EP4204664A1 - Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür - Google Patents

Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür

Info

Publication number
EP4204664A1
EP4204664A1 EP21786787.8A EP21786787A EP4204664A1 EP 4204664 A1 EP4204664 A1 EP 4204664A1 EP 21786787 A EP21786787 A EP 21786787A EP 4204664 A1 EP4204664 A1 EP 4204664A1
Authority
EP
European Patent Office
Prior art keywords
pump
load
operating
curve points
model
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.)
Withdrawn
Application number
EP21786787.8A
Other languages
English (en)
French (fr)
Inventor
Stefan Gschiel
Helmut Wimmer
Helmut Schnabl
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.)
Siemens Energy Global GmbH and Co KG
Original Assignee
Siemens Energy Global GmbH and Co KG
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 Siemens Energy Global GmbH and Co KG filed Critical Siemens Energy Global GmbH and Co KG
Publication of EP4204664A1 publication Critical patent/EP4204664A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/12—Methods or apparatus for controlling the flow of the obtained fluid to or in wells
    • E21B43/121—Lifting well fluids
    • E21B43/126—Adaptations of down-hole pump systems powered by drives outside the borehole, e.g. by a rotary or oscillating drive
    • E21B43/127—Adaptations of walking-beam pump systems
    • 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
    • E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
    • E21B47/009—Monitoring of walking-beam pump systems
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the invention relates to a computer-implemented method for determining an operating characteristic of a rod pump, the pump having a pump head which is connected to a kinematic converter via a rod and the kinematic converter being driven by a motor during operation. is driven and a load-travel diagram with curve points for the feed pump is determined using a detection means by an analysis device and is provided as an operating load-travel diagram with operating curve points.
  • the invention also relates to a computer program, an electronically readable data carrier and a data carrier signal.
  • the invention relates to an analysis device with a memory and a pumping system for determining an operating characteristic of a deep-acting rod pump.
  • Deep pumps or feed pumps are used as conveying devices for extracting liquids stored underground if the reservoir pressure is not sufficient for them to reach the surface independently or in sufficient quantities. Most of them are used to extract oil. Further areas of application are the pumping of brine and healing waters.
  • linkage pumps which are also called horsehead pumps, nick donkeys or nickers because of their appearance and their movement.
  • the actual pumping mechanism - a piston with non-return valves - is located in a separate pipe string in the borehole near the oil-bearing layer.
  • the piston is set in a continuous up and down motion by means of a screwable rod from a pump stand located on the ground surface. moved. This is accomplished by the so-called horse head.
  • This consists of a circular arc segment arranged as a balancer at the end, to which a pair of steel cables or chains is clamped at the top.
  • the drive is mostly electric. However, if there are sufficient energy-containing gases dissolved in the crude oil, some of these gases can be separated from the conveyed material on site by means of a degasser and fed to a gas engine that drives the pump.
  • the working stroke is 1 to 5 m. Two and a half to twelve strokes per minute are normal.
  • the rod-type deep pump can be used economically up to pumping depths of around 2500 m. Other pump systems are more suitable for greater depths due to the heavy weight of the liquid column to be lifted.
  • the pump type "Mark II" from the Texan manufacturer Lufkin Industries is particularly suitable for high delivery rates from great depths due to its special movement geometry.
  • the "Sucker Rod” type of pump features a sucker rod, which is a steel rod typically between 25 and 30 feet in length and threaded at both ends, used in the oil industry to lubricate the surface and downhole components of an in reciprocating pump installed at an oil well.
  • An extremely valuable tool for analyzing well performance is a well test rig, which measures polished rod stress versus polished rod position.
  • Dynamometers can be used to record bar position and bar load over time.
  • the load sensing portion of the dynamometer is attached to the polished rod so that the load can be captured and sent to a recorder.
  • a Companion part of the lifting beam mounted dynamometer captures the position of the polished rod and sends it to the same recorder.
  • the graph produced is called a dynagraph, or more commonly a dynamometer or dynagraph map, and corresponds to a load-displacement graph.
  • Dynamometer maps taken at the surface can seldom be used directly to record the operating conditions of the downhole pump, since they also reflect all the forces (static and dynamic) occurring from the pump to the wellhead. However, if a dynamometer is placed directly above the pump, the recorded map is a true indicator of pump operation.
  • Gilbert's Dynagraph (a mechanical dynamometer) succeeded in doing this in the 1930s. Rod loads immediately above the pump, plotted as a function of pump position, give Dynagraph maps a name that distinguishes them from surface maps.
  • sensors have been used to record the operating conditions of a rod pump, which record the forces acting or the current position (inclination) of the moving beam (English “beam” or “cranck arm”), for example by means of force sensors, Hall Sensors or proximity sensors. From this, the position of the linkage is calculated. In this case, however, it is complex to calibrate the respective sensors with one another. In addition, imprecise calibration can result in errors that can adversely affect the measurement data evaluation.
  • the object of the invention is achieved by a method of the type mentioned above, with the analysis device in a training mode providing at least one model load-displacement diagram with respective model curve points, which is normalized to a predefined reference variable, and for at least a subset of the model curve points, a model based on a Kohonen network with elliptic Fourier descriptors is generated and trained, and in an operating mode the operating curve points are normalized to the reference variable, elliptic Fourier descriptors for the operating curve points are determined, and it is checked whether there is a similarity of the elliptic Fourier descriptors of the operating curve points to the model of the Kohonen network, and if so, the operating characteristic of the pump is determined from this.
  • model load-path diagrams can be used by other pumps and, for example, a newly commissioned pump can be used immediately, ie without prior training with your own operating load-path diagrams .
  • an elliptic Fourier transform After normalization, an elliptic Fourier transform can be used.
  • Deviations of the operational load-displacement diagram from the load-displacement diagram model, ie from the training model, can, for example, be recognized as an undesired operating property of the pump itself.
  • a currently detected pumped medium which is conveyed by the pump, can be recognized by comparing it with a corresponding training model that describes precisely this medium.
  • the pump medium is usually a mixture of gas, sand/rock particles, water, oil and sometimes also chemical additives.
  • the reference variable can thus be a uniform scale range on which the respective diagrams are mapped.
  • a development of the invention provides that the Kohonen network has an input level with input variables and a second level with neurons, and a respective input variable is connected to all neurons of the second level via a respective weight function.
  • the neurons are arranged in the second level as a virtual, two-dimensional grid.
  • the grid can preferably map the geometric position or the location of an image area in the load-path diagram to the assigned neuron in order to create a visual assignment of the individual neurons to positions or areas of a load-path diagram.
  • This is advantageous in order to be able to determine a favorable interdependence of the neurons, namely in the form of a direct mapping of the neurons to positions or areas in relevant load-displacement diagrams, which increases the probability of detection when determining the operating characteristics of the pump increased.
  • a neuron is trained with an input vector applied to the input variables, and then neighbors of the neuron are determined and the associated weighting functions are adapted for the neighbors and the model is trained again.
  • Neighbor determination can be done easily from a visual grid representation of neurons.
  • the motor is operated electrically and a detection means is also provided to detect the power consumption of the motor during its operation, from which the operating properties of the delivery pump are determined.
  • the recording of the load-displacement diagram can be simplified, at the same time the accuracy in determining the curve points can be increased and the overall accuracy in determining the operating property can be further improved by the combination with the named analysis method.
  • the object according to the invention is achieved by a computer program comprising instructions which, when executed by a computer, cause the computer to carry out the method according to the invention.
  • the object according to the invention is achieved by an electronically readable data carrier with readable control information stored thereon, which comprises at least the computer program according to the invention and is designed such that when the data carrier is used in a computing device, the method according to the invention is carried out.
  • the object according to the invention is achieved by a data carrier signal which transmits the computer program according to the invention.
  • the object according to the invention is also achieved by an analysis device with a memory of the type mentioned at the outset, which is set up to To analyze load-displacement diagram with the method according to the invention, and to determine the operating property.
  • the analysis device has two modes of operation, namely a training mode and an operating mode.
  • the training mode is used to generate and train a load-displacement diagram model of the pump, with separate load-displacement diagram models being able to be trained for a number of operating modes of the pump in order to recognize these modes accordingly .
  • the training mode is run through at the start of operation of the pump system in order to make one or more load-displacement diagram models based on "machine learning” (ML) available for the subsequent operating mode, in which the ongoing operation of the pump system can be continuously monitored by the analysis device.
  • ML machine learning
  • the operating mode is used to compare a currently recorded data set in the form of measuring points recorded by a recording means, for example with a selected load-displacement diagram model and this model if there is agreement with the load-displacement diagram model assigned operating mode.
  • a change in the recognized operational property can provide an indication of a further parameter for the operational property.
  • a sequence of changes in recognized operating media can provide information as to whether there is material inhomogeneity in the medium.
  • the object according to the invention is also achieved by a pump system of the type mentioned at the outset, the pump having a pump head which is connected to a kinematic converter via a linkage, and the kinematic converter is driven by a motor during operation, and a detection means , which is set up to record and provide a load-travel diagram of the pump with curve points, and the analysis device according to the invention with a memory, which is set up to calculate the operating property from the provided operation-load-travel diagram to investigate.
  • FIG. 1 shows an exemplary embodiment of a system according to the invention with a rod pump
  • FIG. 2 shows an embodiment of a pump head of a rod pump
  • FIG. 3 shows an exemplary embodiment of a flowchart of a method for determining a load-path diagram from the power consumption of an electrically operated pump motor
  • FIG. 6 Load-displacement diagrams for a pump with different loads and operating modes, 7 shows a time representation of a current profile of an electric drive motor for a rod pump,
  • Fig. 29 shows a schematic representation of a neuron
  • Fig. 30 is a schematic representation of a Kohonen
  • FIG. 1 shows an exemplary embodiment of a pumping system 100 according to the invention with a rod-type deep pump 1 of the sucker-rod pump type.
  • the pump system 100 includes a pump head 110 which is connected to a kinematic converter 120 via a linkage 5 , 10 .
  • the linkage 5, 10 forms what is known as a "rod cord” and runs through a wellhead 6, to which a flow line 7 for discharging a conveyed medium 14 is connected.
  • Adjoining the wellhead 6 is a casing 8 in which runs a tube 9 which carries the rods 5 and 10, respectively.
  • the pump head 110 which contains a piston 11 in a barrel 12 , is fastened to the lower end of the linkage 10 . A movement of the piston 11 causes the delivery medium 14 to be pumped out.
  • the shell 8 is formed in a borehole 13 .
  • the kinematic converter 120 is driven, for example, by a drive machine in the form of an electric motor 3 via a reduction gear 4 .
  • the kinematic converter 120 can also include a hydraulic power booster.
  • the mechanical connection of the kinematic converter 120 takes place via a moving beam 2, but can vary depending on the type of pump used.
  • the kinematic converter 120 converts a rotary movement of the motor 3 into a linear movement of the linkage 5, 10.
  • the properties of the kinematic converter 120 can be described, for example, via lever effects and translations, as well as via the electrical drive power and moving masses. It should be noted here that the position of a centrifugal mass along a rotary movement and the corresponding effect of force on the linkage 10 are related in terms of time, which is referred to as the reference phase angle. For a particular pump assembly, a reference phase angle can be determined using the kinematic principles of mechanics, as known to those skilled in the art.
  • a detection means 110 is provided, which is set up to detect the current consumption and the operating voltage of the individual phases of the motor 3 during its operation. This can be done, for example, using an ammeter or voltmeter, which is particularly time-sensitive high-resolution discrete measuring points with current or voltage values are recorded.
  • the effective power consumption and the apparent power consumption can be determined from the recorded current and operating voltage values.
  • an analysis or computing device 140 with a memory 150 is provided, which is set up to carry out the method according to the invention with the aid of the detection means 130 .
  • the recording means 130 is set up to record an operating-load-travel diagram of the pump 1 with curve points and to provide it to the computing or analysis device 140 with the memory 150 .
  • the analysis device 140 is set up to analyze the provided operating-load-path diagram using the method according to the invention and to determine the operating property from it.
  • the method according to the invention can be implemented as a computer program which includes instructions which, when they are executed by a computer 140, cause the latter to carry out the method according to the invention.
  • the method according to the invention can be available as an electronically readable data carrier with readable control information stored thereon, which comprises at least the computer program according to the invention and is designed in such a way that they carry out the method according to the invention when using the data carrier in a computing device 140 .
  • the method according to the invention can also be available as a data carrier signal which transmits the computer program according to the invention.
  • FIG. 2 shows another, more detailed example of a pump head 111 according to the prior art.
  • the rod line or the linkage 10 is driven as shown in FIG. 1 and set in an up and down linear motion.
  • a cover tube 15 with vertical grooves is arranged in the borehole 13, which guides a rotating tube 18 with spiral grooves inside the cover tube 15 via a holding device 16 and a self-aligning bearing 17.
  • a pickup tube 19 is connected via a wing nut 20 to a piston assembly 21 located in a pump liner 22 .
  • a calibrated rod 23 is connected to the linkage 10 via a pin 24 and a retainer 25 which drives the piston assembly through linear movement.
  • FIG. 3 shows an exemplary embodiment of a flow chart of a method for determining a load-path diagram from the power consumption of an electrically operated pump motor with the following steps: a) Recording the power consumption and the operating voltage of the motor 3 with a sampling frequency over at least one pump cycle, which can be assigned to four operating phases of the deep pump 1, in the form of discrete measuring points with current values, and from this determining the power consumption 72 of the motor 3 Performance values, b) determining a period 85 and a maximum 82 of the power consumption 72 for a pumping cycle, which corresponds to the maximum torque of the deep pump 1, c) determining a reference phase angle for the kinematic converter 120 using the properties of the kinematic converter 120 and the power consumption of the motor 3, which describes the relationship between the maximum 82 of the power consumption and the maximum of the force acting on the linkage of the deep pump 1, d) determining a torque curve from the power consumption of the motor 3 using the properties of the kinematics -Converter 120, e)
