基于SDE-BP 網絡的油田注水管網故障診斷方法研究

王 妍 盧淑文 李 杰 許彥飛 高 勝 聞鏡強 高 望

（東北石油大學機械科學與工程學院）

隨著注水采油技術的成熟完備，我國陸地油田注水管網系統愈加復雜龐大［1］。 注水采油中后期管網系統故障頻發，故障嚴重影響管網系統正常運行，導致大量經濟損失。

為及時發現故障點、確定故障類型，將設備檢測法、泄漏水力數學模型法、管網診斷專家系統及神經網絡等方法應用于注水網絡。 設備檢測法方法舊、實時性差，且易受外界環境因素的干擾，錯誤率高。 數學模型法包含靜態模型和瞬態模型，但無法滿足理想大型復雜管網數學模型條件［2］。 專家系統法中專家知識庫因管網結構變化而發生全局改變，且知識庫創建麻煩［3］。隨著機器學習和人工智能技術逐漸成熟，BP神經網絡也被廣泛應用在各類故障診斷中［4，5］，然而在油田注水管網系統中卻很少見，主要原因在于傳統的BP神經網絡因訓練數據過大、收斂較慢，易出現過擬合現象，導致模型陷入局部最優。

筆者將自適應差分進化算法（SDE）與BP神經網絡相結合，提出一種基于自適應差分進化算法二級BP神經網絡注水管網故障診斷模型，對大型注水網絡進行優化， 解決其診斷困難問題，該模型可通過一級網絡精準診斷管網故障點位置，通過二級網絡診斷具體故障類型。

1 油田注水管網故障類型與模擬

注水系統復雜且龐大，任何一個節點和管段單元發生故障， 都會對系統其他節點和管段壓力、流量產生影響。 故障位置和故障類型是影響整個管網穩態運行的重要因素，亦是系統故障診斷的重要目標，而各節點管段故障往往通過壓力和流量的異常體現出來。 因此筆者將壓力和流量作為核心參數，建立故障工況診斷數學模型。 當然，該模型診斷的前提基礎為對各類故障分類和固定管網結構的準確模擬。

1.1 故障分類

油田注水系統的故障問題大致可分為注水站、注水井、管線和其他節點故障4類（圖1）。 眾多類型故障中，注水站泵機組停泵啟泵、注水井過欠注水、閥門和配水間故障為節點故障；注水管道堵塞和漏損中的管爆、射流為管線故障。 筆者采用兩級自適應差分進化BP網絡模型對管網節點和管線故障進行診斷，一級網絡診斷是對管網整體進行診斷，通過判斷各部分壓力和流量異常情況，以診斷注水站、注水井和管線故障點位置，二級診斷為故障類型診斷， 結合一級診斷結果，分析具體故障點流量大小和壓力高低并進行診斷，診斷類型為站啟停泵、井過欠注和管段漏損堵塞。

圖1 油田注水管網系統故障分類

1.2 診斷依據

油田注水管網故障常表現為系統壓力和流量的異常。 注水站泵機組的過載和泵損壞故障，導致注水站乃至整個管網壓力異常；注水井中過欠注水、 注水管網管道漏損和管道堵塞故障，導致系統流量異常，如圖1故障分類所示。 因此，一級故障診斷以壓力和流量異常為依據的故障位置診斷，壓力異常診斷注水站故障，流量異常診斷注水井和注水管線故障。 二級診斷相比于正常壓力和流量下，各部分壓力高低和流量大小為依據診斷故障類型。 注水站壓力偏高，診斷站泵機組啟泵，注水站壓力偏低，診斷泵機組停泵；注水井點流量高和管道表面有流量，診斷為井過注水和管道漏損；注水井點流量小，管道無流量，診斷為井欠注水和管道堵塞。

