采油廠油水井故障智能診斷技術的研究與應用

楊靖

[摘 要] 基于模式識別技術與權重決策理論相結合的方法，建立采油廠油水井故障智能診斷系統，以提早發現和解決問題，使經濟利益最大化。該軟件通過研究SCADA系統的實時數據及歷史數據，完成其歷史和實時數據導入；對自動化監測參數的研究，實現自動化監測參數報警閾值的智能設定和實時監測；建立歷史故障知識庫，實現油水井故障的統一管理；對SCADA系統數據源點進行歸類，分析其數據曲線及報警參數特性，建立智能分析的數學模型，突出自動化監測故障結果的實時診斷；實現報警信息及診斷結果的推送。

[關鍵詞] 模式識別技術；權重決策理論；故障模式識別庫；油水井故障智能診斷系統

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 19. 027

[中圖分類號] F270.7 [文獻標識碼] A [文章編號] 1673 - 0194（2017）19- 0065- 05

1 前 言

油田生產過程中，通過長時間對井口桿卡、光桿斷、皮帶斷、皮帶打滑、管線破、油管與套管堵漏等生產異常情況進行跟蹤和分析，發現在上述異常現象發生前單個或多個工況參數都有一定變化規律，為了能夠在異常發生前進行處理，可以減少維護費用，提高生產效率，減少對環境的污染等，可以對異常情況發生的各種參數進行建模處理，基于上述問題，本文提出油水井故障智能診斷技術，并將其應用于系統研究中，實現對油水井問題的實時診斷及有效預警報警。

2 關鍵技術

油水井故障診斷的研究是基于模式識別技術與權重決策理論相結合的方法。利用模式識別技術進行權重決策，把如形狀參數、長寬比、斜率及其他參數的變化趨勢等類型數據，每種都作為特征值提取出來，然后進行模式匹配。通過設置故障診斷模型中所涉及的各類參數權重以及趨勢范圍，合理有效的進行故障診斷。

2.1 故障模式識別技術

油水井故障模式識別技術，首先需要建立特征模式匹配的識別庫（識別庫具有一定機器學習與自動學習，樣本越多，診斷越準確，匹配度越高），把典型樣本特征提取出來存入識別庫，這樣新的實時數據過來，同樣提取相應特征，并與模式識別庫進行比對，并給出計算結果序列。

2.2 多參數權重決策理論方法

首先確定某故障所涉及到的所有影響參數，并實現對每個參數的權重配比；針對每一種參數從報警級別、偏離程度、前推點數、趨勢、方差等方面進行考慮；針對所有參數計算歸一化權重；根據故障可能性排序，對概率超過某一限定值的故障給予提示，給出故障推薦序列。

3 油水井故障診斷技術的方法及其應用

根據采油廠的生產實際情況，油水井故障智能診斷系統主要圍繞其SCADA系統的實時、歷史數據進行深加工，通過對自動化監測數據和工況參數的分析研究，智能設立自動化監測參數報警閾值，建立歷史故障知識分析庫，實現實時監測和智能預警，并及時推送報警信息，從而建立一套自動化故障發生預警系統，提早發現問題解決問題，減少維修費用及環境污染，提高效益。系統結構如圖1所示。

3.1 診斷過程的實現

在整個油水井故障診斷過程中，需要做到清楚的了解和掌握故障診斷業務的過程實現流程。油水井故障智能診斷系統業務流程是：首先，在閾值設定的基礎上結合故障診斷數據模型對實時數據進行診斷；其次，將診斷結果展示給中控室業務人員，業務人員對結果進行審核，對于誤報進行取消報警，將無誤報結果推送給現場操作人員；最后，現場操作人員進行現場處理，將處理結果反饋給業務人員。系統診斷過程見圖2。

3.1.1 故障診斷數據流轉過程

數據是根本和基礎，軟件系統在提供可視化的數據導入（含人工錄入和SCADA系統數據批量導入）功能之外，也支持對規范數據格式的現有數據進行遷移。在具體實現時，以數據接口方式來完成本系統與SCADA系統實時/歷史數據庫數據快速讀寫。

在數據入庫前提下，實現權限用戶對數據的檢索查詢。查詢支持按照井區、計量站、采油井、注水井等方式查詢實時監測情況、故障預警情況、歷史故障知識庫及故障推送結果等，并以可視化方式顯示查詢結果，允許用戶方便地瀏覽，并以常規表格化（非二進制體數據）數據導出。

在查詢檢索基礎上，提供自動化監測參數不同參數實時預警對比，故障結果統計，閾值智能計算，并以數據表格、柱狀圖、曲線圖的呈現方式展示給用戶。系統診斷數據流轉過程如圖3所示。

