基于BP神经网络的抽油系统故障诊断方法

李欢欢，于 俭

(杭州电子科技大学管理学院，浙江杭州310018)

0 引言

有杆抽油是机械采油中应用最为广泛和可靠的方式，也是在采油工程中一直占主导地位的人工举升方式［1］。国内外抽油诊断系统大都以功图为依据，准确识别功图是故障诊断的关键步骤。及时、准确地掌握有杆抽油系统的工作状况，诊断油井所存在的问题，制定合理的技术措施，提高举升效率和油井产量，对提高油田开发的综合经济效益有重要意义。人工神经网络(Artificial Neural Network，ANN)指许多简单的处理单元广泛地互相连接形成，是建立在实例学习基础上，基于数值计算采用并行推理，具有联想、记忆与归纳等特征的知识处理系统［2］。多层前馈式误差反向传播(Back Propagation，BP)神经网络是现在应用范围最广和最成功的人工神经网络之一［3］。能够完成任意复杂的非线性从输入到输出的映射关系，具有良好的泛化能力，已在各领域里得到广泛应用［4］。文献［5］首次将人工神经网络理论引入到示功图识别领域，应用误差反向传播学习算法训练神经网络。文献［6］等采用正弦型隐层感知机和sigmoid型输出层感知机的3层混合前馈网络模型。神经网络用于抽油机的故障诊断，已经取得了很多成功。

1 模型介绍

泵功图的是分析采油工程技术的一项重要工作，是动力仪在一周期内测取的封闭曲线，按时间顺序记录光杆在抽油过程中的载荷，与抽油杆柱上下行程一个周期的位移函数关系。抽油机井地面动力机械装置带动光杆和井下全部抽油杆柱，并带动深井泵柱塞作一次上下往复运动为一个周期［7］。泵况正常、液击和气体影响的泵功图如图1所示。

图1 诊断的故障类

根据泵功图可以对抽油系统是否正常工作做出判断，制定并及时调整油井工作制度，确定井下设备的故障，提供修井依据。正确、迅速识别泵功图反映的工况是保证有杆抽油系统正常工作的重要手段，因此，将泵功图作为分析、判断杆式油井工作状态的主要依据。

神经网络系统可以模拟人脑中的神经系统，便于集成的实现和计算的模拟。BP网络在知识获取和表示、自主学习、并行推理、容错以及记忆和联想等方面具有着比较强高的优越性［8］，为抽油系统的故障诊断提供了新理论和实践手段。

2 基于BP神经网络的故障诊断模型

输入层、隐层、输出层及网络各层间的传输函数是BP网络设计的主要内容。使用BP神经网络诊断抽油机工作状态，输入矢量P的每个元素，通过权矩阵W与每个输出神经元相连，输出矢量A。BP网络一般为多层神经网络，由BP神经元构成的二层网络如图2所示。

图2 两层BP神经网络模型

输出层节点的数量由数据类型和表示这个类型需要数据的大小决定，假设m为待分类模式的总数，则第 j个模式的输出为［9］:

式中，节点j的输出值是1，其余是0。若输出值全部是0，则说明待分类的项目不属于输入模式中的任意一种。

若一个双层BP网络有无限的隐层结点，则能够完成任何非线性的输入到输出的映射。建立此模型，隐层的节点数可以按如下方式计算:

式中，n为隐节点数，ni为输入节点数，n0为输出节点数，a为0至10间的常数。

传输函数采用sigmoid型函数:

设输入为P，输入神经元有r个，隐含层内有S1个神经元，激活函数为F1，输出层内有S2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。隐含层中第i个神经元的输出为:

输出层第k个神经元的输出为:

定义误差函数为:

3 仿真实验

采用3层BP神经网络，对30组训练数据以及10组测试数据。输入层有10个节点，输出层有2个节点，分别为正常工作以及泵内有气体两种情况。网络输入范围为［0，100］，训练次数为1 000次，训练目标位0.01，学习速率为0.1。对不同的隐藏层节点数进行训练，使用MATLAB 7.0软件进行仿真，得到不同对应的均方误差如表1所示。

表1 均方误差隐藏层节点数

由表1可知，隐藏层节点个数为20时均方误差最小，因此隐藏层节点个数为20个，隐藏层不同节点数的误差如图3所示。

图3 隐藏层不同节点数的误差图

由图3可见，隐藏层节点个数为20时的误差最接近于0，此时训练参数如图4所示，训练次数为1 000次，训练115次后，网络误差达到要求。

图4 隐藏层为20节点时训练参数

通过计算机诊断，训练结果如图5所示。

一级杆泵功图计算机诊断输出结果为0.010 7，对应的泵功图正常工作;3级杆泵功图计算机诊断输出结果为0.884 8，对应的泵工图泵内充气。

图5 BP神经网络诊断结果

4 结束语

本文使用神经网络模型进行油井抽油系统的故障诊断，网络的输入是以功图数据为依据提取的特征值，网络的输出是故障的类型，通过学习大量的故障样本，将知识以权值和阈值的方式储存在网络中。根据分析结果可知，这种基于BP神经网络的故障诊断方法可行，充分发挥了神经网络的推理和自学能力，可在抽油系统的故障诊断中使用，从而有效提高故障诊断的准确性。

［1］袁文琪，李训铭.基于神经网络的油井故障诊断系统研究与实现［J］.电子设计工程，2012，20(8):35－37.

［2］何勇，项利国.基于模糊聚类的BP神经网络模型研究及应用［J］.系统工程理论与实践，2004，24(2):79－82.

［3］杨金宝，张昌宏，陈平.基于改进BP神经网络的网络故障诊断研究［J］.计算机与数字工程，2012，40(2):65－67.

［4］Serkan Y，Cem D，Serhat A.Application of artmclaI neural networks to optimum bit selection［J］.Computers＆Geosciences，2002，28(2):261 －269.

［5］Rogers J D，Guffey G G，Oldham W J B.Artificial Neural Networks for Identification of Beam Pump Dynamometer Load Cards［J］.Society of Petroleum Engineers，1990，9(23):23 －26.

［6］Nazietal G M.Application of artificial neural network to pump card diagnosis［J］.Society of Petroleum Engineers，1994，6(6):9－14.

［7］韩国庆，张晓东.示功图识别技术在有杆泵工况诊断中的应用［J］.石油钻采工艺，2003，25(5):70－74.

［8］郭震.基于神经网络的专家系统实现研究［J］.水利科技与经济，2003(12):294－296.

［9］周开利，康耀红.神经网络模型及其仿真程序设计［M］.北京:清华大学出版社，2005:69－90.