基于BP神经网络的电潜螺杆泵抽油工况诊断研究

郑春峰，吴霄，许贺永，杨若谷，余丹，檀朝东*



基于BP神经网络的电潜螺杆泵抽油工况诊断研究

郑春峰1，吴霄2，许贺永3，杨若谷4，余丹2，檀朝东4*

（1.中海油能源发展股份有限公司工程技术公司，天津，300452；2.中国石油大学（北京），北京，102249；3.中国石油大港油田公司，天津大港，300280；4.北京雅丹石油技术开发有限公司，北京，102200）

电潜螺杆解决了地面驱动螺杆泵杆断脱、管杆偏磨的问题，具有能耗低、维护简单等优点，由于缺乏工况实时分析诊断的方法，难以及时发现井下机组工作状态和故障原因。本文根据地面驱动螺杆泵系统典型故障，结合电潜螺杆泵系统的结构和特性，构建了工况诊断训练和测试集样本，建立了故障工况征兆矢量与工况类型之间的映射关系，形成了基于神经网络的电潜螺杆泵抽油工况诊断方法及系统，并在实际生产得到了验证。

电潜螺杆泵；生产工况；BP神经网络；在线诊断

引言

电潜螺杆泵ESPCP是人工举升的方法之一，由于其特殊的结构设计，与目前各油田广泛使用的柱塞式抽油机、地面驱动螺杆泵、电潜离心泵相比较起来具有如下特征：适宜于高粘度、高含砂量以及聚合物成份比例较大的原油开采作业；不发生气锁并有破乳作用；抽吸连续平稳，不对油层产生压力激动作用[1]；泵的排量稳定，油液流动无扰动，便于计量。另一方面，电潜螺杆泵系统属于无杆采油设备，不存在抽油杆的扭曲变形和伸缩变形过程中的能量损耗，不存在抽油杆与井液搅动问题，采油能耗低，消除了因杆磨损或断脱带来的损失，延长了泵检周期，不仅适宜于斜井、定向井及水平井的开采作业，而且机组井上部分体积小、重量轻、易于管理的特点使其更适宜于海上平台和沼泽地区采油作业[2]，同时，泵下机组的发热可以起到加热原油的作用。

电潜螺杆泵处在环境复杂的油井中工作时，往往无法及时掌握其井下机组的工况，如果井下工况不合理或机组发生了故障而没有得到及时有效的处理，就会导致机组带病生产，严重影响到机组的寿命以及油井产量。而对井下工况判断不准确，造成不合理的操作甚至不必要的修井作业，同样也会严重影响油井产量和增加生产成本。当前，现有的大部分油井故障诊断系统仅仅停留在对油井生产数据的采集、传输、存储和显示上，需要依靠人员的经验进行下一步的工况诊断工作。电潜螺杆泵采油技术拟在油田得到规模成功应用，有必要在现有的油气水井统一平台基础上，升级形成一套潜油螺杆泵井生产监控、工况诊断等功能的智能应用系统。该系统可对潜油螺杆泵井全生命周期动静态资料进行管理，通过单井监控、诊断，有问题及时发现及时处理，提前实施预防措施，有效提升生产时率，降低油气生产成本。

1 电潜螺杆泵系统工作原理

电潜螺杆泵是单螺杆式水力机械的一种，是摆线内啮合螺旋齿轮副的一种应用。螺杆泵的转子、定子副利用摆线的多等效动点效应，在空间形成封闭腔室，当转子和定子作相对转动时，封闭腔室能做轴向移动，使其中的液体从一端移向另一端，实现机械能和液压能的相互转化，从而实现举升液体的作用。

电潜螺杆泵系统由动力系统、传动系统、执行系统、控制系统、配套工具及井下管柱六部分组成[3]。其中动力系统包括电机、动力电缆和变压器等，动力电缆将三相电传递给井下电机；传动系统包括齿轮减速器、保护器、联轴体，内含轴承、密封、压紧弹簧等关键零部件，减速器主要起减速和提高扭矩的作用，联轴体除了传递扭矩外，还承受转子反作用过来的轴向压力，同时将输入轴的定轴转动转换为输出轴的偏转运动；执行系统即螺杆泵，由金属转子和橡胶定子组成；控制系统包括上位机、下位机、变频器、井下温度与压力传感器等；其他的配套工具包括泄油阀、单流阀、封隔器等。电潜螺杆泵系统的机组结构如图1所示[4]。

图1 电潜螺杆泵采油系统结构图

电动潜油螺杆泵采油系统的工作流程为：动力电缆将电力传至井下潜油电机，潜油电机通过保护器、减速器、柔性轴驱动螺杆泵转子低速转动，转子在定子中旋转，形成动态密封腔室，将原油增压，从泵的吸入端推进到输出端并举升至地面[5]。

