基于懸點載荷的抽油桿斷脫原因診斷研究

目前抽油桿斷脫研究集中于斷脫后的機理分析，對斷脫預防較少涉及；井下工況故障診斷也大多依賴于示功圖，無法診斷井筒摩阻影響。為此，以抽油桿力學模型為基礎，分析故障井懸點載荷理論計算結果與現場值差異，提出修正力學模型，采用BP神經網絡方法對影響因子進行預測、回歸和驗證，實現修正結果與現場結果匹配，進而對井下異常工況進行診斷。研究結果表明：訓練后的BP神經網絡模型結構簡單，易于操作，診斷效率高，預測精度高，擬合優度高達88.96%以上，修正力學模型計算結果與現場實測值符合良好。針對14口故障井的計算，結果偏差均在10.31%以內。研究結論可為抽油桿井下斷脫故障診斷提供理論支撐。

抽油桿斷脫；懸點載荷；力學模型；BP神經網絡；故障診斷；影響因子

中圖分類號：TE933

文獻標識碼：A

DOI： 10.16082/j.cnki.issn.1001-4578.2024.12.015

基金項目：湖北省高等學校優秀中青年科技創新團隊計劃項目“連續管智能控制與安全評定”（T2021035）；中國石化江蘇油田分公司科研項目“江蘇油田抽油桿斷脫機理研究及防治技術”（31450001-19-FW2099-0029）。

Cause Analysis of Rod Parting Based on Polished Rod Load

Lü Mengmeng1" Chen Yu2" Xiang Hua3" Ma Weiguo4" Liu Shaohu4" Ran Xiaofeng4" Qu Baolong1

（1.College of Chemistry amp; Environment Engineering，Yangtze University；2.Sinopec Jiangsu Oilfield Company；3.College of Computer Science，Yangtze University；4.School of Mechanical Engineering，Yangtze University）

At present，the rod parting research mainly focuses on the mechanism analysis after parting，with less involvement in parting prevention.The fault diagnosis of downhole working conditions mostly relies on indicator diagrams，which cannot diagnose the influence of wellbore friction.To solve these problems，based on the mechanical model of the sucker rod，the differences between the theoretical calculation results and the field values of the polished rod loads of the fault wells were analyzed，and a modified mechanical model was proposed.The BP neural network method was used to conduct prediction，regression and verification on the influential factors，and the matching of the modified results with the field results was achieved.Finally，a diagnosis was conducted on the abnormal downhole working conditions.The research results show that the trained BP neural network model has a simple structure，is easy to operate，and has a diagnostic efficiency and high prediction accuracy，with a goodness of fit of over 88.96%.The calculated results of the modified mechanical model are in good agreement with the field measured values.The bias between the calculated results of 14 fault wells and the field measured results is all within 0.31%.The research conclusions provide theoretical support for the diagnosis of downhole rod parting faults.

rod parting;polished rod load；mechanical model；BP neural network；fault diagnosis；influential factors

0" 引" 言

有桿泵采油是目前原油開采的主要形式，占比達90%以上。但在采油過程中，抽油桿斷脫、油管漏失、抽油泵故障、井筒結垢等井下故障給采油生產帶來極大影響。其中，抽油桿斷脫影響最大，某些油田的抽油桿斷脫占比高達40%以上，由此帶來了極大的經濟損失。因此，明確抽油桿斷脫原因，及時診斷井下故障，進而能提前進行預警，對安全生產意義重大。

呂萌萌，等：基于懸點載荷的抽油桿斷脫原因診斷研究

導致抽油桿斷脫原因眾多，且具有包括隨機性在內的不確定性，井眼軌跡、井液性質、腐蝕、結垢、桿管偏磨、修復桿質量、泵卡、地層產液量變化等因素都有可能影響抽油桿正常工作。李德君等［1］研究了抽油桿表面缺陷、腐蝕和應力對抽油桿疲勞破壞的影響。P.L.KO等［2］研究了沖程、沖次、接觸載荷和井筒流體對抽油桿磨損率的影響。ZHANG N.等［3］對環江油田的井筒結垢問題進行了深入研究。麻濤等［4］研究了不同井深下的井筒腐蝕，得出CO2腐蝕規律。上述研究中都對采集的樣品進行了形貌分析。由此可見，針對故障井抽油桿和井筒附著物的形貌分析，是分析抽油桿斷脫原因的有效方法之一。

在井下故障診斷方面，目前研究主要集中于示功圖的識別［5］。李翔宇等［6］針對表征供液不足的刀柄形示功圖，提出“十點八段”分析法，結合采油原理分析示功圖形狀特征。方勝偉［7］通過深度挖掘電功圖數據，對油井工況進行分析。近年來，基于支持向量機［8］、自回歸滑動平均模型［9］ 、神經網絡［10-13］等機器學習方法的示功圖故障診斷成為一個新的研究方向，并產生了許多研究成果。基本研究路線是通過對示功圖進行特征參數提取，采用機器學習方法對特征參數進行訓練，進而對井下工況故障進行預測診斷。

綜上所述，抽油桿斷脫研究基本上集中于斷脫后的機理分析，對斷脫預防涉及甚少。井下工況故障診斷也大多依賴于示功圖識別分析抽油泵相關問題，無法診斷井筒摩阻影響，且很難通過地面參數準確描述井下異常工況，并建立合適的故障診斷模型。

筆者以抽油桿力學模型為基礎，分析故障井懸點載荷理論計算結果與現場值差異，將復雜的井下工況故障歸結為井筒摩阻和泵工況2個方面的影響因子，進而提出修正的力學模型。采用BP神經網絡方法對影響因子進行預測、回歸和驗證，實現修正結果與現場結果匹配，進而對井下異常工況進行診斷。

