基于特征值提取與神經網絡的抽油井故障診斷

郭健

（河海大學 江蘇 南京 210000）

在油田生產信息系統中，我們要及時的了解抽油井井下的工況，通過自動化技術對井下故障進行檢測與診斷，實現采油系統的自動監控[1]。然而，目前抽油井故障診斷的準確率并不是太高，如何在持續的研究和探索中不斷改進和尋找新的方法來提高故障的識別精度和識別效率是當今油井故障診斷領域的一大熱點問題。

有桿抽油系統采集獲取的示功圖數據是了解油井故障、判斷油井工況的一個重要工具，油井示功圖反應了抽油機懸點載荷隨其位移變化規律的圖形稱為光桿的示功圖，示功圖作為研究油井動態具有不可替代的作用[2]。示功圖數據是由位移數據和載荷數據構成，一般一張功圖有幾十到幾百個點不等。通過這些功圖數據并且利用神經網絡可以實現對油井的故障診斷，而診斷的關鍵是對示功圖識別的準確性[3]，這就要求建立一個合適的神經網絡模型作為整個診斷系統的核心。

本文利用油井的功圖數據，從中選擇具體代表性的特征值作為神經網絡的輸入，從而丟棄了不必要的輸入數據。建立基于自組織競爭神經網絡的抽油井的故障診斷系統，實現了對不同故障類型的功圖數據進行自動分類，并且在江蘇油田生產信息系統中加以應用，取得了良好的效果。

1 示功圖特征值最優子集的選擇

示功圖的原始數據往往摻雜了一些無用的信息，若把這些大量的數據作為神經網絡的輸入會影響神經網絡的訓練速度和診斷精度。通過運用幾何參數法、灰度矩陣法等特征值提取方法來獲取示功圖的特征值，使神經網絡的輸入規模大大的減少，從而使特征值更具有針對性，提高了神經網絡的訓練速度，從而使診斷的準確性更高。

幾何參數法主要是計算圖形的周長、面積、包圍目標的最小外圓等參數以及他們之間的比值來作為圖形形狀的描述方法。這些幾何參數可以反映出示功圖的各種物理意義。例如，增載線、卸載線的變化反映了泵內壓力以及桿柱摩擦力的變化情況，它們的斜率也反映了泵的充滿系數；最大最小載荷可以作為設定某些閾值的參照，同時也反映示功圖在坐標軸上的位置；凡爾開閉點決定了抽油井活塞的沖程，從而可以計算出泵的充滿系數。

灰度矩陣法是將歸一化后的示功圖放到相應的網格中，其中每個網眼對應一個灰度值。先把功圖曲線經過的網眼置為1；其次再按等高線方式對其他網眼賦值，即在功圖內部的網眼，每遠離功圖曲線一格則其灰度值加1，在功圖外部的網眼，每遠離功圖曲線一格則其灰度值減1[4]。最后計算出示功圖灰度矩陣的各個統計特征值，包括灰度的均值、方差、偏度、峰度、能量、熵等[5]。

通過上述兩種方法提取到示功圖的特征值集合為X=[X1，X2，…，Xn]，把這一最優子集作為神經網絡的輸入向量。

2 自組織競爭神經網絡模型的建立

自組織競爭神經網絡是一種無監督學習的神經網絡，在網絡結構上，它是由兩層網絡所組成，分別是輸入層和競爭層，兩層之間各個神經元實現雙向連接，競爭層各神經元之間還存在橫向連接，如圖1所示。

圖1 自組織競爭神經網絡的結構Fig.1 The structure of self-organizing competitive neural network

競爭層中每個神經元對應一種標準模式，它們之間相互競爭，競爭的結果是最后有一個神經元勝出，即它的輸出值為非零值，此時輸入向量的類別就是獲勝神經元對應的標準模式。競爭層的傳遞函數是一個二值型函數，只有最大輸入的神經元的輸出為1，其他均為0。由此，設競爭層的傳遞函數為：

可以看出，當規范化后的權值向量與輸入向量的內積最大時，即兩個向量最接近的神經元的輸出為1。我們通過調整獲勝神經元的權值，即網絡權值矩陣中的某一個行向量的值，所以距離某個輸入向量最近的權值得到了調整，使得它向著輸入向量移動以更加接近該輸入向量。這樣，當下次輸入相似的向量時，該神經元就更加可能在競爭中取得勝利。如此不斷地將不同的輸入向量輸入網絡，每次與輸入向量最接近的權值向量就會向著輸入向量移動，最終每個權值向量將指向輸入向量的不同類，如圖2所示，每個權值向量會成為不同的類的標準向量。那么當新的向量輸入時，競爭層通過是權值向量最接近輸入向量的神經元的輸出為1，實現了分類的目的。而閾值用來調整神經元獲勝的概率，從而避免死神經元的出現。

