基于示功圖的油井故障診斷專家系統研究

袁文琪,胡敏

(浙江工業職業技術學院 電氣電子工程學院,浙江 紹興 312000)

基于示功圖的油井故障診斷專家系統研究

袁文琪,胡敏

(浙江工業職業技術學院 電氣電子工程學院,浙江 紹興 312000)

在石油開采中,能夠對抽油井井下的故障進行預測和診斷,并計算油井的產油量,從而及時了解和掌握采油系統的工況,實現采油系統的自動化監控和科學管理,是當前迫切需要解決的一個問題。本文針對如何實現油井故障自動診斷進行研究,通過實測示功圖、提取功圖特征值,并結合神經網絡,以及能耗計算輔助判斷故障類型的方法,從而建立油井故障診斷專家系統,通過油田實采數據驗證,使診斷結果正確率基本達到95﹪,結論表明該方法是一種較為成功的嘗試,有較高的實用推廣性。

示功圖；有桿抽油系統；專家系統；神經網絡；故障診斷；能耗計算

目前國內外利用抽油桿柱上下往復的運動來驅動井下的抽油設備進行石油開采的方法,即有桿抽油方法是應用最早、最可靠,也是應用最為廣泛的一種機械采油方法。有桿抽油系統的井下設備在地層底下工作,工況極其惡劣,設備較容易出現故障,不僅降低了油田產量,同時增加了采油成本。因此,在石油開采中,如何動態地分析有桿抽油系統,對抽油井井下的故障進行預測和診斷,從而能在第一時間釆取有效的措施排除故障,并且計算油井的產油量,是當前石油行業迫切需要解決的一個問題［1］。

傳統的油井故障診斷方法有光桿動力儀和井下動力儀等。前者雖然操作簡單方便,但是存在容易受到很多外在因素影響的問題,所以并沒有在實際生產中得到推廣應用；后者由于安裝在井下抽油泵處,受到的干擾相對較少,能較準確地分析、判斷出抽油泵的工狀,但投入昂貴,而且不能實時獲取井下泵功圖,只用于研究和試驗階段。

因此,為了及時了解和掌握采油系統的工況,提高油田的采油效率和管理維護水平,利用計算機自動進行油井工況綜合診斷,進行油井故障診斷專家系統的研究對于實現采油系統的自動化監控和科學管理具有重要意義。其診斷過程可以概括如下:對于獲取的實測示功圖利用數據庫進行信息存儲,計算機結合各種專家經驗、知識和規則的智能診斷方法對現場采集的信息進行處理、計算和分析判斷,從而找出故障或故障的前兆,最終將得出的提示或者警告信息反饋給用戶進行證實。

1 油井故障分析研究

1.1 實測示功圖

油井示功圖是顯示位移與載荷的關系的函數曲線,反映了在一個抽油周期中光桿的受力情況變化與其位置的關系［2］,它的橫、縱坐標分別表示抽油桿的位移（m）和載荷（kN）［3］。

通過實測示功圖,我們可以檢測出深井泵工作的異常情況。因此,實測示功圖是在有桿抽油系統中進行故障診斷的重要依據［4］。

1.2 典型故障類型功圖

在實際的生產過程中,有桿抽油系統由于受到一定程度的機械磨損、化學腐蝕等多方面因素的影響,會出現各種各樣的故障。與此同時,示功圖的圖形也會如實地表現出各種井下故障相對應的形狀特征。油田技術人員往往能夠根據經驗結合示功圖的形狀、位置和變化等條件,來判斷有桿抽油系統的故障類型［5］。下文分析幾種有桿抽油系統中常見故障的典型功圖。

