基于BP神經網絡的電潛螺桿泵抽油工況診斷研究

鄭春峰，吳霄，許賀永，楊若谷，余丹，檀朝東*

?

基于BP神經網絡的電潛螺桿泵抽油工況診斷研究

鄭春峰1，吳霄2，許賀永3，楊若谷4，余丹2，檀朝東4*

（1.中海油能源發展股份有限公司工程技術公司，天津，300452；2.中國石油大學（北京），北京，102249；3.中國石油大港油田公司，天津大港，300280；4.北京雅丹石油技術開發有限公司，北京，102200）

電潛螺桿解決了地面驅動螺桿泵桿斷脫、管桿偏磨的問題，具有能耗低、維護簡單等優點，由于缺乏工況實時分析診斷的方法，難以及時發現井下機組工作狀態和故障原因。本文根據地面驅動螺桿泵系統典型故障，結合電潛螺桿泵系統的結構和特性，構建了工況診斷訓練和測試集樣本，建立了故障工況征兆矢量與工況類型之間的映射關系，形成了基于神經網絡的電潛螺桿泵抽油工況診斷方法及系統，并在實際生產得到了驗證。

電潛螺桿泵；生產工況；BP神經網絡；在線診斷

引言

電潛螺桿泵ESPCP是人工舉升的方法之一，由于其特殊的結構設計，與目前各油田廣泛使用的柱塞式抽油機、地面驅動螺桿泵、電潛離心泵相比較起來具有如下特征：適宜于高粘度、高含砂量以及聚合物成份比例較大的原油開采作業；不發生氣鎖并有破乳作用；抽吸連續平穩，不對油層產生壓力激動作用[1]；泵的排量穩定，油液流動無擾動，便于計量。另一方面，電潛螺桿泵系統屬于無桿采油設備，不存在抽油桿的扭曲變形和伸縮變形過程中的能量損耗，不存在抽油桿與井液攪動問題，采油能耗低，消除了因桿磨損或斷脫帶來的損失，延長了泵檢周期，不僅適宜于斜井、定向井及水平井的開采作業，而且機組井上部分體積小、重量輕、易于管理的特點使其更適宜于海上平臺和沼澤地區采油作業[2]，同時，泵下機組的發熱可以起到加熱原油的作用。

電潛螺桿泵處在環境復雜的油井中工作時，往往無法及時掌握其井下機組的工況，如果井下工況不合理或機組發生了故障而沒有得到及時有效的處理，就會導致機組帶病生產，嚴重影響到機組的壽命以及油井產量。而對井下工況判斷不準確，造成不合理的操作甚至不必要的修井作業，同樣也會嚴重影響油井產量和增加生產成本。當前，現有的大部分油井故障診斷系統僅僅停留在對油井生產數據的采集、傳輸、存儲和顯示上，需要依靠人員的經驗進行下一步的工況診斷工作。電潛螺桿泵采油技術擬在油田得到規模成功應用，有必要在現有的油氣水井統一平臺基礎上，升級形成一套潛油螺桿泵井生產監控、工況診斷等功能的智能應用系統。該系統可對潛油螺桿泵井全生命周期動靜態資料進行管理，通過單井監控、診斷，有問題及時發現及時處理，提前實施預防措施，有效提升生產時率，降低油氣生產成本。

1 電潛螺桿泵系統工作原理

電潛螺桿泵是單螺桿式水力機械的一種，是擺線內嚙合螺旋齒輪副的一種應用。螺桿泵的轉子、定子副利用擺線的多等效動點效應，在空間形成封閉腔室，當轉子和定子作相對轉動時，封閉腔室能做軸向移動，使其中的液體從一端移向另一端，實現機械能和液壓能的相互轉化，從而實現舉升液體的作用。

電潛螺桿泵系統由動力系統、傳動系統、執行系統、控制系統、配套工具及井下管柱六部分組成[3]。其中動力系統包括電機、動力電纜和變壓器等，動力電纜將三相電傳遞給井下電機；傳動系統包括齒輪減速器、保護器、聯軸體，內含軸承、密封、壓緊彈簧等關鍵零部件，減速器主要起減速和提高扭矩的作用，聯軸體除了傳遞扭矩外，還承受轉子反作用過來的軸向壓力，同時將輸入軸的定軸轉動轉換為輸出軸的偏轉運動；執行系統即螺桿泵，由金屬轉子和橡膠定子組成；控制系統包括上位機、下位機、變頻器、井下溫度與壓力傳感器等；其他的配套工具包括泄油閥、單流閥、封隔器等。電潛螺桿泵系統的機組結構如圖1所示[4]。

圖1 電潛螺桿泵采油系統結構圖

電動潛油螺桿泵采油系統的工作流程為：動力電纜將電力傳至井下潛油電機，潛油電機通過保護器、減速器、柔性軸驅動螺桿泵轉子低速轉動，轉子在定子中旋轉，形成動態密封腔室，將原油增壓，從泵的吸入端推進到輸出端并舉升至地面[5]。

