基于特征值提取与神经网络的抽油井故障诊断

郭健

（河海大学 江苏 南京 210000）

在油田生产信息系统中，我们要及时的了解抽油井井下的工况，通过自动化技术对井下故障进行检测与诊断，实现采油系统的自动监控[1]。然而，目前抽油井故障诊断的准确率并不是太高，如何在持续的研究和探索中不断改进和寻找新的方法来提高故障的识别精度和识别效率是当今油井故障诊断领域的一大热点问题。

有杆抽油系统采集获取的示功图数据是了解油井故障、判断油井工况的一个重要工具，油井示功图反应了抽油机悬点载荷随其位移变化规律的图形称为光杆的示功图，示功图作为研究油井动态具有不可替代的作用[2]。示功图数据是由位移数据和载荷数据构成，一般一张功图有几十到几百个点不等。通过这些功图数据并且利用神经网络可以实现对油井的故障诊断，而诊断的关键是对示功图识别的准确性[3]，这就要求建立一个合适的神经网络模型作为整个诊断系统的核心。

本文利用油井的功图数据，从中选择具体代表性的特征值作为神经网络的输入，从而丢弃了不必要的输入数据。建立基于自组织竞争神经网络的抽油井的故障诊断系统，实现了对不同故障类型的功图数据进行自动分类，并且在江苏油田生产信息系统中加以应用，取得了良好的效果。

1 示功图特征值最优子集的选择

示功图的原始数据往往掺杂了一些无用的信息，若把这些大量的数据作为神经网络的输入会影响神经网络的训练速度和诊断精度。通过运用几何参数法、灰度矩阵法等特征值提取方法来获取示功图的特征值，使神经网络的输入规模大大的减少，从而使特征值更具有针对性，提高了神经网络的训练速度，从而使诊断的准确性更高。

几何参数法主要是计算图形的周长、面积、包围目标的最小外圆等参数以及他们之间的比值来作为图形形状的描述方法。这些几何参数可以反映出示功图的各种物理意义。例如，增载线、卸载线的变化反映了泵内压力以及杆柱摩擦力的变化情况，它们的斜率也反映了泵的充满系数；最大最小载荷可以作为设定某些阈值的参照，同时也反映示功图在坐标轴上的位置；凡尔开闭点决定了抽油井活塞的冲程，从而可以计算出泵的充满系数。

灰度矩阵法是将归一化后的示功图放到相应的网格中，其中每个网眼对应一个灰度值。先把功图曲线经过的网眼置为1；其次再按等高线方式对其他网眼赋值，即在功图内部的网眼，每远离功图曲线一格则其灰度值加1，在功图外部的网眼，每远离功图曲线一格则其灰度值减1[4]。最后计算出示功图灰度矩阵的各个统计特征值，包括灰度的均值、方差、偏度、峰度、能量、熵等[5]。

通过上述两种方法提取到示功图的特征值集合为X=[X1，X2，…，Xn]，把这一最优子集作为神经网络的输入向量。

2 自组织竞争神经网络模型的建立

自组织竞争神经网络是一种无监督学习的神经网络，在网络结构上，它是由两层网络所组成，分别是输入层和竞争层，两层之间各个神经元实现双向连接，竞争层各神经元之间还存在横向连接，如图1所示。

图1 自组织竞争神经网络的结构Fig.1 The structure of self-organizing competitive neural network

竞争层中每个神经元对应一种标准模式，它们之间相互竞争，竞争的结果是最后有一个神经元胜出，即它的输出值为非零值，此时输入向量的类别就是获胜神经元对应的标准模式。竞争层的传递函数是一个二值型函数，只有最大输入的神经元的输出为1，其他均为0。由此，设竞争层的传递函数为：

可以看出，当规范化后的权值向量与输入向量的内积最大时，即两个向量最接近的神经元的输出为1。我们通过调整获胜神经元的权值，即网络权值矩阵中的某一个行向量的值，所以距离某个输入向量最近的权值得到了调整，使得它向着输入向量移动以更加接近该输入向量。这样，当下次输入相似的向量时，该神经元就更加可能在竞争中取得胜利。如此不断地将不同的输入向量输入网络，每次与输入向量最接近的权值向量就会向着输入向量移动，最终每个权值向量将指向输入向量的不同类，如图2所示，每个权值向量会成为不同的类的标准向量。那么当新的向量输入时，竞争层通过是权值向量最接近输入向量的神经元的输出为1，实现了分类的目的。而阈值用来调整神经元获胜的概率，从而避免死神经元的出现。

