電潛螺桿泵過程控制故障模型與智能診斷方法*

謝建勇 程輝 褚艷杰 魯霖懋 張劍文 郝忠獻 劉新福

(1.中國石油新疆油田分公司吉慶油田作業區 2.青島理工大學機械與汽車工程學院 3.中國石油勘探開發研究院)

0 引 言

電潛螺桿泵舉升系統適用于高黏度、高含蠟、高含砂和高含氣原油工況的斜井、水平井和海上平臺作業，同時電潛直驅螺桿泵具有泵效高、同比采油量能耗低、泵檢周期長、維護費用低等優勢，使其應用規模不斷擴大[1-2]。但由于偏心轉動引起振動、井下機組結構復雜、工作環境惡劣等因素，電潛直驅螺桿泵系統容易發生故障，且在故障狀態下長時間運行，原本只需簡單修井作業的油井反而會產生更嚴重的故障，造成經濟損失；同時，電潛螺桿泵機組長期帶故障運行，效率會降低，影響經濟效益。此外，對電潛螺桿泵機組故障類型判別不當，也會引起經濟和人力損失。因此，對電潛螺桿泵機組故障的及時發現以及準確判別具有重要的工程實際意義[3-4]。

現有螺桿泵舉升系統故障診斷主要采用BP神經網絡方法[7-8]，需要用到較多組故障數據進行神經網絡的訓練，而現場區塊缺乏數據或發生概率較低的故障類型，使BP神經網絡方法缺乏訓練的數據，導致該方法運用效果不佳。統計過程控制(SPC，Statistical Process Control)[5-6]借助數理統計方法進行過程控制，對運行工況進行分析評價，根據反饋信息及時發現系統性故障的征兆，并采取措施消除其影響，使過程維持在受隨機性因素影響的受控狀態，達到控制質量的目的。而且，運用SPC過程控制與專家判別相結合的方式，在實現故障判別功能的同時，不必采集較多的故障運行數據。

筆者將SPC過程控制判異準則與電潛螺桿泵機組故障診斷有機結合[9-10]，構建電潛直驅螺桿泵機組現場故障診斷模型，并提出了一種多參數過程控制與數據反饋分析評價的故障診斷方法，達到及時診斷和準確判定故障的目的。

1 多參數過程控制故障診斷模型

1.1 統計過程控制拓展判異準則

電潛螺桿泵正常運行時，其運行參數呈現正態分布特征，參數值落在3σ線以外的概率只有0.27%，此概率內即可認為泵舉升系統處于故障或失控狀態[8]。異常趨勢判斷圖利用均值μ及標準差σ繪制，如圖1所示。異常趨勢判斷圖中心線為CL，上下限分別為UCL和LCL，即μ±3σ。

圖1 電潛螺桿泵機組異常趨勢判斷簡圖Fig.1 Schematic diagram for judging abnormal trend of electric submersible screw pump unit

使用異常趨勢判斷螺桿泵是否發生異常工況的標準為“SPC過程控制判異準則”，該準則將參數的異常上升或下降統一規定為同一類異常工況。但在電潛螺桿泵舉升系統中，不同類型故障對應的特征參數趨勢存在差異，為此采用多參數過程控制判異準則進行拓展判別，見表1。

表1 統計過程控制拓展判異準則Table 1 Statistical process control extended criterion

通過判斷參數展示的不同特征，將特征參數隨時間變化趨勢劃分為：突增、突降、上升、下降和波動。突增和突降代表短時間內特征參數發生較大變化，上升和下降代表長時間內發生變化，波動代表在運行時間內處于正常范圍。

拓展準則7、12和13表現為波動，判斷為正常現象，所以專家系統實現過程中可不參與編寫，其他準則不合適時的判斷結果即為波動。SPC拓展準則優先級依次為：準則1和2>準則5和6>準則3和4>準則8和9>準則10和11。用于解決實際判斷時，由于參數同時常滿足多種準則，而產生難以判斷的問題。

