CN112861957B - 一种油井运行状态检测方法及装置 - Google Patents

一种油井运行状态检测方法及装置 Download PDF

Info

Publication number
CN112861957B
CN112861957B CN202110137132.9A CN202110137132A CN112861957B CN 112861957 B CN112861957 B CN 112861957B CN 202110137132 A CN202110137132 A CN 202110137132A CN 112861957 B CN112861957 B CN 112861957B
Authority
CN
China
Prior art keywords
state
oil well
oil
parameter
value
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.)
Active
Application number
CN202110137132.9A
Other languages
English (en)
Other versions
CN112861957A (zh
Inventor
谢良智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Zhongliang Intelligent Technology Co ltd
Original Assignee
Shaanxi Zhongliang Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Zhongliang Intelligent Technology Co ltd filed Critical Shaanxi Zhongliang Intelligent Technology Co ltd
Priority to CN202110137132.9A priority Critical patent/CN112861957B/zh
Publication of CN112861957A publication Critical patent/CN112861957A/zh
Application granted granted Critical
Publication of CN112861957B publication Critical patent/CN112861957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种油井运行状态检测方法及装置，该检测方法，包括：获取油井在正常运行状态下的状态基准数据；获取油井在当前运行状态下的状态参数；根据所述状态参数和所述状态基准数据，得到状态参数差值；根据所述状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果。本发明的油井运行状态检测方法及装置，通过将油井在正常运行状态下的状态基准数据与油井在当前运行状态下的状态参数的差值，输入预先训练完成的油井状态识别模型得到油井运行状态类型的检测结果，无需进行人工进行参与和分析，更加方便和快捷。

