基于抽油机故障诊断的功图特征提取方法研究

刘花丽

摘要：针对如何有效描述泵功图，从而实现抽油机故障诊断这一问题，该文首先分析对比了几种常见的功图特征分析提取法，在此基础上，经研究提出了一种基于改进矢量曲线数据压缩算法，利用该算法可以更加有效对功图特征进行分析和提取，经研究对比后。通过实验结果数据证明该方法在对功图特征描述方面更加有效和准确，从而大大提高了对油田抽油机异常情况的诊断正确性。

关键词：功图；特征提取；矢量曲线数据压缩

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）32-0191-03

Research on Figure Feature Extraction Method Based on Fault Diagnosis of The Pumping Unit

LIU Hua-li

（Karamay Vocational &Technical College， Karanay 834000， China）

Abstract： In order to describe the indicator diagram of pump， so as to realize oil pumping machine fault diagnosis of this problem， this paper firstly analyzes and compares the feature extraction analysis diagram of several common， on this basis， this paper puts forward an improved compression algorithm Based on vector curve data， the algorithm can be more effective to diagram characteristics analysis and extraction， by contrast research. The experimental results show that the method is more effective and accurate in describing the characteristics of the power diagram， thus greatly improving the diagnostic accuracy of the abnormal situation of the oil pumping unit in the oilfield.

Key words： indicator diagram； feature extraction； vector curve data compression

目前，有桿抽油机采油方式是国内外石油工业传统的采油方式之一，而示功图包含了有杆抽油机工作的大量有效信息，不同的油井异常会在泵功图上产生不同的形状特征，通过的泵功图的特征进行提取分析就可以判断出目前油井所处的状态是否正常[1]。

根据示功图的形状，进行有杆抽油机故障诊断也是采油工程技术管理的一项重要工作[2]。随着人工神经网络、支持向量机等技术的出现，这就需要找到一种选取示功图特征值的方法，且该方法能够更准确地对示功图进行描述。本文研究内容对于有杆抽油井油井的异常情况判别就有现实的重要意义，可以有效提高油田生产过程的稳定性，减少异常故障带来的损失。

本文提出一种改进适量曲线数据压缩算法，对泵功图进行特征提取，该方法将斜率作为约束条件，斜率是一个相对量，且计算的次数少于采样点的数量，对于不需要进行曲线连接的封闭曲线来说，不会产生由于曲线连接而造成的冗余数据。

1 常见特征提取方法

1.1 基本原理

1） 傅里叶描述子

对功图特征提取可以采用多种方法，例如采用傅里叶描述子算法可以将功图的二维坐标点构成的封闭区域特征提取问题转化为以为数据值问题，利用边界分别计算出三种特征表述，复坐标函数、曲率函数以及质心距离。

在复坐标函数函数中，对于封闭曲线的特征提取过程为：假设其周长为L，先选择一动点d（l），把它的坐标表示为一个以L为周期的表达式函数，那么就是x（l）+jy（l），则把该函数展开为傅里叶级数表示。其中的z（k）是傅里叶描述子，图像曲线的特征就是由它表示出来的。当取高阶次的时候，傅里叶描述子既可以将物体的形状信息准确地提取并展示出来[3]。

2） 矩特征向量

HU矩[4]（几何矩）是由Hu在1962年提出。一般情况下，矩在统计学中被用来表明随机变量的分布状态，在力学当中，是被用来对物体的质量分布进行描绘，相似的，如果把图像的灰度值表述成一个多维的密度分布函数，那么该方法就可以对图像数据进行特征分析，并提取特征，矩特征主要描述了图像的几何特征，由于几何特征具有旋转、尺度改变、平移等状态下特征不变的特点，在图像处理过程中，其作为一个几何不变矩来表述物体，并以此为特点对图像进行识别分类等操作。

3） 灰度矩阵

网格法是一类在图像处理领域广泛使用的特征提取方法，在进行示功图的特征提取过程中，网格法是先将功图按照水平和垂直的方向进行网格状的分割，然后将功图数据描线在网格中进行呈现标记，以此来获取图形的一般特征参数[5]。，而特征提取就是基于网格法的一种改进方法，是将功图的灰度矩阵作为分类特征向量进行统计分类。

1.2 算法分析比较[6]

从上表可以看出，三种示功图特征提取方法都存在一定的不足，因此本文采用一种改进的矢量曲线数据压缩方法对示功图进行特征提取。

2 改进矢量曲线数据压缩算法的特征提取endprint

2.1 故障泵示功图

油田采油过程中，有较多的外界因素可能对抽油机产生影响，进而引发各种不同类型的故障，影响因素一般有天气，地质变化，化学侵蚀，油气开采汲取不当，器械老化等等，而对于不同的异常情况井的工作状态都会不同，在泵功图数据上都有所体现，所以只要对采集的泵功图数据进行有效分析，就可以判断出油井的工作状态，也就是异常种类的判断。比较常见的故障类型主要有：游动凡尔漏失、气影响、气锁、供液不足、油井出砂、固定凡尔漏失、泵上碰、泵下碰、油井结蜡、抽油杆断脱、油稠、双凡尔漏失、连抽带喷、柱塞脱出工作筒等[7]。伴随异常情况的发生就是油田生产的减产或者中断生产，导致经济的巨大损失。

