海上機采井運維數字化轉型與故障預警方法的研究與應用*

徐文江 牛洪彬 吳 剛 鄭 毅 李 強 姜維東 李郭敏 林志勇

(1. 中國海洋石油有限公司開發生產部 北京 100010； 2. 中海油能源發展股份有限公司工程技術分公司 天津 300452；3. 中國海洋石油集團有限公司科技信息部 北京 100010； 4. 未必然數據科技(北京)有限公司 北京 100089； 5. 中海石油(中國)有限公司天津分公司 天津 300452)

電潛泵(ESP)作為一種適用范圍廣、效率高的人工舉升設備，具有排量大、功率高、能量傳遞方式簡單及管理方便等優點[1-2]，在海上油田得到了廣泛應用。電潛泵的井下工作環境復雜多樣，運行異常乃至故障停機將極大影響油井的正常生產。如何降低電潛泵故障率和減少躺井時間，是提高采油井效率，保證油田穩產的關鍵，也是油田數字化轉型和智能分析的著眼點之一。

2015—2019年，通過在機組質量提升、選泵設計優化、加強施工質量控制和生產運維管理等方面的努力，海上油田機采井故障率已由13.2%降低至8.2%，如圖1所示。但從2019年開始，現有技術和管理努力進一步降低機采井故障率的效果已經很有限，原因是當前的電流卡片診斷、井口憋壓診斷、機組振動分析、電潛泵工況診斷儀、生產參數綜合分析等技術手段，在油田井況變化和生產參數變化下，難以快速協同診斷而容易錯失機采井處置的最佳時機，難以滿足進一步降低機采井故障率的需要[3-9]。在油田數字化大環境的背景下，建立在線監測診斷系統，將大數據分析和AI機器學習下的深度學習技術與電潛泵的運維管理相結合，提高診斷效率與準確率，及時改善機組運行工況，并將油井故障管理從事后處理變為事前預警，及時做好修井準備，從而減少躺井時間，是機采井技術升級的重要方向。本文從降低電泵機采井故障率和減少躺井時間等方面開展研究，應用大數據分析挖掘與機器學習技術，取得了電潛泵健康度模型、故障診斷模型，壽命預測模型等研究成果，為電泵機采井智能監控、科學研判分析、調整和管理提供了高效的技術手段，可指導海上油田生產的檢泵修井措施制訂與實施。

圖1 近5年國內海上機采井故障率統計Fig.1 Fault rate statistics of offshore mechanical wells in recent 5 years

1 海上機采井故障預警方法

海上智能采油系統以電潛泵井數字化和智能分析平臺為手段，創新性的將海上一線人員與陸地技術專家、靜態數據與動態數據統一在同一個平臺上，應用大數據分析挖掘及深度學習技術完成智能分析模型的構建。區別于傳統方式下由技術人員進行逐項參數人工對比分析，使用智能分析模型可實時計算機采井健康度，有針對性地進行電泵故障預測，對已顯露的電泵機組異常和有潛在故障的油井自動預警，預測故障發生時間，同時給出診斷意見并提出處置措施建議。在持續應用智能模型的過程中，智能分析模型可以持續學習、自我進化，通過系統運行，持續、逐步豐富電泵異常及故障案例庫，采集異常及故障特征，使故障診斷及異常處置措施推薦越來越精準，根據預測結果，可實現對機采井不同異常程度分級處置的量化管理新模式。

1.1 健康度的分析方法

健康度是表征電潛泵健康程度的核心量化指標，也是故障預警、壽命預測的重要依據，健康度值的高低反映了電潛泵的性能參數相較于歷史上正常運行的情況下差異，差異越大健康值越低。健康度計算是基于機器學習歷史電泵吸入口壓力、出口壓力、井下電泵吸入口井液溫度、電機溫度、電流和井口溫度等參數，構建分析模型并計算各參數的預測值，對比電泵運行的實際值和預測值，計算偏離度。將關鍵參數的偏離度加權平均計算得到總體偏離度，最終轉換為機采井健康度值作為直觀表征。如圖2所示,計算數據共20個參數，預測某個參數時，其余參數作輸入條件。

電潛泵健康度計算過程分為3步，首先通過深度學習模型對影響電潛泵的關鍵參數取值進行預估；其次計算各關鍵參數當前值和預估值之間的偏離度，并計算各關鍵參數匯總后的綜合偏離度；最后通過非線性函數將綜合偏離度映射到健康度上，具體實現過程見圖2。