Description

一种油井运行状态检测方法及装置
技术领域
本发明属于油井生产技术领域，具体涉及一种油井运行状态检测方法及装置。
背景技术
目前，各油田在油井生产中主要使用采油设备将地层中的原油举升到地面，来实现油井生产。如果采油设备在生产运行过程中出现故障，会影响油井的产量。采油设备的示功图可真实地反映井下的实际运行状态，是油田生产中分析抽油系统工作状况的重要方式。
现有的油井运行状态检测方法主要是人为通过经验对采油设备的示功图进行分析来判断，或者是以监督学习为主，根据生产经验得到不同运行状态类型的训练样本集，然后由这些训练样本训练出不同类型的训练集模型，从而实现待诊断示功图样本的诊断。
上述方法主要存在以下问题：依靠人工进行识别的方法效率较低、准确率不高；用示功图图片进行监督学习，仅对油井状况进行分类判断，适用性较广，但不一定满足现场生产安排的需要，而且由于油井或抽油机数量庞大，个体之间差异巨大，基于行业大数据的学习方法无法针对单井工况进行有效评价分类；另外，未对电机参量与示功图整合进行分析利用，无法对油井运行状况进行全面的分析。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种井运行状态检测方法及装置。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种油井运行状态检测方法，包括：
获取油井在正常运行状态下的状态基准数据；
获取油井在当前运行状态下的状态参数；
根据所述状态参数和所述状态基准数据，得到状态参数差值；
根据所述状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果；
其中，所述状态基准数据包括油井在正常运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据所述示功图的参数值得到的采油设备的二次特征值和根据所述电功率图的参数值得到的油井电机的二次特征值；
所述状态参数包括油井在当前运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据所述示功图的参数值得到的采油设备的二次特征值和根据所述电功率图的参数值得到的油井电机的二次特征值。
在本发明的一个实施例中，所述采油设备的二次特征值包括：在预设采油周期内所述示功图的参数值的统计特征值，以及在一个采油周期内所述示功图的参数值的趋势特征值；
所述油井电机的二次特征值包括：在预设采油周期内所述电功率图的参数值的统计特征值，以及在一个采油周期内所述电功率图的参数值的趋势特征值。
在本发明的一个实施例中，所述油井运行状态的类型包括：供液不足、排出漏失、吸入漏失、油杆漏失、抽油杆断脱、出砂、结蜡和碰泵。
在本发明的一个实施例中，每一种油井运行状态的类型对应预设有一个所述油井状态识别模型。
在本发明的一个实施例中，所述油井状态识别模型的训练方法包括：
获取训练数据，所述训练数据包括：油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值，以及与该特定运行状态对应的油井运行状态类型的严重程度的标记值；
将所述训练数据进行分组作为训练集和测试集；
将所述训练集输入深度学习网络进行训练和网络参数优化，直至所述深度学习网络达到预设的训练迭代次数，或者误差小于预设阈值，得到油井状态识别模型；
利用所述测试集对所述油井状态识别模型进行性能测试，确定所述油井状态识别模型的性能。
在本发明的一个实施例中，油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值为零，与该特定运行状态对应的油井运行状态类型的严重程度的标记值为0；
油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值越大，与该特定运行状态对应的油井运行状态类型的严重程度的标记值越大。
在本发明的一个实施例中，所述方法还包括：将所述检测结果与预设的阈值进行比较，根据比较结果控制所述油井的运行。
本发明还提供了一种油井运行状态检测装置，包括：
数据获取模块，用于获取油井在正常运行状态下的状态基准数据，以及获取油井在当前运行状态下的状态参数；
差分模块，用于根据所述状态参数和所述状态基准数据，得到状态参数差值；
检测模块，用于根据所述状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果。
在本发明的一个实施例中，所述数据获取模块包括：
参数值获取单元，用于获取油井在正常运行状态下采油周期内的示功图的参数值和电功率图的参数值，以及获取油井在当前运行状态下采油周期内的示功图的参数值和电功率图的参数值；
二次特征值获取单元，用于根据所述示功图的参数值得到的采油设备的二次特征值，以及根据所述电功率图的参数值得到的油井电机的二次特征值。
在本发明的一个实施例中，还包括判断控制模块，用于将所述检测结果与预设的阈值进行比较，根据比较结果控制所述油井的运行。
与现有技术相比，本发明的有益效果在于：
1.本发明的油井运行状态检测方法及装置，通过将油井在正常运行状态下的状态基准数据与油井在当前运行状态下的状态参数的差值，输入预先训练完成的油井状态识别模型得到油井运行状态类型的检测结果，无需进行人工进行参与和分析，更加方便和快捷；