  • the power values can be determined by the product of the discrete current values and the operating voltage.
  • the period duration 85 can be determined, for example, with the aid of an approximated polynomial 80 from the power values of the measuring points.
  • the period duration 85 can, for example, also be determined with the aid of a polynomial 80, which takes into account statistical mean values of the power values of the respective measurement points over at least five, preferably at least ten, particularly preferably at least fifty pump cycles for support points of the polynomial.
  • a reference value 81 can be determined for the measurement points, at which there is a maximum for the change in the respective power value between two measurement points directly following one another, and the period duration 85 is determined using the reference value 81 .
  • the operating properties of the feed pump 1 can be determined using a load-path diagram 30, 50, 54, 57, 60-65, which is calculated from the torque curve determined in step d) using the in step b) determined period and the determined in step c) reference phase angle is determined.
  • the reference phase angle can be determined with respect to the absolute maximum of the power values of the measurement points within a pump cycle.
  • Fig. 4 to Fig. 6 show examples of load-displacement diagrams, which are often used to determine the operating characteristics of deep-drawer pumps.
  • a load-displacement diagram 30 is shown in FIG.
  • the x-axis shows the polished bar position 31 and the y-axis shows the polished bar load 32 .
  • a lowest point of the pump stroke 33 and a highest point of the pump stroke 34 can be seen.
  • a tip of the polished rod 35 (PPRI) is also shown.
  • a map 36 of the polished rod for zero pumping speed is drawn in dashed lines. Also, a pump speed polished rod map 37 is greater than zero.
  • a minimum polished rod 38 load (MPRL) is shown.
  • a gross piston load 39 can also be read off.
  • a weight of the rods in the fluid 40 can be determined, as well as forces 41 and 42, and a pump stroke or pump path 43.
  • FIG. 5 Shown in FIG. 5 are load-displacement plots 50 of rod load at setpoint as a function of polished rod load 32 versus polished rod position 31 .
  • a load-path diagram 51 shows operation at full pump power.
  • a load-displacement diagram 52 shows the operation when the conveying medium has been pumped dry.
  • a respective target value 53 can be seen.
  • load-displacement diagrams 54 are shown with rod load during a change in operation as a function of the load 32 of the polished rod over the respective position 31 of the polished rod, with the respective angles 55, 56 being readable.
  • load-displacement diagrams 57 with rod load are shown with the respective mechanical work of the rods.
  • FIG. 6 shows load-travel diagrams 60-65 for various operating states.
  • Diagram 60 shows load-displacement diagrams for normal operation.
  • Diagram 61 shows load-displacement diagrams for a fluid bearing.
  • Diagram 62 shows load-displacement diagrams for exposure to gas in the underground storage facility.
  • Diagram 63 shows a load-displacement diagram for a stuck piston.
  • Diagram 64 shows the load-travel diagram in the event of a leak through a stationary valve.
  • a diagram 65 shows a load-travel diagram in the event of a leak through a moving valve.
  • the operating characteristics of the pump 1 can be determined by the analysis device 140 from such load-displacement diagrams.
  • the analysis device 140 is provided with at least one model load-displacement diagram with respective model curve points in a training mode.
  • the model load-displacement diagram is then normalized to a predefined reference value by adjusting and standardizing the value ranges.
  • At least two subsets of the model curve points are then detected as a first and at least a second feature based on machine learning.
  • a feature can be, for example, a specific curve shape or the position of curve points in the load-displacement diagram, distances or changes in distance between individual curve points in the load-displacement diagram.
  • the first and the at least one second feature are used to generate and train at least one random forest model using a kmeans algorithm.
  • the analysis device 140 normalizes the operating curve points to the reference variable.
  • the analysis device 140 checks whether there is a similarity of at least a subset of the operating curve points to the at least one random forest model.
  • At least two random forest models can be formed, which have a low correlation to one another.
  • the at least two random forest models with low correlation can be generated by randomly selecting one point from the set of operating curve points and replacing it from the set of operating curve points.
  • the at least two low-correlation random forest models may be generated by further considering a subset when splitting a node in a random forest model.
  • a sequence of the first and the at least one second feature within a pump cycle during operation of the pump 1 can be taken into account in the respective random forest model when determining the operating characteristics of the pump 1.
  • Fig. 7 shows an example of a chronological representation of a power curve of an electric drive motor for a linkage deep pump, which was determined from the power consumption and operating voltage of the motor 3.
  • the representation has a time axis 70 and an axis 71 for the amplitude of the current or power consumption.
  • a power consumption 72 is shown for which a zero point or zero axis 80 and a polynomial for average power consumption 81 can be determined.
  • a maximum value of the average power consumption 82 and zero crossings of the average power consumption 83, 84 can be determined for the polynomial 80.
  • a period 85 of the averaged power consumption can be determined for the polynomial 80 .
  • phase angle 86 of the average power consumption can be determined, which describes the relationship between the rotational movement of the motor 3 and the linkage 10 of the pump 1.
  • a corresponding load-displacement diagram can be determined from the determined values in order to derive the operating properties of the deep-acting rod pump 1 in a simple manner.
  • Deep pump 1 can be defined by one or more corresponding load-displacement diagrams in terms of "target values", which are used in a training mode as based on machine learning based model can be generated and trained. It is also possible to access load-displacement diagrams from other pumps.
  • a question about the gas content in an oil-water-gas mixture at a well can be answered by creating and training a training model for a known mixture.
  • This training model serves as a reference to an operating load-displacement diagram.
  • Deviations in the operational load-displacement diagram from the training model can be recognized as an undesirable operational characteristic.
  • a load-displacement diagram model with model curve points based on machine learning is generated and trained by the analysis device 140 .
  • a reference point check can be performed by the following steps:
  • At least two predefined analysis areas which at least partially include the model curve points, can then be determined in the load-displacement diagram model.
  • a reference point can then be determined from the model curve points for at least one area of the analysis areas, which, for example, corresponds to the geometric center of gravity of the curve points of the respective area or the area formed by the curve points and the area boundaries, for example the diagram axes.
  • the analysis device 140 can check for the operating load-path diagram whether the at least one reference point determined in the training mode is enclosed within the area enclosed by the operating curve points.
  • the operating characteristic of the feed pump 1 can be determined from the reference point recognized as "trapped".
  • FIG. 8 shows an example of an operating-load-travel diagram DC1 with curve points.
  • the areas can, for example, directly adjoin one another, so that there are no areas with curve points enclosed therein that are not assigned to reference points.
  • areas can also be excluded, for example to prevent areas with frequently error-prone curve points from being deliberately excluded in order to achieve an improvement in stability when determining the operating properties of the pump.
  • area boundaries can also overlap, so that a curve point can be assigned to several areas.
  • the measurement curve points and the model curve points between two adjacent points on the respective curves can each have distances which on average are at least 50%, preferably at least 80% and particularly preferably at least 95% of the greatest distance between two adjacent points on the respective curve amounts to. This can result in approximately equal distances between measurement curve points.
  • FIG. 9 shows an example of an operating-load-path diagram DC2 with curve points.
  • centroid point C21-C24 is drawn in for each of four areas, which corresponds to the geometric focus of the curve points of the respective area or the area formed by the curve points and the area boundaries, for example the diagram axes.
  • the areas at least partially overlap one another in order to better define a reference point of the area if, for example, too few curve points are contained in an area.
  • At least one area can be defined for which it is provided that no included curve point is taken into account in the subsequent check.
  • an area can be excluded from closer examination.
  • the recognition of operating characteristics can be carried out in a particularly accurate manner and the recognition rate when determining the operating characteristic can be further improved.
  • an iterative test can also be provided by using the method according to the invention, in order to gradually substantiate certain suspicions with regard to a suspected operating characteristic by adapting the criteria with regard to the training model.
  • the accuracy requirements can be successively increased by increasing reference points in the respective subsequent training model, or alternative reference points can also be examined in order to draw further conclusions for the one to be examined, for example using a combination of two different training models to draw operating property.
  • FIG. 10 shows an example of an operating load-travel diagram DC3 with curve points.
  • centroid point C31-C34 is drawn in for each of four areas, which corresponds to the geometric center of gravity of the curve points of the respective area.
  • FIG 11 shows an example of an operating-load-path diagram DC4 with curve points.
  • FIG. 12 shows an example of an operating load-travel diagram DC5 with curve points.
  • centroid point C51-C58 is drawn in for each of eight areas, which corresponds to the geometric center of gravity of the curve points of the respective area.
  • FIG. 27 show examples of load-displacement diagrams with different elliptical Fourier descriptors, which each represent harmonics of a total of 15 Fourier coefficient pairs ⁇ i , b i , c i and d i .
  • the dashed curves each represent a recorded load-displacement diagram which is to be analyzed and recognized, ie classified, according to the method according to the invention.
  • the representation of the dashed curves in the first quadrant only serves to improve clarity; an analysis refers to a normalized representation.
  • the solid curves represent a respective harmonic of a load-displacement curve to be examined.
  • An nth harmonic is a curve or polynomial of the nth order.
  • the values for load and displacement can be mapped to an interval for the displacement between zero and four, and an interval for the load between zero and one.
  • FIG. 13 shows an example for the first harmonic, FIG. 14 for the second harmonic, etc. and FIG. 27 for the 15th harmonic of the Fourier coefficient pairs ⁇ i , b i , c i and d i .
  • the operating characteristics of the pump can be determined very precisely.
  • the examples each show Fourier transformations with curves of the operating load-displacement diagram with iteratively increasing order.
  • T is the period, i.e. the sum of all T
  • n the number of considered harmonics
  • N the total number of all harmonics, a n , b n the elliptic Fourier coefficients of the nth harmonic.
  • the Fourier coefficients for the x-projection of the curve, ie the path, can be determined using the following relationship:
  • K the total number of all connections, a n , b n the elliptic Fourier coefficients of the nth
  • x p the sum of all connections on the x-axis
  • p the index in a connection chain
  • t p the length of a chain along a path.
  • n is the number of harmonics considered
  • K the total number of all connections
  • c n , d n the elliptic Fourier coefficients of the nth harmonic
  • y p the sum of all connections on the y-axis
  • p the index in a connection chain
  • t p the length of a chain a path.
  • FIG. 28 shows an example of a bit mask for filtering load-displacement diagrams, ie a variant for classifying curve shapes in load-displacement diagrams.
  • features of a load-displacement diagram can be assigned to corresponding bit patterns of the mask.
  • This example shows a rectangular filter mask measuring 80 x 20 bits, with the pattern representing a "healthy" pump.
  • a bit vector b 11 ,...,b 1N ,....,b M1 ,...,b MN is used as the input variable, where M is the dimension of the load in rows and N is the dimension of the path (displacement) in columns.
  • Fig. 29 shows a schematic representation of a neuron as an element in systems with artificial intelligence.
  • Input variables X j which form an input vector X, are passed to a neuron, i.e. a processing element, via weight functions W j , which form a weight vector W. ment (engl. "processing element") supplied, which forms an output variable Y.
  • a "Kohonen Feature Mapping Neural Network” is formed from the neurons, which represents a model based on machine learning.
  • This model is generated and trained with training data, whereby the training data can also come from other pump systems that are not structurally identical.
  • a Kohonen network Similar to a multi-layer perceptron (MLP) network, a Kohonen network also has a multiplicity of neurons PE (processing elements) with a plurality of inputs X j weighted by means of respective weighting functions W j and one Output Y open.
  • PE processing elements
  • a Kohonen network compared to, for example, an MLP is the architecture, which has an input level LI with N inputs, followed by another level L2 with a plurality of neurons arranged in a two-dimensional lattice.
  • the lattice has a length L and a height H, with one neuron being arranged for each lattice position.
  • Each input X j is connected to all second level neurons PE ij by means of a weighting function W j .
  • FIG. 30 shows a schematic representation of a Kohonen network.
  • Input variables X 1 , X 2 , X j to X N are fed via respective weighting functions W ij to a respective neuron PE ij , which forms an output variable.
  • each input variable is supplied to each neuron.
  • An output variable is determined for each neuron, which represents, for example, a recognized operating characteristic of the pump.
  • the neural Kohonen network is trained by modifying the weight functions and other variable rules.
  • the aim of a single learning step is to find that neuron PE ij whose weight vector as close as possible to the input vector is located, i.e. the closest match to the input vector is equivalent to.
  • the neuron with the best match is labeled with the class number associated with the input vector is associated.
  • the tag is updated with the last class number.
  • weight vector of the neuron and its neighboring neurons are updated, whereby the remaining weight vectors of the other neurons are not changed.
  • This updating means a changed weight value for the respective neurons, with different permutations of weight values being carried out on neighboring neurons in order to find an optimal match.
  • Neighbor neurons are adjacent in the lattice, i.e. there are eight neighbors.
  • the neighboring neurons come closer to the input vector, while the topology of the input space, i.e. the order of the input variables, is retained.
  • the Kohonen network can also be compared to a human visual cortex, in which visible information is processed very efficiently.
  • elliptical Fourier descriptors ie Fourier coefficient pairs a 1 , b 1 , c 1 , d 1 ,..., a N , b n , c N , d N , which represent the curve shape of a load-displacement diagram, are used as input variables X 1 , X 2 , X j to X N of the neural network.
  • ML machine learning model
  • the use of a Kohonen network with elliptical Fourier descriptors are significantly more advantageous than a Kohonen network that is generated using a bit mask, because a significantly larger Kohonen network is formed depending on the size of the bit mask.
  • PE PE ij neuron, engl.
  • processing element PE, PE ij neuron, engl.

