基于SVM模型的油井工况智能诊断分析系统

王绍平 李永平 李广辉 刘继红 向东奎

（长庆油田分公司第二采油厂 甘肃庆阳 745100）

0 引言

长庆油田第二采油厂管理着马岭、华池、城壕、西峰等11个油田，近年来随着开发规模的扩大，油水井的井数日渐增多。在人工智能、大数据及物联网等新兴技术发展的今天，借助智能传感器、知识库管理及数据互联等手段，通过计算机代替人工分析降低人工成本、提高管理效率已成为流行解决方案之一。

1 油水井工况系统应用现状及存在问题

第二采油厂数字化建设从2003年开始，经历西峰油田先导性试验、老油田数字化升级改造、功能拓展深化应用三个阶段，单井数字化装配配套已趋于完善：油井已经实现了功图遥测、功图计量、电参数控制等功能，水井已经实现了稳流配水、压力、流量参数远程监控，同时建立了油水井工况系统，对参数进行远程监控和分析，用于辅助油水井管理，取得了良好的应用效果。但随着近年来油田生产行业发展和变化，在用系统无法完全满足目前及未来的生产需求，主要体现在三个方面：一是现有系统智能化程度不高，无法代替人工分析降低人工成本；二是现有系统未建立油水井闭环管理流程，不能满足精细化管理需求；三是现有系统使用的技术老旧，系统性能无法满足现有生产规模。

2 油水井智能诊断优化系统设计

基于解决以上问题的目的，2017年第二采油厂设计了油水井智能诊断优化系统，该系统在当前数字化前端设备基础上适当增加新传感设备，通过建立完善各类单井问题诊断模型库、知识库，系统参与到单井的诊断、预警、措施制定、生产预测、优化等各个环节。通过建立问题消息推送机制，实现问题井的定人、定责与限期处理，并对实施情况进行跟踪监控、统计分析，最终将单井的人工管理情况、单井治理效果反馈至知识库，为后期单井管理提供参考，形成问题井闭环管理。

3 油水井智能诊断优化系统框架

为满足油水井的日常管理需求，系统共分7个模块进行设计（图1），每个模块的主要功能如下：

（1）智能诊断：应用系统诊断算法模型、知识库，对单井生产数据、实时数据进行油水井智能诊断（目前诊断间隔设定为30min），同时对诊断问题报警并提供处置措施建议。

（2）预警报警：分层级统计单井问题报警、预警信息及处理情况。根据单井所属组织架构、区块层系、预报警时间等条件分类汇总，并以数据表格、GIS方式展示。

（3）措施跟踪：对预报警问题的处置措施进行分类汇总统计，提供措施变更、审核、发布功能。借助智能调度系统对措施分发、进度跟踪，在统计分析模块进行效果评价。形成措施安排→跟踪反馈→效果评价的闭环管理。

（4）预测优化：分析单井历史生产数据规律，结合预测优化算法对单井周期性问题进行预测。

（5）统计分析：统计系统相关数据，并分析得出直观指标，便于用户应用考核及系统后期持续优化内容做参考。

（6）知识库：管理系统的算法模型及知识模型，并为系统的诊断提供依据。重点包括功图特征库、诊断算法库及措施处置库。

图1 油水井智能诊断优化系统功能模块设计

（7）用户管理：通过岗位管理实现系统模块、操作、审核权限按岗位配置，系统将根据员工所在岗位自动分配访问权限。

4 油水井智能诊断优化系统应用技术

系统通过建立专家诊断经验知识库、故障样本特征库，对油水井常见故障建模，采用模型匹配、决策树等技术实现油水井故障智能诊断。

4.1 专家诊断经验知识库

按照油水井故障类别，从工程、工况、地质三个方面建立故障诊断知识库[1]。系统设计了知识库管理模块，方便对专家诊断知识进行维护和更新。知识库内容建设由系统开发人员与工艺所、地质所专家组成专家算法项目组。针对每一项油水井单井故障，归纳整理单井参数变化特征、确定故障判定参数经验值和算法，作为程序诊断的逻辑条件和参数。

表1 专家诊断算法示例

比如油井工况故障诊断知识库，通过与工况分析技术专家深入对接，针对易混淆的示功图工况类别，制定15种专家诊断算法（表1），其中的算法参数都是专家经验参数，不同油田和不同区块的参数都需要根据实际情况进行设定。

