基于示功圖大數據的立式抽油機故障分析

段友祥 常 城 孫歧峰 杜承澤

（中國石油大學（華東）計算機科學與技術學院 青島 266580）

1 引言

隨著物聯網、大數據、人工智能等新一代信息技術的迅猛發展和深入應用［1］，以“全面感知、自動操控、預測趨勢、優化決策”為目標的“智慧油田”正在油氣資源領域掀起新一輪的技術革命［2］。油氣生產智能化監測和管理是智慧油田建設的重要內容［3］。

有桿抽油機是目前石油生產的主要設備，分為游梁式和無游梁式兩種。隨著技術的進步，因常規游梁式抽油機長沖程時平衡效果差，效率低，能耗大等原因［4］，立式抽油機應運而生。立式抽油機是一種無游梁塔架式抽油機，具有安全方便，節能降耗，適應性強等優點［5］，在我國西部油區和國外一些油田得到了很好的應用。本文的研究內容是這款抽油機智能分析和決策中的故障診斷問題。

抽油機通常工作在外部環境惡劣，無人值守、工況復雜等情況下，經常發生運行故障，嚴重影響生產，甚至造成抽油機本身機械損傷［6］。因此，通過搭建立式智能抽油機大數據平臺，如圖1所示，進行數據分析和決策，對抽油機進行實時工況智能診斷，可以保障生產運行效率，延長抽油機的使用壽命。

圖1 立式智能抽油機大數據平臺

立式智能抽油機大數據平臺硬件部分主要包括抽油機主體、數據感知傳感器、遠程終端控制單元（Remote Terminal Unit，RTU）、數據傳輸單元（Data Transfer Unit，DTU）等；軟件主要包括生產動態分析與決策、故障智能分析、遙測、遙控等。平臺由RTU統一處理和暫存示功圖數據，由DTU進行通訊，將數據通過網絡傳給云端服務器存儲，每隔30min，最新的示功圖數據通過網絡傳給云端服務器存儲，因此可以得到豐富的與功圖相關的大數據。數據的分析軟件部署在云端，分析結果的應用軟件部署在客戶端（含移動設備）。

目前最為先進和常見的抽油機故障分析和診斷模型是示功圖模型［7］。示功圖是抽油機在一個運動周期內光桿下端懸點處載荷隨光桿下端懸點處位移變化形成的一條封閉曲線，其形狀特征能反映抽油機工況［8］。立式抽油機和游梁式抽油機雖然構造不同，但示功原理一樣，因此也通過示功圖分析抽油機的運行狀況，進行故障診斷。但是結構的不同使得示功圖的表現會有很大差異。如使用立式抽油機時“光桿打驢頭”這種故障不會出現。圖2是通過建立的數據平臺收集的立式抽油機幾種典型示功圖，其中圖2（a）是正常情況下的示功圖，圖2（b）是抽油桿斷脫的示功圖，圖2（c）是氣體影響的示功圖，圖2（d）是充不滿的示功圖。

圖2 立式抽油機示功圖

抽油機的故障分析和診斷一直是研究的熱點問題，專家系統、支持向量機、神經網絡等研究成果都在抽油機故障智能分析中得到應用［9～10］，但是應用效果還有一定的局限性。近幾年，大數據和深度學習技術的出現，為抽油機故障智能分析提供新的解決思路［11］。

2 基于特征重標定殘差卷積神經網絡的立式抽油機故障診斷模型

2.1 模型結構

卷積神經網絡（Convolutional Neural Network，CNN）是一種前饋神經網絡，由卷積層、池化層、歸一化層、全連接層等構成［12］。與其他圖像識別和分類方法不同，CNN可以自動學習并過濾特征而不需要人工和先驗知識來設計和提取特征。多次卷積能夠提取不同層次的特征，多次池化能夠對特征不斷壓縮，通過對不同層次特征持續提取和壓縮可獲得更高層次、更抽象的特征，利用最后得到的特征可以完成不同任務，在圖像處理方面有出色表現［13］。示功圖可以看作一種特殊的圖像，因此利用CNN對示功圖分析是可行的［14］。

