基于示功图的油井故障诊断专家系统研究

袁文琪,胡敏

(浙江工业职业技术学院 电气电子工程学院,浙江 绍兴 312000)

基于示功图的油井故障诊断专家系统研究

袁文琪,胡敏

(浙江工业职业技术学院 电气电子工程学院,浙江 绍兴 312000)

在石油开采中,能够对抽油井井下的故障进行预测和诊断,并计算油井的产油量,从而及时了解和掌握采油系统的工况,实现采油系统的自动化监控和科学管理,是当前迫切需要解决的一个问题。本文针对如何实现油井故障自动诊断进行研究,通过实测示功图、提取功图特征值,并结合神经网络,以及能耗计算辅助判断故障类型的方法,从而建立油井故障诊断专家系统,通过油田实采数据验证,使诊断结果正确率基本达到95﹪,结论表明该方法是一种较为成功的尝试,有较高的实用推广性。

示功图；有杆抽油系统；专家系统；神经网络；故障诊断；能耗计算

目前国内外利用抽油杆柱上下往复的运动来驱动井下的抽油设备进行石油开采的方法,即有杆抽油方法是应用最早、最可靠,也是应用最为广泛的一种机械采油方法。有杆抽油系统的井下设备在地层底下工作,工况极其恶劣,设备较容易出现故障,不仅降低了油田产量,同时增加了采油成本。因此,在石油开采中,如何动态地分析有杆抽油系统,对抽油井井下的故障进行预测和诊断,从而能在第一时间釆取有效的措施排除故障,并且计算油井的产油量,是当前石油行业迫切需要解决的一个问题［1］。

传统的油井故障诊断方法有光杆动力仪和井下动力仪等。前者虽然操作简单方便,但是存在容易受到很多外在因素影响的问题,所以并没有在实际生产中得到推广应用；后者由于安装在井下抽油泵处,受到的干扰相对较少,能较准确地分析、判断出抽油泵的工状,但投入昂贵,而且不能实时获取井下泵功图,只用于研究和试验阶段。

因此,为了及时了解和掌握采油系统的工况,提高油田的采油效率和管理维护水平,利用计算机自动进行油井工况综合诊断,进行油井故障诊断专家系统的研究对于实现采油系统的自动化监控和科学管理具有重要意义。其诊断过程可以概括如下:对于获取的实测示功图利用数据库进行信息存储,计算机结合各种专家经验、知识和规则的智能诊断方法对现场采集的信息进行处理、计算和分析判断,从而找出故障或故障的前兆,最终将得出的提示或者警告信息反馈给用户进行证实。

1 油井故障分析研究

1.1 实测示功图

油井示功图是显示位移与载荷的关系的函数曲线,反映了在一个抽油周期中光杆的受力情况变化与其位置的关系［2］,它的横、纵坐标分别表示抽油杆的位移（m）和载荷（kN）［3］。

通过实测示功图,我们可以检测出深井泵工作的异常情况。因此,实测示功图是在有杆抽油系统中进行故障诊断的重要依据［4］。

1.2 典型故障类型功图

在实际的生产过程中,有杆抽油系统由于受到一定程度的机械磨损、化学腐蚀等多方面因素的影响,会出现各种各样的故障。与此同时,示功图的图形也会如实地表现出各种井下故障相对应的形状特征。油田技术人员往往能够根据经验结合示功图的形状、位置和变化等条件,来判断有杆抽油系统的故障类型［5］。下文分析几种有杆抽油系统中常见故障的典型功图。

1）泵正常工作的功图

如图1所示,功图左右、上下两条曲线各自平行,为一近似平行四边形,说明除了抽油设备振动引起的波动外,其它因素的影响并不明显。

图1 正常工作的功图Fig.1 Indicating diagram of the normal working condition

2）供液不足的功图

如图2所示,与图1正常工作的功图相比,供液不足的功图右下方面积缺失,但上下、左右曲线分别保持平行,最大载荷逐渐增加,功图面积逐渐减小。

图2 供液不足的功图Fig.2 Indicating diagram of the liquid insufficient working condition

3）抽油杆断脱的功图

如图3所示,抽油杆断脱的功图特点通常是,图中最大载荷Ymax小于正常最小载荷YNmin,功图面积急剧变小。图形有摩擦特征,近似水平状。

2 专家系统概述

2.1 故障诊断专家系统

利用专家系统进行故障诊断的基本原理就是运用专家的经验和知识来对诊断对象进行故障诊断的推理［6］,使运行及维护人员可以迅速、准确地将异常设备、故障分辨出来。故障诊断专家系统由五部分构建而成:

