传感器采集。监测潜油电机的温度传感器安装在潜油电机内部，以引线的方式通过连接端子送入井下装置，能够及时采集潜油电机的工作温度。所述压力传感器采集潜油电泵机组的压力数据的模拟信号，并发送至所述井下控制模块。所述潜油电泵机组的压力数据包括井液压力和泵出口压力。所述潜油电泵机组的井液压力数据通过安装在所述井下装置上的压力传感器采集得到。而所述泵出口压力数据通过毛细管管线连接至安装在井下装置的传感器测量得到。所述振动数据通过安装在井下装置上振动传感器采集。所述振动传感器采集潜油电泵机组的三维振动加速度值，并发送至所述井下控制模块。通过采集模块进行数据采集，能够及时地得到潜油电泵机组的温度、压力以及振动加速度数据，及时了解潜油电泵机组的运行状态。
所述井下控制模块基于灰色预测神经网络算法，对潜油电泵机组的当前运行状态信息进行故障预测分析。通过构建大量的潜油电泵机组的运行状态信息作为训练样本，运行状态信息包括潜油电泵机组的温度数据、压力数据和振动数据，利用灰色预测神经网络算法进行样本训练，得到灰色预测神经网络模型，通过该预测神经网络模型可以输出得到潜油电泵机组的下一周期的振动加速度数据，对潜油电泵机组的运行状态进行预测性分析。
具体地，所述井下控制模块包括网络模型单元和判断单元。所述网络模型单元将接收到的所述潜油电泵机组的当前运行状态信息输入灰色预测神经网络模型，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据，经过神经网络计算，输出得到预测的潜油电泵机组的下一周期振动加速度数据。所述判断单元判定所述潜油电泵机组的下一个周期的振动加速度数据小于预设的振动加速度阈值时，将所述潜油电泵机组的当前运行状态信息发送至所述井下通讯模块。振动加速度阈值可以设置电机正常工作时的振动加速度值。所述井下通讯模块将所述潜油电泵机组的当前运行状态信息发送至所述井上通讯模块，所述潜油电泵机组的当前运行状态信息体现在信号中。所述井下装置和井上装置进行数据通信，井下装置将实时采集的潜油电泵机组的压力数据、温度数据和振动加速度数传输至井上装置。当所述潜油电泵机组的下一个周期的振动加速度数据小于预设的振动加速度阈值时，对潜油电泵机组的当前运行状态预测为正常状态，井下装置将实时采集的运行状态信息传输到井上装置。
所述井上装置还包括三相模拟模块22和通信接口模块23。所述三相模拟模块采集潜油电泵机组的电源电压状态信息，并发送至所述井上控制模块。所述井上通讯模块将获取的所述潜油电泵机组的当前运行状态信息发送至所述井上控制模块。所述井上控制模块通过所述潜油电泵机组的当前运行状态信息和电源电压状态信息通过所述通信接口模块发送至所述上位机。所述井上装置和上位机之间通过RS232通信接口进行数据通信。所述上位机对获取的潜油电泵机组的压力数据、温度数据、振动加速度数据以及电压进行可视化展示。可运用无线嵌入式计算机将所述潜油电泵机组的压力数据、温度数据、振动加速度数据以及电压等数据上传至云端服务器。
根据本发明的一实施例，所述井下控制模块包括压缩单元。所述判断单元判定所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值时，将获取的本周期内的所有振动加速度数据发送至所述压缩单元。典型的设置一个周期为一小时。所述压缩单元通过离散余弦变换对所述本周期内的所有振动加速度数据进行数据压缩处理，将压缩后的振动加速度数据发送至所述井下通讯模块。所述井下通讯模块停止所述潜油电泵机组的温度数据的传输，并将所述压缩后的振动加速度数据和压力数据发送至所述井上通讯模块。当所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值时，对潜油电泵机组的当前运行状态预测，对潜油电泵机组的当前运行状态预测为异常状态，井下装置将采集到本周期的振动数据传输到井上装置，以进行故障预测分析。由于一个周期的振动数据的数据量大，因此本发明采用数据压缩处理的方式，对数据进行压缩，提高数据传输的效率。
所述井上装置的井上通讯模块将接收的压缩后的振动加速度数据和压力数据发送至所述井上控制模块。所述井上控制模块将压缩后的振动加速度数据进行解压缩，得到本周期内的所有振动加速度数据，并连同所述压力数据和电源电压状态信息一起通过所述通信接口模块发送至所述上位机。所述上位机获取本周期内的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析，对潜油电泵机组的状态进行实时监控。对通过分析加速度数据，对潜油电泵机组的运行状态进行预测性研究和故障预检测，提示现场人员提前对潜油电泵机组的运行状态及时作出调整。
根据本发明的一具体实施例，所述井下装置还包括数模转换模块，将所述采集模块采集的潜油电泵机组的温度数据的模拟信号和压力数据的模拟信号进行模数转换，将转换后的潜油电泵机组的温度数据的数字信号和压力数据的数字信号发送至所述井下控制模块。所述井下装置还包括稳压模块，所述稳压模块与所述井下通讯模块相连接，所述井下通讯模块还用于从所述井上装置获取电源，为所述井下装置提供电源，所述稳压模块包括稳压二极管、电感和电容，所述电感和电容组成谐振回路，所述谐振回路连接至所述潜油电泵机组的的电动机绕组。