根據立式抽油機故障診斷的實際需求，借鑒近幾年圖像識別和分類效果較好的ResNet模型、DenseNet模型和SENet模型［15～17］，本文提出一種基于示功圖數據的特征重標定殘差卷積神經網絡模型，其結構如圖3所示。

本文模型共45層，其詳細結構如圖3（b）所示，其中，第1個卷積層卷積核大小為3×3、數目為16；5個SE-殘差模塊（嵌入Sequeeze-and-Excitation子結構的殘差模塊）中卷積核的數目依次為32、64、64、128、128；卷積層均加入L2正則化，步長均為1，激活函數均為LeakyReLu；池化層池大小為2×2，步長為2；前兩個全連接層有1024、512個神經元，激活函數均為LeakyReLu，第三個全連接層有4個神經元，激活函數為softmax，用于4種圖片的分類工作。模型的輸入為32×32像素的示功圖，輸出是示功圖的種類。

圖3 特征重標定殘差卷積神經網絡模型

2.2 殘差模塊

圖4中BN是批歸一化層，LeakyReLu是激活層，激活函數為LeakyReLu，Avg_pool是平均池化層。x為輸入，H（x）為輸出，F（x）為x和H（x）之間中間層的輸出。

圖4 殘差模塊

本文設計的殘差模塊由1×1卷積層、3×3卷積層、中間層（BN等）和在輸入輸出之間引入1條恒等映射（identity mapping）的直連通道組成，其結構如圖4所示。與經典的殘差網絡不同，此結構在3×3卷積層之前加入1×1卷積層并且增加中間層，不但對輸入的特征降維、減小參數數目和計算量而且增加了更多非線性因素、加速網絡收斂，起到輕量化模型并且提高模型性能的作用。

2.3 SE-殘差模塊

圖5中，c為特征的通道數，h為特征圖的高度，w為特征圖的寬度。

本文模型主要由SE-殘差模塊組成，在搭建完成殘差模塊之后嵌入SE子結構，其結構如圖5所示。本文在addition前對分支上的殘差特征進行重標定即在x+F（x）前對分支上的F（x）進行操作，如果對addition后主支上的特征重標定，由于主干上存在0～1的Scale操作，在深層網絡反向傳播過程中會出現梯度彌散的現象，導致模型無法優化。

圖5 SE-殘差模塊

在SE子結構中，首先使用平均池化完成Se?queeze操作，將特征壓縮；之后經過全連接層將特征維度降為輸入的1/16（16是設定的，可以改變），經過激活層、全連接層再將特征維度升回到原維度，相比于一個全連接層，這樣不但可以增加更多的非線性，更好地擬合通道間的相關性還大大減小了參數數量；然后通過Sigmod函數完成Excitation操作，為每個特征通道計算權重，權重代表每個通道的重要程度；最后通過乘法逐通道加權到先前特征完成Scale操作，完成對原始特征重標定。

Sequeeze操作表達式如下：

Fsq為Sequeeze函數即平均池化，Uc是H×W的特征圖。公式是將H×W×C的輸入轉化為1×1×C的輸出。

Excitation操作表達式如下：

Fex為Excitation函數，z是式（1）得到的結果zc，（W1z）是經過第一個全連接時的運算，W1的維度為C/16×C，16是一個參數可以修改，本文取16是將通道個數降為原十六分之一，經過ReLu激活層后再經過第二個全連接層與W2相乘，W2的維度是C×C/16，因此輸出維度是C×1×1，最后經過sigmod函數后得到s。

Scale操作的表達式如下：

Fscale為Scale函數是將uc與sc相乘，uc是二維矩陣，sc是權重（一個實數）。

2.4 模型特點

本文將殘差思想引入模型，改變了前向和后向信息傳遞的方式，模型訓練時，如果x代表的特征已經十分成熟，即x增加或減小都會讓模型損失值變大，此時F（x）會趨向于0，x則從這條恒等映射路徑繼續傳遞信息，這有利于深度網絡的訓練，在一定程度上解決了梯度彌散問題，隨著模型深度的加深，其表達能力更強，測試集的分類準確率更高。

