CN112228042B - 一种基于云边协同计算的抽油机井工况相似性判别方法 - Google Patents

Abstract

本发明公开了一种基于云边协同计算的抽油机井工况相似性判别方法，首先将边缘端节点抽油机的历史平稳工况作为正常工况，结合云平台专家系统剔除非平稳工况数据作为训练集；然后通过数据坐标变换分析各变量承载的数据特征，计算各变量贡献度，计算相似性特征及其阈值，进而建立边缘端抽油机节点的当日工况模型；根据该模型实时判别工况变化情况，及时发现突发性异常工况与渐进性工况恶化，将异常工况上报至云平台。该方法能够减少故障误报和漏报，充分利用了云平台专家系统及边缘计算网关的实时计算能力，对抽油机设备实施高效、可靠的管控，实现安全、稳定生产。

Description

一种基于云边协同计算的抽油机井工况相似性判别方法

技术领域

本发明涉及油田工况识别领域，具体而言，是通过对抽油机井平稳工况下的历史数据进行建模，基于相似性特征判别抽油机井工况变化的方法。

背景技术

在采油工程领域，示功图诊断法由于处理简单且具有明显的图形特征，近年来已逐渐成为抽油机井故障诊断技术的研究重点。根据工程原理与专家知识，一般认为抽油机井在典型工况下的示功图具有固定特征，如图1所示。

由于我国各大油田的地质情况复杂，多数抽油机设备在环境因素影响下难以接近标准工况下的示功图。如果仅仅借助几类典型示功图进行工况检测与报警，往往会导致抽油机示功图识别结果多数为异常，甚至产生不间断性的报警；同时，也无法识别故障程度不一的同种工况，容易遗漏故障渐进性恶化的情况，从而产生漏报。事实上，在实际生产中，采油及地质工艺专家通常认为，抽油机长时间平稳运行时的示功图可以视作该设备的正常工况示功图。

此外，现代抽油机井故障诊断系统大多依托于物联网架构，将现场数据传输至云端服务器进行复杂计算与诊断。然而由于网络传输、数据处理能力等的限制，传统物联网架构下的抽油机井故障诊断系统难以满足实时性需求，大量正常工况的数据占用网络信道，同时也会导致云端计算负担增大。

为指导油田科学生产，减少系统误报和漏报，保证诊断与报警的实时性与可靠性，需要采用合适的方法对抽油机井的工况进行相似性判别与实时诊断，及时发现突发故障工况与渐进性的工况恶化情况，并在工艺专家指导下调节系统的生产过程，实现稳定生产。

发明内容

针对上述缺陷，本发明提供一种基于云边协同计算的抽油机井工况相似性判别方法，结合云平台专家系统与边缘计算网关，剔除非平稳工况，构建边缘端节点抽油机设备的平稳工况训练集，并通过分析历史周期内抽油机悬点采集的示功图载荷数据的相似性特征，实现高效可靠、误报率低的抽油机工况诊断，实现安全平稳生产。

本发明提出一种基于云边协同计算的抽油机井工况相似性判别方法，具有如下步骤：

(1)为提高模型的准确性，基于采油及地质专家知识，采用周期滚动建模的方式，使用历史数据建模，并按照日周期为单位更新模型，即以当前日期D为基准，获取边缘端节点抽油机历史记录3天内的工况数据；

(2)从步骤(1)获得的历史数据中剔除已经工艺专家确认的非平稳工况数据，构建边缘端节点抽油机的平稳工况数据集；

(3)由于每台抽油机设备的平稳工况各不相同，采用边缘计算网关对其指定节点抽油机进行实时处理分析与建模，首先从步骤(2)中所述平稳工况数据集中选择n组数据作为正常工况样本集S：

其中每组数据包含m个变量，分别对应m个位移采样点处的载荷采样值；

(4)利用边缘计算网关对样本集S进行预处理，获得正常工况训练集X；

(5)根据正常工况训练集X建立边缘端节点当日工况模型M_D；

(6)通过当日工况模型M_D对边缘端节点实施实时工况相似性判别；

(7)为提高传输效率，减轻云计算负担并提高系统实时性能，边缘计算网关仅将步骤(6)中抽油机工况相似性判定结果为非平稳工况的实时工况数据上报至云平台，判定结果为平稳工况的实时工况不作上报，以减少大量重复数据占用网络信道；