2 電潛螺桿泵系統在線診斷方法研究

潛油螺桿泵處在環境復雜的油井中工作，潛油螺桿泵井下機組的工況往往無法被及時掌握，如果故障發生時沒有被及時發現，那么故障可能從井下機組的一個部件傳遞至整個采油系統，導致整個采油系統失效，對于螺桿泵的診斷技術，雖然已研究出一些診斷算法，但往往只是在故障發生后，對已有的抽油井數據進行分析處理，得出故障產生的原因，沒有將實時生產數據與故障診斷系統結合起來，無法滿足數字化油田“降本增效”的管理需求。隨著計算機、通信以及網絡技術的不斷進步，油井監控系統得到了迅速發展。對于地面驅動螺桿泵采油系統故障診斷，目前采用的技術主要有電流法[6]、憋壓法[7]、產液量法、扭矩法[8,9]、綜合診斷法等，而對于潛油螺桿泵采油系統的故障診斷技術還處于起步階段，本文從分析和研究地面驅動螺桿泵采油系統的故障診斷技術出發，研究出一種適合于潛油螺桿泵的在線故障診斷方法。

螺桿泵井除了正常工況外，還有其它多種異常工況存在，這些異常工況均視為故障工況，雖然螺桿泵井的故障種類繁多，但是總體上可以將故障分為地面故障和井下故障兩類。對于地面驅動螺桿泵采油系統，地面故障主要發生在電動機和減速器上，井下故障主要有抽油桿斷脫、桿管偏磨、油管斷脫、泵漏失、油管漏失、泵卡阻、蠟堵等故障。而對于潛油螺桿泵采油系統，由于潛油電機和減速器均放置于井下，因此其故障主要集中在井下，同時潛油電機通過電機保護器、減速器、柔性軸與螺桿泵轉子相連，因而不存在抽油桿斷脫和桿管偏磨故障。潛油螺桿泵比較典型的異常工況主要有柔性軸斷脫、蠟堵、泵卡阻、泵漏失、泵空抽、泵工作壓差不合理、油管漏失、減速器故障、潛油電機故障等多種類型。

電潛螺桿泵的各種故障與現場生產數據存在復雜的非線性關系，而BP神經網絡模型[10]是一種非線性的、有一定容錯能力的，具有很強的信息綜合能力和極強的自適應、自學習的模型，其應用廣泛發，十分適用于依據油井現場生產數據來進行故障診斷。

BP神經網絡結構如下圖2所示分為三層：輸入層、隱含層、輸出層。本文采用的標準三層BP神經網絡，建立故障工況征兆矢量與工況類型之間的映射關系。

圖2 三層BP神經網絡結構圖

其中，每個輸入層神經元對應一種故障征兆矢量輸入，為了更好的反應現場的工況，選取現場油井一段時間內的工況參數—電流、有功功率、扭矩和產液量，分別取其平均值、最大變化率、最小變化率共12個值，進行歸一化后得到12個特征向量作為輸入。隱含層中的神經元個數參照經驗公式確定為18個。每個輸出層神經元對應一種工況類型，即九種異常工況和一種正常工況，選取0和1作為網絡的輸出，越接近0則表示該節點不出現該種類型工況，越接近1則表示該節點出現該種工況，網絡輸出層矢量編碼如表1所示。

表1 網絡輸出層矢量編碼

選取某油田的20多口油井的實時生產參數進行樣本集的建立，共收集100組數據樣本，其中每種工況對應有7組訓練樣本和3組測試樣本。通過70個訓練樣本的訓練，建立起針對電潛螺桿泵工況診斷的BP神經網絡，用代表10種工況下共30組測試樣本進行訓練學習，BP網絡算法的學習過程由正向傳播過程和反向傳播過程兩個階段組成。在正向傳播過程中，將學習樣本輸入BP網絡，經隱層加權處理和激活函數運算后，計算出各神經元在隱層和輸出層的輸出，并計算實際輸出和學習樣本中期望輸出的誤差。在反向傳播過程中，當實際輸出值與期望的輸出值的誤差沒達到精度要求時，將誤差逐層回傳反向傳播，按照梯度下降原則調整各相鄰層之間的連接權重系數和隱層與輸出層的閾值，逐漸減小誤差直至收斂。最后，神經網絡的輸出和診斷結果如表2所示。

表2 樣本訓練結果

測試結果表明，所建立的BP神經網絡能夠對測試集樣本做出正確的分類，輸出的工況類型與期望一致。根據測試結果，做出規定：當輸出節點的輸出值在0.75到1.05之間，則認為是對應輸出節點的工況類型。

3 電潛螺桿泵井工況診斷實例

現場某口電潛螺桿泵的生產參數如圖3所示，曲線表明產液量由正常迅速降至極低水平，電流接近空載電流，有功功率偏低，扭矩降低，現場判斷為柔性桿斷脫。用所建立的BP神經網絡對該井工況進行診斷，將生產參數經過特征值提取后，得到輸入矢量為(0.89 0.11 -0.42 0.51 0.15 -0.71 0.52 0.05 -0.64 0.11 0.08 -0.91)T，將其輸入至BP神經網絡輸入層，得到的輸出如表3所示，結果表明與現場判斷一致。

