基于物聯網的油井工況綜合診斷與預警系統

摘 要：隨著智慧油田的快速發展，油井工況綜合診斷與故障預警越來越重要，解決傳統油井工況綜合診斷效率低下及預警準確性低等問題，已成為油田開發生產數字化轉型與智能化發展的重要內容。針對陜北“三低油田”油井工況綜合診斷與故障預警領域存在的問題，文中研究開發了基于物聯網的油井工況綜合診斷與預警系統。該系統由現場數據采集部分、傳輸控制部分及應用監控平臺組成，基于物聯網三層架構實現對油井動液面、套壓、回壓、含水率、示功圖及三相電參等生產數據的實時采集。運用BP神經網絡構建油井工況綜合診斷與預警模型，實現了油井復雜工況綜合診斷與故障預警。實際應用結果表明，基于物聯網的油井工況綜合診斷與預警系統能夠有效提高油井工況綜合診斷的效率與故障預警的準確性，在智慧油田建設中具有應用推廣價值。

關鍵詞：物聯網；油井工況；綜合診斷；故障預警；BP神經網絡；D-S證據融合

中圖分類號：TP39 文獻標識碼：A 文章編號：2095-1302（2024）02-00-03

0 引 言

隨著智慧油田的發展，及時了解油井工況愈發重要。油井井下工況復雜，容易對抽油機造成不利影響；同時，受油井井下腐蝕、出砂、結蠟、產氣和產水等因素的影響，油井工況變得更加復雜多變[1-2]。目前，油田大多采用人工巡檢手段采集數據，進行油井工況綜合分析與異常工況預警報警[3]。人工巡檢方式受人員主觀因素及環境因素影響，分析結果不具備實時性和準確性，工況診斷很容易出現錯誤。因此，傳統人工巡檢方式很難對井場油井的工況進行綜合診斷和實時預警。在智慧油田和自動化技術的快速發展下，油井生產數據采集準確性和自動化監測水平都得到很大提高[4-5]，人們對于油井工況綜合診斷與油井故障預警的準確性要求也變得越來越高。因此，本文提出了基于物聯網的油井工況綜合診斷與預警系統。該系統能夠通過各種采集儀表實時監測和采集油井生產數據，掌握油井工作工況；運用物聯網技術和BP神經網絡對油井工況進行綜合診斷和油井故障進行實時預警，保證油井安全生產；制定合理的生產制度，提高油田生產效率。

1 基于物聯網的油井工況綜合診斷與預警系統構成

1.1 油井工況綜合診斷與預警系統構成

基于物聯網的油井工況綜合診斷與預警系統由三部分組成，包括現場數據采集層、傳輸控制層及應用監控層[6]，如圖1所示。

現場數據采集層由各種采集儀表及采集控制器組成，包括三相電參采集器、示功圖采集儀、動液面監測儀、壓力傳感器及采集控制器等?，F場數據采集層中采集儀表主要對油井進行實時監控及各種生產數據的采集，采集控制器通過RS 485通信總線和WiFi對生產數據進行收集并儲存。

傳輸控制層在系統運行中一方面承擔生產數據的傳輸任務，另一方面承擔監控層指令下發的任務。傳輸控制層一般情況下采用采集控制器中內置的4G無線模塊進行數據傳輸，但當無線傳輸故障時，也可以采用井場網線進行數據傳輸。

應用監控層由服務器、監控主機及顯示屏等設備組成。服務器負責對接收的各種生產數據進行綜合分析，監控主機負責運用BP神經網絡算法建立油井工況綜合診斷與預警模型，顯示屏顯示油井生產的各種數據，油井工況診斷狀況及油井故障預警報警等信息，方便工作人員查看，及時做出反應，保證油井安全生產。