1）泵正常工作的功圖

如圖1所示,功圖左右、上下兩條曲線各自平行,為一近似平行四邊形,說明除了抽油設備振動引起的波動外,其它因素的影響并不明顯。

圖1 正常工作的功圖Fig.1 Indicating diagram of the normal working condition

2）供液不足的功圖

如圖2所示,與圖1正常工作的功圖相比,供液不足的功圖右下方面積缺失,但上下、左右曲線分別保持平行,最大載荷逐漸增加,功圖面積逐漸減小。

圖2 供液不足的功圖Fig.2 Indicating diagram of the liquid insufficient working condition

3）抽油桿斷脫的功圖

如圖3所示,抽油桿斷脫的功圖特點通常是,圖中最大載荷Ymax小于正常最小載荷YNmin,功圖面積急劇變小。圖形有摩擦特征,近似水平狀。

2 專家系統概述

2.1 故障診斷專家系統

利用專家系統進行故障診斷的基本原理就是運用專家的經驗和知識來對診斷對象進行故障診斷的推理［6］,使運行及維護人員可以迅速、準確地將異常設備、故障分辨出來。故障診斷專家系統由五部分構建而成:

圖3 抽油桿斷脫的功圖Fig.3 Indicating diagram of the sucker rod breaking off condition

1）知識的表示:提取油井故障診斷領域的相關專業知識和經驗,將其轉述成計算機能識別和運算的機器語言。

2）知識的獲取:需要依據大量的有桿抽油系統故障診斷過程的相關知識和長期實踐學習到的經驗,從而完成診斷任務。

3）知識庫:存儲實測示功圖、故障功圖數據、功圖特征值等計算結果、中間變量、診斷結果和歷史功圖數據等大量相關的數據。

4）推理機制:整合和協調整個系統的知識和規則,最終目標是得出故障或故障前兆的診斷結果。

5）解釋機制:用戶或者系統設計者可通過WEB界面實時查詢到油井信息、功圖信息、診斷的依據和診斷結果等確定的信息,體現出系統較好的交互性。

2.2 故障與功圖特征值的對應關系

每一種故障類型的功圖都有自身的特點,對不同的故障類型需要提取到能夠反映其特點的功圖特征值。文中提取如下15個直觀特征值,基本能概括出典型故障功圖所對應的特征:

1）凡爾開閉點的位移和載荷（8個）:供液不足或氣體影響的功圖右下角有較大空缺面積。采用梯度法［8］運算可得到功圖的4個凡爾開閉點。

2）最大載荷、最小載荷（2個）:上、下載荷線和位置是區分抽油桿斷脫的特征,抽油桿斷脫時,功圖的上、下載荷曲線都比較接近,而且均位于泵的下沖程載荷線以下。

3）總面積、示功圖四角的面積（5個）:功圖曲線所圍成的面積,表示一個沖次內泵載所做的功,即光桿功率。當存在供液不足時,功圖面積一般會減少；而當抽油桿斷脫時,功圖面積正常情況下的示功圖出現較大的面積缺失。

對于任意的N邊形,可以使用如下的面積計算公式:

式中:x0=xn,xn+1=x1,y0=yn,yn+1=y1。

根據專家經驗和知識,這些特征值對故障的識別可以起到有限或決定性的作用。通過對這些經驗的總結,可以得到如下的故障種類與特征值對應表,見表1。

表1中診斷程序部分來自Python故障診斷專家系統程序,其中各參數分別對應表示如下:area_all,總面積；area_all_std,標準功圖總面積；area_part1～area_part4,左下、左上、右上、右下四部分面積；area_part1_std～area_part4_std；標準功圖左下、左上、右上、右下四部分面積；change_rate,總面積變化率。

2.3 能耗計算輔助判斷故障類型

能耗輔助診斷主要是根據計算出的油井的光桿功率、井下效率、地面效率、系統效率等油井舉升能耗參數,來輔助分析油井工作狀況,判斷油井故障及高能耗原因,方便現場人員對油井狀況提前掌握,及時排除故障,采取相應節能措施,恢復油井生產,降低能耗。

根據油井監控系統所監測到的數據,計算出的能耗參數,能夠進行能耗輔助診斷的主要有以下幾種情況:皮帶斷、斷脫、缺相、電流過高、功率不平衡、功率因數低、系統效率低、單耗過高。