1.3 水力數學模型

油田注水管網系統由節點、管線和附屬單元構成，節點包括注水站、配水間、注水井和管線交匯點［6］，管線包含注水干線和支線，附屬單元有閥門、彎頭及三通等。

1.3.1 管網系統總體模型

管道單元模型可改寫為如下特性方程：

針對管網系統中管線的連接關系，結合管道單元特性方程和節點連續性方程可得到整個系統總體方程：

式中 C——管網的輸入流量矢量；

H——管網水頭矢量。

K——管網的特性矩陣；

1.3.2 模型求解

求解此大型復雜非線性方程，筆者采用牛頓法和迭代法，計算結果表明，迭代法比牛頓法更有效。 迭代法求解過程為：

計算結果表明，仿真誤差在±5%以內，能夠為故障診斷提供有效數據支撐。

2 SDE-BP神經網絡故障診斷模型

2.1 診斷模型總體架構

為診斷注水管網故障點位置和故障類型，建立兩級SDE-BP網絡模型。SDE-BP網絡模型是在傳統BP神經網絡基礎上引入SDE算法。 改進的關鍵在于將BP網絡初始權重和閾值作為自適應差分進化算法初始種群， 選擇適應度函數網絡均方誤差，對權重和閾值多次迭代優化，使其從初始隨機轉變為具有優化方向性，加速BP網絡模型收斂。

文中所采用的SDE-BP網絡模型，兩級均為三層結構［8］，一級診斷模型輸入為整體管網注水站、井和管線故障工況下各部分節點壓力P=（p1，p2，p3，…，pn）、流量NQ=（nq1，nq2，nq3，…，nqn）、管段流量LQ=（lq1，lq2，lq3，…，lqm）和診斷分類標簽T=（t1，t2，t3，…，tk），輸出值為故障點位置Y=（y1，y2，y3，…，yk）；對每個故障點建立二級診斷模型，輸入為一級診斷所確定的故障點故障壓力P、 流量NQ和管道流量LQ，輸出值為故障類型Y=（y1，y2），圖2為診斷模型總體架構。

圖2 診斷模型總體架構

2.2 數學模型

2.2.1 SDE-BP診斷模型

BP神經網絡在大型網絡的故障診斷中存在明顯的收斂速度慢、易過擬合、陷入局部最優等缺點［9］，因此，網絡優化極為重要，BP神經網絡優化常采用網絡結構優化和參數優化兩種方式，由于對BP網絡優化確定較為困難，采用優化算法對網絡的權重和閾值參數進行優化［10］。 文中求解復雜非線性優化問題采用全局優化算法——SDE自適應差分進化算法， 優化傳統的BP神經網絡，彌補網絡先天缺陷，減少訓練時間、避免模型陷入局部最優［11］。 SDE-BP網絡模型將BP神經網絡初始化的所有權重和閾值作為自適應差分進化算法初始種群，權重和閾值個數總和作為種群個體長度，經過多次自適應變異、交叉和選擇操作，達到最大迭代次數后終止進化，獲得優化后的權重和閾值，在此基礎上建立神經網絡，訓練至最大循環次數獲得SDE-BP網絡診斷模型。

SDE自適應差分進化算法優化BP神經網絡權重和閾值主要包括種群初始化、 自適應變異、自適應交叉和選擇。

種群初始化。 SDE初始化權重種群用隨機方式產生：

自適應變異操作。 權重個體間通過變異產生新個體，種群中兩個權重個體之間的加權差向量加到基點向量上的變異操作，變異操作中采用其多微分改進形式DE/best/1/bin［12］，使解向量朝更好方向進化。 自適應變異操作通過引入自適應變異因子其值隨迭代次數的增加而減小，初期可保證種群多樣性，后期又可保留優良個體［13］：

權重和閾值經SDE算法多次優化可達最優，結合管網節點壓力和流量為輸入特征值，運用BP網絡信號正向傳播和誤差反向傳播。 多次循環獲得SDE-BP診斷模型。

2.2.2 網絡結構確定

6.2.2.3 冷藏冷凍商品貯存倉庫、陳列柜和熱熟食展示柜都有功能正常的溫度顯示器，并且溫度滿足產品要求，定時做好冷藏冷凍庫（柜）和熱展示柜的溫度監控記錄。熱展示柜的溫度在60℃以上，冷藏溫度應為0℃～8℃；冷凍溫度應為－20℃～－1℃, 宜低于－12℃。