(8)边缘计算网关完成当日实时工况检测后，选取当日最后一组平稳工况数据上报云平台作为记录。

进一步地，所述利用边缘计算网关对样本集S进行预处理的步骤如下：

(4-1)对正常工况样本集S中的各组数据进行滤波处理，消除原始数据中的随机误差，获得滤波处理后的样本集

(4-2)为消除最终所得训练集中各变量之间的相关性，使数据点更均匀、随机地分布在各个维度上，进而提高模型准确度，需要对样本集

各变量求取均值

标准差S_x，并进行零-均值标准化处理，获得正常工况训练集X：

其中x_i＝{x_ij|j＝1,2,...,n}代表第i个变量，且x_ij满足：

此时正常工况训练集X各变量方差为1，均值为0。

进一步地，所述建立边缘端节点当日工况模型M_D的步骤如下：

(5-1)使用训练集X对边缘端节点当日工况进行建模，需要考虑训练集内各变量间的相关性。通过对数据的坐标变换可以分析各变量承载的数据特征，因此首先对训练集X求协方差矩阵，并对其进行特征值分解：

其中酉矩阵P＝{p_i|i＝1,2,...,m}，特征值对角阵Λ中的特征值满足λ₁≥λ₂≥...≥λ_m；

(5-2)通过特征值对角阵Λ筛选出贡献度最大的l个变量，这些变量承载了较大数据特征，受工况影响较大，可用于描述边缘端节点当日工况模型M_D；其他贡献度较低的变量承载的数据特征很少，舍弃这部分变量不会引起大宗信息的明显损失，还能达到消除噪声及变量间可能存在的多重共线性的作用；

(5-3)为实现识别工况变化的目的，需要提取当日工况模型M_D的相似性特征，在统计学中，T²统计量用于衡量变量偏离正常值的程度，SPE统计量主要衡量变量之间相关性被改变的程度，而当工况发生改变时，变量间的关系和变量值都可能改变，因此可以求取T²统计量和SPE统计量作为相似性特征：

T²＝x^TPΛ^-1P^Tx

SPE＝||(I-PP^T)x||²

由前述可知，正常工况训练集X中的每组数据是从历史数据中剔除少数非平稳工况得到的长时间平稳运行的同一类工况，可以认为是对边缘端节点抽油机同一种工况的反复多次测量，服从多元正态分布，因此采用以下公式计算T²统计量的阈值

及SPE统计量的阈值Th_SPE：

其中，l表示主要变量个数，α为检验水平，n为样本个数，F(l,n-l,α)是自由度为l和n-l的检验水平为α的F分布临界值，λ_j是特征值对角阵Λ的第j个特征值，c_α是高斯分布的1-α上分位数。

进一步地，所述对边缘端节点实施实时工况相似性判别的步骤如下：

(6-1)实时采集当日实时工况数据；

(6-2)对原始数据进行滤波预处理，得到实时工况样本s＝[s₁,s₁,...,s_m]；

(6-3)利用样本集

中各变量的均值

标准差S_x得到x＝[x₁,x₁,...,x_m]，其中：

(6-4)根据前述T²统计量和SPE统计量公式计算当前样本的相似度特征T_x ²和SPE_x；

(6-5)将所得特征值T_x ²和SPE_x与阈值

Th_SPE比较得到相似度判别结果σ：

若σ＝0显示未超限，表示当前工况平稳；否则，表示出现突发性故障或渐进性工况故障程度恶化，将上报云平台并进行报警，通知现场人员采取措施。

进一步地，所述降维筛选贡献度最大的l个变量的步骤如下：

(5-2-1)利用特征值对角阵Λ计算贡献度矩阵C_λ：

其中贡献度矩阵C_λ中的贡献度值满足c_λ1≥c_λ2≥...≥c_λm，贡献度代表了该变量维度下包含信息量的比例；

(5-2-2)确定累积贡献度阈值Th_λ；

(5-2-3)当前l个变量累积的贡献度达到阈值Th_λ时：

且

保留这l个变量用以描述边缘端节点抽油机的当日工况模型M_D。

有益效果

本发明公开了一种基于云边协同计算的抽油机井异常工况相似性判别方法，该方法充分利用云平台及边缘计算网关的实时计算能力，以边缘端节点抽油机历史平稳工况作为正常工况进行处理与分析，周期建立每日正常工况模型并计算相似性特征阈值，实时、高效地判别抽油机工况变化，减少故障误报与漏报。相较于传统的诊断方法，该方法具有实时性强、误报漏报率低、经济性好等优点，能现场对突发性异常工况进行报警，同时及时发现渐进性的工况恶化情况，这对于管控抽油机安全生产具有重要意义。