1.1.1電潛泵關鍵參數預估

對電潛泵機組可監測參數包括井下泵工況、地面變頻器、井口計量等3個類型，均參與到電潛泵健康度的計算，將變頻器、井口和泵工況中的部分參數作為關鍵參數直接參與計算，其綜合偏離度決定了健康度的值。上述關鍵參數的預估實現需要2個步驟，第一步構建深度學習模型；第二步利用電潛泵歷史上良好的運行記錄對深度學習模型進行訓練并保存訓練結果，最終采用循環剔除關鍵參數的方式獲取模型的輸入參數，并估算被剔除關鍵參數的值。

圖2 健康度計算原理圖Fig.2 Schematic diagram of health calculation

1) 深度學習模型構建。

(1)

σ(z)=max(0,z)

(2)

(3)

(4)

(5)

圖3 深度網絡模型架構Fig.3 Deep neural network architecture

簡化為

zl=wlal-1

(6)

則第l層經過神經元激活函數非線性變換輸出向量al-1為

(7)

模型的最終輸出向量aL為

aL=σ(zL)=σ(wLaL-1)

(8)

利用正則化的思想構造新的損失函數C：

(9)

式(9)中：前一部分是均方誤差的表達式，其中y為訓練數據對中的期望向量，增加了對權重系數矩陣W的L2正則化表達式，其目的在于降低過擬合現象；M為訓練數據對的個數(訓練數據對(x(j),y(j))，j=1,2,…,M)；λ為一個大于0的常數，且權重系數矩陣W為

W=[W2,W3,…,WL]

(10)

最小化損失函數Cmin為

(11)

模型轉化為一個關于參數矩陣W的無約束極值問題。

2) 利用深度學習模型循環估算關鍵參數。

電潛泵運行參數構成的向量X：

n

(12)

式(12)中：x1,x2,…xn表示電潛泵的不同運行參數；i∈[1,2,…,m]，m為關鍵參數的數量。

采用m次循環，逐一剔除m個關鍵參數的方式從X中獲取m組Xpi向量：

n-1

(13)

式(13)中：Xpi為模型輸入向量，其n-1個元素對應電潛泵的n-1個輸入參數，Xpi是X中不包含xpi的輸入向量，其中X是由所有元素構成的向量，其元素個數為n，待預估關鍵參數的個數為m，m≤n。

利用深度學習模型逐一計算出被剔除關鍵參數的預估值，表達式為

(14)

m

(15)

1.1.2各參數偏離度匯總

電潛泵m個關鍵參數的預估值是通過深度學習模型計算得到的，其計算結果與實際值存在偏離，每個參數的偏離量反映了該參數偏離最佳值的程度，為了反映電潛泵整體的偏離程度，需匯總各參數的偏離，公式為

(16)

1.1.3偏離度映射到健康度

電潛泵的健康狀況可以通過偏離度(e)大小來體現，偏離度越大，健康程度越差，但偏離度的值域為大于0，不便于定性健康度的好壞，于是通過數學方法將偏離度映射到閾值為0～100的區間范圍內，并將這一映射值稱之為健康度，映射公式為

(17)

式(17)中：hx為總體偏離度為x時映射的健康度值；p為偏離度分界值，即總體偏離度大于p時，映射健康度小于60，否則大于等于60。偏離度到健康度的映射曲線如圖4所示。

圖4 偏離度到健康度的映射曲線Fig.4 Mapping curve from deviation to health index

建立模型難點是電潛泵在大部分的時間里都是正常運轉，因此積累的歷史數據中絕大部分數據為正常數據，故障數據占比非常少，屬于嚴重的樣本不平衡問題，這樣將無法直接建立有效的故障分類模型。解決方法是，基于目前的數據現狀，利用已有的大量正常數據建立模型，找到數據背后隱藏的各個參數之間在的相關關系。具體實現思路如下：將所有能夠反映電潛泵性能的監測參數作為輸入，選取電潛泵非故障階段的數據作為訓練樣本，基于訓練樣本擬合電潛泵正常運轉下的模型，模型預測值為當前狀態和正常運轉狀態下的偏離，再將偏離轉化為健康度。

健康度模型通過深度神經網絡等大數據分析技術，提取測點數據的信息，將電潛泵的整體運行狀況進行量化，計算電潛泵的健康度得分。電潛泵健康度可以幫助業務人員對電潛泵的整體運行情況有一個較好的認知。同時，健康度得分的趨勢變化也可以成為電潛泵故障預警和壽命預測的重要依據。