根据本发明的一具体实施例，所述潜油电泵机组本体通过螺母与所述井下装置活动连接。通过该活动连接，方便安装和拆卸，使用寿命长。
根据本发明的一具体实施例，所述井上装置还包括滤波模块、浪涌保护模块和隔离耦合变压器，所述滤波模块分别与所述井上控制模块和井上通讯模块，所述浪涌保护模块分别与所述井上通讯模块和所述隔离耦合变压器相连接，所述耦合变压器连接至所述潜油电泵机组的电动机绕组。所述井上通讯模块还用于将通过三相动力线缆传输电源至所述井下通讯模块，为井上装置提供电源。
上位机可实现对潜油电泵机组的运行工况状态进行可视化展示。具体地，所述上位机包括数据图像仿真模块、可视化监测网络模型模块和输出模块，所述数据图像仿真模块将所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息构建为有限元仿真模型的参数；并利用所述参数进行潜油电机磁场、温度场、流体场的耦合有限元仿真，并通过大量的有限元建模仿真得到潜油电机在不同工作状态下的热分布图，并集合成潜油电机热分布图库。所述可视化监测网络模型模块将潜油电机热分布图库中的热分布图与所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息进行数据融合，作为基于Keras改进的对抗神经网络的输入训练样本，并对所述训练样本进行训练，生成可视化监测网络模型，该网络模型可对潜油电泵机组的实时状态进行可视化监测。所述输出模块将获取的潜油电泵机组的当前井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息输入至所述可视化监测网络模型，输出并显示所述潜油电泵机组的当前运行状态下的热分布图，从而能够潜油电泵机组的实时状态进行直观的显示和可视化。如图2所示的，本发明的一个具体的潜油电泵机组的实时运行状态的热分布显示。
如图3所示的本发明的一个实施例，本发明提供一种潜油电泵机组监测和故障预测方法，包括：
S301、井下装置实时采集潜油电泵机组的当前运行状态信息，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据；
S302、所述井下装置将所述潜油电泵机组的当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，若所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值，则将获取的本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至所述井上装置；
S303、所述井上装置将所述压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，并发送至上位机；
S304、所述上位机根据获取的本周期的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析。
井下装置实时采集潜油电泵机组的当前运行状态信息，通过温度传感器、压力传感器和振动传感器等采集潜油电泵机组的温度数据、压力数据和振动加速度数据。所述温度数据包括井下装置温度、潜油电机温度和井液温度。所述压力数据包括井液压力和泵出口压力。
井下装置收到的所述潜油电泵机组的当前运行状态信息输入灰色预测神经网络模型，输出得到预测的潜油电泵机组的下一周期振动加速度数据。若所述潜油电泵机组的下一个周期的振动加速度数据小于预设的振动加速度阈值时，将所述潜油电泵机组的当前运行状态信息发送至所述井上装置。所述井上装置采集潜油电泵机组的电压。井上装置将获取的所述潜油电泵机组的当前运行状态发送至所述上位机。所述上位机对获取的潜油电泵机组的压力数据、温度数据、振动加速度数据以及电压进行可视化展示。
当所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值时，通过离散余弦变换对所述本周期内的所有振动加速度数据进行数据压缩处理，停止所述潜油电泵机组的温度数据的传输，并将所述压缩后的振动加速度数据和压力数据发送至井上装置。所述井上装置将获取的压缩后的振动加速度数据进行解压缩，得到本周期内的所有振动加速度数据，并连同所述压力数据和电源电压状态信息一起通过通信接口发送至所述上位机。所述上位机获取本周期内的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析，对潜油电泵机组的状态进行实时监控。