1.2 采集控制器硬件組成

油井工況綜合診斷與預警系統的采集控制器硬件由基于STM32F4單片機系列的嵌入式系統組成，采集控制器硬件組成如圖2所示。油井工況綜合診斷與預警系統的采集控制器硬件電路包括主控芯片、電源模塊、調試模塊、指示燈電路、按鍵模塊、網線接口、OLED模塊、4G模塊、存儲模塊、WiFi模塊及RS 485接口等；外圍采集設備包括三相電參采集器、含水率監測儀、示功圖采集儀、動液面監測儀、壓力傳感器等。

2 油井工況綜合診斷與預警軟件設計

2.1 基于物聯網的油井工況綜合診斷與預警功能構成

基于物聯網的油井工況綜合診斷與預警系統使用C語言、C++及Java語言基于力控V7.1開發了系統軟件平臺，實現了生產數據采集、數據庫建立、工況診斷與預警模型運行及工況診斷與油井故障預警信息顯示與查詢等功能。油井生產數據通過數據采集驅動程序傳輸至關系數據庫。通過ODBC組件將實時數據庫與關系數據庫連接起來，將油井生產數據進行深度挖掘分析。在MATLAB中建立工況診斷與預警模型，通過OPC接口接入實時數據庫[7]，對油井生產數據進行模型分析后，得到工況綜合診斷結果和油井故障預警信息；將工況綜合診斷結果和油井故障預警信息通過網絡服務器在監控平臺發布顯示，最后將歷史數據轉存至關系數據庫。油井工況綜合診斷與預警功能構成如圖3所示。

2.2 油井工況綜合診斷模型建立

BP神經網絡是一種基于誤差反向傳播算法的人工神經網絡模型，它由輸入層、隱含層和輸出層組成，其中隱含層可以有一個或多個[8]。BP神經網絡的工作原理是通過不斷調整神經元之間的連接權重和偏置值，使得神經網絡的輸出結果不斷逼近真實值。BP神經網絡的優點是可以用于解決非線性問題，具有很強的適應性和泛化能力。

在不同的井場環境下，油井的生產數據會存在差異；為了減小誤差，對生產數據進行分析時，需要進行歸一化處理。首先，對示功圖像進行歸一化處理。歸一化后的示功圖用MATLAB進行灰度特征提取，得到灰度矩陣。再通過數據統計方法計算得到6個灰度特征向量，分別為灰度均值（Z1）、灰度方差（Z2）、灰度偏差（Z3）、灰度峰值（Z4）、灰度能量（Z5）、灰度熵（Z6）[9]。歸一化數據后，計算套動液面平均值（Z7）、管壓力平均值（Z8）、三相電參的平均有功功率（Z9）及有功功率波動系數（Z10）、平均含水率（Z11）和平均回壓值（Z12）。

基于BP神經網絡算法，建立油井工況綜合診斷與預警模型。可以將征兆集作為BP神經網絡的輸入，將故障模式集作為BP神經網絡的輸出。通過對訓練數據進行學習，BP神經網絡可以學習征兆集和故障模式集之間的非線性映射關系，從而實現故障診斷。因此，選擇經過處理后的實時采集數據X1～X12作為BP神經網絡模型的輸入，以油井11種工況類型作為油井工況綜合診斷模型輸出參數集，分別為正常工作（Q1）、氣體影響（Q2）、供液不足（Q3）、抽油桿斷落（Q4）、固定凡爾漏失（Q5）、移動凡爾漏失（Q6）、泵上碰（Q7）、泵下碰（Q8）、油稠（Q9）、油井出砂（Q10）、柱塞脫落出工作筒（Q11）等[10]。因此，確定BP神經網絡模型輸入層為12個參數，BP神經網絡模型輸出層為11種工況，隱含層選取6。油井工況BP神經網絡模型拓撲圖如圖4所示。

油井工況綜合診斷程序流程如圖5所示。先對采集的油井生產數據進行歸一化處理；隨后，對處理后的數據進行特征提取，將得到的數據作為BP工況綜合診斷模型的輸入；最后通過工況診斷模型對數據進行對比分析，進行工況輸出。