图3 抽油杆断脱的功图Fig.3 Indicating diagram of the sucker rod breaking off condition

1）知识的表示:提取油井故障诊断领域的相关专业知识和经验,将其转述成计算机能识别和运算的机器语言。

2）知识的获取:需要依据大量的有杆抽油系统故障诊断过程的相关知识和长期实践学习到的经验,从而完成诊断任务。

3）知识库:存储实测示功图、故障功图数据、功图特征值等计算结果、中间变量、诊断结果和历史功图数据等大量相关的数据。

4）推理机制:整合和协调整个系统的知识和规则,最终目标是得出故障或故障前兆的诊断结果。

5）解释机制:用户或者系统设计者可通过WEB界面实时查询到油井信息、功图信息、诊断的依据和诊断结果等确定的信息,体现出系统较好的交互性。

2.2 故障与功图特征值的对应关系

每一种故障类型的功图都有自身的特点,对不同的故障类型需要提取到能够反映其特点的功图特征值。文中提取如下15个直观特征值,基本能概括出典型故障功图所对应的特征:

1）凡尔开闭点的位移和载荷（8个）:供液不足或气体影响的功图右下角有较大空缺面积。采用梯度法［8］运算可得到功图的4个凡尔开闭点。

2）最大载荷、最小载荷（2个）:上、下载荷线和位置是区分抽油杆断脱的特征,抽油杆断脱时,功图的上、下载荷曲线都比较接近,而且均位于泵的下冲程载荷线以下。

3）总面积、示功图四角的面积（5个）:功图曲线所围成的面积,表示一个冲次内泵载所做的功,即光杆功率。当存在供液不足时,功图面积一般会减少；而当抽油杆断脱时,功图面积正常情况下的示功图出现较大的面积缺失。

对于任意的N边形,可以使用如下的面积计算公式:

式中:x0=xn,xn+1=x1,y0=yn,yn+1=y1。

根据专家经验和知识,这些特征值对故障的识别可以起到有限或决定性的作用。通过对这些经验的总结,可以得到如下的故障种类与特征值对应表,见表1。

表1中诊断程序部分来自Python故障诊断专家系统程序,其中各参数分别对应表示如下:area_all,总面积；area_all_std,标准功图总面积；area_part1～area_part4,左下、左上、右上、右下四部分面积；area_part1_std～area_part4_std；标准功图左下、左上、右上、右下四部分面积；change_rate,总面积变化率。

2.3 能耗计算辅助判断故障类型

能耗辅助诊断主要是根据计算出的油井的光杆功率、井下效率、地面效率、系统效率等油井举升能耗参数,来辅助分析油井工作状况,判断油井故障及高能耗原因,方便现场人员对油井状况提前掌握,及时排除故障,采取相应节能措施,恢复油井生产,降低能耗。

根据油井监控系统所监测到的数据,计算出的能耗参数,能够进行能耗辅助诊断的主要有以下几种情况:皮带断、断脱、缺相、电流过高、功率不平衡、功率因数低、系统效率低、单耗过高。

根据这些故障的特点,研究确定了判断条件,如表2所示。只需要进行单井判断条件设置,设置好具体报警数值,就可进行能耗辅助诊断,并提出优化措施。

表2 能耗辅助诊断条件设置Tab.2 Energy consumption auxiliary diagnosis condition setting

3 油井故障自动诊断系统研究

自动诊断系统诊断过程由数据预处理、特征值提取、专家系统功图故障诊断决策和后续处理措施4个部分组成,如图4所示。

图4 油井功图故障诊断系统技术思路示意图Fig.4 The schematic diagram of oilwell indicating diagram fault diagnosis system technique approach

输入信号U为示功图中位移与载荷变化关系曲线的离散点集,经过数据预处理模块后得到过滤掉毛刺的平滑信号W；通过特征值提取模块得到功图故障诊断的输入X；运行专家诊断程序,得到诊断结果,输出故障Y；最后对各种故障进行严重性分类,反馈给用户采取后续处理措施。

3.1 数据预处理

包括前期校验、平滑处理和数据归一化处理。前期校验目的是为了确保数据采集的长度和格式的有效性,并且通过确保程序的一致性,统一将位移的最小值点作为起始点,将载荷和位移数据排列整理成有序的功图数据。平滑处理目的是在进行特征参数提取前对可能由于失真形成毛刺的功图曲线进行去噪平滑,通常采取三次样条插值函数来平滑曲线。数据归一化的目的是为了使位移和载荷数据具有可比对性。

3.2 特征值提取

根据上文提取包括最大载荷、最小载荷,凡尔开闭点,功图面积等的15个功图特征值。

3.3 功图故障诊断

1）标准功图的选取

在实际的生产中,某些油井本身就存在或长期表现为供液不足或者其他故障的情况,均可以认为是该油井的正常工作特性。

因此,为了对油井当前功图做出更可靠的故障判断,在新井工作稳定之后,需要标定一张该油井的标准示功图,其反映故障物理特性的特征值根据油田技术专家的经验进行设定［7］。

2）故障诊断专家程序

对于本文选取的以上几种故障类型,由于其故障功图相较标准功图可以提取出较为明显的故障图形特征,因而如上文所述直接结合专家知识、规则进行判断,根据表1给出的故障与特征值之间的一一对应关系,使用Python软件,编程实现故障诊断专家系统程序。

