机理仿真与数据驱动融合的电泵举升故障诊断预警理论研究进展

檀朝东 黄新春 王松 张光一 付军 杜广浩

1. 中国石油大学(北京)油气资源与探测国家重点实验室；2. 中国石油大学(北京)石油工程学院；3. 中国石油大学(北京)人工智能学院；4. 中海油能源发展股份有限公司工程技术分公司

0 引言

全球95%的油井使用人工举升方式开采。其中，电潜泵举升井约有130 000口［1］，仅次于抽油机井。电潜泵井举升的液量最多［2］，其每年产出的原油约占全球总油量的60%，并且电泵维护费用占全球年度人工举升费用的43%［3］。我国电泵举升井的数量达到15 000多口，是海上油田开发和陆上油田后期提液稳油的主要方式。油田现场服役电泵的性能和使用寿命受许多因素影响，如复杂井眼、高温高压、高黏度流体、高气液比流体、出砂、结蜡等，导致电泵井出现磨损、气锁、卡泵、冲蚀、腐蚀、漏失、电缆击穿、电机损坏等故障，不仅增加油井检泵作业维护费用，而且由于作业停产和作业后恢复期减产等因素间接影响油井产量，经济效益损失大。目前电泵井平均检泵周期约1 000 d，若单井检泵作业维护费按12万元、电泵单井原油产量按15 t/d、待作业与作业后恢复期减产对油井产量的影响时间按7 d、原油价格按3 200元/t计算，则我国电潜泵井年检泵作业约8 000井次，直接检泵费用达10亿元，作业减产所造成的产量损失为27亿元，年经济损失达37亿元。若能将电泵井检泵周期提高30%，年经济效益可达10亿元。深入研究电潜泵生产诊断机制与早期预警方法，对指导现场生产、减少故障次数、延长检泵周期、降低采油成本以及提高油田开发的经济效益具有重要意义。

1 电泵举升故障诊断预警理论研究现状

电泵在多相流井筒中运行可能产生很多问题，包括气锁、卡泵、侵蚀、腐蚀、磨损、电缆击穿、漏失等。随着压力下降，气体从溶液中分离出来，可能导致压头退化。在临界情况下，对于高气液比和低吸入压力，可能会出现：(1)压力波动，其特征是随着气体体积分数的增加，压头突然急剧下降，喘振；(2)气锁，导致无压头和无流量；(3)低吸入压力和高气液比,可能引起磨损、温度上升超限等。段塞流的液气交替结构的固有特性也会导致泵产生时变推力，可能导致位于电机保护器或密封段的止推轴承承受异常的推力振荡。电泵机组处于油藏地层井筒多相流体之中，无法用肉眼观测，很难精确建立油井生产系统的数学模型，无法准确地认识油藏渗流机理、井筒多相流流动规律、机泵运行特性、管柱破坏机理、电泵机组温升规律、流体-机械-电气的相互间的作用等。深入了解电泵内部的运行机理和充分利用电泵机组动态性能数据可以为电泵故障诊断、电泵设计和优化油井生产提供指导，也能够延长电泵的检修周期、降低维护成本和延长油井生产系统的运行寿命。因此，在复杂、不确定、非结构化的油藏环境中，电泵举升油井的工况诊断与决策成为智能油井研究的热点与难点问题之一。

1.1 建立客观反映电泵运行动态工况特性的机理模型和精确求解具有极大挑战性

以往的油井生产系统动态特征研究多是通过建立精确油井资源的不同物理属性的机理模型(包括计算流体动力学、结构动力学、热力学、应力分析、疲劳损伤以及材料状态演化模型)对已知、确定、结构化的工作条件进行的，这个理想条件下的研究具有明显的局限性。

CFD模拟是一种广泛应用于复杂几何体内部机理分析的方法。目前，专家学者对于CFD模拟做了大量研究。Tan C D等［4］揭示了抽油泵筒的矩形槽间隙密封结构的流动阻力机理和密封结构参数的合理设计，采用CFD技术对矩形槽间隙密封结构的流动特性进行了仿真。Krüger S等［5］使用Gülich J F［6］开发的经验模型以及CFD模拟(euler-euler方法)预测离心泵中的侵蚀；Marsis E等［7］将离散相模型(DPM)和欧拉颗粒模型应用于上述CFD侵蚀模型，以预测电泵内的侵蚀率；Basaran B［8］在不同黏度流体下进行了两级电泵侵蚀模拟。Zhu H W等［9］通过CFD模拟研究了不同侵蚀模型、泵类型、颗粒密度和直径的影响；Gamboa J等［10］以及Monte Verde W等［11］研究了不同气液流量、吸入压力和转速条件下，泵级性能、旋转电潜泵叶轮内部形成的流型和压力喘振现象。Nemoto R H等［12］利用商用动态多相流模拟器(OLGA)研究电泵油井的储层流入、井筒流动和操作参数之间的相互作用。以上基于机理模型的故障诊断预警方法能够实现对影响电泵的重要不可测参数的监测和故障的早期诊断预警，具有可靠性强、精度高等特点。然而电泵举升油井是一个具有非线性、时变特性的物理对象，且井筒内部流固耦合、设备运行过程机理复杂，很难快速地得到一个精确的解。因此，建立一个能客观反映电泵油井动态工况特性的复杂机理模型和对该模型快速精确求解都是极具挑战性的。

1.2 基于大数据诊断模型未必能完整描述电泵生产系统工况的真实映射关系

随着机器学习、人工智能(AI)和云计算技术的发展，其在解决油井生产过程智能诊断优化方面得到了广泛的应用。基于大数据的智能诊断方法主要是基于带有故障标签的历史运行参数，通过对不同故障下参数的变化特征进行机器学习，建立故障诊断的数据驱动模型，实现电泵举升油井运行工况的识别。目前用于诊断的机器学习算法主要有支持向量机、神经网络和朴素贝叶斯等，通过建立诊断模型自学习机制，即定期学习新的故障特征和不断优化诊断时间窗口，从而实现模型的自动更新与校准，提高模型的自适应能力，实现从被动(故障事件发生后分析)转变为主动(提前预警)。

隋先富等［13］采用主成分分析法(PCA)对电泵井实时生产数据进行特征提取、降维，用很少的主元重新评估电潜泵生产系统，得出电潜泵井故障原因并预估电潜泵剩余使用寿命；Zhang P L等［14］通过提取电泵不同故障模式下电流卡片的期望值、平均值、方差等特征，根据不同故障设定不同阈值来识别电泵井故障；Barrios M等［15］提出了用分类和回归树(CART)方法对泵系统中的早期故障进行检测和分类。Sherif S等［16］提出利用主成分分析方法和通过实时获取的信息来预测即将发生的故障；Peng L等［17］利用主成分分析检测电潜泵轴损坏的原因，同时建立了PCA诊断模型以预测电泵轴断裂的时间，并确定引起电泵轴断的主要决策变量。古小红等［18］通过分析憋压前井筒中气液流动状态，结合电泵特性曲线和油井流入动态曲线，建立理论憋压曲线工况特征模型，通过与实测憋压曲线特征参数的对比来判断故障类型。

以上数据驱动建模方法是仅通过训练样本输入和输出关系及其影响因子得到该系统的结构和功能的规律，被称为黑箱建模。要得到电泵生产运行系统在全工况范围的特性还需要采用多模型方法对系统多个工况点进行非线性建模。因此当电泵举升系统工作在非样本范围工况时，采用多个样本工况点传递函数加权的方式对非线性系统的动态特性进行逼近，无法保证加权模型的精度。无论是利用机器学习还是深度学习算法进行非线性黑箱建模都存在同一个问题：模型是否具有良好的泛化能力。由于未充分利用电泵内部系统结构和相互作用的机理，使得利用黑箱建模方法得到的电泵举升油井诊断预警模型未能真实反映数据驱动模型输入和输出之间的实际映射关系，从而导致模型在训练集上具有较好的拟合性能，在测试集上表现欠佳。

1.3 电泵生产故障诊断推理机理及专家系统的自学习能力有待加强

工况诊断方法大致分为：基于机理模型、基于知识以及基于数据驱动的方法［19］。随着智能传感器、大数据和人工智能等的相继发展，诸多专家学者已将这些先进方法引入工况诊断领域。Guo D等［20］提出了一种用于电潜泵故障预测的数据驱动方法，应用支持向量机(SVM)算法，利用现场的电参数据预测电潜泵故障。Andrade Marin A等［21］基于电泵井实时、历史动态数据和物理仿真结果提出了用随机森林算法建立分析预测模型，实现电潜泵油井故障诊断预警。Tan C D等［22］以人工神经网络自学习方法在大港滩海油田的试验为例，探讨能否利用人工神经网络自学习方法预测电泵的工作状况，并通过生产参数优化提高电潜泵油井产量。

专家系统是一个智能计算机程序系统，内部含有大量的某个领域专家水平的知识与经验，即能够利用油气行业知识和专家经验的方法来处理人工举升故障诊断领域的复杂问题。目前已有一些电泵故障诊断专家系统，比较有代表性的国际公司威德福的ForeSite系统、斯伦贝谢公司的Avocet系统、哈里伯顿公司的Voice of the Oilfield™系统和国内雅丹石油科技公司的iWELL-ESP®系统等，这些行业专家系统能够分析历史数据的变化趋势，执行实时监控，可以在一定生产条件下快速地发现油井问题，优化运行，预测未来可能发生的问题。

以上多数故障诊断专家系统仍然存在一些问题，主要包括：(1)推理机制单一，要么基于规则，要么基于事例，而这两种推理机制都各有优缺点，采用单一推理机制会造成诊断的不准确性；(2)多数系统对于知识和事例缺乏自学习能力，难以实现诊断模型的有效更新迭代。

多数电泵井故障诊断系统采用单一推理机制，或缺乏自学习更新能力，严重制约故障诊断准确性的提高。电泵举升油井诊断模型的准确性需要依靠精准的机理模型和大量电泵举升油井实际运行经验，且其可靠性验证历时长、操作复杂、费用高，因此严重制约了油气举升智能诊断和决策的发展。

2 机理仿真与数据驱动融合成为电泵举升故障诊断预警研究的发展趋势

电泵生产运行系统建模方法主要分为2类：基于机理仿真的建模方法和基于数据驱动的辨识建模方法。机理仿真建模方法基于物理定律和行业知识对系统进行精确的数学描述，以建立系统的仿真模型［23］；数据建模方法基于大量电泵生产运行样本数据，应用机器学习深度学习的智能算法，对系统的内部结构和运行过程进行拟合，建立起输出与输入之间的映射［24］。电潜泵生产系统由水力系统、机械系统、流体系统、传热系统和电气系统等构成，主要包括潜油电泵、电机、保护器、分离器、电缆、变频器、变压器、控制柜等设备，形成了砂、蜡、稠油、气等共同作用的流固耦合的复杂系统，单独的机理模型或数据驱动模型都不能将其完整精确描述［25］。

工业物联网(IIOT)的进步、计算能力的提高以及石油天然气行业的数字化促进了数字孪生概念的采用。数字孪生(Digital Twin)能够将现场数据和机器学习模型与物理模型相结合，在多维度、多时间尺度上对物理实体进行高保真度地描述，建立实时映射。数字孪生模型可模拟、监控、诊断物理实体在现实环境中的状态和行为。近年来，数字孪生技术已应用于以下关键油气生产工程作业，包括：钻井、油田开发、海上平台完整性和操作优化［26-29］等。蒋爱国等［30］通过运用数字孪生技术，将物理实体映射到数字孪生模型中，运用大数据挖掘技术并集成人工智能技术，实现多源信息数据的融合，构建海上钻井平台五维数字孪生系统，开发数字孪生驱动的半潜式钻井平台智能监测系统；Pedersen E B等［31］提出针对石油天然气等行业的数字孪生概念，可准确估算相关资产的真实疲劳寿命，从而可在其整个生命周期内保持对真实资产的准确表示并最终延长其使用寿命；Pournazari P等［32］讨论了基于数字孪生的维护方式在顶部驱动电机系统中的应用和优势，这种方法推进了顶部驱动马达运行维护的更智能，更经济；Li W H等［33］建立了电池管理系统的数字孪生模型，实现电池管理系统的故障诊断，提高了电池使用寿命；Bhowmik S［34］提出一种计算模型用于预测管道性能的变化，进行预测性维护，减少运营支出；Liu X等［35］提出一种基于传感器的结构化数字孪生框架，讨论了它们在海洋资产中的应用；Kongsberg公司研制的K-Spice［36］是一款针对油气行业的动态模拟平台，可以建模出与实际系统1∶1的动态数字孪生体，并搭建了各类在线与离线的专家系统。区别于传统意义的仿真技术，KSpice动态模拟技术拥有高精度的数学模型作为建模基础，包含动静设备、各类仪表、自动化系统、单/多相管线及各类基于模型的专家系统模块。

电潜泵生产系统数字孪生建模技术的参考文献很少。KULLICK J等［37］提供了文献中发现的最完整的电潜泵孪生系统模型之一，包括电气、机械和液压系统的建模；但是，没有提供传热模型。大多数作者只对电潜泵系统的某些部分进行建模，目的是进行非常具体的评估。Thorsen O V等［38］为电潜泵电气和机械系统开发了模型，以预测轴中的瞬态应力。Liang X D等［39］为电潜泵电气系统建模，以研究中压驱动负载滤波器的设计。Lastra R等［29］描述了为潜油电泵系统开发数字孪生的过程，讨论了考虑近井储层、完井、电潜泵管柱、井液等的仿真建模，讨论了电潜泵数字孪生系统的应用。然而，电泵举升系统的数字孪生技术的开发及实际应用，特别是电潜泵机组监测和故障预测的人工智能(AI)系统的开发尚处于起步阶段，但拥有巨大的价值潜力。

3 结束语

电泵举升油井系统由水力、机械、流体、传热和电气等系统构成，结构复杂，且运行后的电泵机组健康程度不断降低，普遍存在性能退化，导致基于单纯机理方法的模型功能和精度受限，且对国外商品化机理仿真软件系统的依赖大；单一的数据驱动模型依赖于大量的训练样本，获取多工况试验数据的成本高、周期长，需要较长周期积累样本数据、训练模型和验证模型，且存在已有样本范围外延工况应用时可能存在模型失效问题。因此，面向机理仿真与实时数据的融合驱动建模成为研究复杂电泵抽油生产系统故障诊断的重要手段。基于数字孪生技术与人工智能算法在油气行业应用的优势，油气井电泵举升诊断预警智能化发展值得期待。