Landscapes

  • Geology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

Computer-implementiertes Verfahren zur Bestimmung einer Betriebseigenschaft einer Gestänge-Tiefpumpe (1), wobei die Pumpe (1) einen Pump-Kopf (110, 111) aufweist, welcher über ein Gestänge (5, 10) mit einem Kinematik-Wandler (120) verbunden ist, und der Kinematik-Wandler (120) im Betrieb von einem Motor (3) angetrieben wird und ein Last-Weg-Diagramm mit Kurvenpunkten für die Pumpe (1) mithilfe eines Erfassungsmittels (130) von einer Analysevorrichtung (140) ermittelt und als Betriebs-Last-Weg-Diagramm (DC1-DC5) mit Betriebs-Kurvenpunkten bereitgestellt wird, wobei von der Analysevorrichtung (140) in einem Trainings-Modus zumindest ein Modell-Last-Weg-Diagramm mit jeweiligen Modell-Kurvenpunkten bereitgestellt wird, welches auf eine vordefinierte Bezugsgröße normiert wird, und für zumindest eine Teilmenge der Modell-Kurvenpunkte ein Modell auf Basis eines Kohonen- Netzwerks mit elliptischen Fourier-Deskriptoren erzeugt und trainiert wird, und in einem Betriebs-Modus die Betriebs-Kurvenpunkte auf die Bezugsgröße normiert werden, elliptische Fourier-Deskriptoren für die Betriebs-Kurvenpunkte bestimmt werden, und geprüft wird, ob eine Ähnlichkeit der elliptische Fourier-Deskriptoren der Betriebs-Kurvenpunkte zu dem Modell des Kohonen-Netzwerks vorliegt, und falls zutreffend, die Betriebseigenschaft der Pumpe (1) daraus bestimmt wird.