根據這些故障的特點,研究確定了判斷條件,如表2所示。只需要進行單井判斷條件設置,設置好具體報警數值,就可進行能耗輔助診斷,并提出優化措施。

表2 能耗輔助診斷條件設置Tab.2 Energy consumption auxiliary diagnosis condition setting

3 油井故障自動診斷系統研究

自動診斷系統診斷過程由數據預處理、特征值提取、專家系統功圖故障診斷決策和后續處理措施4個部分組成,如圖4所示。

圖4 油井功圖故障診斷系統技術思路示意圖Fig.4 The schematic diagram of oilwell indicating diagram fault diagnosis system technique approach

輸入信號U為示功圖中位移與載荷變化關系曲線的離散點集,經過數據預處理模塊后得到過濾掉毛刺的平滑信號W；通過特征值提取模塊得到功圖故障診斷的輸入X；運行專家診斷程序,得到診斷結果,輸出故障Y；最后對各種故障進行嚴重性分類,反饋給用戶采取后續處理措施。

3.1 數據預處理

包括前期校驗、平滑處理和數據歸一化處理。前期校驗目的是為了確保數據采集的長度和格式的有效性,并且通過確保程序的一致性,統一將位移的最小值點作為起始點,將載荷和位移數據排列整理成有序的功圖數據。平滑處理目的是在進行特征參數提取前對可能由于失真形成毛刺的功圖曲線進行去噪平滑,通常采取三次樣條插值函數來平滑曲線。數據歸一化的目的是為了使位移和載荷數據具有可比對性。

3.2 特征值提取

根據上文提取包括最大載荷、最小載荷,凡爾開閉點,功圖面積等的15個功圖特征值。

3.3 功圖故障診斷

1）標準功圖的選取

在實際的生產中,某些油井本身就存在或長期表現為供液不足或者其他故障的情況,均可以認為是該油井的正常工作特性。

因此,為了對油井當前功圖做出更可靠的故障判斷,在新井工作穩定之后,需要標定一張該油井的標準示功圖,其反映故障物理特性的特征值根據油田技術專家的經驗進行設定［7］。

2）故障診斷專家程序

對于本文選取的以上幾種故障類型,由于其故障功圖相較標準功圖可以提取出較為明顯的故障圖形特征,因而如上文所述直接結合專家知識、規則進行判斷,根據表1給出的故障與特征值之間的一一對應關系,使用Python軟件,編程實現故障診斷專家系統程序。

3）結合能耗計算輔助判斷故障

根據表2設置單井判斷的能耗輔助診斷條件,就可進行能耗輔助診斷,并提出優化措施。

3.4 后續處理措施

某些油井長期表現為供液不足、油稠或出砂類等類型的故障,由于對油井正常的生產需求的影響并不大,并不需要立即處理,可待下次修井時或者必要時再處理。因此,輸出診斷的結果后,系統根據預設的故障對于生產影響的嚴重程度,分別反饋給用戶故障提示或者報警的信息。對于發生抽油桿斷脫的故障,發出報警信息；對于供液不足的情況,給出故障提示信息即可；對于正常工作的情況則不做任何處理。

4 工況診斷結果分析

通過上述診斷過程,油田生產信息系統在系統平臺不僅能夠診斷出油井故障類型,并且在報警頁面顯示出了提示或報警信息,診斷結果見圖5～圖7,3種典型功圖類型分別診斷為正常工作、供液不足、抽油桿斷脫。

圖5 診斷結果:正常工作Fig.5 Diagnosis result of normal working condition

圖6 診斷結果:供液不足故障診斷Fig.6 Diagnosis result of the liquid insufficient working condition

圖7 診斷結果:抽油桿斷脫故障診斷Fig.7 Diagnosis result of the sucker rod breaking off condition

5 結論

文中利用江蘇某油田生產信息系統數據庫中大量的油井功圖數據,獲取其功圖特征值集合用于訓練神經網絡,使用測試用的功圖通過故障診斷系統診斷的結果看,經過統計、驗證,得到工況診斷各故障的診斷成功率,即故障準確率分別為:泵工作正常達到99.10﹪,供液不足達到97.64﹪,抽油桿斷脫達到95.10﹪。