圖3 現場某井生產曲線圖

表3 BP模型輸出結果及診斷結果

通過其他現場不同工況結果對比分析可知，網絡的實際輸出值與目標輸出值非常接近，診斷結果正確率達到了94%以上，表明建立的BP神經網絡模型實現了工況診斷的功能，同時也表明了將BP神經網絡方法應用在電潛螺桿泵抽油工況在線診斷具有可行性。

4 結束語

本文結合地面螺桿泵的典型工況和診斷方法，針對電潛螺桿泵自身結構和工作特性，提出了以電潛螺桿泵實時生產參數為研究對象，基于BP神經網絡的診斷模型，通過特征值提取，搭建了電潛螺桿泵工況樣本集，確定了網絡的訓練參數，完成網絡的訓練和測試。經測試和初步驗證，能夠對電潛螺桿泵常見的工況進行在線診斷，結果可靠，值得進一步研究更加復雜工況的診斷。

[1] 鮑鋒, 趙政超, 王智博,等. 電潛螺桿泵采油系統的開發與現場應用[J]. 石油鉆采工藝, 2000, 22(1):67-68.

[2] 劉紅蘭, 王富, 梁華. 電動潛油螺桿泵在埕島油田的應用研究[J]. 石油鉆探技術, 2004, 32(5): 48-50.

[3] 王世杰, 李勤. 潛油螺桿泵采油技術及系統設計[M]. 冶金工業出版社, 2006.

[4] 孔倩倩. 電動潛油螺桿泵工況診斷方法研究[D]. 中國石油大學(華東), 2009.

[5] 楊獻平. 電動潛油螺桿泵采油系統特點及應用[J]. 石油礦場機械, 2004, 33(3): 82-84.

[6] Ramos M A, Brown J C, Rojas M D C, et al. Producing Extra Heavy Oil using Bottom Drive Progressive Cavity Pump from Orinoco Belt Cerro Negro Area Venezuela[M]. 2005.

[7] 宮偉. 電動潛油螺桿泵采油系統應用研究[J]. 勝利油田職工大學學報, 2005, 19(5): 53-54.

[8] 李增亮, 張來斌. 電潛螺桿泵機組故障診斷系統設計方法研究[J]. 流體機械, 2003, 31(1): 32-34.

[9] 梁鐵坤. 電動潛油螺桿泵采油系統控制技術的研究[D]. 哈爾濱: 哈爾濱理工大學, 2005.

[10] 韓立群. 人工神經網絡理論、設計及應用[M]. 北京: 化學工業出版社, 2007: 24-32.

Study on Production Condition Diagnosis of Electric Submersible Progressing Cavity Pump(ESPCP) Based on Back Propagation Neural Network

ZHENG Chunfeng1, WU Xiao2, XU Heyong3, YANG Ruogu4, YU Dan2, TAN Chaodong4*

(1. CNOOC Energy Technology & Services- Engineering Technology Co, Tianjin Tanggu, 300450, China; 2.China University of Petroleum (Beijing), Beijing Changping, 102249, China; 3. China National Petroleum Corporation Dagang Oilfield Company, Tianjing Dagang, 300280, China; 4. Beijing Yandan Petroleum Technology Development Co, Ltd, Beijing Changping 102200, China)

Electric submersible progressing cavity pump(ESPCP) solves the problem that rod of progressing cavity pump(PCP) is broken off and partial wear, which has the advantages of low energy consumption and simple maintenance. Due to the lack of online diagnosis of working conditions, It is difficult to find the working state and cause of the downhole assembling unit in time. Based on the typical failure of PCP system and the structure and characteristics of the ESPCP system, a sample of working condition diagnosis training and test set is constructed.The mapping relation between the sign vector of the fault condition and the type of working condition is established.The diagnosis method and system of the pumping condition of ESPCP based on the neural network are formed,and has been verified in actual production.

ESPCP; Production condition;Back propagation neural network;Online diagnosis

10.19551/j.cnki.issn1672-9129.2018.01.022

TP183

A

1672-9129(2018)01-0056-03

鄭春峰, 吳霄, 許賀永, 等. 基于BP神經網絡的電潛螺桿泵抽油工況診斷研究[J]. 數碼設計, 2018, 7(1): 56-58.

ZHENG Chunfeng, WU Xiao, XU Heyong, et al. Study on Production Condition Diagnosis of Electric Submersible Progressing Cavity Pump(ESPCP) Based on Back Propagation Neural Network[J]. Peak Data Science, 2018, 7(1): 56-58.

2017-10-20；

2017-12-17。

檀朝東(1968-)，男，安徽，副研究員，博士，采油工程，智能油田。E-mail:704877300@qq.com