附图说明

图1为典型工况下的示功图；

图2为本发明的基于云边协同计算的抽油机井工况相似性判别系统框图；

图3为本发明的基于云边协同计算的抽油机井工况相似性判别系统流程框图；

图4为本发明具体算例1的结果图(渐进性工况变化)；

图5为本发明具体算例1结果图中典型平稳工况与非平稳工况的示功图；

图6为本发明具体算例2的结果图(突发性故障变化)；

图7为本发明具体算例2结果图中典型平稳工况与非平稳工况的示功图。

具体实施方式

下面结合附图以及具体的算例，由具体的操作流程说明本方法在抽油机井故障诊断的实施效果。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明的总体系统框图如图2所示，包含现场感知层、边缘计算网关层及云平台层。本发明的总体系统流程图如图3所示，具体实施步骤如下：

(1)选取某原油开采企业某台历史工况持续表现为供液不足的抽油机井，以2020年6月18日为基准时间，获取6月15日0点15分至6月17日23点43分的历史工况数据。采样时间间隔为20分钟，每日72组工况数据，共计216组数据，以此建立当日工况模型并计算相似性特征阈值。使用6月18日0点03分至23点52分之间的72组工况数据来验证本发明基于云边协同计算的抽油机过程相似性判别方法的可行性。

(2)利用大数据云平台专家系统剔除5组非平稳工况下的数据；

(3)从剩余211组样本工况数据中选取200组，每组数据包含200个变量，分别对应200个位移采样点处的载荷采样值，以此构成正常工况样本集S；

(4)对200组平稳工况下的样本数据进行五点三次平滑滤波预处理，求出滤波里后样本集每组变量的均值

与标准差S_x：

然后进行零-均值标准化处理，获得正常工况训练集X。

(5)根据正常工况训练集X建立边缘端节点当日工况模型M_D，具体步骤如下：

首先，求协方差矩阵并进行特征值分解：

其次，利用特征值对角阵Λ求解贡献度矩阵C_λ，将特征值对角阵Λ中的每个元素除以所有特征值之和，然后确定累积贡献度阈值Th_λ＝0.95，在本算例中，前21个变量的累积贡献度满足：

保留前21个变量用以描述边缘端节点抽油机的当日工况模型M_D；

最后，求取T²统计量和SPE统计量作为相似性特征，并基于正态分布计算T²统计量的阈值

及SPE统计量的阈值Th_SPE：

T²＝x^TPΛ^-1P^Tx

SPE＝||(I-PP^T)x||²

且

本算例中，θ₁＝9.8300，θ₂＝2.1234，θ₁＝0.7009，则：

结合c_α＝c_0.99＝2.3263，可求出Th_SPE＝15.6864。模型M_D具体参数如表1所示：

表1模型M_D参数

(6)通过当日工况模型M_D对边缘端节点实施实时工况相似性判别，具体步骤如下：

首先，对72组实时工况下的样本数据进行五点三次平滑滤波预处理，并利用当日工况模型M_D的各变量均值

标准差S_x，计算得到实时工况数据x＝[x₁,x₁,...,x₇₂]，其中：

其次，根据前述T²统计量和SPE统计量公式，对每组工况x计算当前样本的相似度特征T_x ²和SPE_x；

最后将所得特征值与表1中阈值

Th_SPE比较，得到相似度判别结果σ。

本算例的结果如图4所示，在6月18日9时42分之前，该油井工况稳定，σ＝0显示未超限；6月18日10时02分，T²统计量和SPE统计量均出现越界现象，因此当前工况与正常工况不再具有相似性，表示出现突发性故障或渐进性工况故障程度恶化，需要上报云平台进行报警。此后，在15时22分和21时02分，T²统计量和SPE统计量又出现了两次进一步的越界现象，表示当前工况发生进一步恶化。选取6月18日0时03分、10时02分、15时22分和21时02分的4组数据绘制示功图，可以发现工况在平稳运行状态下的工况为供液不足，此后出现供液不足工况不断恶化的现象，如图5所示。

(7)将步骤(6)中抽油机工况相似性判定结果为非平稳工况的实时工况数据上报至云平台，判定结果为平稳工况的实时工况不上报；

(8)边缘计算网关完成6月18日的实时工况检测后，选取当日最后一组平稳工况数据，即9时42分的工况数据上报云平台作为记录。

类似地，选取同企业另一台历史工况持续表现为平衡块过重的抽油机井，以2020年3月13日至3月15日历史数据建模，累积贡献度阈值依旧选取为Th_λ＝0.95，求得模型关键参数为：l＝32，Th_SPE＝14.8575，

采用该边缘节点3月16日的工况数据进行实时工况相似性判别，结果如图6所示，在3月16日18时30分，T²统计量和SPE统计量均出现较大的越界现象，当天0时1分与18点30分的示功图如图7所示，可以发现此边缘端节点抽油机出现了抽油杆断脱的突发性故障，且一直保持为断杆工况。