1.2 多參數過程控制規則圖版

根據新疆油田現場調研與統計結果，電潛螺桿泵舉升系統的運行工況和故障類型可歸納為12種[11-12]：油管蠟堵、油管漏失、油管斷脫、泵漏失(定子磨損)、定子溶脹、定子脫膠、砂卡、柔性軸斷脫、工作參數偏高、工作參數偏低、絕緣失效和正常工況。依據大量故障參數測試和判斷經驗，12種工況中挑選了7個特征參數[13-14]，包括：電流、排液量、電機溫度、井口溫度、螺桿泵出口壓力、井口套壓、沉沒度。所選參數涵蓋了生產參數、電參數和井底井口參數，能夠表征電潛螺桿泵舉升系統的運行狀態。電潛螺桿泵機組故障工況多參數診斷準則見表2。表2中數字代表參數趨勢，即“0”為波動、“-2”為突降、“-1”為下降、“1”為上升和“2”為突升。

表2 電潛螺桿泵機組故障工況多參數診斷準則Table 2 Multi-parameter diagnosis criterion of failure conditions of electric submersible screw pump unit

由表2可知，絕緣失效和軸斷脫的故障特征參數表現形式相同，通過增加規則“結束電流是否等于0”加以區分。絕緣失效故障時，保護器會自動切斷電源；而軸斷脫故障時，電機空轉，電流為空載電流。工作參數偏高指轉子的轉速過高，導致油井的供排不平衡，系統效率降低，井筒動液面下降；工作參數偏低則相反，此時井筒動液面持續上升[15-16]。電流和排液量穩定時，通常認為電潛螺桿泵機組工作狀態穩定，即診斷為正常工況。電潛螺桿泵機組發生故障時，會影響到動液面的位置，為此只在正常工況時判斷工作參數偏高或偏低。

電潛螺桿泵舉升系統現場發生故障時，部分特征參數的趨勢特征不一定符合設定的判斷規則，由此引入概率判斷法，如表3所示。分別計算每種電潛螺桿泵故障發生的概率大小，并將輸出概率最大的現場故障類型作為診斷結果。電潛螺桿泵現場故障發生概率的計算式為：

表3 機組故障發生時各特征參數的權重因子Table 3 Weight factor of each characteristic parameter when failure occurs

(1)

式中：i為現場采集參數；j為現場故障參數；ai為利用SPC準則判斷采集參數的趨勢；rij為電潛螺桿泵現場故障對應參數的趨勢；wij為采集參數發生現場故障的權重；Pj為現場故障發生概率。

1.3 故障權重因子和現場數據歸一

權重因子wij控制診斷結果的正確率，首先將總權重“1”分為不同故障類型的6份(沉沒度只參與診斷工作參數問題，不參與概率計算)，而后依據現場診斷與測試結果并結合故障診斷經驗，確定各故障特征參數的權重因子圖版，如表3所示。

不同油田使用的數據采集系統不統一，使得數據采集頻率不一致，為此引入數據歸一長度N，將同一特征參數的N個數據平均值作為一個數據進行多參數過程控制趨勢判斷，即：

(2)

式中：T為判斷窗口長度，h；25為多參數過程控制趨勢判斷所需的數據量；f為數據采集頻率，h-1。

2 多過程控制故障診斷專家系統

為提高故障診斷過程的便捷性，開發電潛螺桿泵機組多過程控制故障智能診斷專家系統，其故障工況診斷流程如圖2所示。該專家系統創新性的引入診斷窗口長度和采集頻率，與下位機傳輸的數據交互后可在線實時故障診斷。

圖2 電潛螺桿泵機組多過程控制故障智能診斷專家系統診斷流程圖Fig.2 Flow chart of failure diagnosis of electric submersible screw pump unit