2.3 油井故障預警模型建立

通過泵掛示功圖、電參的油井間接數據和油井動液面、套壓、含水率的油井直接數據以及井口的回壓數據等進行D-S證據融合診斷與分析，基于BP神經網絡建立油井故障預警模型，如圖6所示。實現最佳工作狀態的確定和油井故障預警，實現井場無人值守和遠程巡檢，并將計算結果上傳至監控平臺。

油井故障預警模型主要針對尚未發生的油井故障工況進行判斷和預警[11]，先對所收集的油井異常工況數據進行分析；分析后設置油井工況輸出閾值。當工況輸出大于預設閾值時，判斷油井將發生故障，發送油井故障預警信息及時提示。當工況輸出小于預設閾值時，判斷油井已經發生故障，進行油井故障報警。

油井故障預警流程如圖7所示。系統對油井生產數據進行特征提取后，輸入BP神經網絡模型，進行數據分析，通過工況輸出值與預設閾值比較，進行油井故障預警與報警提示。

3 結 語

基于物聯網的油井工況綜合診斷與預警系統在井場的實際應用，能夠及時準確地實現油井工況綜合診斷和預警，取得了令人滿意的結果。

（1）通過物聯網技術和BP神經網絡建立油井工況綜合診斷與預警系統，避免了傳統人工巡檢方式的弊端，達到了降低勞動強度、提高生產效率及降低安全風險的目的，提高了油井工況診斷與油井故障預警的準確性和效率；

（2）通過BP神經網絡模型對數據進行分析，實現了對油井工況的綜合診斷，便于工作人員實時掌握油井生產狀況，提高了油井生產管控水平；

（3）通過D-S證據理論和BP神經網絡建立油井故障預警模型，實現了油井故障工況預警報警，提高了系統的穩定性和準確性。

綜上所述，基于物聯網的油井工況綜合診斷與預警系統是一種高效、準確、可靠的油井生產管理手段，在智慧油田建設中具有現實意義。

參考文獻

[1]張亞順，蔡志強，王煒，等.抽油井示功圖實時診斷與預警系統

[J].油氣田地面工程，2011，30（12）：24-26.

[2]王相，楊耀忠，何巖峰，等.基于深度學習的油井工況智能診斷技術研究及應用[J].油氣地質與采收率，2022，29（1）：181-189.

[3]單靖軒，舒丹，劉旭.基于生產監控平臺的功圖診斷量液系統的研發與應用[J].中國管理信息化，2023，26（1）：175-179.

[4]檀朝東，支志英，王龍，等.稠油單井工況診斷優化預測系統iPES-H的技術研究[J].中國石油和化工，2015，22（4）：51-53.

[5]張乃祿，孫換春，郭永宏，等.基于示功圖的油井工況智能分析

[J].油氣田地面工程，2011，30（4）：7-9.

[6]賈志鵬，李盼，念彬，等.基于物聯網的油井智能間抽控制系統

[J].物聯網技術，2021，11（7）：59-61.

[7]袁瑛，張乃祿.基于實時生產數據的油井工況診斷系統[J].石油工業技術監督，2021，37（5）：44-48.

[8]劉金生，周煥銀，劉金輝.基于BP神經網絡的撫河水環境質量評價研究[J].東華理工大學學報（自然科學版）， 2008，31（1）：85-88.

[9]侯延彬，陳炳均，高憲文.基于GM-ELM的有桿泵抽油井故障診斷[J].東北大學學報（自然科學版），2019，40（12）：1673-1678.

[10]顏瑾，張乃祿，劉雨，等.基于智能RTU的氣田井場監控系統

[J].西安石油大學學報（自然科學版），2017，32（4）：61-66.

[11]袁瑛.基于實時生產數據的油井工況診斷與預警系統研究[D].西安：西安石油大學，2021.