基于BP神经网络识别的电泵井实时电流故障诊断方法与应用

张锋利，郝晓军*，周日

（中海石油（中国）有限公司天津分公司秦皇岛32-6/渤中作业公司，天津，300459）

引言

渤海油田电泵井占总开发井数的 96%以上[1]，电泵井生产过程中常常因稠油乳化、泵轴断裂、举升效率下降、出砂、电压波动、过载停机、供液不足及气锁等多因素影响，导致电泵井举升效率下降，严重者停机检泵作业。在日产电泵井管理实践中，常常应用井口憋压诊断、实时电流曲线变化、井底流压变化、井口油压及产能变化判断电泵井运行状况[2-4]。以电流为例，陆地油田常常采用电流卡片方式诊断电泵运行状况，而海上油田因实现实时数据采集，可精准获取井下电泵运行电流数据，可采取以2s为时间单位的数据点。精准的电流数据获取为电泵故障诊断方法提供更为可靠的原始数据信息。本文利用现场实测电流样本和模拟电流样本，按照一定规则进行样本特征值提取建立样本库，运用BP神经网络识别方法计算相似程度，判断各种工况发生概率。

1 BP神经网络的原理

BP神经网络识别是一种神经前馈式多层神经网络模型和误差反向传播梯度下降算法[5-8]，其主要思路：若求出误差E对各个神经之输出的偏导就可以算出误差E对所有连接权值的偏导，可以利用梯度下降法来修改各个连接权值。BP网络训练学习是一种监督学习，要求每一个输入模式矢量与表示所期望输出模式矢量配对。一般来说，网络输出值与期望输出值是不相等的。对于每一个输入的模式样本，其均方误差为EP：

对所有的学习样本，网络的均方误差E为：

式中，P为输入模式样本总数。

2 实时电流故障诊断方法

2.1 BP神经网络识别诊断过程

取样本集：S={(X1，Y1)，(X2，Y2)，…，(Xn，Yn)}，逐一根据集中样本(Xk，Yk)计算出实际输出 Ok和误差测度 E1，对 W(1)，W(2)，…，W(L)各做一次调整，重复这个循环，直到ΣEp<ε。

用输出层的误差调整输出层权矩阵，并用此误差估计输出层的直接前导层误差，再用输出层前导层误差估计更前一层误差。如此获得所有其它各层的误差估计，并用这些估计实现对权矩阵修改。形成将输出端表现出的误差沿着与输入信号相反的方向逐级向输入端传递过程。BP神经网络识别结构示意见图1所示。

图1 BP神经网络结构示惿图

训练过程可以包括以下4方面：

（1）确定样本：输入向量，输出向量；

（2）权初始化：权值矩阵生成“小随机数”；

（3）向前传播阶段

✔ 从样本集中取一个样本(Xp，Yp)，将Xp输入网络；

✔ 计算相应实际输出Op：

✔ Op=Fl(…(F2(F1(XpW(1))，W(2))…)W(L))

（4）向后传播阶段（误差传播阶段）：

✔ 计算实际输出Op与理想输出Yp的差；

✔ 按极小化误差的方式调整权矩阵；

✔ 网络关于第p个样本的误差测度。

经过训练得到权值矩阵，根据权值矩阵和新的样本输入可得到输出值，通过判断输出值，可以识别故障类型，实现诊断的功能。

图2 BP神经网络诊断过程结构图

2.2 样本库建立

样本库建立从两方面入手：1. 现场实测电流样本：尽可能收集到所有将要判断故障类型的电流卡片，且每种故障类型的电流卡片样本数量应接近相等。2. 模拟电流样本：如果某种故障类型的电流卡片没有收集到或者收集到的电流卡片不够典型，可通过画图软件人工设计所需的电流卡片，以补充难以收集的电流卡片。

建立样本库原则：样本库的组织是影响最终识别效果的重要因素之一。组建样本库时既要保证每种类型的样本特点鲜明又要保证覆盖同种故障不同严重程度的样本。

（1）模拟电流样本

为提高BP神经网络识别精度，收集10种不同工况（正常工况、过载停机、供液不足、气体影响、频繁停、出砂、气体影响严重导致气锁、乳化等原因造成负载增加、井液有杂质卡泵停机和电压波动）对应的电流特征曲线，通过模拟电流特征样本建立样本库，见图3-图12所示。