電潛螺桿泵機組多過程控制故障智能診斷專家系統診斷流程分為3步：第①步，獲取7種電潛螺桿泵機組故障特征參數并進行數據處理，在線選取每種特征參數的25個數據點，而后計算前10個數據點的均值標準差以及異常趨勢，判斷圖1的UCL和LCL；第②步，其余15個數據點使用多參數過程控制拓展準則計算趨勢；第③步，判斷電流、排液量是否平穩，診斷工況是否正常。工況正常時，通過動液面的趨勢判斷運行參數是否合適；工況不正常時，則使用采油系統工況判斷準則，計算每種故障發生的概率，最后輸出判斷結果。

3 故障診斷實例計算與分析

選取新疆油田吉39井對電潛螺桿泵多參數過程控制智能故障診斷系統進行驗證，下位機采集的特征參數如圖3所示。由圖3可知，圖中展示了75 h內的特征參數趨勢。排液量隨泵運行時間逐漸下降，電流變化則較小。

圖3 電潛螺桿泵機組故障特征參數采集頻率Fig.3 Acquisition frequency of failure characteristic parameters of electric submersible screw pump unit

吉39井的數據采集頻率為2次/h，設定3個異常趨勢診斷窗口：25 h、50 h和75 h，過程控制診斷特征參數異常趨勢結果見表4。3個診斷窗口判斷的特征參數趨勢大致相同，排液量和沉沒度下降(-1)，電機溫度和套壓上升(1)，電流和其他特征參數波動(0)。

表4 多參數過程控制診斷異常趨勢結果Table 4 Multi-parameter process control diagnosis abnormal trend results

通過式(1)計算電潛螺桿泵機組故障概率，輸出結果如表5所示。

表5 吉39井電潛螺桿泵機組故障概率與診斷結果Table 5 Failure probability and diagnosis result of electric submersible screw pump unit in Well Ji 39

由表5可以看出，其最大平均概率故障為泵漏失概率，值為0.67。結合電潛螺桿泵的現場拆解報告，吉39井的故障可以診斷為泵漏失。3個診斷窗口判斷出的最大概率故障均為泵漏失，這與實際故障相符。診斷結果表明，各診斷窗口的異常趨勢結果和各故障概率存在差異時，故障診斷專家系統依據多參數過程控制依然能夠準確地診斷出故障類型。

表6為新疆油田不同故障井采用故障診斷專家系統后的診斷結果，其中-2、-1、0、1和2分別表示突降、下降、波動、上升和突升，6口井專家系統診斷結果均與現場實際故障相符。

表6 新疆油田電潛螺桿泵機組故障診斷結果Table 6 Failure diagnosis results of electric submersible screw pump unit in Xinjiang Oilfield

結果表明，多參數過程控制故障智能診斷專家系統具備較強分析功能和直觀表現性，能夠準確識別不同井的電潛螺桿泵機組故障，證明過程控制故障模型和診斷方法可靠。

4 結 論

(1)基于統計過程控制拓展判異準則和經驗判斷、多參數規則圖版、故障權重因子和現場采集數據歸一，提出了一種多參數過程控制與數據反饋分析評價的故障診斷方法，無需大量歷史數據進行訓練，即可直接接入現場下位機讀取數據，進行電潛螺桿泵機組智能故障診斷。

(2)結合過程控制拓展判異準則判斷趨勢和數據反饋，分析輸出最大概率的故障，多參數智能故障診斷結果與現場測試結果相一致且符合率較高，而且數據采集頻率和診斷窗口時間跨度隨采集數據性質動態變動，保證輸入SPC趨勢診斷子程序的數據量不變，滿足大數據處理需求。

(3)多參數過程控制智能故障診斷系統進行線上遠程判斷，并隨電潛螺桿泵機組不同工況及其運行數據更迭實時診斷故障，具有時效性，為及時診斷和準確判定電潛螺桿泵機組現場運行工況及其故障提供了理論依據和技術支持。