根据本发明的一具体实施例，所述上位机对获取的潜油电泵机组的进行可视化展示，具体地，将潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息构建为有限元仿真模型的参数，利用所述参数进行耦合有限元仿真，得到潜油电机在不同工作状态下的热分布图，并集合成潜油电机热分布图库；将潜油电机热分布图库中的热分布图与所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息进行数据融合，作为基于Keras改进的对抗神经网络的输入训练样本，并对所述训练样本进行训练，生成可视化监测网络模型；将获取的潜油电泵机组的当前井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息输入至所述可视化监测网络模型，输出并显示所述潜油电泵机组的当前运行状态下的热分布图。
尽管为示例目的，已经公开了本发明的优选实施方式，但是本领域的普通技术人员将意识到，在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下，各种改进、增加以及取代是可能的。
Claims (10)
1.一种潜油电泵机组监测和故障预测装置，其特征在于，所述装置包括井下装置、井上装置和上位机，其中，
所述井下装置包括采集模块、井下控制模块和井下通讯模块，
所述采集模块，实时采集潜油电泵机组的当前运行状态信息，并发送至所述井下控制模块，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据；
所述井下控制模块，将所述潜油电泵机组的当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，若所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值，则将获取的本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至所述井下通讯模块；
所述井下通讯模块，将所述压缩后的振动加速度数据发送至所述井上装置；
所述井上装置包括井上通讯模块和井上控制模块，
所述井上通讯模块，将接收的来自所述井下装置的压缩后的振动加速度数据发送至所述井上控制模块；
所述井上控制模块，将所述压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，并发送至所述上位机；
所述上位机，根据获取的本周期的所有振动加速度数据，对所述潜油电泵机组进行故障预测分析。
2.如权利要求1所述的潜油电泵机组监测和故障预测装置，其特征在于，所述采集模块包括温度传感器、压力传感器和振动传感器，
所述温度传感器将潜油电泵机组的温度数据的模拟信号发送至所述井下控制模块，其中，所述温度数据包括井下装置温度、潜油电机温度和井液温度；
所述压力传感器将潜油电泵机组的压力数据的模拟信号发送至所述井下控制模块，其中，所述潜油电泵机组的压力数据包括井液压力和泵出口压力；
所述振动传感器将潜油电泵机组的三维振动加速度值发送至所述井下控制模块。
3.如权利要求2所述的潜油电泵机组监测和故障预测装置，其特征在于，所述井下控制模块包括网络模型单元和判断单元，
所述网络模型单元，将接收到的所述潜油电泵机组的当前运行状态信息输入灰色预测神经网络模型，经过神经网络计算，输出得到预测的潜油电泵机组的下一周期振动加速度数据；
所述判断单元，判定所述潜油电泵机组的下一个周期的振动加速度数据小于所述振动加速度阈值时，将所述潜油电泵机组的当前运行状态信息发送至所述井下通讯模块；
所述井下通讯模块，将所述潜油电泵机组的当前运行状态信息发送至所述井上通讯模块。
4.如权利要求3所述的潜油电泵机组监测和故障预测装置，其特征在于，所述井上装置还包括三相模拟模块和通信接口模块，
所述三相模拟模块，采集潜油电泵机组的电源电压状态信息，并发送至所述井上控制模块；
所述井上通讯模块，将获取的所述潜油电泵机组的当前运行状态信息发送至所述井上控制模块；
所述井上控制模块，将所述潜油电泵机组的当前运行状态信息和电源电压状态信息通过所述通信接口模块发送至所述上位机。
5.如权利要求4所述的潜油电泵机组监测和故障预测装置，其特征在于，所述井下控制模块包括压缩单元，
所述判断单元，判定所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值时，将获取的本周期内的所有振动加速度数据发送至所述压缩单元；
所述压缩单元，通过离散余弦变换对所述本周期内的所有振动加速度数据进行数据压缩处理，将压缩后的振动加速度数据发送至所述井下通讯模块；
所述井下通讯模块，停止所述潜油电泵机组的温度数据的传输，并将所述压缩后的振动加速度数据和压力数据发送至所述井上通讯模块。
6.如权利要求5所述的潜油电泵机组监测和故障预测装置，其特征在于，所述井上通讯模块，将接收的压缩后的振动加速度数据和压力数据发送至所述井上控制模块；
所述井上控制模块，将压缩后的振动加速度数据进行解压缩，得到本周期内的所有振动加速度数据，并连同所述压力数据和电源电压状态信息一起通过所述通信接口模块发送至所述上位机。
7.如权利要求6所述的潜油电泵机组监测和故障预测装置，其特征在于，所述上位机包括数据图像仿真模块、可视化监测网络模型模块和输出模块，