图2 权值向量与分类Fig.2 Weight vector and classification

相比于BP神经网络，该神经网络结构更简单，不需要经过大量的时间来确定合适的神经网络模型结构、算法和参数设置[6]。而且学习速率快，不会陷入局部最优解。基于以上特点，我们应用自组织竞争神经网络模型作为抽油井故障诊断系统的总框架。

3 自组织竞争神经网络的应用

我们首先将所有的原始功图数据进行归一化处理，即把示功图转化为无量纲的形式，转换公式如下：

其中，xi为位移数据，yi载荷数据（i=0，1，…，n）。

把归一化后的功图数据分为训练样本集和测试样本集，分别包括供液不足、上碰泵、气体影响、油稠和正常共5种类型，从中提取出16个特征值作为神经网络的输入向量，包括示功图的面积、尖角、平滑度、平均高度等几何特征，以及基于灰度矩阵的灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量和灰度熵6个灰度统计特征值。这样，该自组织竞争神经网络的输入神经元个数为16，而竞争层的神经元个数为5。

在训练样本集中，分别选择各种类型的示功图特征值集合进行训练，每种类型共有150个样本，重复训练10次，这样网络权值可以得到持续的调整，最终得到合适的权值矩阵。最后，把测试样本集的特征值集合作为网络的输入，得到相应的故障类型。这一过程也重复10次。

把上述方法的结果与运用BP神经网络模型的结果以及未经过特征值提取的自组织竞争神经网络模型的结果进行对比，其中后面两种方法的输入层神经元为216个，输出层均为5个，BP神经网络隐含层神经元为20个，而三者使用同样的训练样本集进行学习。结果如表1所示，方案一为BP神经网络模型，方案二为未经过特征提取的自组织竞争神经网络模型，方案三为经过特征提取的自组织竞争神经网络模型。

通过以上对比发现，经过基于自组织竞争神经网络的诊断结果的正确率相比于基于BP神经网络的诊断结果的正确率相对要高一些，而在基于自组织竞争神经网络的基础上再对示功图进行特征值提取后，其正确识别率为98.91%，都比前两种方案要高，而且训练时间也分别减少了68%和39%。所以方案三是确实可行的。

表1 方案结果对比Tab.1 The contrasts of solutions

4 结 论

本文通过对原始功图数据进行数据预处理和特征值提取，选择具有典型特征的特征集合作为网络输入，并且利用自组织竞争神经网络建立故障诊断模型，经过以上训练以及测试，结果表明，该模型具有较高的识别率，收敛速度较快，在江苏油田生产信息系统中可以解决抽油井典型故障诊断的问题。

[1]孙明.基于神经网络的抽油井故障诊断系统[D].青岛：中国石油大学（华东）：技术，2008.

[2]张家珍.基于加速度传感器的示功图测试与分析系统研究[D].青岛：中国石油大学（华东），2009.

[3]曾婧.基于神经网络的油田故障诊断优化[J].控制工程，2009:111-113.

ZENG Jing.Oil field of fault diagnosis based on neural network optimization[J].Control Engineering，2009:111-113.

[4]爨（王莹）.基于灰色理论的抽油井泵功图诊断技术研究[J].微电子学与计算机，2005，22（3）:77-80.

CUAN WANG-ying.The research of Oil well pump indicator diagrams diagnosis based on the theory ofgrey[J].Microelectronics and Computer，2005，22（3）:77-80.

[5]吴伟，陈国定，何焱.基于人工神经网络和灰度矩阵的泵功图诊断[J].西安石油大学学报，2007，22（3）:119-121.

WU Wei，CHEN Guo-ding，HE Yan.Based on artificial neural network and gray level matrix diagnosis of pump indicator diagrams[J].Journal of Xi’an Petroleum University，2007，22（3）:119-121.

[6]徐芃，徐士进，尹宏伟.自组织竞争神经网络在江苏油田有杆抽油系统系统故障诊断中的应用[J].高校地质学报，2006，12（2）:266-270.

XU Peng，XU Shi-jin，YIN Hong-wei.Application of selforganizing competitive neural network to fault diagnosis of sucker rod pumping system in Jiangsu oilfield[J].Geological Journal of China University，2006，12（2）：266-270.