2.本发明的油井运行状态检测方法及装置，解决了现有的示功图智能分析方法中，由于不同的油井的示功图差异较大，而导致人工智能机器学习基于行业大数据的示功图获得的训练结果无法针对单井工况进行有效评价的问题；
3.本发明的油井运行状态检测方法及装置，将示功图与电功率图整合进行分析利用，可以对油井运行状态进行全面的分析。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明实施例提供的一种油井运行状态检测方法的流程图；
图2是本发明实施例提供的另一种油井运行状态检测方法的流程图；
图3是本发明实施例提供的一种油井运行状态检测装置的结构框图；
图4是本发明实施例提供的另一种油井运行状态检测装置的结构框图；
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种油井运行状态检测方法及装置进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
实施例一
请参见图1，图1是本发明实施例提供的一种油井运行状态检测方法的流程图，如图所示，本实施例的油井运行状态检测方法，包括
S1：获取油井在正常运行状态下的状态基准数据；
具体地，状态基准数据包括油井在正常运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据示功图的参数值得到的采油设备的二次特征值和根据电功率图的参数值得到的油井电机的二次特征值。
需要说明的是，正常运行状态可以是油井常规的生产状态、或是人工识别无异常的生产状态，或者异常状态在可控范围内的生产状态。
在本实施例中，示功图的参数值包括采油设备的位移和载荷，通过安装的示功仪进行测量，采油设备为抽油机。电功率图的参数值包括油井电机的有功功率、无功功率和总功率，通过安装在油井电机上的电参量传感器进行测量。示功图的参数值在一个采油周期内构成一幅示功图，电功率图的参数值在一个采油周期内构成一幅电功率图。
在实际应用中，一幅图中有300个点，测量仪器不同，点数可能有差异，时间周期对应不同的抽油机也是有差异的。
进一步地，采油设备的二次特征值包括：在预设采油周期内示功图的参数值的统计特征值，以及在一个采油周期内示功图的参数值的趋势特征值。油井电机的二次特征值包括：在预设采油周期内电功率图的参数值的统计特征值，以及在一个采油周期内电功率图的参数值的趋势特征值。
可选地，统计特征值包括平均值、方差和极差。趋势特征值包括图中单点的曲率、斜率以及周期特征。
S2：获取油井在当前运行状态下的状态参数；
具体地，状态参数包括油井在当前运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据示功图的参数值得到的采油设备的二次特征值和根据电功率图的参数值得到的油井电机的二次特征值。
进一步地，采油设备的二次特征值包括：在预设采油周期内示功图的参数值的统计特征值，以及在一个采油周期内示功图的参数值的趋势特征值；油井电机的二次特征值包括：在预设采油周期内电功率图的参数值的统计特征值，以及在一个采油周期内电功率图的参数值的趋势特征值。
可选地，统计特征值包括平均值、方差和极差。趋势特征值包括图中单点的曲率、斜率以及周期特征。
S3：根据状态参数和状态基准数据，得到状态参数差值；
具体地，以当前运行状态下的状态参数与状态基准数据做差，得到状态参数差值。
S4：根据状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果。
在本实施例中，油井运行状态的类型包括：供液不足、排出漏失、吸入漏失、油杆漏失、抽油杆断脱、出砂、结蜡和碰泵。检测结果包括油井运行状态的类型以及对应的油井运行状态类型的严重程度等级。每一种油井运行状态的类型对应预设有一个油井状态识别模型。
本实施例的油井运行状态检测方法，通过将油井在正常运行状态下的状态基准数据与油井在当前运行状态下的状态参数的差值，输入预先训练完成的油井状态识别模型得到油井运行状态类型的检测结果，无需进行人工进行参与和分析，更加方便和快捷。
进一步地，关于建立本实施例的油井状态识别模型的具体步骤如下：
步骤a：获取训练数据；
其中，训练数据包括：油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值，以及与该特定运行状态对应的油井运行状态类型的严重程度的标记值；
可选地，油井在特定运行状态下的状态参数可以是根据油井运行状态的类型在油井的历史数据中选取，也可以是根据理论计算得到的。
在本实施例中，油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值为零，与该特定运行状态对应的油井运行状态类型的严重程度的标记值为0。油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值越大，与该特定运行状态对应的油井运行状态类型的严重程度的标记值越大。
步骤b：将训练数据进行分组作为训练集和测试集；
步骤c：将训练集输入深度学习网络进行训练和网络参数优化，直至深度学习网络达到预设的训练迭代次数，或者误差小于预设阈值，得到油井状态识别模型；
步骤d：利用测试集对油井状态识别模型进行性能测试，确定油井状态识别模型的性能。
