基于神經網絡的抽油機井下故障診斷專家系統

陳勇殿, 李瀚濤, 季永亮

(1. 江蘇油田試采一廠 江蘇 揚州 225268； 2. 南京南大數字科技有限公司 江蘇 南京 211100)

抽油井系統故障診斷技術一直是國內外采油工程技術人員的重要研究課題。傳統的故障診斷方法就是憑工作人員的經驗判斷油井的故障,這種方法誤差極大,嚴重影響油田的生產[1]。所以本文提出了自組織神經網絡故障診斷方法。示功圖是有桿抽油系統工作狀態的集中反映,其中包含了抽油機、油桿,活塞,油管以及油井環境變化等豐富信息。示功圖的不同形狀特征代表了油井不同的工作狀態[2]。油井示功圖的數據來源為抽油井抽油桿上掛載的示功儀記錄下來的216組抽油機載荷與位移關系的數據對。神經網絡故障診斷就是根據手持終端采集到的油井實時數據畫出所對應的示功圖,求出示功圖的特征向量,從而根據特征向量求出油井所對應的狀態的過程,也就是按特征向量對系統狀態進行分類。本系統極大地降低了產建投入和運行成本,提高了油田生產的實時效率,并通過人工巡井的方式實現了對這些油井的良好管理,對逐步實現石油開采的自動化、信息化、智能化具有非同尋常的意義。

1 功圖數據來源

本系統的框圖如下圖1所示。

1.1 數據采集

圖1 系統架構Fig. 1 System architecture

示功儀通過主控芯片,控制著加速度傳感器和載荷傳感器對抽油機的載荷和加速度進行采集,采集的加速度和載荷信號經過信號調理后再次送入主控制芯片,進行經過相關算法處理轉化為載荷和位移關系的數據對以后,存入存儲器中[3]。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網絡定時從示功儀中讀取數據存儲在自己的內部flash中,手持終端則通過藍牙從通信終端中讀取功圖數據（載荷與位移關系的數據對）[4]。

1.2 手持終端的設計

選用支持藍牙和GPRS功能的Android平臺作為手持終端,并在此平臺的基礎上開發數據采集的軟件。以Java來編寫程序。手持終端需要通過GPRS從電信服務器下載配置文件(用于通訊以及計算油井產量。包括每口油井的網絡號、節點號、通信終端藍牙的mac地址等信息),并通過listview控件生成油井列表。手持終端依據通信協議通過藍牙從通信終端采集功圖數據。采集到的功圖數據既保存在sqlite數據庫,用戶查看功圖的時候可以直接從數據庫中讀取,然后利用畫圖工具(paint類)畫出功圖,通過神經網絡算法進行故障診斷并把診斷結果利用TextView控件顯示出來。

圖2 無線示功儀主板結構圖Fig. 2 Wireless dynamometers motherboard structure diagram

2 數據處理及特征提取

2.1 數據處理

在特征提取前由于外界干擾和油井工況的復雜性,因此需要對示功儀數據形式進行數據統一。數據進行統一的公式為:

2.2 灰度特征提取

使用灰度矩陣法提取灰度統計特征,根據數理統計原理,取灰度矩陣的6個統計特征,分別是灰度的均值、方差、偏度、峰度、能量、熵[5]。假設示功圖的灰度矩陣為G(J,K),矩陣中元素gjk(1≤j≤J,1≤k≤K)表示泵功圖網格上對應的灰度值;功圖的灰度級別為R,某一灰度r的元素個數為b(r),則灰度級的概率為p(r)=b(r)/(J*K)。將功圖統一放置到一個2x1的長方形中去,使得示功圖與長方形的四邊相切,而長方形由網格分割,使得這些網格來表述示功圖的實際形狀。首先將網格設定初始值為“0”,將功圖通過網絡都賦值為“1”最后將邊界內部所有網格都賦值“1”。邊界內部每遠離邊界一格其灰度值增加一級,外部按等高線的方式賦值,只是每遠離邊界一格其灰度值減少一級,搜索邊界的方式是按列進行的,最終獲得功圖網格矩陣。

圖3 示功圖60×30灰度矩陣Fig. 3 Indictor diagram 60×30 gray matrix

通過計算機編輯算法可計算出該示功圖的6個灰度矩陣統計特征(f1,f2,f3,f4,f5,f6)為{2.056 1,15.814 1,-0.137 7,2.664 9,0.071 55,0.418 3}

2.3 矩特征提取

本文對圖像的形狀特征采取Hu矩表示,其在圖像數目一定的情況下,具有對圖像的旋轉,平移和尺度變化的不變性。通過無量綱化公式將示功圖一組數據歸一化后,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f(x,y)=1的有色點與f(x,y)=0的白色點。根據矩定義將Hu不變矩特征量u1～u7和離心率e合并,就形成了圖像的全局形狀特征向量S[6]。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大小為x:y=200:100比例下數據的圖像Hu矩特征向量。