1.2 故障預警的分析方法

電潛泵健康度值越高且趨勢平穩說明其運行狀態越接近理想狀態，反之說明狀態不佳，通過監控健康度變化可以進行預警。

1) 故障診斷。

由于電潛泵故障數據不足，無法直接建立故障分類模型。因此，需要通過實時監測各個關鍵參數的變化情況，將參數表現出的異常現象組合與故障案例庫進行匹配，實現故障診斷。對電潛泵運行參數的異常檢測有兩種方式：①閾值報警，即當參數值溢出閾值外時觸發單參數閾值告警；②趨勢報警，為區分電潛泵在運行過程中各參數的波動是否正常，采用SPC判異準則對每個運行參數連續一段時間內的運行狀態進行診斷，評估這段時間內波動狀態是否正常，評估依據是事先選定的SPC準則在這段時間內是否被觸發，詳見表1。

表1 故障診斷規則表Table 1 Fault diagnosis rules

2) 故障類型及處置分析。

將電潛泵各個參數的實際變化趨勢與案例庫中各參數的變化趨勢進行實時自動匹配，從而診斷出電潛泵故障類型以及故障原因和處置措施。海上油田智能采油系統案例庫包括3個部分，一是電潛泵發生故障時各運行參數的趨勢特征，二是故障類型，三是對相應故障的處置措施。實際應用中，系統通過利用SPC準則，判斷出相應參數的趨勢特征，自動和案例庫進行匹配，推薦處置建議，供機采工程師和技術專家參考。案例庫伴隨系統的不斷學習和積累而不斷豐富，使用過程中通過捕捉并歸檔系統內的故障及異常，形成新案例。隨著系統運行時間增加，案例逐漸豐富，故障及異常處置建議功能也會越來越精準。

1.3 壽命預測的分析方法

根據電潛泵健康度模型的實時計算結果，可以對電潛泵的實時狀態進行數學描述，但是無法實現對電潛泵的壽命進行預測，故需要通過建立趨勢預測模型。趨熱預測模型可采用AR模型(自回歸模型)、MA模型(滑動平均模型)和ARMA模型(自回歸滑動平均模型)算法，根據電潛泵運行參數近期變化重于歷史遠期變化的特點，選取了ARMA模型(自回歸滑動平均模型)。與此同時，結合試點油田的歷史電潛泵故障時的健康度數據統計，選取了60分作為電潛泵壽命終結的底線分。

2 海上智能采油系統構建

海上智能采油系統包括數據采集、故障預警、故障診斷、壽命預測等子系統。系統通過電潛泵實時健康度計算、日度健康度計算、單參數異常預警、故障預警和診斷、壽命預測等模型建設，實現通過預測電潛泵故障隱患并推薦處置措施，減少故障率，通過預測機采井躺井時間，提早啟動修井計劃，減少躺井時間的功能。

智能采油系統的算法應用分為訓練階段和應用階段，在訓練階段基于訓練數據完成數據清洗和探索、訓練數據和驗證數據劃分、特征設計、特征篩選和模型訓練。在應用階段，系統利用已保存的訓練模型進行健康度計算，并利用ARMA模型實現壽命預測，同時，系統利用SPC算法對電泵井運行中的各個單參數和計算的健康度進行趨勢預警和閾值預警，實現故障預警功能。系統還可以將單參數的異常趨勢進行組合后與故障案例庫進行匹配，實現故障診斷功能。詳細的應用流程如圖5所示。

圖5 智能采油系統算法應用流程Fig.5 Intelligent oil production system algorithm application flow

2.1 數據采集和遠程傳輸

油井數據資料很多，涵蓋油藏資料、管柱資料、機組數據、井史資料、生產數據等多個方面，特別是電潛泵采油系統的實時運轉情況，需要通過傳感器和數模轉換，完成模擬信號向數字信號的轉變，并采集進入采油平臺的中控系統，進而通過平臺上的服務器遠程傳輸回陸地，與其他重要數據一起參與智能分析。海上油田機采井的實時數據記錄包括泵出入口壓力、井液溫度、電機溫度、電機振動、漏電流、運行頻率、運行電壓與電流、油壓、套壓等。

海上智能采油系統建設以數據采集為基礎，根據數據的頻率和完整性，將20種數據分成A、B、C、D 4類數據進行管理利用，進而支持系統各功能模塊的計算。A類數據為全量實時數據，B類數據為泵工況日度數據，C類數據為井口控制柜日度數據，D類數據為井口計量日度數據。A類數據更新采集頻率最高，采用秒級更新，支持工況實時監測，B、C、D類數據采用日度更新。