需要说明的是，针对不同的油井状态识别模型的训练，可以采用不同的算法，包括：线性回归算法、MLP或者CNN的回归/逼近算法、多分类算法，SVM以及其他的分类算法等。具体地算法和模型训练方法与现有的模型训练方法一致，在此不再赘述。
本发明的油井运行状态检测方法，解决了现有的示功图智能分析方法中，由于不同的油井的示功图差异较大，而导致人工智能机器学习基于行业大数据的示功图获得的训练结果无法针对单井工况进行有效评价的问题。
进一步地，请参见图2，图2是本发明实施例提供的另一种油井运行状态检测方法的流程图。如图所示，本实施例的油井运行状态检测方法与上述实施例相比，还包括：
S5：将检测结果与预设的阈值进行比较，根据比较结果控制油井的运行。
在本实施例中，阈值的设置根据油井生产安排自定义设置，根据检测结果与阈值的比较结果控制油井进行持续生产或关井恢复响应。
具体地，以供液不足的油井运行状态类型对该方法进行示例性说明：设定油井无供液时，供液状况相对于充足供液为-1，预设的阈值为-0.1。以油井的50％供液的生产状态作为正常运行状态，获取油井在正常运行状态下的状态基准数据，当连续关井一段时间后重新开井，此时，油井供液状况充足，获取油井在当前运行状态下的状态参数，将油井的状态参数与油井的状态基准数据的差值输入油井状态识别模型，输出的油井运行状态类型的严重程度的标记值为0.5，判断该标记值0.5大于预设阈值-0.1，而且大于0，表示油井此时运行状态比正常运行状态下的供液更充足，那么，控制油井持续生产。持续采油一段时间后，油井供液状况变为50％供液，且不再发生变化，那么，获取油井在当前运行状态下的状态参数，将油井的状态参数与油井的状态基准数据的差值输入油井状态识别模型，输出的油井运行状态类型的严重程度的标记值为0，判断该标记值0大于预设阈值-0.1，表示油井此时运行状态为正常运行状态，那么，控制油井进行持续生产。考虑到供液波动，在某连续的一段时间内，油井统计平均供液状态变差为40％(低于正常运行状态的50％)，获取油井在当前运行状态下的状态参数，将油井的状态参数与油井的状态基准数据的差值输入油井状态识别模型，输出的油井运行状态类型中供液不足的严重程度的标记值为-0.1，判断该标记值-0.1达到预设的阈值-0.1，表示油井此时运行状态为供液不足运行状态，那么，控制油井关闭。
需要说明的是，实际应用中可以根据生产安排和实际产能需求，预先设定或随时更改阈值，以实现改变控制油井响应的条件。
本实施例的油井运行状态检测方法，解决了现有的示功图智能分析方法中，由于不同的油井的示功图差异较大，而导致人工智能机器学习基于行业大数据的示功图获得的训练结果无法针对单井工况进行有效评价的问题。而且，本实施例的油井运行状态检测方法，将示功图与电功率图整合进行分析利用，可以对油井运行状态进行全面的分析。
实施例二
与上述实施例的油井运行状态检测方法相对应，本实施例提供了一种油井运行状态检测装置，请参见图3，图3是本发明实施例提供的一种油井运行状态检测装置的结构框图。如图所示，本实施例的油井运行状态检测装置包括：数据获取模块1、差分模块2和检测模块3。其中，数据获取模块1用于获取油井在正常运行状态下的状态基准数据，以及获取油井在当前运行状态下的状态参数；差分模块2用于根据状态参数和状态基准数据，得到状态参数差值；检测模块3用于根据状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果。
在本实施例中，状态基准数据包括油井在正常运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据示功图的参数值得到的采油设备的二次特征值和根据电功率图的参数值得到的油井电机的二次特征值；状态参数包括油井在当前运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据示功图的参数值得到的采油设备的二次特征值和根据电功率图的参数值得到的油井电机的二次特征值。
进一步地，数据获取模块1包括参数值获取单元101和二次特征值获取单元102，其中，参数值获取单元101用于获取油井在正常运行状态下采油周期内的示功图的参数值和电功率图的参数值，以及获取油井在当前运行状态下采油周期内的示功图的参数值和电功率图的参数值。具体地，示功图的参数值包括采油设备的位移和载荷，通过安装的示功仪进行测量，采油设备为抽油机。电功率图的参数值包括油井电机的有功功率、无功功率和总功率，通过安装在油井电机上的电参量传感器进行测量。
二次特征值获取单元102用于根据示功图的参数值得到的采油设备的二次特征值，以及根据电功率图的参数值得到的油井电机的二次特征值。在本实施例中，采油设备的二次特征值包括：在预设采油周期内示功图的参数值的统计特征值，以及在一个采油周期内示功图的参数值的趋势特征值。油井电机的二次特征值包括：在预设采油周期内电功率图的参数值的统计特征值，以及在一个采油周期内电功率图的参数值的趋势特征值。
可选地，统计特征值包括平均值、方差和极差。趋势特征值包括图中单点的曲率、斜率以及周期特征。
在本实施例中，预先训练完成的油井状态识别模型与实施例一中的油井状态识别模型功能一致，其具体训练过程参照上述实施例中的相关描述，在此不再赘述。
进一步地，请参见图4，图4是本发明实施例提供的另一种油井运行状态检测装置的结构框图。如图所示，相比于上述实施例，本实施例的油井运行状态检测装置还包括：判断控制模块4，用于将检测结果与预设的阈值进行比较，根据比较结果控制油井的运行。在本实施例中，阈值的设置根据油井生产安排自定义设置，根据检测结果与阈值的比较结果控制油井进行持续生产或关井恢复响应。