診斷結果正確率基本達到95﹪以上。說明系統對油井故障的診斷率較高,結合油田專家知識選擇的功圖故障特征值有較強的針對性,使用專家知識結合BP神經網絡［9］的智能診斷方法提高了油井工況診斷的可靠性,且本文所采用的方法是一種較為成功的嘗試,有較高的實用推廣性。

［1］王平勛.基于自組織競爭神經網絡的抽油井故障診斷系統［J］.電子設計工程,2013,21（11）:112-115.WANG Pingxun.Oil field fault diagnosis system based on self-organizing competitive neural network［J］.Electronic Design Engineering，2013,21（11）:112-115.

［2］梁華，李訓銘.基于物理意義的示功圖凡爾開閉點精確提取［J］.石油勘探與開發,2011 38（1）:109-115.LIANG Hua，LI Xun-ming.Accurate extraction of value opening and closing points based on the physical meaning of surface dynamomenter card ［J］.Petroleum Exploration and Development，2011，38（1）:109-115.

［3］王利君，支志英.多智能故障診斷技術在油井生產中的研究與應用 ［C］//2014油氣藏監測與管理國際會議(2014 ICRSM）論文集,2014.

［4］劉益江,張學臣,李偉.抽油井示功圖綜合解釋［J］.油氣田地面工程,2007，26（8）:3-5.LIU Yi-jiang，ZHANG Xue-cheng，LI Wei.Pumping oilwell indicator diagram integrated interpretation［J］.Oil-Gasfield Surface Engineering，2007，26（8）:3-5.

［5］Vapnik V N.Statistical Learning Theory［M］.New York:John Wiley&Sons，Inc，N Y，1998.

［6］施鴻寶，王秋荷.專家系統［M］.西安:西安交通大學出版社，1990.

［7］王雯雯.抽油井示功圖故障診斷若干方法的研究應用［D］.南京:河海大學，2010.

［8］袁文琪,李訓銘.基于神經網絡的油井故障診斷系統研究與實現［J］.電子設計工程,2012,20（8）:35-37.YUAN Wen-qi，LI Xun-ming.The research and implementation of neural network in fault diagnosis system of the oil deposit［J］.Electronic Design Engineering，2012，20（8）:35-37.

［9］黃新波，王婭娜，劉林，等.變壓器油色譜在線監測中BP神經網絡算法分析［J］.陜西電力,2013(6):56-60.HUANG Xin-bo，WANG Ya-na，LIU Lin，et al.Application of back propagation neural network in dissolved gas analysis based on transformer oil chromatographic on-line monitoring［J］.Shaanxi Electric Power,2013(6):56-60.

The research of oilwell fault diagnosis expert system based on dynamometer card

YUAN Wen-qi，HU Min
（Institute of Electrical and Electronics Engineering,Zhejiang Industry Polytechnic College,Shaoxing 312000，China）

In oil exploitation，the capability of pumping well downhole fault prediction and diagnosis，and calculating the oil production，so as to timely know and master the working condition of the oil exploitation system，realize the automation monitoring and scientific management of oil exploitation system，is an urgent problem to be solved in the oil industry.Therefore，the research of pumping well fault diagnosis technology has a high practical value，and it has also been an important task to domestic and oversea oil exploitation engineering technicist.In this paper，the research is according to the measured indicator diagram，extracting the characteristic values of indicator diagrams and combining with the neural network technology to establish the oilwell fault diagnosis expert system，and realize the oilwell fault automatic diagnosis.The accuracy of fault diagnosis is basically up to 95 percent.

dynamometer card；sucker rod pumping system；expert system；neural network；fault diagnosis；energy consumption calculation

TN98

：A

：1674-6236（2015）18-0119-04

2014-12-09稿件編號：201412078

袁文琪（1987—）,女,浙江紹興人,碩士,助講。研究方向:自動化、控制理論與控制工程、樓宇智能化制。