Description

Beschreibung
Computer-implementiertes Verfahren zur Bestimmung einer Be- triebseigenschaft einer Gestänge-Tiefpumpe, Analysevorrich- tung und Pumpsystem hierfür
Die Erfindung betrifft ein computer-implementiertes Verfahren zur Bestimmung einer Betriebseigenschaft einer Gestänge- Tiefpumpe, wobei die Pumpe einen Pump-Kopf aufweist, welcher über ein Gestänge mit einem Kinematik-Wandler verbunden ist, und der Kinematik-Wandler im Betrieb von einem Motor ange- trieben wird und ein Last-Weg-Diagramm mit Kurvenpunkten für die Förder-Pumpe mithilfe eines Erfassungsmittels von einer Analysevorrichtung ermittelt und als Betriebs-Last-Weg- Diagramm mit Betriebs-Kurvenpunkten bereitgestellt wird.
Ferner betrifft die Erfindung ein Computerprogramm, einen elektronisch lesbaren Datenträger und ein Datenträgersignal.
Außerdem betrifft die Erfindung eine Analysevorrichtung mit einem Speicher und ein Pumpsystem zur Bestimmung einer Be- triebseigenschaft einer Gestänge-Tiefpumpe.
Tiefpumpen oder Förderpumpen werden als Fördereinrichtungen zur Gewinnung von unterirdisch lagernden Flüssigkeiten einge- setzt, wenn der Lagerstättendruck nicht ausreicht, dass sie selbständig bzw. in ausreichender Menge an die Oberfläche ge- langen. Zumeist wird mit ihnen Erdöl gefördert. Weitere Ein- satzgebiete sind die Förderung von Sole und Heilwässern.
Das Bild der meisten Ölfelder wird von Gestänge-Tiefpumpen geprägt, die wegen ihres Aussehens und ihrer Bewegung auch Pferdekopfpumpen, Nickesel oder Nicker genannt werden. Dabei befindet sich der eigentliche Pumpmechanismus - ein Kolben mit Rückschlagventilen - in einem eigenen Rohrstrang im Bohr- loch nahe der ölführenden Schicht. Der Kolben wird mittels einer verschraubbaren Stange von einem an der Erdoberfläche befindlichen Pumpenbock in eine kontinuierliche Auf- und Ab- bewegung versetzt. Dies wird durch den sogenannten Pferdekopf bewerkstelligt. Dieser besteht aus einem am Ende eines als Balancier angeordneten Kreisbogensegments, an dem ein Stahl- seil- oder Kettenpaar oben angeklemmt ist.
Der Antrieb erfolgt zumeist elektrisch. Beim Vorhandensein von ausreichend im Erdöl gelösten energiehaltigen Gasen kann jedoch ein Teil dieser Gase an Ort und Stelle mittels eines Degasers vom Fördergut abgetrennt und einem Gasmotor, der die Pumpe antreibt, zugeführt werden.
Je nach Pumpenbauart und -große beträgt der Arbeitshub 1 bis 5 m. Pro Minute sind zweieinhalb bis zwölf Hübe üblich. Die Gestänge-Tiefpumpe kann bis zu Fördertiefen von etwa 2500 m wirtschaftlich eingesetzt werden. Für größere Tiefen sind aufgrund des großen Gewichts der zu hebenden Flüssigkeitssäu- le andere Pumpensysteme besser geeignet.
Der Pumpentyp „Mark II" des texanischen Herstellers Lufkin Industries eignet sich durch seine spezielle Bewegungsgeomet- rie besonders für hohe Förderraten aus großen Tiefen.
Der Pumpentyp „Sucker Rod" weist eine Saugstange auf, das heißt eine Stahlstange mit einer typischen Länge zwischen 25 und 30 Fuß und einem Gewinde an beiden Enden, die in der Öl- industrie verwendet wird, um die Oberflächen- und Bohrloch- komponenten einer in einer Ölquelle installierten Hubkolben- pumpe miteinander zu verbinden.
Ein äußerst wertvolles Instrument zur Analyse der Bohrloch- leistung ist ein Bohrlochprüfstand, welcher die Belastung der polierten Stange im Verhältnis zur Position der polierten Stange misst.
Mit Dynamometern können Stangenposition und Stangenlast über der Zeit aufgezeichnet werden. Der lastmessende Teil des Dy- namometers ist an der polierten Stange angebracht, damit die Last erfasst und an einen Rekorder gesendet werden kann. Ein Begleitteil des am Hubbalken angebrachten Leistungsprüfstands erfasst die Position der polierten Stange und sendet sie an denselben Rekorder. Die erzeugte Grafik wird als Dynagraph oder häufiger als Dynamometer oder Dynagraph-Karte bezeichnet und entspricht einem Last-Weg-Diagramm.
An der Oberfläche entnommene Dynamometerkarten können selten direkt zur Erfassung der Betriebsbedingungen der Bohrlochpum- pe verwendet werden, da sie auch alle Kräfte (statisch und dynamisch) widerspiegeln, die von der Pumpe bis zum Bohrloch- kopf auftreten. Befindet sich jedoch ein Dynamometer direkt über der Pumpe, ist die aufgezeichnete Karte ein echter Indi- kator für den Pumpenbetrieb. Dies gelang Gilberts Dynagraph (ein mechanisches Dynamometer) in den 1930er Jahren. Stablas- ten unmittelbar über der Pumpe, die als Funktion der Pumpen- position aufgezeichnet werden, geben Dynagraph-Karten einen Namen, mit dem sie von Oberflächenkarten unterschieden wer- den. Obwohl die Anwendung von Gilberts Dynagraph eine direkte Untersuchung von Pumpproblemen ermöglichte, hatten die prak- tischen Auswirkungen, die mit der Notwendigkeit verbunden wa- ren, das Instrument im Bohrloch laufen zu lassen, seine Vor- teile bei weitem überwogen.
Bisher werden zur Erfassung der Betriebsbedingungen einer Ge- stänge-Tiefpumpe Sensoren eingesetzt, welche die wirkenden Kräfte beziehungsweise die aktuelle Lage (Inklination) des Laufbalkens (englisch „beam" bzw. „cranck arm") erfassen, beispielsweise durch Kraft-Sensoren, Hall-Sensoren oder Nähe- rungssensoren. Daraus wird die Position des Gestänges berech- net. Dabei ist es jedoch aufwändig, die jeweiligen Sensoren miteinander zu kalibrieren. Außerdem können durch eine unge- naue Kalibrierung Fehler entstehen, welche die Messdatenaus- wertung ungünstig beeinflussen können.
Es ist Aufgabe der Erfindung ein Verfahren und eine Vorrich- tung zur Bestimmung von Betriebseigenschaften einer Gestänge- Tiefpumpe bereitzustellen, wobei die Bestimmung der Betriebs- bedingungen auf eine einfache und zuverlässige Weise, sowie mit hoher Genauigkeit erfolgt, sodass eine umfassende Diagno- se eines Betriebszustands erfolgen kann.
Die erfindungsgemäße Aufgabe wird durch ein Verfahren ein- gangs genannter Art gelöst, wobei von der Analysevorrichtung in einem Trainings-Modus zumindest ein Modell-Last-Weg- Diagramm mit jeweiligen Modell-Kurvenpunkten bereitgestellt wird, welches auf eine vordefinierte Bezugsgröße normiert wird, und für zumindest eine Teilmenge der Modell- Kurvenpunkte ein Modell auf Basis eines Kohonen-Netzwerks mit elliptischen Fourier-Deskriptoren erzeugt und trainiert wird, und in einem Betriebs-Modus die Betriebs-Kurvenpunkte auf die Bezugsgröße normiert werden, elliptische Fourier-Deskriptoren für die Betriebs-Kurvenpunkte bestimmt werden, und geprüft wird, ob eine Ähnlichkeit der elliptische Fourier- Deskriptoren der Betriebs-Kurvenpunkte zu dem Modell des Ko- honen-Netzwerks vorliegt, und falls zutreffend, die Betriebs- eigenschaft der Pumpe daraus bestimmt wird.
Dadurch wird erreicht, dass ein oder mehrere Modell-Last-Weg- Diagramme von anderen Pumpen verwendet werden können und bei- spielsweise eine neu in Betrieb genommene Pumpe sofort, also ohne vorheriges Training mit eigenen Betriebs-Last-Weg- Diagrammen, angewendet werden kann.
Ferner kann auf besonders einfache Weise eine Erkennung von Merkmalen erreicht werden, die einen Schluss auf ein Be- triebseigenschaft der Pumpe erlauben.
Nach der Normierung kann eine elliptische Fourier- Transformation eingesetzt werden.
Abweichungen des Betriebs-Last-Weg-Diagramms vom Last-Weg- Diagramm-Modell, das heißt vom Trainings-Modell, können bei- spielsweise als unerwünschte Betriebseigenschaft der Pumpe selbst erkannt werden. Ebenso kann ein aktuell erfasstes Pumpmedium, welches von der Pumpe gefördert wird, erkannt werden, indem mit einem ent- sprechenden Trainings-Modell verglichen wird, das eben dieses Medium beschreibt.
Folglich kann sowohl der Betrieb der Pumpe mit ihren Kompo- nenten als auch das geförderte Pumpmedium effizient und zu- verlässig analysiert werden.
Das Pumpmedium ist meist ein Gemisch aus Gas, Sand/ Gesteins- partikel, Wasser, Öl und teilweise auch chemischen Additiven.
Dadurch wird erreicht, dass die Betriebsbedingungen der Pumpe auf eine einfache und zuverlässige Weise erfolgen kann, indem unter Verwendung von maschinellem Lernen ein Pumpen-Modell verwendet werden kann, welches Erfahrungswerte und Prognosen anderer Pumpen in der Analyse einbezieht.
Dadurch kann die Genauigkeit bei der Bestimmung und eine Di- agnose eines Betriebszustands verbessert werden.
Durch die Normierung des Last-Weg-Diagramm-Modells, welches durch ein entsprechendes Diagramm beschrieben werden kann, und des Betriebs-Last-Weg-Diagramm, kann der gegenseitige Vergleich einfach und akkurat durchgeführt werden.
Bei der Normierung wird eine Skalierung beziehungsweise Achs- Anpassung im Last-Weg-Diagramm durchgeführt, wie dem Fachmann geläufig, sodass ein Vergleich der Kurvenform direkt möglich ist.
Die Bezugsgröße kann somit ein einheitlicher Skalenbereich sein, auf welchen die jeweiligen Diagramme abgebildet werden.
Dies ist notwendig, da es verschiedene physikalische Unter- schiede zwischen verschiedenen Pumpen gibt, wie durch die Pumpengeometrie, die Pumpentiefe, die Pumpgeschwindigkeit usw., die zu absoluten Unterschieden in Last und Hubraum für die verschiedenen Pumpen führen, jedoch keinen Einfluss auf die Kurvenform haben.
Diese absoluten Unterschiede würden das Ergebnis des verwen- deten neuronalen Netzwerkansatzes beeinflussen, was zu einer unterschiedlichen Klassifizierung der Fälle führen würde, die entsprechend ihrer Form zur gleichen Klasse gehören würden.
Dadurch ist es möglich, Daten anderer Pumpen und andere Pump- Typen im Last-Weg-Diagramm-Modell zu berücksichtigen und so- mit sehr rasch nach einer Inbetriebnahme einer neuen Pumpe ein entsprechendes Last-Weg-Diagramm-Modell verfügbar ist.
Durch Bildung eines „sub-surface dynacharts", also eines Be- triebs-Last-Weg-Diagramms für den unterirdisch arbeitenden Pump-Kopf ist es möglich, die Abhängigkeit des verwendeten Pump-Typs, also unterschiedlicher Pumpen-Bauart gegenüber dem im vorher angeführten angewandten Verfahren zu eliminieren.
Dies kann beispielsweise durch Anwendung einer Finite Elemen- te-Rechnung und einer FFT auf ein „surface dynachart", also eines Betriebs-Last-Weg-Diagramms des gesamten Pumpsystems erfolgen.
Dadurch kann ein langwieriges Trainieren des Last-Weg- Diagramm-Modells vor Ort reduziert werden oder auch gänzlich darauf verzichtet werden.
Es ist vorteilhaft, wenn nach einer Ähnlichkeitsprüfung mit- tels eines oder mehrerer Kmeans-Entscheidungsbäume eine zu- sätzliche Prüfung durch eine nachfolgende Feststellung, ob eine durch die Betriebs-Kurvenpunkte gebildete Kurve einen oder mehrere, mithilfe von maschinellem Lernen erzeugte Refe- renzpunkte einschließt, durchgeführt wird. Dies ist im ange- schlossenen Ausführungsbeispiel näher dargestellt. Dadurch kann die Erkennung von Betriebseigenschaften besonders ziel- sicher erfolgen. In einer Weiterbildung der Erfindung ist es vorgesehen, dass das Kohonen-Netzwerk eine Eingangs-Ebene mit Eingangsgrö- ßen und eine zweite Ebene mit Neuronen aufweist, und eine je- weilige Eingangsgröße über eine jeweilige Gewichtsfunktion mit sämtlichen Neuronen der zweiten Ebene verbunden ist.
Dadurch wird erreicht, dass Merkmale unabhängig voneinander erkannt werden, was die Erkennungswahrscheinlichkeit bei der Bestimmung der Betriebseigenschaft der Pumpe erhöht.
In einer Weiterbildung der Erfindung ist es vorgesehen, dass die Neuronen in der zweiten Ebene als virtuelles, zweidimen- sionales Gitter angeordnet sind.
Das Gitter kann vorzugsweise die geometrische Position oder die Lage eines Bildbereichs im Last-Weg-Diagramm zu dem zuge- ordneten Neuron abbilden, um eine visuelle Zuordnung der ein- zelnen Neuronen zu Positionen beziehungsweise Bereichen eines Last-Weg-Diagramms herzustellen.
Dies ist vorteilhaft, um eine günstige Abhängigkeit der Neu- ronen untereinander feststellen zu können, nämlich in Form einer direkten Abbildung der Neuronen auf Positionen oder Be- reiche in relevanten Last-Weg-Diagrammen, was die Erkennungs- wahrscheinlichkeit bei der Bestimmung der Betriebseigenschaft der Pumpe erhöht.
In einer Weiterbildung der Erfindung ist es vorgesehen, dass beim Trainieren des Kohonen-Netzwerks zunächst ein Neuron mit einem, an den Eingangsgrößen anliegenden Eingangsvektor trai- niert wird, und anschließend Nachbarn des Neurons bestimmt werden, und für die Nachbarn die zugehörigen Gewichtsfunktio- nen adaptiert werden und das Modell neuerlich trainiert wird.
Dies ist vorteilhaft, da die Nachbarn eines jeweiligen Neu- rons in einer geometrischen Nähe in relevanten Last-Weg- Diagrammen zueinander sind, was die Erkennungswahrscheinlich- keit bei der Bestimmung der Betriebseigenschaft der Pumpe er- höht.