需要说明的是，本实施例的油井运行状态检测装置可以实现实施例一中的油井运行状态检测方法的技术方案，其各个模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照实施例一中的相关描述，此处不再赘述。
应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种油井运行状态检测方法，其特征在于，包括：
获取油井在正常运行状态下的状态基准数据；
获取油井在当前运行状态下的状态参数；
根据所述状态参数和所述状态基准数据，得到状态参数差值；
根据所述状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果；
其中，所述状态基准数据包括油井在正常运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据所述示功图的参数值得到的采油设备的二次特征值和根据所述电功率图的参数值得到的油井电机的二次特征值；
所述状态参数包括油井在当前运行状态下采油周期内的示功图的参数值、电功率图的参数值、根据所述示功图的参数值得到的采油设备的二次特征值和根据所述电功率图的参数值得到的油井电机的二次特征值；
所述采油设备的二次特征值包括：在预设采油周期内所述示功图的参数值的统计特征值，以及在一个采油周期内所述示功图的参数值的趋势特征值；
所述油井电机的二次特征值包括：在预设采油周期内所述电功率图的参数值的统计特征值，以及在一个采油周期内所述电功率图的参数值的趋势特征值。
2.根据权利要求1所述的油井运行状态检测方法，其特征在于，所述油井运行状态的类型包括：供液不足、排出漏失、吸入漏失、油杆漏失、抽油杆断脱、出砂、结蜡和碰泵。
3.根据权利要求2所述的油井运行状态检测方法，其特征在于，每一种油井运行状态的类型对应预设有一个所述油井状态识别模型。
4.根据权利要求3所述的油井运行状态检测方法，其特征在于，所述油井状态识别模型的训练方法包括：
获取训练数据，所述训练数据包括：油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值，以及与该特定运行状态对应的油井运行状态类型的严重程度的标记值；
将所述训练数据进行分组作为训练集和测试集；
将所述训练集输入深度学习网络进行训练和网络参数优化，直至所述深度学习网络达到预设的训练迭代次数，或者误差小于预设阈值，得到油井状态识别模型；
利用所述测试集对所述油井状态识别模型进行性能测试，确定所述油井状态识别模型的性能。
5.根据权利要求4所述的油井运行状态检测方法，其特征在于，
油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值为零，与该特定运行状态对应的油井运行状态类型的严重程度的标记值为0；
油井在特定运行状态下的状态参数与油井在正常运行状态下的状态基准数据的差值越大，与该特定运行状态对应的油井运行状态类型的严重程度的标记值越大。
6.根据权利要求1所述的油井运行状态检测方法，其特征在于，所述方法还包括：将所述检测结果与预设的阈值进行比较，根据比较结果控制所述油井的运行。
7.一种油井运行状态检测装置，其特征在于，包括：
数据获取模块，用于获取油井在正常运行状态下的状态基准数据，以及获取油井在当前运行状态下的状态参数；所述数据获取模块包括：
参数值获取单元，用于获取油井在正常运行状态下采油周期内的示功图的参数值和电功率图的参数值，以及获取油井在当前运行状态下采油周期内的示功图的参数值和电功率图的参数值；
二次特征值获取单元，用于根据所述示功图的参数值得到的采油设备的二次特征值，以及根据所述电功率图的参数值得到的油井电机的二次特征值；其中，所述采油设备的二次特征值包括：在预设采油周期内所述示功图的参数值的统计特征值，以及在一个采油周期内所述示功图的参数值的趋势特征值；所述油井电机的二次特征值包括：在预设采油周期内所述电功率图的参数值的统计特征值，以及在一个采油周期内所述电功率图的参数值的趋势特征值；
差分模块，用于根据所述状态参数和所述状态基准数据，得到状态参数差值；
检测模块，用于根据所述状态参数差值以及预先训练完成的油井状态识别模型得到用于表征油井运行状态类型的检测结果。
8.根据权利要求7所述的油井运行状态检测装置，其特征在于，所述检测装置还包括判断控制模块，用于将所述检测结果与预设的阈值进行比较，根据比较结果控制所述油井的运行。
CN202110137132.9A 2021-02-01 2021-02-01 一种油井运行状态检测方法及装置 Active CN112861957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110137132.9A CN112861957B (zh) 2021-02-01 2021-02-01 一种油井运行状态检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110137132.9A CN112861957B (zh) 2021-02-01 2021-02-01 一种油井运行状态检测方法及装置