3）结合能耗计算辅助判断故障

根据表2设置单井判断的能耗辅助诊断条件,就可进行能耗辅助诊断,并提出优化措施。

3.4 后续处理措施

某些油井长期表现为供液不足、油稠或出砂类等类型的故障,由于对油井正常的生产需求的影响并不大,并不需要立即处理,可待下次修井时或者必要时再处理。因此,输出诊断的结果后,系统根据预设的故障对于生产影响的严重程度,分别反馈给用户故障提示或者报警的信息。对于发生抽油杆断脱的故障,发出报警信息；对于供液不足的情况,给出故障提示信息即可；对于正常工作的情况则不做任何处理。

4 工况诊断结果分析

通过上述诊断过程,油田生产信息系统在系统平台不仅能够诊断出油井故障类型,并且在报警页面显示出了提示或报警信息,诊断结果见图5～图7,3种典型功图类型分别诊断为正常工作、供液不足、抽油杆断脱。

图5 诊断结果:正常工作Fig.5 Diagnosis result of normal working condition

图6 诊断结果:供液不足故障诊断Fig.6 Diagnosis result of the liquid insufficient working condition

图7 诊断结果:抽油杆断脱故障诊断Fig.7 Diagnosis result of the sucker rod breaking off condition

5 结论

文中利用江苏某油田生产信息系统数据库中大量的油井功图数据,获取其功图特征值集合用于训练神经网络,使用测试用的功图通过故障诊断系统诊断的结果看,经过统计、验证,得到工况诊断各故障的诊断成功率,即故障准确率分别为:泵工作正常达到99.10﹪,供液不足达到97.64﹪,抽油杆断脱达到95.10﹪。

诊断结果正确率基本达到95﹪以上。说明系统对油井故障的诊断率较高,结合油田专家知识选择的功图故障特征值有较强的针对性,使用专家知识结合BP神经网络［9］的智能诊断方法提高了油井工况诊断的可靠性,且本文所采用的方法是一种较为成功的尝试,有较高的实用推广性。

［1］王平勋.基于自组织竞争神经网络的抽油井故障诊断系统［J］.电子设计工程,2013,21（11）:112-115.WANG Pingxun.Oil field fault diagnosis system based on self-organizing competitive neural network［J］.Electronic Design Engineering，2013,21（11）:112-115.

［2］梁华，李训铭.基于物理意义的示功图凡尔开闭点精确提取［J］.石油勘探与开发,2011 38（1）:109-115.LIANG Hua，LI Xun-ming.Accurate extraction of value opening and closing points based on the physical meaning of surface dynamomenter card ［J］.Petroleum Exploration and Development，2011，38（1）:109-115.

［3］王利君，支志英.多智能故障诊断技术在油井生产中的研究与应用 ［C］//2014油气藏监测与管理国际会议(2014 ICRSM）论文集,2014.

［4］刘益江,张学臣,李伟.抽油井示功图综合解释［J］.油气田地面工程,2007，26（8）:3-5.LIU Yi-jiang，ZHANG Xue-cheng，LI Wei.Pumping oilwell indicator diagram integrated interpretation［J］.Oil-Gasfield Surface Engineering，2007，26（8）:3-5.

［5］Vapnik V N.Statistical Learning Theory［M］.New York:John Wiley&Sons，Inc，N Y，1998.

［6］施鸿宝，王秋荷.专家系统［M］.西安:西安交通大学出版社，1990.

［7］王雯雯.抽油井示功图故障诊断若干方法的研究应用［D］.南京:河海大学，2010.

［8］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.YUAN Wen-qi，LI Xun-ming.The research and implementation of neural network in fault diagnosis system of the oil deposit［J］.Electronic Design Engineering，2012，20（8）:35-37.

［9］黄新波，王娅娜，刘林，等.变压器油色谱在线监测中BP神经网络算法分析［J］.陕西电力,2013(6):56-60.HUANG Xin-bo，WANG Ya-na，LIU Lin，et al.Application of back propagation neural network in dissolved gas analysis based on transformer oil chromatographic on-line monitoring［J］.Shaanxi Electric Power,2013(6):56-60.

The research of oilwell fault diagnosis expert system based on dynamometer card

YUAN Wen-qi，HU Min
（Institute of Electrical and Electronics Engineering,Zhejiang Industry Polytechnic College,Shaoxing 312000，China）

In oil exploitation，the capability of pumping well downhole fault prediction and diagnosis，and calculating the oil production，so as to timely know and master the working condition of the oil exploitation system，realize the automation monitoring and scientific management of oil exploitation system，is an urgent problem to be solved in the oil industry.Therefore，the research of pumping well fault diagnosis technology has a high practical value，and it has also been an important task to domestic and oversea oil exploitation engineering technicist.In this paper，the research is according to the measured indicator diagram，extracting the characteristic values of indicator diagrams and combining with the neural network technology to establish the oilwell fault diagnosis expert system，and realize the oilwell fault automatic diagnosis.The accuracy of fault diagnosis is basically up to 95 percent.

dynamometer card；sucker rod pumping system；expert system；neural network；fault diagnosis；energy consumption calculation

TN98

：A

：1674-6236（2015）18-0119-04

2014-12-09稿件编号：201412078

袁文琪（1987—）,女,浙江绍兴人,硕士,助讲。研究方向:自动化、控制理论与控制工程、楼宇智能化制。