Die Bestimmung von Nachbarn kann auf einfache Weise aus einer visuellen Gitter-Darstellung von Neuronen erfolgen.
In einer Weiterbildung der Erfindung ist es vorgesehen, dass der Motor elektrisch betrieben wird und ferner ein Erfas- sungsmittel vorgesehen ist, die Leistungsaufnahme des Motors während dessen Betrieb zu erfassen, aus welcher die Betriebs- eigenschaften der Förder-Pumpe bestimmt werden.
Dadurch kann die Erfassung des Last-Weg-Diagramms vereinfacht werden, gleichzeitig die Genauigkeit bei der Bestimmung der Kurvenpunkte erhöht und durch die Kombination mit dem genann- ten Analyse-Verfahren insgesamt die Genauigkeit bei der Be- stimmung der Betriebseigenschaft weiter verbessert werden.
Die erfindungsgemäße Aufgabe wird durch ein Computerprogramm gelöst, umfassend Befehle, welche bei deren Ausführung durch einen Computer diesen veranlassen, das erfindungsgemäße Ver- fahren auszuführen.
Die erfindungsgemäße Aufgabe wird durch einen elektronisch lesbaren Datenträger mit darauf gespeicherten lesbaren Steu- erinformationen gelöst, welche zumindest das erfindungsgemäße Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrich- tung das erfindungsgemäße Verfahren durchführen.
Die erfindungsgemäße Aufgabe wird durch ein Datenträgersignal gelöst, welches das erfindungsgemäße Computerprogramm über- trägt.
Die erfindungsgemäße Aufgabe wird auch durch eine Analysevor- richtung mit einem Speicher eingangs genannter Art gelöst, welche dazu eingerichtet ist, ein bereitgestelltes Betriebs- Last-Weg-Diagramm mit dem erfindungsgemäßen Verfahren zu ana- lysieren, und daraus die Betriebseigenschaft zu ermitteln.
Die Analysevorrichtung weist zwei Betriebsmodi auf, nämlich einen Trainings-Modus und einen Betriebs-Modus.
Der Trainings-Modus dient zum Erzeugen und Trainieren eines Last-Weg-Diagramm-Modells der Pumpe, wobei für mehrere Be- triebsmodi der Pumpe eigene Last-Weg-Diagramm-Modelle trai- niert werden können, um diese Modi dementsprechend zu erken- nen.
Der Trainings-Modus wird zu Beginn des Betriebs des Pumpsys- tems durchlaufen, um ein oder mehrere Last-Weg-Diagramm- Modelle auf Basis von „machine learning" (ML) für den nach- folgenden Betriebs-Modus verfügbar zu machen, in welchem der laufende Betrieb des Pumpsystems durch die Analysevorrichtung fortlaufend überwacht werden kann.
Der Betriebs-Modus dient dazu, einen aktuell erfassten Daten- satz in Form von durch ein Erfassungsmittel erfassten Mess- Punkten beispielsweise mit einem ausgewählten Last-Weg- Diagramm-Modell zu vergleichen und bei Übereinstimmung mit dem Last-Weg-Diagramm-Modell diesem Modell zugeordneten Be- triebsmodus zu erkennen.
Ferner kann eine Änderung in der erkannten Betriebseigen- schaft Hinweis auf einen weiteren Parameter für die Betriebs- eigenschaft geben.
So kann beispielsweise eine Abfolge in der Änderung erkannter Betriebsmedien Aufschluss darüber geben, ob eine Material- Inhomogenität im Medium vorliegt.
Es könnte zum Beispiel auch erkannt werden, ob ein Gebrechen in Komponenten der Pumpe vorliegt, wenn ein geändertes Bewe- gungsmuster des Pumpkopfs nur in Aufwärts-Bewegungen erkannt wurde. Die erfindungsgemäße Aufgabe wird auch durch ein Pumpsystem eingangs genannter Art gelöst, wobei die Pumpe einen Pump- Kopf aufweist, welcher über ein Gestänge mit einem Kinematik- Wandler verbunden ist, und der Kinematik-Wandler im Betrieb von einem Motor angetrieben wird, und ein Erfassungsmittel, welches dazu eingerichtet ist, ein Last-Weg-Diagramm der Pum- pe mit Kurvenpunkten zu erfassen und bereitzustellen, sowie die erfindungsgemäße Analysevorrichtung mit einem Speicher, welche dazu eingerichtet ist, aus dem bereitgestellten Be- triebs-Last-Weg-Diagramm die Betriebseigenschaft zu ermit- teln.
Die Erfindung wird nachfolgend anhand eines in den beige- schlossenen Zeichnungen dargestellten Ausführungsbeispiels näher erläutert. In den Zeichnungen zeigt
Fig. 1 ein Ausführungsbeispiel eines erfindungsgemäßen Systems mit einer Gestänge-Tiefpumpe,
Fig. 2 ein Ausführungsbeispiel für einen Pump-Kopf einer Gestänge-Tiefpumpe,
Fig. 3 ein Ausführungsbeispiel für ein Flussdiagramm ei- nes Verfahrens zur Bestimmung eines Last-Weg- Diagramms aus der Leistungsaufnahme eines elektrisch betriebenen Pumpenmotors,
Fig. 4 ein erstes Ausführungsbeispiel für ein Last-Weg- Diagramm,
Fig. 5 Last-Weg-Diagramme für eine Pumpe bei verschiede- nen Leistungen,
Fig. 6 Last-Weg-Diagramme für eine Pumpe bei verschiede- nen Lasten und Betriebsmodi, Fig. 7 eine zeitliche Darstellung eines Stromverlaufs eines elektrischen Antriebsmotors für eine Ge- stänge-Tiefpumpe,
Fig. 8-12 Beispiele für Betriebs-Last-Weg-Diagramme mit
Kurvenpunkten,
Fig. 13-27 Beispiele für Last-Weg-Diagramme mit verschiede- nen elliptischen Fourier-Deskriptoren,
Fig. 28 ein Beispiel für eine Bit-Maske zur Filterung von Last-Weg-Diagrammen,
Fig. 29 eine schematische Darstellung eines Neurons,
Fig. 30 eine schematische Darstellung eines Kohonen-
Netzwerks.
Fig. 1 zeigt ein Ausführungsbeispiel eines erfindungsgemäßen Pumpsystems 100 mit einer Gestänge-Tiefpumpe 1 vom Typ einer Sucker-Rod-Pumpe .
Das Pumpsystem 100 umfasst einen Pump-Kopf 110, welcher über ein Gestänge 5, 10 mit einem Kinematik-Wandler 120 verbunden ist.
Das Gestänge 5, 10 bildet eine sogenannte „Stabschnur" und verläuft durch einen Bohrlochkopf 6, mit welchen eine Durch- flussleitung 7 zur Ableitung eines geförderten Mediums 14 verbunden ist.
An den Bohrlochkopf 6 grenzt ein Mantel 8 an, in welchem eine Röhre 9 verläuft, die das Gestänge 5 bzw. 10 führt.
Am unteren Ende des Gestänges 10 ist der Pump-Kopf 110 befes- tigt, der einen Kolben 11 in einem Lauf 12 beinhaltet. Eine Bewegung des Kolbens 11 führt zu einem Abpumpen des Förderme- diums 14. Der Mantel 8 ist in einem Bohrloch 13 gebildet.
Der Kinematik-Wandler 120 wird beispielsweise von einer An- triebsmaschine in Form eines elektrischen Motors 3 über ein Untersetzungsgetriebe 4 angetrieben. Der Kinematik- Wandler 120 kann zusätzlich einen hydraulischen Kraftverstär- ker umfassen.
Die mechanische Anbindung des Kinematik-Wandler 120 erfolgt in diesem Beispiel über einen Laufbalken 2, kann je nach ver- wendetem Pumpentyp aber variieren.
Dem Fachmann sind derartige Kinematik-Wandler geläufig, eben- so deren Beschreibung in Form von „Eigenschaften eines Kine- matik-Wandlers" durch die Transformations-Funktion von mecha- nischen Bewegungen und Kräften.
Der Kinematik-Wandler 120 konvertiert eine Drehbewegung des Motors 3 in eine Linearbewegung des Gestänges 5, 10.
Die Eigenschaften des Kinematik-Wandler 120 können beispiels- weise über Hebelwirkungen und Übersetzungen, sowie über die elektrische Antriebsleistung und bewegte Massen beschrieben werden. Dabei ist zu beachten, dass die Position einer Schwungmasse entlang einer Drehbewegung und die korrespondie- rende Krafteinwirkung am Gestänge 10 in einem zeitlichen Zu- sammenhang steht, welche als Bezugsphasenwinkel bezeichnet wird. Für eine jeweilige Pumpenanordnung kann ein Bezugspha- senwinkel unter Anwendung der Kinematik-Prinzipien der Mecha- nik bestimmt werden, wie dem Fachmann bekannt.
Ferner ist ein Erfassungsmittel 110 vorgesehen, das dazu ein- gerichtet ist, die Stromaufnahme und die Betriebsspannung der einzelnen Phasen des Motors 3 während dessen Betrieb zu er- fassen. Dies kann beispielsweise durch ein Amperemeter bezie- hungsweise Voltmeter erfolgen, welches insbesondere zeitlich hochauflösend diskrete Messpunkte mit Strom- beziehungsweise Spannungswerten erfasst.
Durch die erfassten Strom- und Betriebsspannungswerte kann die effektive Leistungsaufnahme und die Schein- Leistungsaufnahme bestimmt werden.
Ferner ist eine Analyse- beziehungsweise Rechenvorrich- tung 140 mit einem Speicher 150 vorgesehen, welche dazu ein- gerichtet ist, das erfindungsgemäße Verfahren mithilfe des Erfassungsmittels 130 auszuführen.
Es ist dem Fachmann bekannt, wie ein Bezugsphasenwinkel für den Kinematik-Wandler 120 mithilfe der Eigenschaften des Ki- nematik-Wandlers 120 und der Leistungsaufnahme 72 des Mo- tors 3, welcher den Zusammenhang zwischen dem Maximum 83 der Leistungsaufnahme 72 und dem Maximum der auf das Gestänge der Tiefpumpe 1 wirkenden Kraft beschreibt, ermittelt werden kann.
Es ist dem Fachmann auch bekannt, wie ein Drehmoment-Verlauf aus der Leistungsaufnahme 72 des Motors 3 mithilfe der Eigen- schaften des Kinematik-Wandlers 120 ermittelt werden kann.
Das Erfassungsmittel 130 ist dazu eingerichtet, ein Betriebs- Last-Weg-Diagramm der Pumpe 1 mit Kurvenpunkten zu erfassen und der Rechen- beziehungsweise Analysevorrichtung 140 mit dem Speicher 150 bereitzustellen.
Die Analysevorrichtung 140 ist dazu eingerichtet, das bereit- gestellte Betriebs-Last-Weg-Diagramm mit dem erfindungsgemä- ßen Verfahren zu analysieren, und daraus die Betriebseigen- schaft zu ermitteln.
Das erfindungsgemäße Verfahren kann als Computerprogramm im- plementiert werden, das Befehle umfasst, welche bei deren Ausführung durch einen Computer 140 diesen veranlassen, das erfindungsgemäße Verfahren auszuführen. Ferner kann das erfindungsgemäße Verfahren als elektronisch lesbarer Datenträger mit darauf gespeicherten lesbaren Steu- erinformationen verfügbar sein, welche zumindest das erfin- dungsgemäße Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Re- cheneinrichtung 140 das erfindungsgemäße Verfahren durchfüh- ren.
Das erfindungsgemäße Verfahren kann auch als Datenträgersig- nal verfügbar sein, das das erfindungsgemäße Computerprogramm überträgt.
Fig. 2 zeigt ein weiteres, detaillierteres Beispiel für einen Pump-Kopf 111 nach dem Stand der Technik.
Die Stabschnur bzw. das Gestänge 10 wird entsprechend der Fig. 1 angetrieben und in eine Auf- und Ab-Linearbewegung versetzt.
In der gezeigten Variante des Pumpkopfs 111 ist im Bohr- loch 13 eine Deckröhre 15 mit vertikalen Rillen angeordnet, welche innerhalb der Deckröhre 15 über eine Haltevorrich- tung 16 und ein selbstausrichtendes Lager 17 eine drehende Röhre 18 mit Spiralrillen führt.
Eine Aufnahmeröhre 19 ist über eine Flügelmutter 20 mit einer Kolbenanordnung 21 verbunden, welche in einer Pumpenausklei- dung 22 gelegen ist.
Eine kalibrierte Stange 23 ist über einen Stift 24 und eine Haltevorrichtung 25 mit dem Gestänge 10 verbunden, welche die Kolbenanordnung durch die Linearbewegung antreibt.
Fig. 3 zeigt ein Ausführungsbeispiel für ein Flussdiagramm eines Verfahrens zur Bestimmung eines Last-Weg-Diagramms aus der Leistungsaufnahme eines elektrisch betriebenen Pumpenmo- tors mit folgenden Schritten: a) Erfassen der Stromaufnahme und der Betriebsspannung des Motors 3 mit einer Abtastfrequenz über zumindest einen Pumpzyklus, welcher jeweils vier Betriebsphasen der Tiefpumpe 1 zugeordnet werden kann, in Form von diskre- ten Messpunkten mit Stromwerten, und daraus Bestimmen der Leistungsaufnahme 72 des Motors 3 mit Leistungswer- ten, b) Bestimmen für einen Pumpzyklus einer Periodendauer 85 und eines Maximums 82 der Leistungsaufnahme 72, welches dem Drehmoment-Maximum der Tiefpumpe 1 entspricht, c) Bestimmen eines Bezugsphasenwinkels für den Kinematik- Wandler 120 mithilfe der Eigenschaften des Kinematik- Wandlers 120 und der Leistungsaufnahme des Motors 3, welcher den Zusammenhang zwischen dem Maximum 82 der Leistungsaufnahme und dem Maximum der auf das Gestänge der Tiefpumpe 1 wirkenden Kraft beschreibt, d) Ermitteln eines Drehmoment-Verlaufs aus der Leistungs- aufnahme des Motors 3 mithilfe der Eigenschaften des Kinematik-Wandlers 120, e) Bestimmen der Betriebseigenschaften der Förder-Pumpe 1 aus dem im Schritt d) ermittelten Drehmoment-Verlauf unter Verwendung der im Schritt b) bestimmten Perioden- dauer und dem im Schritt c) bestimmten Bezugsphasenwin- kel.
Die Leistungswerte können durch das Produkt von den diskreten Stromwerten und der Betriebsspannung bestimmt werden.
Die Periodendauer 85 kann beispielsweise mithilfe eines ap- proximierten Polynoms 80 durch die Leistungswerte der Mess- punkte ermittelt werden.
Die Periodendauer 85 kann beispielsweise aber auch mithilfe eines Polynoms 80 ermittelt werden, welches für Stützpunkte des Polynoms statistische Mittelwerte der Leistungswerte der jeweiligen Messpunkte über zumindest fünf, bevorzugt zumin- dest zehn, besonders bevorzugt zumindest fünfzig Pumpzyklen berücksichtigt. Für die Messpunkte kann ein Referenzwert 81 ermittelt werden, bei welchem für die Änderung des jeweiligen Leistungswerts zwischen zwei unmittelbar aufeinander folgenden Messpunkten ein Maximum vorliegt, und die Periodendauer 85 mithilfe des Referenzwerts 81 ermittelt wird.