Publications (2)

Publication Number Publication Date
CN112861957A CN112861957A (zh) 2021-05-28
CN112861957B true CN112861957B (zh) 2024-05-03

Family

ID=75987429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110137132.9A Active CN112861957B (zh) 2021-02-01 2021-02-01 一种油井运行状态检测方法及装置

Country Status (1)

Country Link
CN (1) CN112861957B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113654728B (zh) * 2021-07-16 2023-09-01 汕头大学 一种基于坐标转换的负压波信号拐点定位方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2526345A1 (en) * 2005-10-13 2007-04-13 Pumpwell Solutions Ltd. Method and system for optimizing downhole fluid production
CN109447380A (zh) * 2018-06-21 2019-03-08 北京国双科技有限公司 油井产量确定方法及装置
CN109460561A (zh) * 2018-07-25 2019-03-12 北京国双科技有限公司 采油设备故障诊断方法及装置
US10460170B1 (en) * 2019-01-14 2019-10-29 Sourcewater, Inc. Image processing of aerial imagery for energy infrastructure site status analysis
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN111144548A (zh) * 2019-12-23 2020-05-12 北京寄云鼎城科技有限公司 抽油机井工况的识别方法及装置
WO2020132941A1 (zh) * 2018-12-26 2020-07-02 中国科学院深圳先进技术研究院 识别方法及相关装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2526345A1 (en) * 2005-10-13 2007-04-13 Pumpwell Solutions Ltd. Method and system for optimizing downhole fluid production
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN109447380A (zh) * 2018-06-21 2019-03-08 北京国双科技有限公司 油井产量确定方法及装置
CN109460561A (zh) * 2018-07-25 2019-03-12 北京国双科技有限公司 采油设备故障诊断方法及装置
WO2020132941A1 (zh) * 2018-12-26 2020-07-02 中国科学院深圳先进技术研究院 识别方法及相关装置
US10460170B1 (en) * 2019-01-14 2019-10-29 Sourcewater, Inc. Image processing of aerial imagery for energy infrastructure site status analysis
CN111144548A (zh) * 2019-12-23 2020-05-12 北京寄云鼎城科技有限公司 抽油机井工况的识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
油井动液面自动检测系统在低渗透油田的应用及效果分析;郭向华;綦迎勋;孙建霞;;科技致富向导(20);全文 *
郭向华 ; 綦迎勋 ; 孙建霞 ; .油井动液面自动检测系统在低渗透油田的应用及效果分析.科技致富向导.2009,(20),全文. *

Also Published As

Publication number Publication date
CN112861957A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN106761668B (zh) 油井故障智能化分析决策系统及方法
CN106528975B (zh) 一种应用于电路与系统的故障预测与健康管理方法
US20170235284A1 (en) Method and apparatus for artifically intelligent model-based control of dynamic processes using probabilistic agents
NO343417B1 (no) System og fremgangsmåte for tilstandsvurdering av nedihullsverktøy
JP2016538645A (ja) 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム
CN108920863A (zh) 一种机器人伺服系统能耗估计模型的建立方法
WO2016153502A1 (en) System and method for reservoir management using electric submersible pumps as a virtual sensor
CN116756595B (zh) 一种导电滑环故障数据采集监测方法
Zheng et al. Sucker rod pump working state diagnosis using motor data and hidden conditional random fields
CN110757510B (zh) 一种机器人剩余寿命预测方法及系统
WO2017083141A1 (en) Electric submersible pump health assessment
CN112861957B (zh) 一种油井运行状态检测方法及装置
Abdalla et al. Identification of downhole conditions in sucker rod pumped wells using deep neural networks and genetic algorithms (includes associated discussion)
CN113866455A (zh) 基于深度学习的桥梁加速度监测数据异常检测方法、系统和装置
Chen et al. A whole building fault detection using weather based pattern matching and feature based PCA method
CN113705688A (zh) 一种电力用户异常用电行为检测方法和系统
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN116258281A (zh) 基于云平台管理的物联网消防监测及调控系统
CN115827411A (zh) 一种用于自动化设备的在线监测及运维评估系统和方法
CN114021620A (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN114154360A (zh) 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法
CN114718861A (zh) 基于深度学习的螺杆泵井工况智能诊断方法
CN113392576A (zh) 一种系留气球主缆绳拉力状态评估预警方法
CN108733859B (zh) 蒸汽发生器热处理过程中支撑板形变预警方法
CN116877051B (zh) 一种采油工程生产流量及压力异常诊断方法及设备

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