圖4 二值圖Fig. 4 Two value image

3 智能診斷系統模型的構建

自組織神經網絡SOM（self-organization mapping net）是基于無監督學習方法的神經網絡的一種重要類型。自組織神經網絡是神經網絡最富有魅力的研究領域之一，它能夠通過其輸入樣本學會檢測其規律性和輸入樣本相互之間的關系，并且根據這些輸入樣本的信息自適應調整網絡，使網絡以后的響應與輸入樣本相適應。競爭型神經網絡的神經元通過輸入信息能夠識別成組的相似輸入向量；自組織映射神經網絡通過學習同樣能夠識別成組的的相似輸入向量，使那些網絡層中彼此靠得很近的神經元對相似輸入向量，使那些網絡層中彼此亂靠的很近的神經元對相似的輸入向量產生響應。與競爭型神經網絡不同的是，自組織映射神經網絡不但能學習輸入向量的分布情況，還可以學習輸入向量的拓撲結構，其單個神經元對模式分類不起決定性作用，而要靠多個神經元的協同作用才能完成模式分類[7]。

圖5 自組織競爭網絡桔構Fig. 5 Self-organizing competitive network structure

假設從收集到示功圖中提取的特征值為N個，有典型故M障種，共有T個學習向量樣本，則網絡的輸入層有N個神經元，競爭層有M個神經元（圖5），輸入模式為：Pk=(,…)與其對應的競爭層輸出模式為：Ak=(a…)其中k=1,2,…T。網絡連接權值為{wy}，域值為{bj},i=1,2,…N,j=1,2,…M。

圖6 網絡模型結構Fig. 6 The structure of the network

自組織競爭人工神經網絡在輸入學習向量樣本后,競爭層神經元開始競爭,獲勝神經元的輸出為1,其余的神經元輸出為0,同時只有與獲勝神經元相連的權值才能得到調整,并朝著使獲勝神經元對該輸入模式更加敏感的方向進行調整,使得調整后的權值與當前輸入模式之間的差別越來越小,從而訓練后的競爭網絡的權值能夠代表該輸入模式[8]。當同一個學習模式或者相似模式反復提供給網絡進行學習后,這一模式所對應的競爭層的獲勝神經元的輸入值就會逐漸增大,獲勝神經元繼續保持其勝者的地位。同時,其他神經元受到抑制,對該模式不敏感而難以獲勝,只有當其他類學習模式輸入時,這些神經元才會有競爭勝利的希望。獲勝神經元所代表的典型故障即為有桿抽油系統的故障。因此,自組織競爭人工神經網絡通過對學習模式的反復學習可以識別相似的輸入向量,實現故障的模式分類,從而可以進行故障診斷。

圖7 故障診斷流程圖Fig. 7 Fault diagnosis flow chart

4 實際應用

江蘇油田試采一廠的真35-21井為供液不足的油井,將本系統應用在這口油井。將與藍牙透傳模塊連接的通信終端UART0的波特率設為最大值115 200 b/s,數據包發送間隔設為10毫秒。點擊開始采集按鈕連接藍牙,手持終端依據通信協議向通信終端發送讀數據命令以后獲取載荷與位移關系的數據對。所得的示功圖和依據上文所介紹的故障診斷方法得到的油井故障診斷結果如下圖所示,可見診斷的結果與實際相符。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,信號強度指ZigBee網絡的信號強度,產量是指這口油井的產液量。

圖8 手持終端功圖界面Fig. 8 Hand-held terminal diagram interface

5 結束語

自組織競爭神經網絡故障診斷技術比傳統的故障診斷技術有著很大的優越性,它的應用領域也 在不斷擴大,成為故障診斷領域研究的熱點之一。本文將自組織競爭神經網絡的故障診斷算法應用于江蘇油田抽油井故障的自動診斷,對故障的正確識別率達到了97.3%以上。

[1]李小冬,崔凱. 國外油田自動化技術現狀及發展趨勢[J].石油機械,2011,39(11):75-77.

LI Xiao-dong,CUI Kai. Current status of automation technology and development trend of oilfield[J]. Petroleum Machinery,2011,39(11):75-77.

[2]陳新發,曾穎,李清輝. 數字油田建設與實踐:新疆油田信息化建設[M]. 北京:石油工業出版社,2008.

[3]童利標,漆德寧. 無線傳感器網路與信息融合[M]. 合肥:安徽人民出版社,2008.

[4]李建中,高宏. 無線傳感器網絡的研究進展[J]. 計算機研究與進展,2008,45(1):1-14.

LI Jian-zhong,GAO Hong. Study and research progress of [J].Computer in Wireless Sensor Networks,2008,45(1):1-14.

[5]蔡自興,徐光祐. 人工智能及其應用[M]. 2版.北京: 清華大學出版社,1996.

[6]王耀明. 圖像的矩函數——原理、算法及應用[M].上海:華東理工大學出社,2002.

[7]王以法. 人工智能鉆井實時專家控制系統研究[J]. 石油學報,2001,22(2):80-86.

WANG Yi-fa,Research of artificial intelligence control system[J].Real-time Drilling Experts Petrolei Sinicu,2001,22(2):80-86.

[8]王以法. 人工智能鉆井系統展望[J].石油鉆探技術,2000,28(2):36-38.

WANG Y-fa. The prospect of artificial intelligent drilling technology[J]. Drilling Technology,2000,28(2):36-38.