Das Bestimmen der Betriebseigenschaften der Förder-Pumpe 1 kann mithilfe eines Last-Weg-Diagramms 30, 50, 54, 57, 60-65 erfolgen, welches aus dem im Schritt d) ermittelten Drehmo- ment-Verlauf unter Verwendung der im Schritt b) bestimmten Periodendauer und dem im Schritt c) bestimmten Bezugsphasen- winkel ermittelt wird.
Der Bezugsphasenwinkel kann bezüglich des absoluten Maximums der Leistungswerte der Messpunkte innerhalb eines Pumpzyklus bestimmt werden.
Fig. 4 bis Fig. 6 zeigen Beispiele für Last-Weg-Diagramme, welche häufig dazu verwendet werden, um die Betriebseigen- schaften von Gestänge-Tiefpumpen zu bestimmen.
In Fig. 4 ist ein Last-Weg-Diagramm 30 dargestellt.
Auf der x-Achse ist die Position 31 der polierten Stange auf- getragen, und auf der y-Achse die Last 32 der polierten Stan- ge.
Es ist ein tiefster Punkt des Pumpenhubs 33 und ein höchster Punkt des Pumpenhubs 34 erkennbar.
Ferner ist eine Spitze der polierten Stange 35 (PPRI) darge- stellt.
Strichliert ist eine Karte 36 der polierten Stange für Pump- geschwindigkeit gleich Null eingezeichnet. Ferner ist ein Karte 37 der polierten Stange für Pumpge- schwindigkeit größer als Null.
Es ist eine minimale Last der polierten Stange 38 (MPRL) dar- gestellt.
Es kann auch eine Bruttokolbenlast 39 abgelesen werden.
Außerdem kann ein Gewicht der Stangen im Fluid 40 bestimmt werden, sowie Kräfte 41 und 42, und ein Pump-Hub bzw. Pump- Weg 43.
In Fig. 5 sind Last-Weg-Diagramme 50 mit Stangenlast bei Sollwert als Funktion der Last 32 der polierten Stange über die jeweilige Position 31 der polierten Stange gezeigt.
Ein Last-Weg-Diagramm 51 zeigt den Betrieb bei voller Pumpen- Leistung.
Ein Last-Weg-Diagramm 52 zeigt den Betrieb bei leergepumpten Fördermedium.
Ein jeweiliger Sollwert 53 ist erkennbar.
Ferner sind Last-Weg-Diagramme 54 mit Stangenlast bei einem Betriebswechsel als Funktion der Last 32 der polierten Stange über die jeweilige Position 31 der polierten Stange gezeigt, wobei jeweilige Winkel 55, 56 ablesbar sind.
Ferner sind Last-Weg-Diagramme 57 mit Stangenlast mit der je- weiligen mechanischen Arbeit der Stangen dargestellt.
In Fig. 6 sind Last-Weg-Diagramme 60-65 für verschiedene Be- triebszustände dargestellt.
Diagramm 60 zeigt Last-Weg-Diagramme bei einem normalen Be- trieb.
Diagramm 61 zeigt Last-Weg-Diagramme bei einem Fluid-Lager. Diagramm 62 zeigt Last-Weg-Diagramme bei Gas-Einwirkung im unterirdischen Lager.
Diagramm 63 zeigt ein Last-Weg-Diagramm bei einem festste- ckenden Kolben.
Diagramm 64 zeigt Last-Weg-Diagramm bei einem Leck durch ein stehendes Ventil.
Ein Diagramm 65 zeigt ein Last-Weg-Diagramm bei einem Leck durch ein bewegtes Ventil.
Von der Analysevorrichtung 140 kann aus derartigen Last-Weg- Diagrammen die Betriebseigenschaft der Pumpe 1 bestimmt wer- den.
Dazu ist es vorgesehen, dass der Analysevorrichtung 140 in einem Trainings-Modus zumindest ein Modell-Last-Weg-Diagramm mit jeweiligen Modell-Kurvenpunkten bereitgestellt wird.
Das Modell-Last-Weg-Diagramm wird dann auf eine vordefinierte Bezugsgröße normiert, indem die Wertebereiche angepasst und vereinheitlicht werden.
Zumindest zwei Teilmengen der Modell-Kurvenpunkte werden dann auf Basis maschinellen Lernens als ein erstes und zumindest ein zweites Merkmal erfasst.
Ein Merkmal kann beispielweise ein spezifischer Kurvenverlauf oder die Lage von Kurvenpunkten im Last-Weg-Diagramm, Abstän- de oder auch Abstandsänderungen zwischen einzelnen Kurven- punkten im Last-Weg-Diagramm sein.
Durch Anwendung von maschinellem Lernen und daraus erzeugten Modellen, welche aus einer Menge von einzelnen Last-Weg- Diagrammen gebildet wird, kann die statistische Relevanz sol- cher Merkmale eine besonders hohe Aussagekraft erreichen. Das erste und das zumindest eine zweite Merkmal wird dazu verwendet, um mithilfe einem Kmeans-Algorithmus zumindest ei- ne Random-Forest-Modellezu erzeugen und zu trainieren.
Die Analysevorrichtung 140 normiert in einem Betriebs-Modus die Betriebs-Kurvenpunkte auf die Bezugsgröße.
Dann prüft die Analysevorrichtung 140, ob eine Ähnlichkeit zumindest einer Teilmenge der Betriebs-Kurvenpunkte zu dem zumindest einen Random-Forest-Modell vorliegt.
Falls zutreffend, wird die Betriebseigenschaft der Pumpe 1 daraus bestimmt.
Optional können zumindest zwei Random-Forest-Modelle gebildet werden, welche zueinander eine niedrige Korrelation aufwei- sen.
Dabei können die zumindest zwei Random-Forest-Modelle mit niedriger Korrelation dadurch erzeugt werden, indem jeweils ein Punkt aus der Menge der Betriebs-Kurvenpunkte zufällig ausgewählt wird und mit Ersetzen aus der Menge der Betriebs- Kurvenpunkte erfolgt.
Alternativ dazu können die zumindest zwei Random-Forest-Modelle mit niedriger Korrelation dadurch erzeugt werden, dass eine Teilmenge beim Auftrennen eines Knotens in einem Random-Forest-Modelleweiter berücksichtigt wird.
Als weitere Verbesserung kann eine Abfolge des ersten und des zumindest einen zweiten Merkmals innerhalb eines Pumpzyklus im Betrieb der Pumpe 1 im jeweiligen Random-Forest-Modellebei der Bestimmung der Betriebseigenschaft der Pumpe 1 berück- sichtigt werden.
Fig. 7 zeigt ein Beispiel für eine zeitliche Darstellung ei- nes Leistungsverlaufs eines elektrischen Antriebsmotors für eine Gestänge-Tiefpumpe, welche aus der Stromaufnahme und Be- triebsspannung des Motors 3 ermittelt wurde.
Die Darstellung weist eine Zeitachse 70 und eine Achse 71 für Amplitude der Strom- bzw. Leistungsaufnahme auf.
Es ist eine Leistungsaufnahme 72 gezeigt, für welche ein Nullpunkt bzw. Nullachse 80, sowie ein Polynom für gemittelte Leistungsaufnahme 81 bestimmt werden kann.
Für das Polynom 80 können ein Maximalwert der gemittelten Leistungsaufnahme 82, sowie Nulldurchgänge der gemittelten Leistungsaufnahme 83, 84 ermittelt werden.
Ferner kann für das Polynom 80 eine Periodendauer 85 der ge- mittelten Leistungsaufnahme bestimmt werden.
Daraus kann ein Phasenwinkel 86 der gemittelten Leistungsauf- nahme ermittelt werden, welcher den Zusammenhang zwischen der Drehbewegung des Motors 3 und dem Gestänge 10 der Pumpe 1 be- schreibt.
Aus der ermittelten Werten kann ein entsprechendes Last-Weg- Diagramm ermittelt werden, um daraus auf einfache Weise die Betriebseigenschaften der Gestänge-Tiefpumpe 1 abzuleiten.
Es ist erkennbar, dass der Absolutwert der Periodendauer 85 in der weiteren Berechnung des Last-Weg-Diagramms nicht be- rücksichtigt werden muss.
Mit anderen Worten ist es für die Bestimmung der Leistungs- aufnahme nicht notwendig, dass die Antriebsfrequenz des Pum- penmotors berücksichtigt wird.
Die gewünschten Betriebseigenschaften der Gestänge-
Tiefpumpe 1 können durch ein oder mehrere entsprechende Last- Weg-Diagramme im Sinne von „Soll-Werten" festgelegt werden, welche in einen Trainings-Modus als, auf maschinellem Lernen beruhenden Modell erzeugt und trainiert werden. Dabei kann auch auf Last-Weg-Diagramme anderer Pumpen zurückgegriffen werden.
Beispielsweise kann eine Frage nach dem Gasgehalt in einem Öl-Wasser-Gas-Gemisch einer Förderstätte beantwortet werden, indem ein Trainingsmodell für ein bekanntes Gemisch erstellt und trainiert wird.
Für verschiedene Fragestellung hinsichtlich des Zustands der Pumpe und deren Komponenten, sowie der Zusammensetzung des Förder-Gemischs können unterschiedliche Trainings-Modelle er- zeugt werden.
Dieses Trainings-Modell dient als Referenz zu einem Betriebs- Last-Weg-Diagramm.
Abweichungen des Betriebs-Last-Weg-Diagramm vom Trainings- Modell können als unerwünschte Betriebseigenschaft erkannt werden.
In einem Trainings-Modus wird ein Last-Weg-Diagramm-Modell mit Modell-Kurvenpunkten auf Basis maschinellen Lernens von der Analysevorrichtung 140 erzeugt und trainiert.
Optional kann eine Referenzpunkt-Prüfung durch folgende Schritte durchgeführt werden:
Im Last-Weg-Diagramm-Modell können dann zumindest zwei vorde- finierte Analyse-Bereiche, welche die Modell-Kurvenpunkte zu- mindest teilweise umfassen, bestimmt werden.
Aus den Modell-Kurvenpunkten kann dann für zumindest einen Bereich der Analyse-Bereiche ein Referenzpunkt ermittelt wer- den, welcher beispielsweise dem geometrischen Schwerpunkt der Kurvenpunkte des jeweiligen Bereichs beziehungsweise durch die Kurvenpunkte und die Bereichsgrenzen, beispielsweise die Diagramm-Achsen, gebildeten Fläche entspricht. In einem Betriebs-Modus kann für das Betriebs-Last-Weg- Diagramm von der Analysevorrichtung 140 geprüft werden, ob innerhalb der durch die Betriebs-Kurvenpunkte eingeschlosse- nen Fläche der zumindest eine, im Trainings-Modus bestimmte Referenzpunkt eingeschlossen ist.
Falls dies zutrifft, kann die Betriebseigenschaft der Förder- Pumpe 1 aus dem als „eingeschlossen" erkannten Referenzpunkt bestimmt werden.
Fig. 8 zeigt ein Beispiel für ein Betriebs-Last-Weg- Diagramm DC1 mit Kurvenpunkten.
Es sind vier Bereiche Q1-Q2 in Form von Quadranten gezeigt, welche durch einen Wert 2 für den Weg 31 und einen Wert 0.5 für die Last 32 getrennt sind.
Die Bereiche können beispielsweise unmittelbar aneinander an- grenzen, sodass keine Bereiche mit darin eingeschlossenen Kurvenpunkten ohne Zuordnung zu Referenzpunkten entstehen.
Falls gewünscht, können jedoch Bereiche auch ausgeschlossen werden, um beispielsweise zu verhindern, dass Bereiche mit häufig fehleranfälligen Kurvenpunkten gezielt ausgeschlossen werden, um eine Verbesserung der Stabilität bei der Bestim- mung der Betriebseigenschaft der Pumpe zu erreichen.
Bereichsgrenzen können beispielsweise auch überlappen, sodass ein Kurvenpunkt mehreren Bereichen zugeordnet werden kann.
Die Mess-Kurvenpunkte und die Modell-Kurvenpunkte zwischen zwei benachbarten Punkten auf den jeweiligen Kurven können jeweils Abstände aufweisen, welche durchschnittlich zumindest 50%, bevorzugt zumindest 80% und besonders bevorzugt zumin- dest 95% des größten Abstands zwischen zwei benachbarten Punkten der jeweiligen Kurve beträgt. Daraus können sich annähernd gleiche Abstände zwischen Mess- Kurvenpunkten ergeben.
Fig. 9 zeigt ein Beispiel für ein Betriebs-Last-Weg- Diagramm DC2 mit Kurvenpunkten.
Es ist für vier Bereiche, analog zur vorhergehenden Figur, jeweils ein Centroiden-Punkt C21-C24 eingezeichnet, welcher dem geometrischen Schwerpunkt der Kurvenpunkte des jeweiligen Bereichs beziehungsweise durch die Kurvenpunkte und die Be- reichsgrenzen, beispielsweise die Diagramm-Achsen, gebildeten Fläche entspricht.
Es kann vorteilhaft sein, wenn sich die Bereiche zumindest teilweise gegenseitig überlappen, um einen Referenzpunkt des Bereichs besser zu definieren, falls beispielsweise in einem Bereich zu wenige Kurven-Punkte enthalten sind.
Ferner kann beispielsweise zumindest ein Bereich definiert werden, für welchen vorgesehen ist, dass kein eingeschlosse- ner Kurvenpunkt bei der nachfolgenden Prüfung berücksichtigt wird.
Mit anderen Worten kann ein Bereich von der näheren Betrach- tung ausgeschlossen werden.
Die kann vorteilhaft sein, wenn beispielsweise ein Bereich als besonders störanfällig bekannt ist und/oder für bestimmte Aussagen hinsichtlich der Betriebseigenschaften nicht oder nur wenig relevant ist.
Bei Anwendung des erfindungsgemäßen Verfahrens kann es bei- spielsweise auch vorgesehen sein, mehrere, voneinander unab- hängige Prüfungen von Betriebseigenschaften sequenziell oder parallel durchzuführen.
Es ist vorteilhaft, wenn nach einer Ähnlichkeitsprüfung mit- tels einem oder mehrerer Kmeans-Entscheidungsbäume eine zu- sätzliche Centroiden-Prüfung gemäß den vorhergehenden Ausfüh- rungen durchgeführt wird.
Durch eine Centroiden-basierte Nachbearbeitung („post proces- sing") kann die Erkennung von Betriebseigenschaften besonders zielsicher erfolgen und die Erkennungsrate bei der Bestimmung der Betriebseigenschaft weiter verbessert werden.
Natürlich kann auch eine iterative Prüfung durch Anwendung des erfindungsgemäßen Verfahrens vorgesehen sein, um bestimm- te Verdachtsmomente hinsichtlich einer vermuteten Betriebsei- genschaft schrittweise zu erhärten, indem die Kriterien hin- sichtlich der Trainings-Modells angepasst werden.
Dabei können beispielsweise sukzessive die Genauigkeitsanfor- derungen durch eine Erhöhung von Referenzpunkten im jeweils nachfolgenden Trainings-Modell erhöht werden, oder auch al- ternative Referenzpunkte untersucht werden, um beispielweise mittels einer Kombination von zwei unterschiedlichen Trai- nings-Modellen weitere Schlüsse für die zu untersuchende Be- triebseigenschaft zu ziehen.
Fig. 10 zeigt ein Beispiel für ein Betriebs-Last-Weg- Diagramm DC3 mit Kurvenpunkten.