2.2 故障診斷和壽命預測

電泵的故障診斷主要以電泵的生產參數、油層參數、原油物性參數、油井參數、井筒狀況、環境參數、電泵井作業情況以及電流卡片等為依據[3]，結合故障診斷經驗，對各項參數進行系統、全面分析，從而準確地診斷出電潛泵故障原因。

海上油田智能采油系統實現了故障診斷和壽命預測功能，對機采井分3個層級進行優化管理和處置。系統針對機采井20余項數據，采用軟件代替人工進行批量診斷分析，提高了診斷分析效率和診斷符合率。系統自動識別關鍵數據，將電潛泵的運行判斷定量化，用健康度進行直觀表征。實現對電潛泵異常及時告警，故障自動分析判定，對異常工況通過案例庫匹配處置建議，并通過特殊算法對變化趨勢進行判斷，將油井管理從事后處理變為事前預警。

2.3 海上機采井運維數字化轉型

通過海上智能采油系統在曹妃甸作業公司示范應用，與其電泵井運行維護生產與管理過程深度融合，有效推動了海上機采井運營管理的數字化轉型。

在電泵井數字化運行維護過程(圖6)中，智能采油系統從數值異常、通訊異常、工況異常等角度進行分類并自動定位異常原因，作業人員對異常情況進行排查，系統對結果進行記錄與跟蹤并實時推送信息至相關用戶，通過健康度變化與告警提示電潛泵實時狀態，實現處理流程與跟蹤過程的透明化與數字化。系統每日對運行情況進行統計，對生產變化情況與異常處置進展情況，以郵件形式每日推送至相關用戶，以實現支持用戶指揮決策前移、智能化輔助的工作模式。

圖6 機采井數字化運維示意圖Fig.6 Schematic diagram of digital operation and maintenance of mechanical production well

3 上線運行情況

海上油田智能采油系統已在渤海A油田部署上線運行，實施范圍涵蓋8個生產平臺，226口電潛泵采油井。運行期間對智能分析模型和系統功能持續進行驗證與優化，截至2021年2月底，在一年的運行時間內，共準確預測電潛泵故障躺井事件12井次，準確率達到80%以上，平均提前28.5天，為提前做好修井準備創造了有利條件；同時，共發現工況異常45井次，涉及絕緣故障、地層供液不足、吸入口堵塞、乳化、出砂、通訊異常、傳感器故障等異常情況，通過生產現場及時采取措施，電泵井恢復了平穩運行，有效降低了電泵故障率，并延長電泵壽命。

3.1 減少故障率分析

以A油田A1井為例(圖7)，2020年1月9日系統預警該井健康度下降至70.69，識別參數異常為“油壓、氣油比的值溢出閾值外，氣油比波動較大”，系統及時捕捉到這一異常，陸地技術專家查看詳細參數并分析后，確認了該電泵處于高含氣率這一異常工況，如長期處于該工況，會產生如振動偏大、泵舉升效能下降等問題，對電泵壽命造成影響。隨后，海上操作人員對該井生產進行調參，降低電泵運行頻率，最終消除了故障隱患，該井健康度恢復至96.14，避免了未來故障造成的躺井。

圖7 A油田A1井避免電泵故障案例Fig.7 Preventing ESP failure case of Well A1 in A oilfield

3.2 減少躺井時間分析

以A油田A3井為例(圖8)，2020年3月7—9日連續3天預警該井健康度下降，系統預測2020年3月28日躺井，因及時捕捉到機采井異常，實際提前20天預測到故障時間，使得該井作業安排更加主動，躺井后即刻安排修井復產，有效減少了躺井時間。

圖8 A油田A3井計劃修井案例Fig.8 Planned workover case of Well A3 in A oilfield

4 結論與建議

1) 在海上A油田試點了機采井數字化轉型和智能采油系統，驗證了通過提前預測電潛泵故障和壽命時間，及時處置電潛泵問題并提前安排檢泵修井，有利于降低機采井故障率和躺井時間，提高生產時效，節約修井投資，具有很好的推廣應用前景。

2) 基于油田歷史數據建立的電潛泵健康度模型、故障診斷模型，壽命預測模型，結合電潛泵系統實時數據和生產日度數據，可以應用于未來機采井運行管理，但在上線運行中發現數據完整性和數據質量是提高故障和壽命預測準確性的基礎，智能分析模型的算法和訓練是提高準確率的關鍵，盡管試點項目應用取得了效果，但這兩方面均需持續優化和改進。

3) 通過在海上機采井運維數字化轉型和智能分析實踐，啟發了數字化轉型在更多領域的應用潛力，建議通過功能升級并接入更多數據，可以實現采油井生產潛能分析、注水優化潛力分析、低產低效井治理潛力分析等功能。