4.2 故障工况SVM模型库

本系统中示功图底层采用SVM图形识别。首先搜集历史故障样本工况，提取样本图形特征建立SVM模型库。本系统采取HOG+SVM方法进行特征提取、训练和检测，利用OpenCV[2]开源计算机视觉库实现。具体算法流程有以下三个方面。

4.2.1 HOG特征提取

HOG特征[3]的核心思想是利用物体的像素梯度以及边缘方向分布来描述该物体的appearance 和shape。具体提取步骤为：①提取故障示功图并归一化处理为灰度图像；②计算每个像素梯度的大小和方向；将图像划分成小cells；③统计每个cell的梯度直方图；④将2x2cell或者3x3cell或者更多组成一个block，一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。再将图像内的所有block的HOG特征descriptor串联起来就可以得到该图像的HOG特征descriptor。

在OpenCV框架中，HOG特征提取方法已经封装在HOGDescriptor类库中，首先创建HOGDescriptor类实例，指定winSize、blockSize、blockStride、cellSize、nbins如下图：

图2 OpenCV中HOGDescriptor 类构造参数

然后调用HOGDescriptor.compute（src,descriptors,Size（8,8））方法，即可计算源图像src的描述子，步长设定为（8,8）。

4.2.2 SVM分类训练学习

SVM模型[4]是一种二类分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。

在OpenCV中，可以通过CvSVM类来进行分类训练：①设置训练样本集。准备两组数据，一组是故障的类别，一组故障的HOG特征向量信息。②设置SVM参数。利用CvSVMParams类实现类内的成员变量进行设置，其中Cvalue为损失函数。③训练SVM。调用CvSVM：：train函数建立SVM模型，调用函数CvSVM：：predict实现分类。最后将训练好的SVM模型保存为xml文件(图3),使用时加载模型数据进行检测即可实现示功图故障自动识别（图4）。

图3 故障样本SVM分类模型数据

图4 SVM模型故障检测结果

4.3 智能诊断算法模型

在实际生产应用中，油水井的工况非常复杂，依靠单一诊断算法无法准确得到诊断结果（表2）。本系统通过组合多种诊断算法建立诊断算法模型来提高诊断准确率。例如系统的工况诊断算法模型就是由图形SVM模型识别、专家诊断经验知识库、功图关键参数趋势分析[5]及特殊工况诊断算法4种诊断算法构成（图5）。

图5 工况诊断算法模型

算法模型建立之后，还需要根据故障类别特征、各种算法的特性建立诊断决策树，来提高诊断速度及准确度（表2）。

表2 应用诊断决策树提高诊断速度与精度

下图为断脱类工况图形故障诊断决策树（图6）。

图6 杆断类工况特征诊断决策树

最终系统工况智能诊断效果见图7。

图7 系统工况智能诊断实例

图8 系统运行流程设计

5 油水井智能诊断优化系统运行流程

5.1 系统整体运行流程

油水井智能诊断优化系统是一套完整的油水井日常管理解决方案，系统设计的7个功能模块互相交融、紧密联系。其中知识库及权限管理两个模块用于系统后台服务，为用户的使用及系统智能分析提供技术支持。其余5个模块（智能诊断、预警报警、预测优化、措施跟踪、统计分析）构建了油水井从发现问题→预警问题→处置问题→效果评价→预测优化整个闭环管理流程。（图8）。

5.2 用户问题处置流程

对于系统的最终用户（基层技术管理人员），系统报警处置异常简单，系统总体设计两级人员参与，包括了问题处置及审核两个环节，一个问题的处置最多3步即可完成（图9）。

图9 系统问题处置流程设计

6 系统应用效果及结论

系统自2017年投入研发，截止目前完成7大模块、25项功能的开发，目前有特征功图1300张、诊断算法36项，可诊断常见油水井故障63种，内置对应处置措施44项。2018年3月，系统投入生产使用，诊断准确率达到85%，诊断速度5000口/分钟，系统漏报率0.5%，基本达到预期设计目的。

通过该系统的使用，目前达到了以下几个应用目标：

（1）提高生产效率：对油水井的生产动态分析由人工分析转向智能分析，把广大技术人员从日常的分析统计工作中解放出来，大大提高工作效率；

（2）提高管理效率：建立了从问题发现->措施安排->落实监控->效果评价的管理流程，实现了闭环透明管理，提升了管理效率；

（3）保障生产时率：通过智能分析诊断及时发现油水井及生产管理中的各类问题，有效消减对产量的影响，提升异常问题的恢复效率。预计降低损失1831t，按照目前油价2925元/吨计算，折算经济效益536万元。