Es ist für vier Bereiche, analog zur vorhergehenden Figur, jeweils ein Centroiden-Punkt C31-C34 eingezeichnet, welcher dem geometrischen Schwerpunkt der Kurvenpunkte des jeweiligen Bereichs entspricht.
Fig. 11 zeigt ein Beispiel für ein Betriebs-Last-Weg- Diagramm DC4 mit Kurvenpunkten.
In diesem Beispiel sind acht Bereiche gezeigt, welche durch einen Wert 2 für den Weg 31 und einen Wert größer oder klei- ner als 0.5 für die Last 32 getrennt sind, wobei für den Wert 0.5 auf der Last-Achse 32 zwei weitere Bereiche vorgese- hen sind. Es ist für die acht Bereiche jeweils ein Centroiden- Punkt C41-C48 eingezeichnet, welcher dem geometrischen Schwerpunkt der Kurvenpunkte des jeweiligen Bereichs ent- spricht.
Fig. 12 zeigt ein Beispiel für ein Betriebs-Last-Weg- Diagramm DC5 mit Kurvenpunkten.
Es ist für acht Bereiche, analog zur vorhergehenden Figur, jeweils ein Centroiden-Punkt C51-C58 eingezeichnet, welcher dem geometrischen Schwerpunkt der Kurvenpunkte des jeweiligen Bereichs entspricht.
Fig. 13 bis Fig.27 zeigen Beispiele für Last-Weg-Diagramme mit verschiedenen elliptischen Fourier-Deskriptoren, welche jeweils Harmonische von insgesamt 15 Fourier-Koeffizienten- Paaren αi,bi,ci und di darstellen.
Die strichlierten Kurven stellen jeweils ein erfasstes Last- Weg-Diagramm dar, welches gemäß dem erfindungsgemäßen Verfah- ren analysiert und erkannt, das heißt klassifiziert werden sollen.
Die Darstellung der strichlierten Kurven im ersten Quadranten dient nur einer verbesserten Übersichtlichkeit; eine Analyse bezieht sich auf eine normierte Darstellung.
Die durchgezogenen Kurven stellen eine jeweilige Harmonische einer zu untersuchenden Last-Weg-Kurve dar.
Eine n-te Harmonische ist eine Kurve oder Polynom n-ter Ord- nung.
In den Figuren wird als Beispiel eine Normierung auf das Ver- hältnis 4:1 zwischen Weg und Last durchgeführt. Grundsätzlich ist eine Minimum-Maximum-Skalierung eine einfa- che Option für die Normierung.
So kann eine Abbildung der Werte für Last und Weg auf ein In- tervall für den Weg zwischen Null und vier, und ein Intervall für die Last zwischen Null und Eins erfolgen.
Grundsätzlich sind andere Normierungen ebenso geeignet, so- lange ein Vergleich verschiedener Last-Weg-Diagramme dadurch ermöglicht wird.
Fig. 13 zeigt ein Beispiel für die erste Harmonische, Fig. 14 für die zweite Harmonische, usw. und Fig. 27 für die 15. Har- monische der Fourier-Koeffizienten-Paare αi,bi,ci und di .
Natürlich kann auch andere Anzahl an Harmonischen geeignet sein, um eine hinreichend genaue Klassifizierung durchzufüh- ren.
Es ist erkennbar, dass durch iterative Hinzunahme einer wei- teren Harmonischen, also einer Erweiterung der Ordnung der Kurve, die Erkennung der gesuchten strichlierten Kurve mit zunehmender Ordnung verbessert wird und eine Klassifizierung genauer und zuverlässiger wird.
In weitere Folge kann die Betriebseigenschaft der Pumpe sehr exakt bestimmt werden.
Die Beispiele zeigen jeweils Fourier-Transformationen mit Kurven des Betriebs-Last-Weg-Diagramms mit iterativ zunehmen- der Ordnung.
Eine Erweiterung einer Fourier-Reihe für eine x-Projektion einer Kurve eines Last-Weg-Diagramms kann durch folgenden Zu- sammenhang beschrieben werden: mit
T die Periodendauer, das heißt die Summe aller T
Inkremente, n die Anzahl der betrachteten Harmonischen,
N die Gesamt-Anzahl aller Harmonischen, an, bn die elliptischen Fourier-Koeffizienten der n-ten Harmonischen.
Die Fourier-Koeffizienten für die x-Projektion der Kurve, das heißt der Weg, können durch den folgenden Zusammenhang be- stimmt werden: mit
T Periodendauer, n die Anzahl der betrachteten Harmonischen,
K die Gesamt-Anzahl aller Verbindungen, an, bn die elliptischen Fourier-Koeffizienten der n-ten
Harmonischen, xp die Summe aller Verbindungen auf der x-Achse, p der Index in einer Verbindungskette, tp die Länge einer Kette entlang eines Pfads.
Auf ähnliche Weise lassen sich die Fourier-Koeffizienten für die y-Projektion der Kurve, das heißt die Last, bestimmt wer- den: mit
T Periodendauer, n die Anzahl der betrachteten Harmonischen,
K die Gesamt-Anzahl aller Verbindungen, cn, dn die elliptischen Fourier-Koeffizienten der n-ten Harmonischen, yp die Summe aller Verbindungen auf der y-Achse, p der Index in einer Verbindungskette, tp die Länge einer Kette entlang eines Pfads.
Fig. 28 stellt ein Beispiel für eine Bit-Maske zur Filterung von Last-Weg-Diagrammen dar, also eine Variante für eine Klassifizierung von Kurvenformen in Last-Weg-Diagrammen.
Mittels Anwendung einer binären Filter-Maske können Merkmale eines Last-Weg-Diagramms entsprechenden Bit-Mustern der Maske zugeordnet werden.
In diesem Beispiel ist eine rechteckige Filter-Maske in der Größe von 80 x 20 Bits gezeigt, wobei das Muster eine „gesun- den" Pumpe darstellt.
Ein Bit-Vektor b11,...,b1N, ....,bM1,...,bMNwird dabei als Eingangsgrö- ße verwendet, wobei M die Dimension der Last in Reihen und N die Dimension des Wegs (engl. „displacement") in Spalten ist.
Die Abbildung als Bit-Maske erfordert jedoch eine recht große Anzahl an Punkten, das heißt Bits für die Maske, wie hier 80 x 20 = 1600 Bits.
Für eine Anwendung einer solchen Bit-Maske ist die vorherge- hende Durchführung einer Normierung vorteilhaft.
Fig. 29 zeigt eine schematische Darstellung eines Neurons als Element in Systemen mit künstlicher Intelligenz.
Eingangsgrößen Xj, welche einen Eingangsvektor X bilden, wer- den über Gewichtsfunktionen Wj, welche einen Gewichtsvek- tor W bilden, einem Neuron, also einem Verarbeitungsele- ment (engl. „processing element") zugeführt, welches eine Ausgangsgröße Y bildet.
Aus den Neuronen wird ein „Kohonen-Feature-Mapping-Neural- Network" gebildet, welches ein Modell auf Basis maschinellen Lernens darstellt.
Dieses Modell wird erzeugt und mit Trainingsdaten trainiert, wobei die Trainingsdaten auch von anderen, nicht baugleichen Pumpsystemen stammen können.
Ähnlich zu einem Multi-Layer-Perceptron (MLP) Netzwerk weist ein Kohonen-Netzwerk auch eine Vielzahl von Neuro- nen PE (engl. „processing elements") mit mehreren, mittels über jeweiligen Gewichtsfunktionen Wj gewichteten Eingän- gen Xj und einen Ausgang Y auf.
Bei der Berechnung des Ausgangsgröße Y können verschiedene Funktionen, wie beispielsweise die Euklidische Distanz, die Manhattan Distanz oder die Minkowsky Distanz angewendet wer- den.
Der wichtige Unterschied eines Kohonen-Netzwerks verglichen beispielsweise mit einem MLP ist jedoch die Architektur, die eine Eingangs-Ebene LI mit N Eingängen aufweist, auf die eine weitere Ebene L2 mit einer Vielzahl an Neuronen nachfolgt, welche in einem zweidimensionalen Gitter angeordnet sind.
Das Gitter weist eine Länge L und eine Höhe H auf, wobei je Gitter-Position ein Neuron angeordnet ist.
Jeder Eingang Xj ist mittels einer Gewichtsfunktion Wj mit allen Neuronen PEij der zweiten Ebene verbunden.
Fig. 30 zeigt eine schematische Darstellung eines Kohonen- Netzwerks. Eingangsgrößen X1,X2,Xj bis XN werden über jeweilige Gewichts- funktionen Wij einem jeweiligen Neuron PEij zugeführt, welches eine Ausgangsgröße bildet.
Es ist erkennbar, dass jede Eingangsgröße jedem Neuron zuge- führt wird.
Für jedes Neuron wird eine Ausgangsgröße bestimmt, welche beispielsweise eine erkannte Betriebseigenschaft der Pumpe darstellt.
Das neuronale Kohonen-Netzwerk wird durch Modifikation der Gewichtsfunktionen und weiteren, variablen Vorschriften trainiert.
Es ist das Ziel eines einzelnen Lern-Schritts jenes Neu- ron PEij zu finden, dessen Gewichtsvektor möglichst nahe zum Eingangsvektor gelegen ist, also der besten Überein- stimmung zum Eingangsvektor entspricht.
Dies kann beispielsweise durch Bestimmung der Euklidischen Distanz für alle Neuronen PEij und den Eingangsvektor er- reicht werden, wobei das Neuron PE mit der geringsten Dis- tanz als Gewinner ermittelt wird.
Das Neuron mit der besten Übereinstimmung wird mit der Klas- sennummer gekennzeichnet (engl. „labeled"), die mit dem Ein- gangsvektor assoziiert ist.
Falls dieses Neuron bereits eine assoziierte Kennzeichnung aufweist wird die Kennzeichnung mit der letzten Klassennummer aktualisiert .
Anschließend wird der Gewichtsvektor des Neurons und des- sen Nachbar-Neuronen aktualisiert, wobei die verbleibenden Gewichtsvektoren der anderen Neuronen nicht geändert werden. Unter dieser Aktualisierung wird ein geänderter Gewichtswert für die jeweiligen Neuronen verstanden, wobei verschiedene Permutationen von Gewichtswerten an Nachbar-Neuronen durchge- führt werden, um eine optimale Übereinstimmung zu finden.
Verfahren zur effizienten Iteration von Gewichtswerten von Eingangsvektoren von Neuronen sind dem Fachmann bekannt.
Nachbar-Neuronen liegen im Gitter angrenzend, das heißt es gibt acht Nachbarn.
Dadurch nähern sich die Nachbar-Neuronen enger an den Ein- gangsvektor an, wobei die Topologie des Eingangs-Raums, also der Reihenfolge der Eingangsgrößen, erhalten bleibt.
Daher kann das Kohonen-Netzwerk auch mit einem menschlichen visuellen Cortex verglichen werden, bei welchem sichtbare In- formation sehr effizient verarbeitet wird.
Das ist der wesentliche Vorteil, welcher die Anwendung eines Kohonen-Netzwerks zur Klassifizierung von Kurven in Last-Weg- Diagrammen auszeichnet.
Es ist daher besonders günstig, wenn zur Klassifizierung von Last-Weg-Diagrammen elliptische Fourier-Deskriptoren, das heißt Fourier-Koeffizienten-Paare a1,b1,c1,d1,...,aN,bn,cN,dN, wel- che die Kurvenform eines Last-Weg-Diagramms repräsentieren, als Eingangsgrößen X1,X2,Xj bis XN des neuronalen Netzwerks verwendet werden.
Wenn neue Last-Weg-Diagramme verwendet werden, welche über die zu erlernenden Klassen gleichverteilt sind, ist es mög- lich ein „machine learning"-Modell (ML) zu erzeugen, welches zu 75 % oder auch darüber der Testdaten, welche sich von Trainingsdaten unterscheiden, korrekt klassifiziert.
Im Vergleich zur Anwendung einer Bit-Maske gemäß der Fig. 28 ist die Verwendung eines Kohonen-Netzwerks mit elliptischen Fourier-Deskriptoren deutlich vorteilhafter, als ein Kohonen- Netzwerk, das mittels einer Bit-Maske erzeugt wird, denn ge- mäß der Größe der Bit-Maske ist ein deutlich größeres Koho- nen-Netzwerk gebildet.
Dies erhöht die Lernzeit stark, ohne dass bessere Testergeb- nisse im Vergleich zu Kohonen-Netzwerken mit elliptischen Fourier-Deskriptoren als Eingabegröße erzielt werden können.
BezugsZeichen :
1 Gestänge-Tiefpumpe
2 Laufbalken
3 Antriebsmaschine, Motor
4 Untersetzungsgetriebe
5 polierte Stange
6 Bohrlochkopf
7 Durchflussleitung
8 Mantel
9 Röhre
10 Stabschnur
11 Kolben
12 Lauf
13 Bohrloch
14 Fördermedium
15 Deckröhre mit vertikalen Rillen
16, 25 Haltevorrichtung
17 selbstausrichtendes Lager
18 drehende Röhre mit Spiralrillen
19 Aufnahmeröhre
20 Flügelmutter
21 Kolbenanordnung
22 Pumpenauskleidung
23 kalibrierte Stange
24 Stift 30 Last-Weg-Diagramm 31 Position der polierten Stange 32 Last der polierten Stange 33 Tiefster Punkt des Pumpenhubs 34 Höchster Punkt des Pumpenhubs 35 Spitze der polierten Stange, PPRI 36 Karte der polierten Stange für Pumpgeschwindig- keit gleich Null 37 Karte der polierten Stange für Pumpgeschwindig- keit größer als Null 38 Minimale Last der polierten Stange, MPRL 39 Bruttokolbenlast 40 Gewicht der Stangen im Fluid 41, 42 Kraft 43 Weg 50 Last-Weg-Diagramm mit Stangenlast bei Sollwert 51 Pumpe, volle Leistung 52 leergepumpt 53 Sollwert 54 Last-Weg-Diagramm mit Stangenlast beim Betriebs- wechsel 55, 56 Winkel 57 Last-Weg-Diagramm mit mechanischer Arbeit der Stangen 60 Last-Weg-Diagramm im normalen Betrieb 61 Last-Weg-Diagramm bei einem Fluid-Lager 62 Last-Weg-Diagramm bei Gas-Einwirkung 63 Last-Weg-Diagramm bei feststeckendem Kolben 64 Last-Weg-Diagramm bei einem Leck durch ein ste- hendes Ventil 65 Last-Weg-Diagramm bei einem Leck durch ein beweg- tes Ventil 70 Zeitachse 71 Achse für Amplitude der Strom- bzw. Leistungsauf- nahme
72 Leistungsaufnahme
80 gewählter Nullpunkt bzw. Nullachse
81 Polynom für gemittelte Leistungsaufnahme
82 Maximalwert der gemittelten Leistungsaufnahme
83, 84 Nulldurchgang der gemittelten Leistungsaufnahme
85 Periodendauer der gemittelten Leistungsaufnahme
86 ermittelter Phasenwinkel der gemittelten Leis- tungsaufnahme
100 Pumpsystem
110, 111 Pumpkopf
120 Kinematik-Wandler
130 Erfassungsmittel, ErfassungsVorrichtung
140 Rechenvorrichtung, Analysevorrichtung
150 Speicher
C21-C24, C31-C36, C41-C48,
C51-C58 geometrischer Schwerpunkt, Centroid
DC1-DC5 Last-Weg-Diagramm, Dynacard
L1, L2 Ebene im neuronalen Netzwerk
PE, PEij Neuron, engl. „processing element"
Q1-Q4 Bereich, Quadrant
W1, W2, Wn, Wj,
Wij Gewichtsfunktion
X1, X2, Xn
Xj Eingangsgröße
Y Ausgangsgröße