2 电潜螺杆泵系统在线诊断方法研究

潜油螺杆泵处在环境复杂的油井中工作，潜油螺杆泵井下机组的工况往往无法被及时掌握，如果故障发生时没有被及时发现，那么故障可能从井下机组的一个部件传递至整个采油系统，导致整个采油系统失效，对于螺杆泵的诊断技术，虽然已研究出一些诊断算法，但往往只是在故障发生后，对已有的抽油井数据进行分析处理，得出故障产生的原因，没有将实时生产数据与故障诊断系统结合起来，无法满足数字化油田“降本增效”的管理需求。随着计算机、通信以及网络技术的不断进步，油井监控系统得到了迅速发展。对于地面驱动螺杆泵采油系统故障诊断，目前采用的技术主要有电流法[6]、憋压法[7]、产液量法、扭矩法[8,9]、综合诊断法等，而对于潜油螺杆泵采油系统的故障诊断技术还处于起步阶段，本文从分析和研究地面驱动螺杆泵采油系统的故障诊断技术出发，研究出一种适合于潜油螺杆泵的在线故障诊断方法。

螺杆泵井除了正常工况外，还有其它多种异常工况存在，这些异常工况均视为故障工况，虽然螺杆泵井的故障种类繁多，但是总体上可以将故障分为地面故障和井下故障两类。对于地面驱动螺杆泵采油系统，地面故障主要发生在电动机和减速器上，井下故障主要有抽油杆断脱、杆管偏磨、油管断脱、泵漏失、油管漏失、泵卡阻、蜡堵等故障。而对于潜油螺杆泵采油系统，由于潜油电机和减速器均放置于井下，因此其故障主要集中在井下，同时潜油电机通过电机保护器、减速器、柔性轴与螺杆泵转子相连，因而不存在抽油杆断脱和杆管偏磨故障。潜油螺杆泵比较典型的异常工况主要有柔性轴断脱、蜡堵、泵卡阻、泵漏失、泵空抽、泵工作压差不合理、油管漏失、减速器故障、潜油电机故障等多种类型。

电潜螺杆泵的各种故障与现场生产数据存在复杂的非线性关系，而BP神经网络模型[10]是一种非线性的、有一定容错能力的，具有很强的信息综合能力和极强的自适应、自学习的模型，其应用广泛发，十分适用于依据油井现场生产数据来进行故障诊断。

BP神经网络结构如下图2所示分为三层：输入层、隐含层、输出层。本文采用的标准三层BP神经网络，建立故障工况征兆矢量与工况类型之间的映射关系。

图2 三层BP神经网络结构图

其中，每个输入层神经元对应一种故障征兆矢量输入，为了更好的反应现场的工况，选取现场油井一段时间内的工况参数—电流、有功功率、扭矩和产液量，分别取其平均值、最大变化率、最小变化率共12个值，进行归一化后得到12个特征向量作为输入。隐含层中的神经元个数参照经验公式确定为18个。每个输出层神经元对应一种工况类型，即九种异常工况和一种正常工况，选取0和1作为网络的输出，越接近0则表示该节点不出现该种类型工况，越接近1则表示该节点出现该种工况，网络输出层矢量编码如表1所示。

表1 网络输出层矢量编码

选取某油田的20多口油井的实时生产参数进行样本集的建立，共收集100组数据样本，其中每种工况对应有7组训练样本和3组测试样本。通过70个训练样本的训练，建立起针对电潜螺杆泵工况诊断的BP神经网络，用代表10种工况下共30组测试样本进行训练学习，BP网络算法的学习过程由正向传播过程和反向传播过程两个阶段组成。在正向传播过程中，将学习样本输入BP网络，经隐层加权处理和激活函数运算后，计算出各神经元在隐层和输出层的输出，并计算实际输出和学习样本中期望输出的误差。在反向传播过程中，当实际输出值与期望的输出值的误差没达到精度要求时，将误差逐层回传反向传播，按照梯度下降原则调整各相邻层之间的连接权重系数和隐层与输出层的阈值，逐渐减小误差直至收敛。最后，神经网络的输出和诊断结果如表2所示。

表2 样本训练结果

测试结果表明，所建立的BP神经网络能够对测试集样本做出正确的分类，输出的工况类型与期望一致。根据测试结果，做出规定：当输出节点的输出值在0.75到1.05之间，则认为是对应输出节点的工况类型。

3 电潜螺杆泵井工况诊断实例

现场某口电潜螺杆泵的生产参数如图3所示，曲线表明产液量由正常迅速降至极低水平，电流接近空载电流，有功功率偏低，扭矩降低，现场判断为柔性杆断脱。用所建立的BP神经网络对该井工况进行诊断，将生产参数经过特征值提取后，得到输入矢量为(0.89 0.11 -0.42 0.51 0.15 -0.71 0.52 0.05 -0.64 0.11 0.08 -0.91)T，将其输入至BP神经网络输入层，得到的输出如表3所示，结果表明与现场判断一致。