一級SDE-BP網絡模型為故障位置診斷模型，將管網注水站、井和管線所有節點壓力、流量和管段流量作為一級網絡的特征向量輸入，特性向量個數為輸入層單元數101個； 輸出層特征向量為可出現的站、井和管線節點故障位置、單元個數為站和井節點以及管段的個數32個；隱藏層單元數利用黃金分割法確定為20個。一級BP神經網絡初始權重和閾值經SDE算法獲得優化， 激活函數為Sigmoid函數，確保輸出結果為（0，1）區間，選取輸出值的最大值索引為診斷的類別。 優化后的BP神經網絡迭代至收斂， 一級SDE-BP網絡訓練完成。

二級SDE-BP網絡模型為故障類型診斷，針對每個故障點分別建立相同結構的SDE-BP神經網絡， 網絡模型數為所有節點和假設管段點的個數。 輸入故障特征向量為單個故障點所對應的故障工況下各節點壓力、流量和管段流量，采用網絡模型對故障進行二分類， 對于注水站的故障，輸出層有站停泵和啟泵兩種特征單元，對于井的故障， 輸出層有井過注和欠注兩種特征單元，對于管線故障，輸出層有管段漏損和管道堵塞兩種特征單元。 隱藏層和激活函數的確定與一級網絡相同。

2.3 SDE-BP算法實現

SDE優化BP網絡算法流程如圖3所示。

圖3 SDE-BP算法結構流程

結構包含傳統的BP神經網絡和自適應差分進化算法優化兩部分，具體步驟如下：

a.確定BP網絡拓撲結構， 選取網絡學習率r=0.1和最大循環次數一級Cyclemax=12000， 二級Cyclemax=500； 初始權重W選取標準差為隱藏層節點數的-0.5次方的正態分布，初始閾值B取（0，1）。

b.初始化種群。 將網絡所有權重和閾值個數總和作為種群個體長度n=2660；確定一、二級合適的NP種群為20；最大迭代次數Gmax=50。

c.適應變異操作。 自適應變異因子Fmin=0.3，Fmax=0.7。

d.自適應交叉操作。 自適應交叉因子Cmin=0.1，Cmax=0.9。

f.重復步驟c到步驟e， 直至迭代次數G滿足G＞Gmax，循環結束，獲得優化后的個體解即權重和閾值。

g.選取故障數據作為BP神經網絡的樣本輸入，在輸入前做歸一化處理消除不同量綱對計算的影響并加速收斂。 本文選取節點壓力、流量和管段流量作為特征輸入。

h.BP神經網絡信息正向傳播。

i.誤差反向傳播。

j.重復步驟i和步驟j， 訓練模型當前循環次數大于最大次數即Cycle＞Cyclemax時，停止訓練，獲得診斷模型。

3 管網故障診斷實驗分析

3.1 數據獲取

由于注水管網復雜龐大，獲取實際測量故障數據困難， 筆者通過建立注水管網水力數學模型，通過模擬管網注水站、注水井和管線故障工況，計算獲得故障數據。 注水網絡系統結構如圖4所示，系統中包含注水站3個、注水井12個、注水管線17條，管道長度為1 000 m，與注水站相連管道直徑為500 mm，其余管道直徑為300 mm，摩阻系數為0.013，注水井流量均為50 m3/s。

圖4 模擬注水管網系統

模擬故障工況有：注水站故障，增加或降低某一站節點的壓力，計算出其他注水站、井和管線的壓力和流量，模擬注水站停泵和啟泵故障工況；注水井故障，增加或降低井節點的流量，計算出各部分壓力和流量，模擬注水井過注和欠注故障工況；管線故障，在管段泄漏位置添加新節點，該點將管段分成兩條，若節點存在流量，即模擬管網漏損，若相鄰管道無流量或流速高則模擬管道堵塞。

經過模擬計算，共獲得故障數據640條，其中站故障數據60條，井故障數據240條，管線故障數據340條，每條數據包含節點壓力、流量和管段流量以及目標值。 SDE-BP網絡模型和傳統BP神經網絡， 分別對故障點位置和故障類型進行診斷，并進行結果對比分析。