圖2 權值向量與分類Fig.2 Weight vector and classification

相比于BP神經網絡，該神經網絡結構更簡單，不需要經過大量的時間來確定合適的神經網絡模型結構、算法和參數設置[6]。而且學習速率快，不會陷入局部最優解。基于以上特點，我們應用自組織競爭神經網絡模型作為抽油井故障診斷系統的總框架。

3 自組織競爭神經網絡的應用

我們首先將所有的原始功圖數據進行歸一化處理，即把示功圖轉化為無量綱的形式，轉換公式如下：

其中，xi為位移數據，yi載荷數據（i=0，1，…，n）。

把歸一化后的功圖數據分為訓練樣本集和測試樣本集，分別包括供液不足、上碰泵、氣體影響、油稠和正常共5種類型，從中提取出16個特征值作為神經網絡的輸入向量，包括示功圖的面積、尖角、平滑度、平均高度等幾何特征，以及基于灰度矩陣的灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量和灰度熵6個灰度統計特征值。這樣，該自組織競爭神經網絡的輸入神經元個數為16，而競爭層的神經元個數為5。

在訓練樣本集中，分別選擇各種類型的示功圖特征值集合進行訓練，每種類型共有150個樣本，重復訓練10次，這樣網絡權值可以得到持續的調整，最終得到合適的權值矩陣。最后，把測試樣本集的特征值集合作為網絡的輸入，得到相應的故障類型。這一過程也重復10次。

把上述方法的結果與運用BP神經網絡模型的結果以及未經過特征值提取的自組織競爭神經網絡模型的結果進行對比，其中后面兩種方法的輸入層神經元為216個，輸出層均為5個，BP神經網絡隱含層神經元為20個，而三者使用同樣的訓練樣本集進行學習。結果如表1所示，方案一為BP神經網絡模型，方案二為未經過特征提取的自組織競爭神經網絡模型，方案三為經過特征提取的自組織競爭神經網絡模型。

通過以上對比發現，經過基于自組織競爭神經網絡的診斷結果的正確率相比于基于BP神經網絡的診斷結果的正確率相對要高一些，而在基于自組織競爭神經網絡的基礎上再對示功圖進行特征值提取后，其正確識別率為98.91%，都比前兩種方案要高，而且訓練時間也分別減少了68%和39%。所以方案三是確實可行的。

表1 方案結果對比Tab.1 The contrasts of solutions

4 結 論

本文通過對原始功圖數據進行數據預處理和特征值提取，選擇具有典型特征的特征集合作為網絡輸入，并且利用自組織競爭神經網絡建立故障診斷模型，經過以上訓練以及測試，結果表明，該模型具有較高的識別率，收斂速度較快，在江蘇油田生產信息系統中可以解決抽油井典型故障診斷的問題。

[1]孫明.基于神經網絡的抽油井故障診斷系統[D].青島：中國石油大學（華東）：技術，2008.

[2]張家珍.基于加速度傳感器的示功圖測試與分析系統研究[D].青島：中國石油大學（華東），2009.

[3]曾婧.基于神經網絡的油田故障診斷優化[J].控制工程，2009:111-113.

ZENG Jing.Oil field of fault diagnosis based on neural network optimization[J].Control Engineering，2009:111-113.

[4]爨（王瑩）.基于灰色理論的抽油井泵功圖診斷技術研究[J].微電子學與計算機，2005，22（3）:77-80.

CUAN WANG-ying.The research of Oil well pump indicator diagrams diagnosis based on the theory ofgrey[J].Microelectronics and Computer，2005，22（3）:77-80.

[5]吳偉，陳國定，何焱.基于人工神經網絡和灰度矩陣的泵功圖診斷[J].西安石油大學學報，2007，22（3）:119-121.

WU Wei，CHEN Guo-ding，HE Yan.Based on artificial neural network and gray level matrix diagnosis of pump indicator diagrams[J].Journal of Xi’an Petroleum University，2007，22（3）:119-121.

[6]徐芃，徐士進，尹宏偉.自組織競爭神經網絡在江蘇油田有桿抽油系統系統故障診斷中的應用[J].高校地質學報，2006，12（2）:266-270.

XU Peng，XU Shi-jin，YIN Hong-wei.Application of selforganizing competitive neural network to fault diagnosis of sucker rod pumping system in Jiangsu oilfield[J].Geological Journal of China University，2006，12（2）：266-270.