图3 现场某井生产曲线图

表3 BP模型输出结果及诊断结果

通过其他现场不同工况结果对比分析可知，网络的实际输出值与目标输出值非常接近，诊断结果正确率达到了94%以上，表明建立的BP神经网络模型实现了工况诊断的功能，同时也表明了将BP神经网络方法应用在电潜螺杆泵抽油工况在线诊断具有可行性。

4 结束语

本文结合地面螺杆泵的典型工况和诊断方法，针对电潜螺杆泵自身结构和工作特性，提出了以电潜螺杆泵实时生产参数为研究对象，基于BP神经网络的诊断模型，通过特征值提取，搭建了电潜螺杆泵工况样本集，确定了网络的训练参数，完成网络的训练和测试。经测试和初步验证，能够对电潜螺杆泵常见的工况进行在线诊断，结果可靠，值得进一步研究更加复杂工况的诊断。

[1] 鲍锋, 赵政超, 王智博,等. 电潜螺杆泵采油系统的开发与现场应用[J]. 石油钻采工艺, 2000, 22(1):67-68.

[2] 刘红兰, 王富, 梁华. 电动潜油螺杆泵在埕岛油田的应用研究[J]. 石油钻探技术, 2004, 32(5): 48-50.

[3] 王世杰, 李勤. 潜油螺杆泵采油技术及系统设计[M]. 冶金工业出版社, 2006.

[4] 孔倩倩. 电动潜油螺杆泵工况诊断方法研究[D]. 中国石油大学(华东), 2009.

[5] 杨献平. 电动潜油螺杆泵采油系统特点及应用[J]. 石油矿场机械, 2004, 33(3): 82-84.

[6] Ramos M A, Brown J C, Rojas M D C, et al. Producing Extra Heavy Oil using Bottom Drive Progressive Cavity Pump from Orinoco Belt Cerro Negro Area Venezuela[M]. 2005.

[7] 宫伟. 电动潜油螺杆泵采油系统应用研究[J]. 胜利油田职工大学学报, 2005, 19(5): 53-54.

[8] 李增亮, 张来斌. 电潜螺杆泵机组故障诊断系统设计方法研究[J]. 流体机械, 2003, 31(1): 32-34.

[9] 梁铁坤. 电动潜油螺杆泵采油系统控制技术的研究[D]. 哈尔滨: 哈尔滨理工大学, 2005.

[10] 韩立群. 人工神经网络理论、设计及应用[M]. 北京: 化学工业出版社, 2007: 24-32.

Study on Production Condition Diagnosis of Electric Submersible Progressing Cavity Pump(ESPCP) Based on Back Propagation Neural Network

ZHENG Chunfeng1, WU Xiao2, XU Heyong3, YANG Ruogu4, YU Dan2, TAN Chaodong4*

(1. CNOOC Energy Technology & Services- Engineering Technology Co, Tianjin Tanggu, 300450, China; 2.China University of Petroleum (Beijing), Beijing Changping, 102249, China; 3. China National Petroleum Corporation Dagang Oilfield Company, Tianjing Dagang, 300280, China; 4. Beijing Yandan Petroleum Technology Development Co, Ltd, Beijing Changping 102200, China)

Electric submersible progressing cavity pump(ESPCP) solves the problem that rod of progressing cavity pump(PCP) is broken off and partial wear, which has the advantages of low energy consumption and simple maintenance. Due to the lack of online diagnosis of working conditions, It is difficult to find the working state and cause of the downhole assembling unit in time. Based on the typical failure of PCP system and the structure and characteristics of the ESPCP system, a sample of working condition diagnosis training and test set is constructed.The mapping relation between the sign vector of the fault condition and the type of working condition is established.The diagnosis method and system of the pumping condition of ESPCP based on the neural network are formed,and has been verified in actual production.

ESPCP; Production condition;Back propagation neural network;Online diagnosis

10.19551/j.cnki.issn1672-9129.2018.01.022

TP183

A

1672-9129(2018)01-0056-03

郑春峰, 吴霄, 许贺永, 等. 基于BP神经网络的电潜螺杆泵抽油工况诊断研究[J]. 数码设计, 2018, 7(1): 56-58.

ZHENG Chunfeng, WU Xiao, XU Heyong, et al. Study on Production Condition Diagnosis of Electric Submersible Progressing Cavity Pump(ESPCP) Based on Back Propagation Neural Network[J]. Peak Data Science, 2018, 7(1): 56-58.

2017-10-20；

2017-12-17。

檀朝东(1968-)，男，安徽，副研究员，博士，采油工程，智能油田。E-mail:704877300@qq.com