3.2 一級優化網絡診斷結果分析

對于模擬的全部故障數據， 選取其90%作為網絡訓練集，剩下10%作為測試集。 一級SDE-BP診斷模型為101-20-32節點數的輸入隱藏輸出三層網絡，其中輸入數據對應各節點壓力、流量和各管段的流量；輸出節點數為站、井和管節點和。最大迭代次數為12 000，學習率為0.1，收斂精度為0.000 37，自適應差分進化算法參數設置：初始種群規模20， 變異因子最大值為0.7， 最小值為0.3，交叉因子最大值0.9，最小值0.1，最大進化代數為50代。

一級SDE-BP網絡故障點診斷均方誤差曲線圖如圖5所示，由圖可知，相同網絡結構和相同的訓練次數下，SDE-BP網絡模型在6 000次迭代時趨向收斂，均方誤差精度為0.000 62，傳統BP網絡模型均方誤差精度為0.002 13， 在最大迭代次數時， 傳統BP網絡模型均方誤差為0.000 96大于同訓練次數下SDE-BP網絡模型的均方誤差，對比可得SDE-BP相比于傳統BP網絡收斂速度提高50%，收斂精度提高56.3%。 SDE-BP網絡診斷的部分診斷結果見表1， 診斷輸出結果對比圖如圖6所示，一級SDE-BP和傳統BP對站14、井6、管段8和管段12故障點正確診斷；經輸出結果對比，傳統BP相比于SDE-BP模型在井6和管段12診斷的輸出偏差較大。由此可知自適應差分進化優化BP網絡訓練速度快和訓練精度高并且可正確診斷管網故障位置，正確率為100%。

表1 自適應差分進化優化BP網絡模型故障點部分診斷數據

圖5 故障點診斷均方誤差曲線圖

圖6 一級故障點診斷輸出結果對比圖

3.3 二級優化網絡診斷結果分析

依據站故障數據、井故障數據和管線故障數據分別建立網絡模型，二級優化網絡拓撲結構為101-20-2，學習率0.1，最大迭代次數500，自適應差分進化算法參數設置：初始種群規模20，變異因子最大值為0.7， 最小值為0.3， 交叉因子最大值0.9，最小值0.3，進化代數為50代，同時建立32個結構相同的網絡模型，根據一級診斷結果分別進行二級診斷。

二級SDE-BP網絡故障類型診斷誤差曲線圖如圖7所示，可以看出傳統的BP模型相對于自適應差分優化BP網絡模型其診斷誤差較大， 其中傳統BP訓練下的站15啟泵和管段17堵塞相對誤差為31%和30.2%，SDE-BP訓練下站15啟泵相對誤差為26%，超出允許范圍。其余診斷部分，傳統BP訓練下的相對誤差在0%～10%，SDE-BP訓練下的相對誤差在0%～5%。由計算可知，SDE-BP和傳統BP 網絡故障類型診斷相對誤差均值為1.93%和3.29%， 優化后的相對誤差均值提高1.36%。 部分二級故障類型診斷輸出結果對比圖如圖8所示，SDE-BP網絡和BP網絡可對站14泵機啟泵、井6過注水、管段8漏損和管段12堵塞正確診斷，同時對其他故障類型也可成功診斷，正確率均為100%， 由此可知自適應差分優化BP神經網絡可提高傳統BP神經網絡故障診斷模型的診斷精度。

圖7 故障類型診斷相對誤差圖

圖8 部分故障類型診斷輸出結果對比圖

4 結束語

在油田注水管網水力模型的基礎上引入自適應差分進化算法優化的兩級BP神經網絡，將自適應差分進化算法和傳統BP網絡相結合對注水站、注水井和注水管線故障點位置和相應故障類型進行診斷，該方法可根據管網節點壓力、流量和管線流量變化進行井過欠注、站啟停泵和管段堵漏的診斷。 模擬實驗分析表明：一級網絡故障點位置診斷，SDE優化BP網絡相比于傳統BP網絡收斂速度提高50%，收斂精度提高56.3%；二級故障類型診斷，優化后的BP網絡診斷相對誤差平均值提高1.36%。 模擬實驗證明自適應差分進化算法優化BP神經網絡相比于傳統BP網絡在注水管網系統故障點位置和故障類型診斷中有更快收斂速度和更低的誤差精度， 具有良好的診斷效果，對于大型復雜注水管網大數據診斷可避免其陷入局部最優，提高診斷速度和正確率。