2.2 示功图预处理

在功图特征提取之前，需要对功图进行如下处理：

1） 点序的规范

由于功图数据的记录开始时刻不同，导致功图数据的起始点不一样，这样的情况会在一定程度上影响后期对功图特征的提取的判断，为了增加准确率本文通过对功图数據的位置调整，将不同功图数据的起始点都转化到功图的左下数据点作为起始点。

2） 数据数值的规范处理

对于不同的地藏况，外部条件，抽油机异常都可能造成油井功图数据的数量级差距，这种情况如果直接将采集到的数据进行对比就可能造成巨大误差，是结果无法真实反映油井情况，为了有效对比，必须将不同量级的功图数据进行统一的规范化处理，本文就是采用Z-score标准化方法，将不同的功图数据归一化。

3） 采集数据点个数的统一

对于不同的是功图数据来源对应的功图源数据也是不同的，最主要的就是功图数据点数的不同，例如有的功图源数据点数为160，也有300的，所以为了有效对比，必须对来源不同的功图数据进行点数的统一规范，本文通过二次插值算法将功图数据点数统一为320个。

2.3 特征提取

本文采用一种改进的矢量曲线数据压缩算法。改进的矢量曲线数据压缩算法的主要过程是[8]：首先从泵示功图图形曲线的原点开始，依次对泵示功图曲线上相邻两点间线段的斜率进行计算，判断后一段曲线斜率值与前一段曲线斜率值之差的绝对值是否在某个阈值范围内，如果没有超过，压缩这两段曲线连接点处的冗余数据点，将两条曲线合为一条，然后将压缩冗余点后的曲线斜率与下一相邻曲线的斜率继续做差值，如果差值超出阈值范围，将后一段曲线保留，并记录所得效率值，以此曲线线段用相同的方法继续进行斜率值计算对比，判断是否在阈值范围内，一直到曲线的起始点为止，最后得到示功图的特征值。本文将所求斜率的前十个最大值作为示功图的特征值。

图1 基于改进的矢量曲线的功图数据处理过程

如图1所示为某井下示功图的数据曲线描点结果图形，这里首先求取线段[A1A2]的斜率值：

[K12=Y2-Y1X2-X1=ΔY12ΔX12] （1）

计算线段[A2A3]的斜率：

[K23=Y3-Y2X3-X2=ΔY23ΔX23] （2）

假如取阈值为[ε]，如果有：

[K23-K12=ΔY23ΔX23-ΔY12ΔX12≤ε] （3）

利用线段[A1A3]代替[A1A3]，计算出曲线[A1A3]的斜率值。

存在[K23-K12=ΔY23ΔX23-ΔY12ΔX12>ε]，那么以[A2A3]取代线段[A2A3]，之后存储斜率[K12]的值，使用同样的方法可以对曲线的其他数据部分进行拟合计算，直到数据起点位置，然后把结果中计算出的斜率最大的前十个值提取作为该功图的特征提取点。

3 实验结果分析

本文主要选取了正常功图、气影响、供液不足、游动凡尔漏失、泵上碰、抽油杆断脱这几种故障示功图进行特征提取，并将得到的特征点与标准库中的功图特征点进行匹配，

从表2种可以总结出，本文所提出的基于改进矢量曲线数据压缩算法在实验分析过程中对于功图状态的判断准确率在85%以上，对于部分功图准确率在90%以上，大大增加对功图特征识别上的准确性。

在相同条件下，分别采用改进适量曲线压缩算法与其他三种特征提取算法对正常功图、供液不足、气影响这3种故障示功图各选取30个样本进行测试，其识别匹配结果如下表3所示。

从上表可以看出，采用改进矢量曲线数据压缩算法对示功图进行特征提取后的匹配率较高，且计算简便，容易掌握，适合用于对故障示功图进行分类识别，判断抽油机的故障。

4 结束语

针对抽油机故障诊断过程中对示功图的识别问题，本文提出了一种改进的矢量曲线数据压缩算法。首先对功图进行预处理，然后采用改进适量曲线数据压缩算法对功图曲线进行压缩取点，该方法计算简单，准确率较高，适用于示功图的特征提取。

参考文献：

[1] 李东平. 油杆抽油系统杆柱动态特性的预测与计算机仿真[D]. 西安理工大学，2003.

[2] 王科科. 基于不变矩和神经网络的抽油机井故障诊断[J]. 内蒙古石油化工，2014， 1：44-45.

[3] E Persoon， K S Fu. Shape discrimination using Fourier description[J]. Trans on PAMI， 1986， 8：388-397.

[4] 王晓菡. 用于工况诊断的示功图特征提取方法研究[D]. 中国石油大学， 2011.

[5] 刘炜， 刘宏昭. 三种泵功图特征提取方法及比较[J]. 煤炭技术， 2010， 9（29）：202-203.

[6] 苏晓伟. 基于支持向量机的抽油机井故障分析模型研究[D]. 东北石油大学， 2014.

[7] 吴伟， 王玮. 机械式有杆泵抽油井示功图的识别[J]. 石油矿场机械， 2007， 36（4）：16-18.

[8] 刘可晶. 一种改进的矢量曲线数据压缩算法[J]. 甘肃科学学报， 2005， 3（17）：112-114.