由上述分析可知，本发明的抽油机井工况相似性判别具备工况变化判别功能，能够对突发性故障工况及渐进性恶化的故障工况进行有效识别。可见，通过本发明可以实现快速、高效、低误报、低漏报的抽油机井工况诊断与报警，从而避免在采油工业生产过程中抽油机突发或渐进性故障对采油现场的安全生产产生威胁，同时能够有效降低自动化系统资源占用，并降低现场人员劳动强度。

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其他实施例，都属于本发明所保护的范围。

Claims (5)

1.一种基于云边协同计算的抽油机井工况相似性判别方法，其特征在于包括以下步骤：

(1)以当前日期D为基准，获取边缘端节点抽油机历史记录三天内的工况数据；

(2)从步骤(1)中剔除已经工艺专家确认的非平稳工况数据，获得边缘端节点抽油机平稳工况数据集；

(3)从步骤(2)中所述平稳工况数据集中选择n组数据作为正常工况样本集S：

其中每组数据包含m个变量，分别对应m个位移采样点处的载荷采样值；

(4)利用边缘计算网关对样本集S进行预处理，获得正常工况训练集X；

(5)根据正常工况训练集X建立边缘端节点当日工况模型M_D；

(6)通过当日工况模型M_D对边缘端节点抽油机实施实时工况相似性判别；

(7)将步骤(6)中抽油机工况相似性判定结果为非平稳工况的实时工况数据上报至云平台，判定结果为平稳工况的实时工况不上报；

(8)边缘计算网关完成当日实时工况检测后，选取当日最后一组平稳工况数据上报云平台作为记录。

2.根据权利要求1所述的一种基于云边协同计算的抽油机井工况相似性判别方法，其特征在于，步骤(4)的数据预处理具有如下步骤：

(4-1)对正常工况样本集S中的各组数据进行滤波处理，获得处理后样本集

(4-2)求出样本集

各变量的均值

标准差S_x，并进行零-均值标准化处理，获得正常工况训练集X：

其中x_i＝{x_ij|j＝1,2,...,n}代表第i个变量，且x_ij满足：

此时正常工况训练集X各变量方差为1，均值为0。

3.根据权利要求1所述的一种基于云边协同计算的抽油机井工况相似性判别方法，其特征在于，步骤(5)的边缘端节点当日工况模型M_D建立包括以下步骤：

(5-1)，对正常工况训练集X求协方差矩阵，并对其进行特征值分解：

其中酉矩阵P＝{p_i|i＝1,2,...,m}，特征值对角阵Λ中的特征值满足λ₁≥λ₂≥...≥λ_m；

(5-2)，通过特征值对角阵Λ筛选出贡献度最大的l个变量，用以描述边缘端节点抽油机的当日工况模型M_D；

(5-3)，求取T²统计量和SPE统计量作为相似性特征，并基于正态分布计算T²统计量的阈值

及SPE统计量的阈值Th_SPE：

T²＝x^TPΛ^-1P^Tx

SPE＝||(I-PP^T)x||²

且

其中，l表示主要变量个数，α为检验水平，n为样本个数，F_α(l，n-l)是自由度为l和n-l的检验水平为α的F分布临界值，λ_j是特征值对角阵Λ的第j个特征值，c_α是高斯分布的1-α上分位数。

4.根据权利要求3所述的一种基于云边协同计算的抽油机井工况相似性判别方法，其特征在于，所述(5-2)中通过特征值对角阵Λ筛选出贡献度最大的l个变量具有如下步骤：

(5-2-1)利用特征值对角阵Λ计算贡献度矩阵C_λ：

其中贡献度矩阵C_λ中的贡献度值满足

(5-2-2)确定累积贡献度阈值Th_λ；

(5-2-3)若前l个变量累积的贡献度达到阈值Th_λ，即：

且

则保留这l个变量用以描述边缘端节点抽油机的当日工况模型M_D。

5.根据权利要求3所述的一种基于云边协同计算的抽油机井工况相似性判别方法，其特征在于，步骤(6)对边缘端节点实施实时工况相似性判别具有如下步骤：

(6-1)实时采集当日实时工况数据；

(6-2)对原始数据进行滤波预处理，得到实时工况样本s＝[s₁,s₁,...,s_m]；

(6-3)利用样本集

中各变量的均值

标准差S_x得到x＝[x₁,x₁,...,x_m]，其中：

(6-4)根据前述T²统计量和SPE统计量公式计算当前样本的相似度特征

和SPE_x；

(6-5)将所得特征值

和SPE_x与阈值

Th_SPE比较得到相似度判别结果σ：

若σ＝0显示未超限，表示当前工况平稳；否则，表示出现故障并将上报云平台。

Images