本文將SE子結構嵌入殘差模塊中對特征重標定，其核心思想在于模型通過損失值學習特征權重，使得有效特征圖的權重不斷增大，無效或效果小特征圖的權重不斷減小，訓練出的模型效果更好。SE子結構構造簡單，容易嵌入到網絡模型中，不需要設計新的結構。

模型選用LeakyReLu函數作為殘差模塊的激活函數，相較于使用較多的ReLu函數，LeakyReLu函數能夠修正數據分布，當輸入為負值時也能更新網絡參數［18］。在卷積層之間加入批歸一化層加快訓練速度、提高模型訓練精度、一定程度上減小梯度彌散問題；每個卷積層均加入L2正則化有效防止過擬合。

選用Adam作為優化函數，與SGD、Momentum、AdaGrad、RMSProp優化器相比，Adam優化器實現簡單、計算高效，超參數無需調整或者僅需微調，更新步長能被限制在大致范圍內，能自動調整學習率，很適合大規模數據和參數的場景［19］；選用方差縮放初始化作為模型的初始化權重方法，比常規的高斯分布初始化、截斷初始化的泛化能力更強；模型最后是全連接層，不僅起到分類器的作用，還可以大大減小特征的位置對分類的影響［20］。

3 實驗與分析

3.1 數據來源

本文使用的數據集來自國內某油田，該油田使用新型的立式智能抽油機。數據采集時間為2019年1月1日0點至2019年6月7日21點，通過篩選、分類和數據增強共得到19038張示功圖，其中“工作正常”4094張、“充不滿”2707張、“氣體影響”8093張、“抽油桿斷脫”4144張。隨機抽取10%的數據作為測試集，90%的數據作為訓練集，供模型訓練和測試使用。

3.2 模型搭建

本文實驗基于NVIDIA Tesla P100 GPU硬件環境，使用TensorFlow、sklearn、tflearn作為開發平臺，分別搭建邏輯回歸模型，隨機森林模型，XGBoost模型，邏輯回歸、隨機森林、XGBoost集成學習模型，32層的ResNet模型、66層的DenseNet模型和本文提出的特征重標定殘差卷積神經網絡模型。模型通過Softmax函數進行分類，使用交叉熵函數作為損失函數，優化函數為Adam。

3.3 實驗及分析

準備數據集后，分別訓練邏輯回歸模型，隨機森林模型，XGBoost模型，邏輯回歸、隨機森林、XG?Boost集成學習模型，ResNet模型、DenseNet模型和特征重標定殘差卷積神經網絡模型，并用得到的模型在訓練集和測試集進行示功圖分類實驗，本文通過多次實驗以減少結果的偶然性，具體見圖6、表1、表2。

表2 實驗結果對比

圖6 本文模型測試集準確率和損失率

表1 本文模型精度、召回率、f1得分

從圖6、表1和表2可得本文模型在測試集上的準確率、精度、召回率和f1得分最高，損失率最低，訓練時間短，訓練后的模型有較強的泛化能力，能夠很好地滿足立式抽油機實際故障監測分析的應用要求。

4 結語

立式智能抽油機作為新型產品在國內外重要油區的使用越來越多。通過分析抽油機的運行狀態數據對采油生產進行監控和優化生產決策意義重大。本文把深度學習新技術應用于立式抽油機故障分析和診斷，建立了立式智能抽油機示功圖分類識別的特征重標定殘差卷積神經網絡模型，實驗結果表明，相對于其他模型，該模型在測試集上的分類識別準確率、精度、召回率、f1得分最高，損失率最低，訓練時間短，能很好地滿足實際應用需求，為人工智能新技術在智慧油田建設中的應用進行了有益的嘗試。