所述数据图像仿真模块，将潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息构建为有限元仿真模型的参数，利用所述参数进行耦合有限元仿真，得到潜油电机在不同工作状态下的热分布图，并集合成潜油电机热分布图库；
所述可视化监测网络模型模块，将潜油电机热分布图库中的热分布图与所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息进行数据融合，作为基于Keras改进的对抗神经网络的输入训练样本，并对所述训练样本进行训练，生成可视化监测网络模型；
所述输出模块，将获取的潜油电泵机组的当前井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息输入至所述可视化监测网络模型，输出并显示所述潜油电泵机组的当前运行状态下的热分布图。
8.如权利要求1所述的潜油电泵机组监测和故障预测装置，其特征在于，所述潜油电泵机组本体通过螺母与所述井下装置活动连接。
9.一种如权利要求1-8任一所述的潜油电泵机组监测和故障预测装置的预测方法，其特征在于，包括：
井下装置实时采集潜油电泵机组的当前运行状态信息，所述当前运行状态信息包括潜油电泵机组的压力数据、温度数据和振动加速度数据；
所述井下装置将所述潜油电泵机组的当前运行状态信息输入至灰色预测神经网络模型，得到预测的潜油电泵机组的下一周期振动加速度数据，若所述潜油电泵机组的下一个周期的振动加速度数据超过预设的振动加速度阈值，则将获取的本周期的所有振动加速度数据进行压缩处理，并将压缩后的振动加速度数据发送至所述井上装置；
所述井上装置所述压缩后的振动加速度数据进行解压缩后得到本周期内的所有振动加速度数据，并发送至上位机；
所述上位机根据获取的本周期的所有振动加速度数据，并对所述潜油电泵机组进行故障预测分析。
10.如权利要求9所述的潜油电泵机组监测和故障预测方法，其特征在于，所述方法还包括：
所述上位机将潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息构建为有限元仿真模型的参数，利用所述参数进行耦合有限元仿真，得到潜油电机在不同工作状态下的热分布图，并集合成潜油电机热分布图库；
所述上位机将潜油电机热分布图库中的热分布图与所述潜油电泵机组的井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息进行数据融合，作为基于Keras改进的对抗神经网络的输入训练样本，并对所述训练样本进行训练，生成可视化监测网络模型；
所述上位机将获取的潜油电泵机组的当前井液压力、井液温度、井下装置温度、潜油电机温度和电源电压状态信息输入至所述可视化监测网络模型，输出并显示所述潜油电泵机组的当前运行状态下的热分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010868582.0A CN111852839B (zh) | 2020-08-26 | 2020-08-26 | 一种潜油电泵机组监测和故障预测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010868582.0A CN111852839B (zh) | 2020-08-26 | 2020-08-26 | 一种潜油电泵机组监测和故障预测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111852839A true CN111852839A (zh) | 2020-10-30 |
| CN111852839B CN111852839B (zh) | 2024-08-06 |
Family
ID=72968197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010868582.0A Active CN111852839B (zh) | 2020-08-26 | 2020-08-26 | 一种潜油电泵机组监测和故障预测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111852839B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114487975A (zh) * | 2022-01-28 | 2022-05-13 | 上海电机学院 | 电压互感器远程谐振监测设备、方法、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104458180A (zh) * | 2014-11-28 | 2015-03-25 | 东营广兴石油装备有限公司 | 一种潜油电泵机组振动测试装置及方法 |