3.1.2 報警閾值的智能設定過程

根據SCADA系統的監測參數，分別對采油井、注水井的監測參數進行閾值預警。

采油井的監測參數包括單井油壓、單井回壓、單井套壓、油井電流1、油井電流2、油井電流3、抽油機最大載荷、抽油機最小載荷、沖程、沖次。

注水井監測參數包括注水井注水壓力、注水井瞬時流量、油壓、套壓。

閾值分為高限閾值（高報，高高報）和低限閾值（低報，低低報），算法設計了剔值平均法、多點平均法、單點取值法、經驗值法、固定值法。例如：

剔值平均法：高限閾值的剔值平均法，把選取的參數數值（例如一個月的數值）進行從大到小降序排序，去掉前N個高值，然后再依次取前M個高值計算的平均值為高值基值，加上不同的經驗值為高高報，高報；低限閾值的剔值平均法，把選取的參數數值（例如一個月的數值）按從小到大升序排序，去掉前面低值的最低N個值，再依次取前M個低值計算的平均值為低值基值，減去不同的經驗值為低報，低低報。

多點平均法：高限閾值的多點平均法，把選取的參數數值（例如一個月的數值）進行從大到小降序排序，依次取前N個高值計算的平均值為高值基值，加上不同的經驗值為高高報，高報；低限閾值的多點平均法，把選取的參數數值（例如一個月的數值）進行從小到大升排序依次取前N個最低值計算的平均值為低值基值，減不同的經驗值為低報，低低報。

單點取值法：高限閾值的單點取值法，把選取的參數數值（例如一個月的數值）按從高到低降序排序，取高值的第N個值為高值基值，加不同的經驗值為高高報，高報；低限閾值的單點取值法，把選取的參數數值（例如一個月的數值）按從小到大升序排序，取低值的第N個值為低值基值，減不同的經驗值為低報，低低報。

固定值法：用戶根據經驗直接填寫監測對象的某些參數閾值。

經驗值法：根據用戶提供的某些監測參數的經驗公式，進行參數閾值進行計算。

報警閾值可以系統計算，可以統一導入，用戶也可以進行修改，確定的閾值按照一定的格式確定保存到系統中，也可導出到用戶要求格式的Excel表中，便于用戶導入現有的SCADA系統中。

3.1.3 建立歷史故障模式識別庫

總結分析歷史故障，結合專家意見建立歷史故障模式識別庫，逐步完善報警、預警跟蹤處理知識庫。設立故障配置庫、故障參數描述表、歷史故障模式識別庫三部分，故障配置表主要以故障為主，描述故障類型，參數變化，解決方案，方案人員，現象描述記錄典型故障發生處理情況；故障參數描述表是總結監測參數和故障發生之間的邏輯關系，由文字性描述轉化為數字化程序實現；歷史故障知識庫是以歷史發生的故障為主，記錄發生故障井號、時間、故障類型、參數異常數據、報警的參數、報警的級別、發現問題時間、呼出時間、發現人、執行人、現場反饋、備注等信息。

3.1.4 智能預警

通過對SCADA系統歷史數據源點進行歸類，分析其數據曲線及報警參數特性，分析故障與報警參數的邏輯關系，建立對其智能分析的數學模型，實現油水井故障結果的實時診斷預警。

對生產中出現的典型報警進行歷史數據的相關分析，建立相應的報警數據模型，以實現多個參數關聯性異常、單個或多個參數在一定時間范圍內的趨勢異常等預警報警分析。預警的數據模型，是根據生產工藝情況定義需要報警的一組相關條件，監測參數報警閾值設定后，當監測參數報警后，根據故障參數描述表里的參數報警與故障的邏輯關系，權重分配，按權重大小排序，實時判斷故障類型。同時把此故障情況存入歷史故障知識庫，供后續處理參照。

3.1.5 報警結果推送

本系統采用多種靈活的方式進行結果展示和推送，目前通過短信接口和騰訊通接口對報警結果實時推送，同時規劃各類報警的推送級別，避免出現低級別報警推送到高級別管理人員，同時還避免報警的重復推送和誤報推送。大大減低了通訊成本和人工成本，同時故障推送及時有效，縮短故障處理時間，帶來巨大經濟效益。

3.2 應用效果

油水井故障智能診斷系統現場應用效果總結如下：

（1）設計并逐步建立起了41種故障類型及權重決策模型庫，見圖4，為整個系統奠定了堅實基礎；

（2）多種閥值計算方法及批量計算模式，基本替代了原本的手工計算，閥值計算精度和工作效率大幅度提升；

（3）油水井故障實時智能診斷逐步投入生產運行，并取得了較高的識別率（表1為系統運行中心識別率統計），日益發揮出該系統的應用價值；

（4）便捷靈活的報警信息推送功能，正逐步把業務人員從繁瑣溝通中解脫出來，而且實現了油水井故障的過程化/規范化管理。

4 結 論

油水井故障智能診斷系統的投入使用，通過獲取油水井自動化采集的實時數據從不同角度出發快速準確定位異常井，并且給出有效的措施建議，使得在無人值守的情況下也能及時掌握生產動態，降低員工勞動強度，起到了降本增效的作用；同時，它的存在使得采油廠的管理工作更具科學性和高效性，能夠進行推廣應用，以更好地推動智能油田的建設。

主要參考文獻

[1]安茂春.故障診斷專家系統及其發展[J].計算機測量與控制，2008，16（9）.

[2]袁風賓.數字化油田油水井自動化系統的設計[J].價值工程，2014（19）.

[3]張林森，赫世彥.延長油田的油水井信息管理系統[J].油氣田地面工程，2011，30（1）.

[4]石刻錄.采油井、注入井生產問題百例分析[M].北京：石油工業出版社，2005.