1）气体影响

图3 气体影响模拟电流样本

2）气体影响严重导致气锁

图4 气体影响严重导致气锁模拟电流样本

3）出砂

图5 出省模拟电流样本

4）井液有杂质卡泵停机

图6 井液有杂质卡泵停机模拟电流样本

5）供液不足

图7 供液不足拟电流样本

6）过载停机

图8 气体影响模拟电流样本

7）频繁启停

图9 频繁启停拟电流样本

8）乳化等原因造成负载增加

图10 乳化等原因造成负载增加拟电流样本

9）电压波动

图11 电压波动模拟电流样本

10）正常工况

图12 正常工况模拟电流样本

（2）现场实测电流样本

1）气体影响

图13 气体影响

2）气体影响严重导致气锁

图14 气体影响严重导致气锁

3）出砂

图15 出省

4）井液有杂质卡泵停机

图16 井液有杂质卡泵停机

5）供液不足

图17 供液不足

6）过载停机

图18 过载停机

7）频繁启停

图19 频繁启停

8）乳化等原因造成负载增加

图20 乳化等原因造成负载增加

9）电压波动

图21 电压波动

10）正常工况

图22 正常工况

2.3 特征值提取

电泵井故障诊断的核心问题是电流卡片的模式识别问题。而对于一个模式识别问题，它的基础和关键的研究内容是对模式（识别对象）的特征的描述，模式特征具有如下特点：

1）差异性：不同的模式类型在特征集合上是有区别的；

2）可量化：特征可以用一个或一组数据进行表示；

3）唯一性：对同一个模式，一个特征有唯一的量化表示；

4）独立性：对于一个模式，它的特征只与这个模式本身有关。

模式识别的主要依据是特征值，根据图23所示的流程，通过分析不同工况电流卡片的特征，提取了共13类，45个特征值：无因次停机次数、无因次波动次数、无因次单次波动最小周期、无因次单次波动最大周期、无因次总波动时间、每2小时最大斜率（12个）、每2小时最小斜率（12个）、每4小时最大斜率（6个）、每4小时最小斜率（6个）、无因次波平比、面积周长比、无因次最长开井时间、无因次最短开井时间，其神经网络识别结构见图4所示。

图23 电泵井10种不同故障工况分类流程图

图24 该系统BP神经网络识别结构图

1

）停机次数

式中：Noff——停机次数，次；

2）波动次数

式中：Nfluc——波动次数，次；

3）无因次单次波动最小周期，最大周期

tifluc—第i次波动时间，分钟；

4）无因次总波动时间

5）每2小时最大斜率，最小斜率

6）每4小时最大斜率，最小斜率

7）波平比

8）周长面积比

12）无因次最长开井时间，最短开井时间

2.4 神经网络识别训练过程

神经网络识别训练方法是网络能够达到实际应用的关键环节，合理的选择组织样本训练不仅可以提高网络的学习速度，防止训练时振荡的产主，而且同时也能使网络具有良好的识别精度。样本训练应遵循以下规则：

（1）样本训练时学习常数设为 0.4，训练结束条件是单样本各输出结点最大误差小于0.1，且样本库输出误差平方和均值小于0.02。

（2）以BP神经网络识别用于分类时，首先要选取各类样本进行训练，每一类样本的数目要近似相等，其原因在于可减少训练后的网络对于样本多的类别相应过于敏感，而对于样本少的类别相应不热烈，使网络的总体性能不高。在BP神经网络识别训练时，对不同类别的样本要交叉的组织训练，相同的样本也要尽量离得远一些，可以防止对权值修正过大产主振荡。

3）由于BP神经网络识别不具有不变的识别能力，要尽可能的选择同类样本的多种形式。当训练的样本数目较多时，可分批一次训练多个样本进行输入训练，使一批样本的总体误差满足一定的要求在检验中把训练检验效果好的样本取出，代之以同类型的其它样本继续训练，而把训练效果不好的样本重新再训练，如此反复，强化“记忆”，直到其达到对该类型的识别能力。

2.5 神经网络训练结果

通过此BP神经网络识别方法可以识别10种故障，各种故障与期望值对应关系见表1所示：

表1 各种故障与期望输出皀对应关系表

3 应用实例与结果分析

以渤海某油田A01井实测电泵运行实时电流数据为例，该井生产层段为明化镇 IV油组，于 2011年 5月 30日投产，平均产液量 56.3m³/d，产气8595m³/d，含水37.5%，气油比244.2m³/m³。生产历史共检泵4次，平均检泵周期485天，2018年8月15日该井运行电流出现波动，实测实时电流曲线见图25所示。将电流数据绘制成电流卡片形式见图26所示。

图25 实时电流曲线绘制曲线

图26 A01井实测实时电流卡片绘制图

应用上述基于BP深井网络识别方法，对A01井实测实时电流进行故障诊断，诊断结果见表 2所示。可以看出，该井气体影响严重导致气锁故障概率为61.58%，气体影响故障概率为19.69%，判定该井为井下气油比过高，导致泵吸入口处气锁严重。同时选取该油田明化镇组典型电泵机组24口，应用该方法诊断，结果与实际井下工况符合率为22口，准确率为91.7%。

表2 A01井实时电流故障诊断结果表

4 结束语

提出了基于BP神经网络识别的电泵井实时电流故障诊断方法，利用现场实测电流样本和人工模拟的电流卡卡片形态，提取样本特征值，得到其权重值和阀值，将实时电流曲线特征值与权值矩阵相似度计算得到电泵井故障故障类型。实践证明该方法可快速、高效、批量用于全油田的电泵井故障诊断，诊断准确率为可达91.7%以上。

[1] 吴华晓,刘义刚,尚宝兵,等.油井清防蜡工艺在渤海油田的应用[J].长江大学学报(自然版),2016,13(17):67-70.

[2] 张琪,孙大同,樊灵,等. 采油工程原理与设计[M], 东营:石油大学出版社,2000:348-356.

[3] 冯定,朱宏武,薛敦松. 基于系统分析的潜油电泵机组综合诊断模型[J].石油学报,2007,28(1):127-130.

[4] 梅思杰,邵永实,刘军,等. 潜油电泵技术(上下册)[M].东营:石油工业出版社,2009.

[5] 黄丹,黄采伦. 基于 BP神经网络模型的电机故障诊断专家系统[J]. 自动化仪表,2003,24(3):15-17.

[6] 王青海. BP神经网络算法的一种改进[J]. 青海大学学报(自然科学版),2004,22(3):82-84.

[7] 彭科翔. 基于 BP神经网络的潜油电泵故障诊断[J]. 石油化工高等学校学报,2016,(22):189-192.

[8] 甘露,王仪,王波. BP神经网络在电潜泵 井故障诊断中的应用[J]. 石油钻采工艺,2011,33(2):124-127.