Claims

Patentansprüche
1. Computer-implementiertes Verfahren zur Bestimmung einer Betriebseigenschaft einer Gestänge-Tiefpumpe (1), wobei die Pumpe (1) einen Pump-Kopf (110, 111) aufweist, welcher über ein Gestänge (5, 10) mit einem Kinematik-Wandler (120) ver- bunden ist, und der Kinematik-Wandler (120) im Betrieb von einem Motor (3) angetrieben wird und ein Last-Weg-Diagramm mit Kurvenpunkten für die Pumpe (1) mithilfe eines Erfas- sungsmittels (130) von einer Analysevorrichtung (140) ermit- telt und als Betriebs-Last-Weg-Diagramm (DC1-DC5) mit Be- triebs-Kurvenpunkten bereitgestellt wird, dadurch gekennzeichnet, dass von der Analysevorrichtung (140) in einem Trainings-Modus zumindest ein Modell-Last- Weg-Diagramm mit jeweiligen Modell-Kurvenpunkten bereitge- stellt wird, welches auf eine vordefinierte Bezugsgröße nor- miert wird, und für zumindest eine Teilmenge der Modell- Kurvenpunkte ein Modell auf Basis eines Kohonen-Netzwerks mit elliptischen Fourier-Deskriptoren erzeugt und trainiert wird, und in einem Betriebs-Modus die Betriebs-Kurvenpunkte auf die Bezugsgröße normiert werden, elliptische Fourier- Deskriptoren für die Betriebs-Kurvenpunkte bestimmt werden, und geprüft wird, ob eine Ähnlichkeit der elliptische Fou- rier-Deskriptoren der Betriebs-Kurvenpunkte zu dem Modell des Kohonen-Netzwerks vorliegt, und falls zutreffend, die Betriebseigenschaft der Pumpe (1) daraus bestimmt wird.
2. Verfahren nach dem vorhergehenden Anspruch, wobei das Kohonen-Netzwerk eine Eingangs-Ebene (L1) mit Eingangsgrö- ßen (Xj) und eine zweite Ebene (L2) mit Neuronen (PE) auf- weist, und eine jeweilige Eingangsgröße (Xj) über eine je- weilige Gewichtsfunktion (Wij) mit sämtlichen Neuronen (PE) der zweiten Ebene (L2) verbunden ist.
3. Verfahren nach dem vorhergehenden Anspruch, wobei die Neuronen (PE) in der zweiten Ebene (L2) als virtuelles, zweidimensionales Gitter angeordnet sind.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei beim Trainieren des Kohonen-Netzwerks zunächst ein Neu- ron (PE) mit einem, an den Eingangsgrößen (Xj) anliegenden Eingangsvektor trainiert wird, und anschließend Nachbarn des Neurons (PE) bestimmt werden, und für die Nachbarn die zuge- hörigen Gewichtsfunktionen adaptiert werden und das Modell neuerlich trainiert wird.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Motor (3) elektrisch betrieben wird und das Erfassungs- mittel (130) dazu eingerichtet ist, die elektrische Leis- tungsaufnahme des Motors (3) während dessen Betrieb zu er- fassen, aus welcher die Betriebseigenschaften der Pumpe (1) bestimmt werden.
6. Computerprogramm, umfassend Befehle, welche bei deren Ausführung durch einen Computer diesen veranlassen, das Ver- fahren nach einem der vorhergehenden Ansprüche auszuführen.
7. Elektronisch lesbarer Datenträger mit darauf gespeicher- ten lesbaren Steuerinformationen, welche zumindest ein Com- puterprogramm nach dem vorhergehenden Anspruch umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Daten- trägers in einer Recheneinrichtung ein Verfahren nach einem der Ansprüche 1 bis 7 durchführen.
8. Datenträgersignal, welches das Computerprogramm nach An- spruch 6 überträgt.
9. Analysevorrichtung (140) mit einem Speicher (150) zur Bestimmung einer Betriebseigenschaft einer Gestänge- Tiefpumpe (1), welche dazu eingerichtet ist, ein bereitge- stelltes Betriebs-Last-Weg-Diagramm (DC1-DC5) mit dem Ver- fahren nach einem der Ansprüche 1 bis 7 zu analysieren, und daraus die Betriebseigenschaft zu ermitteln.
10. Pumpsystem (100) zur Bestimmung einer Betriebseigen- schaft einer Gestänge-Tiefpumpe (1), wobei die Pumpe (1) ei- nen Pump-Kopf (110, 111) aufweist, welcher über ein Gestän- ge (5, 10) mit einem Kinematik-Wandler (120) verbunden ist, und der Kinematik-Wandler (120) im Betrieb von einem Mo- tor (3) angetrieben wird, und ein Erfassungsmittel (130), welches dazu eingerichtet ist, ein Last-Weg-Diagramm der
Pumpe (1) mit Kurvenpunkten zu erfassen und bereitzustellen, sowie eine Analysevorrichtung (140) mit einem Speicher (150) nach dem vorhergehenden Anspruch, welche dazu eingerichtet ist, aus dem bereitgestellten Betriebs-Last-Weg- Diagramm (DC1-DC5) die Betriebseigenschaft zu ermitteln.
EP21786787.8A 2020-10-15 2021-09-24 Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür Withdrawn EP4204664A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20202028.5A EP3985224A1 (de) 2020-10-15 2020-10-15 Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür
PCT/EP2021/076390 WO2022078736A1 (de) 2020-10-15 2021-09-24 Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür

Publications (1)

Publication Number Publication Date
EP4204664A1 true EP4204664A1 (de) 2023-07-05

Family

ID=73037682

Family Applications (2)

Application Number Title Priority Date Filing Date
EP20202028.5A Pending EP3985224A1 (de) 2020-10-15 2020-10-15 Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür
EP21786787.8A Withdrawn EP4204664A1 (de) 2020-10-15 2021-09-24 Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP20202028.5A Pending EP3985224A1 (de) 2020-10-15 2020-10-15 Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür

Country Status (4)

Country Link
US (1) US20230383641A1 (de)
EP (2) EP3985224A1 (de)
CA (1) CA3198704A1 (de)
WO (1) WO2022078736A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4555194A1 (de) * 2022-07-15 2025-05-21 Services Pétroliers Schlumberger Feldausrüstungssystem

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6343656B1 (en) * 2000-03-23 2002-02-05 Intevep, S.A. System and method for optimizing production from a rod-pumping system
US9574442B1 (en) * 2011-12-22 2017-02-21 James N. McCoy Hydrocarbon well performance monitoring system
CN113167269B (zh) * 2018-12-16 2024-09-06 森西亚有限责任公司 泵系统

Also Published As

Publication number Publication date
US20230383641A1 (en) 2023-11-30
CA3198704A1 (en) 2022-04-21
EP3985224A1 (de) 2022-04-20
WO2022078736A1 (de) 2022-04-21

Similar Documents

Publication Publication Date Title
EP3876060B1 (de) Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine
DE112008003302T5 (de) Verfahren und Systeme zur Abschätzung von Bohrlochereignissen
DE112013007388T5 (de) Optimierte Drehung eines Bohrstrangs im Gleitmodus beim Richtbohren
EP3625629B1 (de) Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine
DE102016201559A1 (de) Verfahren und Vorrichtung zum Vermessen eines zu testenden Systems
WO2022078736A1 (de) Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür
WO2022078734A1 (de) Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür
DE102018205561A1 (de) Vorrichtung zur Klassifizierung von Signalen
DE102022210195A1 (de) Verfahren zur automatischen Erstellung eines KI-Diagnosemodells zur Diagnose eines anormalen Zustands auf der Grundlage von Geräusch- und Vibrationsdaten, auf die ENAS angewendet wird
Yamaliev et al. About the deep drilling equipment technical condition recognition method
EP3985222A1 (de) Computer-implementiertes verfahren zur bestimmung einer betriebseigenschaft einer gestänge-tiefpumpe, analysevorrichtung und pumpsystem hierfür
DE102017126341A1 (de) Verfahren und Vorrichtung zur Bestimmung eines Verschleißzustands in einer Hydrostatpumpe
WO2022152753A1 (de) Aufbereitung von betriebsdaten einer mehrheit von parallel geschalteten fördersträngen, wobei jeder strang einen strömungswiderstand aufweist
CN120031176A (zh) 用于确定钻井作业工况的方法、装置、设备以及存储介质
DE68925388T2 (de) Verfahren und Vorrichtung zur Ermittlung einer Pumpeigenschaft oder eines Parameters eines Fluids
DE102018217310A1 (de) Verfahren zum Auswerten von Zeitseriensignalen
DE102023204278A1 (de) Verfahren zur Analyse eines Maschinenlernmodells zur Detektion von Anomalien in Sensorsignalen
EP3816444A1 (de) Verfahren zur bestimmung von betriebseigenschaften einer gestänge-tiefpumpe sowie pumpsystem hierfür
EP3988761A1 (de) Verfahren, analysevorrichtung und pumpsystem zur erkennung eines ölaustritts bei einer gestänge-tiefpumpe
DE102007007301A1 (de) Systeme und Verfahren zur Erfassung des Schließens eines Ansaugventils
Han et al. Multiple fault diagnosis for sucker rod pumping systems based on matter element analysis with F-statistics
DE112022007203T5 (de) Informationsverarbeitungseinrichtung, Programm und Informationsverarbeitungsverfahren
Bangert Predictive and Diagnostic Maintenance for Rod Pumps
Krogerus Feature extraction and self-organizing maps in condition monitoring of hydraulic systems
DE102024200871A1 (de) Verfahren und Vorrichtung zum Optimieren einer Out-of-Distribution (OOD) Erkennung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230329

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20240328

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20240730