| CN107013473A (zh) * | 2017-04-19 | 2017-08-04 | 武汉惜源科技有限公司 | 一种泵站实时在线监测与能效管理方法及系统 |
| WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| CN212407002U (zh) * | 2020-08-26 | 2021-01-26 | 浙江中自庆安新能源技术有限公司 | 一种潜油电泵机组监测和故障预测装置 |
-
2020
- 2020-08-26 CN CN202010868582.0A patent/CN111852839B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104458180A (zh) * | 2014-11-28 | 2015-03-25 | 东营广兴石油装备有限公司 | 一种潜油电泵机组振动测试装置及方法 |
| CN107013473A (zh) * | 2017-04-19 | 2017-08-04 | 武汉惜源科技有限公司 | 一种泵站实时在线监测与能效管理方法及系统 |
| WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| CN212407002U (zh) * | 2020-08-26 | 2021-01-26 | 浙江中自庆安新能源技术有限公司 | 一种潜油电泵机组监测和故障预测装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114487975A (zh) * | 2022-01-28 | 2022-05-13 | 上海电机学院 | 电压互感器远程谐振监测设备、方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111852839B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN212407002U (zh) | 一种潜油电泵机组监测和故障预测装置 | |
| US5553492A (en) | Measuring system for measuring real time groundwater data | |
| CN202273876U (zh) | 一种深井下水泵自动控制装置 | |
| CN109681154A (zh) | 一种油井优化控制管理系统、方法及抽油机变频控制方法 | |
| CN109441548B (zh) | 智能综采设备 | |
| CN109491341A (zh) | 用于油田作业设备的监控与数据分析系统 | |
| CN103983295B (zh) | 基于信号和环境激励的传感器故障诊断系统和诊断方法 | |
| WO2017083141A1 (en) | Electric submersible pump health assessment | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN203847097U (zh) | 一种油井数据监测装置 | |
| CN107966228B (zh) | 一种无线智能索力监测方法 | |
| KR102626331B1 (ko) | 배관 이상 기록 장치 및 이를 이용한 모니터링 시스템 | |
| CN111852839B (zh) | 一种潜油电泵机组监测和故障预测装置及方法 | |
| CN111899473A (zh) | 一种无人值守滑坡监测设备 | |
| CN117494547A (zh) | 一种基于数字孪生水电厂运维数据处理建模的方法及系统 | |
| CN112798316A (zh) | 一种掘进机综合性能测试系统 | |
| CN104101382A (zh) | 桥梁、建筑物健康状况监测装置 | |
| CN203311247U (zh) | 基于计算机技术的抽油井远程在线监控装置 | |
| CN109030976B (zh) | 一种电力电子设备监测诊断系统和方法 | |
| CN113153262A (zh) | 一种基于电缆热特性的海上油田可接入容量评估方法 | |
| CN205445585U (zh) | 一种基于抽油杆电功图监测仪 | |
| US20230296015A1 (en) | Advanced diagnostics and control system for artificial lift systems | |
| CN110095668A (zh) | 轨道电路扼流变压器工作信息实时在线监测系统、方法 | |
| CN114021893B (zh) | 一种控压钻井井控风险耦合分析方法及系统 | |
| CN115712835A (zh) | 一种基于大数据的电力设备健康状态智能诊断告警方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |