基于自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的抽油井故障診斷系統(tǒng)

王平勛

（河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 210000）

有桿抽油機(jī)是目前我國(guó)石油開采的主要設(shè)備，是最為廣泛的一種機(jī)械采油方式；據(jù)統(tǒng)計(jì)，有桿泵抽油井占到我國(guó)油井總數(shù)的94%[1-2]。抽油井系統(tǒng)故障診斷技術(shù)一直是國(guó)內(nèi)外采油工程技術(shù)人員的重要研究課題。傳統(tǒng)的故障診斷方法就是憑工作人員的經(jīng)驗(yàn)判斷油井的故障，這種方法誤差極大，嚴(yán)重影響油田的生產(chǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展和完善，在采油工業(yè)也受到了關(guān)注，被越來(lái)越廣泛地應(yīng)用到了示功圖診斷等領(lǐng)域當(dāng)中[3-5]。文中提出了將神經(jīng)網(wǎng)絡(luò)與手持終端相結(jié)合的故障診斷方法。示功圖是有桿抽油系統(tǒng)工作狀態(tài)的集中反映，其中包含了抽油機(jī)、油桿，活塞，油管以及油井環(huán)境變化等豐富信息。示功圖的不同形狀特征代表了油井不同的工作狀態(tài)。油井示功圖的數(shù)據(jù)來(lái)源為抽油井抽油桿上掛載的示功儀記錄下來(lái)的216組抽油機(jī)載荷與位移關(guān)系的數(shù)據(jù)對(duì)。神經(jīng)網(wǎng)絡(luò)故障診斷就是根據(jù)手持終端采集到的油井實(shí)時(shí)數(shù)據(jù)畫出所對(duì)應(yīng)的示功圖，求出示功圖的特征向量，從而根據(jù)特征向量求出油井所對(duì)應(yīng)的狀態(tài)的過(guò)程，也就是按特征向量對(duì)系統(tǒng)狀態(tài)進(jìn)行分類。本系統(tǒng)極大地降低了產(chǎn)建投入和運(yùn)行成本，提高了油田生產(chǎn)的實(shí)時(shí)效率，并通過(guò)人工巡井的方式實(shí)現(xiàn)了對(duì)這些油井的良好管理，對(duì)逐步實(shí)現(xiàn)石油開采的自動(dòng)化、信息化、智能化具有非同尋常的意義。

1 功圖數(shù)據(jù)來(lái)源

1.1 系統(tǒng)架構(gòu)

文中所介紹的油井故障診斷系統(tǒng)以邊緣抽油井為信息采集和監(jiān)控對(duì)象，通過(guò)無(wú)線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)和藍(lán)牙等方式獲取相關(guān)信息，并最終在手持終端上進(jìn)行發(fā)布，為油田工程技術(shù)人員提供以“功圖量油、故障診斷”為核心的自動(dòng)化信息服務(wù)。

圖1 系統(tǒng)架構(gòu)Fig.1 System architecture

1.2 數(shù)據(jù)采集

示功儀通過(guò)主控芯片，控制著加速度傳感器和載荷傳感器對(duì)抽油機(jī)的載荷和加速度進(jìn)行采集，采集的加速度和載荷信號(hào)經(jīng)過(guò)信號(hào)調(diào)理后再次送入主控制芯片，進(jìn)行經(jīng)過(guò)相關(guān)算法處理轉(zhuǎn)化為載荷和位移關(guān)系的數(shù)據(jù)對(duì)以后，存入存儲(chǔ)器中。通信終端安裝在油井的配電柜中，利用有線源供電，通信終端利用Zigbee網(wǎng)絡(luò)定時(shí)從示功儀中讀取數(shù)據(jù)存儲(chǔ)在自己的內(nèi)部flash中，手持終端則通過(guò)藍(lán)牙從通信終端中讀取功圖數(shù)據(jù)（載荷與位移關(guān)系的數(shù)據(jù)對(duì)）。

圖2 無(wú)線示功儀主板結(jié)構(gòu)圖Fig.2 Board structure of wireless dynamometer

1.3 手持終端的設(shè)計(jì)

選用支持藍(lán)牙和GPRS功能的Android平臺(tái)作為手持終端，并在此平臺(tái)的基礎(chǔ)上開發(fā)數(shù)據(jù)采集的軟件。以Java來(lái)編寫程序。手持終端需要通過(guò)GPRS從電信服務(wù)器下載配置文件（用于通訊以及計(jì)算油井產(chǎn)量。包括每口油井的網(wǎng)絡(luò)號(hào)、節(jié)點(diǎn)號(hào)、通信終端藍(lán)牙的mac地址等信息），并通過(guò)listview控件生成油井列表。手持終端依據(jù)通信協(xié)議通過(guò)藍(lán)牙從通信終端采集功圖數(shù)據(jù)。采集到的功圖數(shù)據(jù)既保存在sqlite數(shù)據(jù)庫(kù)，用戶查看功圖的時(shí)候可以直接從數(shù)據(jù)庫(kù)中讀取，然后利用畫圖工具（paint類）畫出功圖，通過(guò)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行故障診斷并把診斷結(jié)果利用TextView控件顯示出來(lái)。

圖3 油井列表Fig.3 Well list

圖4 功圖采集界面Fig.4 Acquisition interface of indicator diagram

2 數(shù)據(jù)處理及特征提取

2.1 數(shù)據(jù)處理

在特征提取前由于外界干擾和油井工況的復(fù)雜性，因此需要對(duì)示功儀數(shù)據(jù)形式進(jìn)行數(shù)據(jù)統(tǒng)一。數(shù)據(jù)進(jìn)行統(tǒng)一的公式為：

2.2 灰度特征提取

使用灰度矩陣法提取灰度統(tǒng)計(jì)特征，根據(jù)數(shù)理統(tǒng)計(jì)原理，取灰度矩陣的6個(gè)統(tǒng)計(jì)特征，分別是灰度的均值、方差、偏度、峰度、能量、熵。假設(shè)示功圖的灰度矩陣為G（J，K），矩陣中元素gjk（1≤j≤J，1≤k≤K）表示泵功圖網(wǎng)格上對(duì)應(yīng)的灰度值；功圖的灰度級(jí)別為R，某一灰度r的元素個(gè)數(shù)為b（r），則灰度級(jí)的概率為p（r）＝b（r）/（J*K）。將功圖統(tǒng)一放置到一個(gè)2x1的長(zhǎng)方形中去，使得示功圖與長(zhǎng)方形的四邊相切，而長(zhǎng)方形由網(wǎng)格分割，使得這些網(wǎng)格來(lái)表述示功圖的實(shí)際形狀。首先將網(wǎng)格設(shè)定初始值為“0”，將功圖通過(guò)網(wǎng)絡(luò)都賦值為“1”最后將邊界內(nèi)部所有網(wǎng)格都賦值“1”。邊界內(nèi)部每遠(yuǎn)離邊界一格其灰度值增加一級(jí)，外部按等高線的方式賦值，只是每遠(yuǎn)離邊界一格其灰度值減少一級(jí)，搜索邊界的方式是按列進(jìn)行的，最終獲得功圖網(wǎng)格矩陣。

通過(guò)計(jì)算機(jī)編輯算法可計(jì)算出該示功圖的6個(gè)灰度矩陣特征值 {f1，f2，f3，f4，f5，f6}為 {2.056 1，15.814 1，－0.137 7，2.664 9，0.071 5，0.418 3}

2.3 矩特征提取

文中對(duì)圖像的形狀特征采取Hu矩表示，其在圖像數(shù)目一定的情況下，具有對(duì)圖像的旋轉(zhuǎn)，平移和尺度變化的不變性。通過(guò)無(wú)量綱化公式將示功圖一組數(shù)據(jù)歸一化后，繪圖，可得示功圖二值圖，如圖下圖，再將圖像像素化，可以找到的有色點(diǎn)與的白色點(diǎn)。根據(jù)矩定義將Hu不變矩特征量u1～u7和離心率合并，就形成了圖像的全局形狀特征向量S。該特征向量代表的是一種全局的形狀特征。最后可得歸一化到坐標(biāo)大小為x：y＝200：100比例下數(shù)據(jù)的圖像Hu矩特征向量。

3 智能診斷系統(tǒng)模型的構(gòu)建

自組織神經(jīng)網(wǎng)絡(luò)SOM（Self－Organization Mapping Net）是基于無(wú)監(jiān)督學(xué)習(xí)方法的神經(jīng)網(wǎng)絡(luò)的一種重要類型。自組織神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)最富有魅力的研究領(lǐng)域之一，它能夠通過(guò)其輸入樣本學(xué)會(huì)檢測(cè)其規(guī)律性和輸入樣本相互之間的關(guān)系，并且根據(jù)這些輸入樣本的信息自適應(yīng)調(diào)整網(wǎng)絡(luò)，使網(wǎng)絡(luò)以后的響應(yīng)與輸入樣本相適應(yīng)。競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)的神經(jīng)元通過(guò)輸入信息能夠識(shí)別成組的相似輸入向量；自組織映射神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)同樣能夠識(shí)別成組的相似輸入向量，使那些網(wǎng)絡(luò)層中彼此靠得很近的神經(jīng)元對(duì)相似的輸入向量產(chǎn)生響應(yīng)。與競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)不同的是，自組織映射神經(jīng)網(wǎng)絡(luò)不但能學(xué)習(xí)輸入向量的分布情況，還可以學(xué)習(xí)輸入向量的拓?fù)浣Y(jié)構(gòu)，其單個(gè)神經(jīng)元對(duì)模式分類不起決定性作用，而要靠多個(gè)神經(jīng)元的協(xié)同作用才能完成模式分類。

圖6 二值圖Fig.6 Binary image

圖7 自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Structure of self-organizing competitive neural network

假設(shè)從收集到示功圖中提取的特征值為N個(gè)，有典型故障M種，共有T個(gè)學(xué)習(xí)向量樣本，則網(wǎng)絡(luò)的輸入層有N個(gè)神經(jīng)元，競(jìng)爭(zhēng)層有M個(gè)神經(jīng)元（圖5），輸入模式為：Pk=（pk1，pk2，…，pkN），與其對(duì)應(yīng)的競(jìng)爭(zhēng)層輸出模式為：Ak=（ak1，ak2，…，akM），其中k=1，2，…，T。網(wǎng)絡(luò)連接權(quán)值為[wij]，域值為{bj}，i=1，2，…，N，j=1，2，…，M。

圖5 示功圖灰度矩陣Fig.5 Gray matrix of indicator diagram

自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)在輸入學(xué)習(xí)向量樣本后，競(jìng)爭(zhēng)層神經(jīng)元開始競(jìng)爭(zhēng)，獲勝神經(jīng)元的輸出為1，其余的神經(jīng)元輸出為0，同時(shí)只有與獲勝神經(jīng)元相連的權(quán)值才能得到調(diào)整，并朝著使獲勝神經(jīng)元對(duì)該輸入模式更加敏感的方向進(jìn)行調(diào)整，使得調(diào)整后的權(quán)值與當(dāng)前輸入模式之間的差別越來(lái)越小，從而訓(xùn)練后的競(jìng)爭(zhēng)網(wǎng)絡(luò)的權(quán)值能夠代表該輸入模式。當(dāng)同一個(gè)學(xué)習(xí)模式或者相似模式反復(fù)提供給網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)后，這一模式所對(duì)應(yīng)的競(jìng)爭(zhēng)層的獲勝神經(jīng)元的輸入值就會(huì)逐漸增大，獲勝神經(jīng)元繼續(xù)保持其勝者的地位。同時(shí)，其他神經(jīng)元受到抑制，對(duì)該模式不敏感而難以獲勝，只有當(dāng)其他類學(xué)習(xí)模式輸入時(shí)，這些神經(jīng)元才會(huì)有競(jìng)爭(zhēng)勝利的希望。獲勝神經(jīng)元所代表的典型故障即為有桿抽油系統(tǒng)的故障[6]。因此，自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)學(xué)習(xí)模式的反復(fù)學(xué)習(xí)可以識(shí)別相似的輸入向量，實(shí)現(xiàn)故障的模式分類，從而可以進(jìn)行故障診斷。

圖8 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.8 Network structure

圖9 故障診斷流程圖Fig.9 Fault diagnosis flow

4 實(shí)際應(yīng)用

江蘇油田試采一廠的真35-21井為供液不足的油井，將本系統(tǒng)應(yīng)用在這口油井。將與藍(lán)牙透?jìng)髂K連接的通信終端UART0的波特率設(shè)為最大值115 200 b/s，數(shù)據(jù)包發(fā)送間隔設(shè)為10 ms。點(diǎn)擊開始采集按鈕連接藍(lán)牙，手持終端依據(jù)通信協(xié)議向通信終端發(fā)送讀數(shù)據(jù)命令以后獲取載荷與位移關(guān)系的數(shù)據(jù)對(duì)。所得的示功圖和依據(jù)上文所介紹的故障診斷方法得到的油井故障診斷結(jié)果如下圖所示，可見診斷的結(jié)果與實(shí)際相符。圖中的電源電壓指的是示功儀的電源電壓，由于示功儀工作在野外環(huán)境，需要了解示功儀的電壓變化，以免電源不足影響正常使用，信號(hào)強(qiáng)度指ZigBee網(wǎng)絡(luò)的信號(hào)強(qiáng)度，產(chǎn)量是指這口油井的產(chǎn)液量。

圖10 手持終端功圖界面Fig.10 Interface of indicator diagram in hand－h(huán)eld terminal

5 結(jié)束語(yǔ)

自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)比傳統(tǒng)的故障診斷技術(shù)有著很大的優(yōu)越性，它的應(yīng)用領(lǐng)域也在不斷擴(kuò)大，成為故障診斷領(lǐng)域研究的熱點(diǎn)之一。文中將自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的故障診斷算法應(yīng)用于江蘇油田抽油井故障的自動(dòng)診斷，對(duì)故障的正確識(shí)別率達(dá)到了97.3%以上。

[1]杜保東，李明山.人工神經(jīng)網(wǎng)絡(luò)識(shí)別抽油機(jī)井示功圖的研究[J].油氣井測(cè)試，1998，7（1）：27－29.DU Bao-dong，LI Ming-shan.Analying dynamometer card of well pumping by using artificial neural network method[J].Well Testing，1998，7（1）：27－29.

[2]杜保東，董海生，李明山.抽油機(jī)故障診斷的人工神經(jīng)網(wǎng)絡(luò)方法研究[J].油氣田地面工程，1997，16（4）：52－53.DU Bao-dong，DONG Hai-sheng，LI Ming-shan.Artificial neural network on fault diagnosis technology of rod-pumping system[J].Oil Gas Field Surface Engineering，1997，16（4）：52－53.

[3]Mohaghegh S.Neural network：What it can do for petroleum engineers[J].Journal of Petroleum Technology，1995，47（1）：42.

[4]Shahab M.Virtual-intelligence application in petroleum engineering：Part 1－Neural networks[J].Journal of Petroleum Technology，2000，52（9）：64－73.

[5]Serkan Y，Cem D，Serhat A.Application of artificial neural networks to optimum bit selection [J].Computers &Geosciences，2002，28（2）：261－269.

[6]Martin T H，Howard B D，Mark B.Neural network design[M].Boston：PWS Publishing Company，1996.