海上電潛泵井工況故障診斷與治理策略

劉彬

摘要：隨著近年來海上油田電潛泵使用故障率較高的狀況，在調查研究的基礎上以現場采集的電流卡片為數據來源，進行整理和歸納，形成不同典型工況下的電流卡片樣本庫，并分析了每種典型工況下電流曲線的形態特征及其形成原因，為電潛泵井的工況診斷及故障處理提供依據。對現場油井的電流卡片進行工況診斷，工況診斷符合率為100%，表明所建立的診斷模型具有很好的精度，可以滿足油田現場工程對診斷精度要求，能夠為油田現場的生產提供理論支持和指導。

關鍵詞：電潛泵井；工況診斷；工況故障；形態特征；特征參數；優化措施

針對目前油田現場電潛泵井工況診斷方式一般為人工診斷，存在工作技術性強，依賴技術人員的經驗和方法，診斷效率和精度較低，且工作量大等缺陷的問題，以油田現場采集的電流卡片為數據來源，形成了10種不同典型工況下的電流卡片樣本庫，分析每種典型工況下電流曲線的形態特征及其形成原因，統一規范并確定了5個特征參數和7個電流特征以及它們的閾值，并對每種典型工況下的電流曲線進行特征提取，從而形成了基于特征識別的電潛泵井工況智能診斷新方法，以判斷油井工況故障，并提出解決措施。

1基于特征識別的電潛泵井工況診斷方法

1.1不同典型工況下電流卡片樣本庫

以油田現場采集的電流卡片為數據來源，進行整理和歸納，形成了10種不同典型工況下的電流卡片樣本庫，并分析了每種典型工況下電流曲線的形態特征及其形成原因，為后面電潛泵井的工況診斷及故障處理提供依據。

1.2基于特征識別的工況診斷數學模型

1.2.1標準化處理

獲得實時電流數據之后，首先需進行標準化處理。由于樣本庫中經過處理后的正常工作電流對應的值為0.7，停機后的電流對應的值為0.4。所以可對待診斷的電流數據I測做如下處理，以便進行后續的特征分析：

式中，I標準為標準化處理之后的電流，A；I測為測得的電流，A；I正常為電泵設定的正常工作電流，A。此外樣本庫中的時間量是弧度θ（0～2π）對應著24h，所以還須將時間進行標準化處理：

式中，θ為標準化處理之后的時間，弧度；T為測定電流值對應的時間，min。完成標準化處理之后，通過計算各點斜率，可獲得一組反映電流變化規律的標準斜率數據。

1.2.2特征參數及其閾值的確定

特征量提取之前，定義以下5個特征參數及其閾值：

①α+為較大的正值（α+>5）；②α-為較大的負值（α-<-5）；③β+為較小的正值（0.2≤β+≤2）；④β-為較小的負值（-2≤β-≤-0.2）；⑤0為βmax-<0<βmin+。

上述5個特征參數的閾值是在綜合分析典型電流卡片下電流斜率變化規律的基礎之上，再經過數據的統計分析確定的。

1.2.3特征量提取與分析

在樣本庫中定義3類特征。

（1）穩定電流特征：斜率都為0。

（2）非穩定電流特征：

①電流緩慢減小。斜率維持為β-較長一段時間。②電流快速減小。斜率很短時間內出現β-。③電流增加。斜率維持為β+一段時間。④電流波動。斜率為β+和β-交替出現。

（3）電流突變特征：①停機。斜率數據中檢測到α-。②再啟動。斜率數據中檢測到α+。

在進行電流卡片分析時，要在標準斜率數據中檢測以上特征，進而用以對不同電流卡片進行區分。進行檢測時規定每5%個連續的標準斜率數據為一個數據單元，例如100個標準斜率數據依次為：A，B，C，D，E，F，G，H，…，將{A，B，C，D，E}{B，C，D，E，F，}和{D，E，F，G，H}都視為不同的數據單元。該數據單元主要用于電流漸變特征的檢測，所以包含α-或α+的數據單元沒有意義，分析時不將其視為一個數據單元。在進行穩定電流特征檢測時，如果一個數據單元中0出現的頻數大于數據單元中數據總數的60%（不包含60%）時，也就是說對于上述提到的時間單元{A，B，C，D，E}中的5個數據中必須檢測到4或5次0，才開始啟動電流穩定特征的檢測，將其稱作穩定電流特征檢測的啟動條件。在進行非穩定電流特征檢測時，如果數據單元中β+和β-出現的總頻數大于數據單元中數據總數的40%（包含40%）時，開啟非穩定電流特征的檢測，將其稱作非穩定電流特征檢測的啟動條件。對于存在電流突變特征的電流卡片，先檢測停機特征即[α-]，然后再從停機數據點按時間自后向前搜索。如果非穩定電流特征的檢測開啟，繼續一次取一個時間單元往前檢測，直至出現穩定電流特征或電流突變特征時，檢測終止。

完成非穩定數據組的提取之后，便可以在數據組中進一步檢測，能很容易將以上4種數據組形式區分開來，從而可以確定其所屬的不同特征類型。如果從停機數據點按時間自后向前搜索時，穩定電流特征的檢測開啟。然后，同樣一次取一個時間單元往前檢測，假如出現非穩定電流特征，且繼續向前檢測能提取到[β-、0、β-]的非穩定數據組，則可判斷其屬于欠載保護失靈的電流卡片特征。否則，假如沒有出現非穩定特征，則可判斷其屬于突發情況下引起停機的電流卡片特征。如果從停機數據點按時間自后向前搜索時，第一個數據點便檢測到再啟動特征即[α+]，則可判斷其屬于欠電流停泵的電流卡片特征。基于上述的特征參數及診斷規則，對樣本庫中10種不同典型工況下的電流卡片進行了特征量分析，并提取其特征值，形成了基于特征識別的電潛泵井工況診斷新方法，從而實現了電潛泵井工況的智能診斷。

2實例計算與分析

為進一步驗證所建立模型的計算精度，需運用油田現場實際的電流卡片數據對工況診斷模型進行檢驗。對現場油井的電流卡片進行工況診斷，計算結果如表1所示。

由表1可知，工況診斷符合率為100%，證明所建立的模型具有很好的精度，可以滿足油田現場工程對診斷精度的要求，能夠為油田現場的生產提供理論支持和指導。

3結論

（1）統一規范和確定了5個特征參數和7個電流特征以及它們的閾值，這7個電流特征的不同組合可以將10種典型工況下的電流卡片完全區分開，并對每種典型工況下的電流卡片進行了特征提取，從而形成了基于特征識別的電潛泵井工況智能診斷新方法。

（2）對油田現場6口油井的電流卡片進行工況診斷，工況診斷符合率為100%，所建立的診斷模型能夠非常準確地探尋樣本庫中已定義的各種電流卡片特征或特征組合，具有良好的精度，可以滿足油田現場工程對診斷精度的要求，能夠為現場的生產提供理論支持和指導。

參考文獻

[1]鮑敬偉，李麗，葉繼根，等.高含水復雜斷塊油田加密井井位智能優選方法及其應用[J].石油學報，2017，38（4）：444-452，484.

（作者單位：海洋采油廠海四采油管理區）