1" 力學計算原理

油氣井桿管柱力學是有桿泵采油系統井下工況預測診斷的基礎，搭建精確的力學模型可以準確地診斷井下異常工況。

為準確計算抽油桿軸向力，采用微元體法對抽油桿進行分段計算。在微元體法中，抽油桿柱受力分析力學模型主要有2種：一種是基于牛頓第二運動定律的力學模型，另一種是基于動量定理和動量矩定理的動力學微分方程的力學模型。前者邊界條件為柱塞受力，桿柱受力由井底向井口計算，計算可得桿柱各點受力及懸點載荷。后者邊界條件為示功圖，桿柱受力由井口向井底計算，計算可得桿柱各點受力及柱塞受力。經過對比分析，這里采用基于牛頓第二運動定律的力學模型，具有迭代速度快、計算精度高的特點。

取抽油桿上某一段（抽油桿微元）進行受力分析，根據力學平衡，對該微元應用牛頓第二運動定律，上、下沖程抽油桿微元受力方程為：

Fs（j+1）-Fs（j）-Δxqr-frcos α-

ΔxfIr+flss-Frt=mras（1）

Fx（j）-Fx（j+1）+Δxqr-frcos α-

ΔxfIr+fmz+flsx-Frt=mrax（2）

式中：Fs（j）、Fx（j）分別為上下沖程抽油桿微元節點j處軸向力，N；Fs（j+1）、Fx（j+1）分別為上下沖程抽油桿微元節點j+1處軸向力，N；fr為單位長度抽油桿所受浮力，N/m；qr為單位長度抽油桿重力，N/m；fIr為單位長度抽油桿慣性力，N/m；fmz為單位長度抽油桿所受井液摩擦阻力，N/m；flss、flsx為上下沖程井液流動對單位長度抽油桿的作用力，N/m；Frt為油管對抽抽桿的摩擦力，N；mr為抽油桿微元質量，kg；as、ax為上下沖程抽油桿微元的加速度，m/s2。

整理式（1），上下沖程抽油桿節點j+1處的軸向力為：

Fs（j+1）=Fs（j）+Δxqr-frcos α+

ΔxfIr+flss+Frt+mras（3）

Fx（j+1）=Fx（j）+Δxqr-frcos α-

ΔxfIr+fmz+flsx-Frt-mrax（4）

定義抽油桿與柱塞連接點為節點0，Fs（0）和Fx（0）計算式為：

Fs（0）=Wls+Fcp+Ftl+Fhu+FIl-Pp（5）

Fx（0）=-Fv+Fcp+Fhd（6）

式中：Fs（0）為上沖程中作用在抽油桿底端柱塞上的力，N；Fx（0）為下沖程中作用在抽油桿底端柱塞上的力，N；Wls為柱塞上的液柱載荷，N；Fcp為泵柱塞與襯套間的摩擦力，N；Ftl為井液與油管之間的摩擦力，N；Fhu為上沖程井口回壓，N；FIl為液柱慣性載荷，N；PP為泵內氣體在柱塞上產生的載荷，N；Fv為井液通過游動閥孔產生的阻力，N；Fhd為下沖程井口回壓，N。

式（1）～式（6）中關于12種力的計算方法如表1所示。此處忽略抽油機運動方程具體計算過程。

表1中：ρr為抽油桿材料密度，kg/m3；ρs為接箍材料的密度，kg/m3；g為重力加速度，m/s2;ρf為扶正器材料密度，kg/m3；Ar為抽油桿截面積，m2；As為接箍截面積，m2；Af為扶正器截面積，m2；Ls為接箍總長度，m；Lf為扶正器總長度，m；L為抽油桿、接箍、扶正器總長度，m；ρl為油液密度，kg/m3；Flss、Flsx分別為井液流動在上、下沖程對桿柱產生的作用力，N；Ap為柱塞截面積，m2；At為油管截面積，m2；ε為考慮油管過流斷面擴大引起的油柱加速度降低系數；H為泵掛垂深，m；ph為井口回壓，Pa；K為抽油桿柱振動使游動閥阻力增加的影響系數；ny為游動閥個數；Δpo為等于井液通過游動閥時產生的壓力降，Pa；dp為柱塞直徑，m；δ為抽油泵柱塞與襯套之間在半徑方向上的間隙，m；Rs為地面氣油比，m3/m3；p0為標準壓力，Pa；α為溶解系數，m3/（m3·MPa）；Y為天然氣壓縮因子；T為泵入口溫度，K；fw為為含水體積分數；Sy為泵內液面高度，m；T0為地面溫度，K；b0為原油體積系數；Sp為抽油機有效沖程，m；fs為上沖程油管與抽油桿摩擦因數；fx為下沖程油管與抽油桿摩擦因數；N為油管對抽油桿微元的支撐力，N；Lr為抽油桿總長度，m；frl為井液對單位長度抽油桿的摩擦阻力，N/m；fsl為井液對單位長度接箍的摩擦阻力，N/m；ffl為井液對單位長度扶正器的摩擦阻力，N/m。

將表1中公式代入式（3）～式（6）中相應求解，結合邊界條件，從抽油桿底端向上迭代至井口，關聯抽油機運動規律，即可得出上下沖程最大、最小懸點載荷。

2" 修正的力學模型

根據上述力學計算模型，計算了江蘇油田某區塊14口故障井的上下沖程最大最小懸點載荷，并與現場實測值進行對比，結果如圖1所示。

由圖1可見，上沖程最大懸點載荷現場值普遍高于理論計算值，平均絕對偏差13.36%，最大偏差達26.72%。下沖程最小懸點載荷現場值普遍低于理論計算值，平均絕對偏差21.27%，最大偏差達64.14%。結果表明現場工況與理論計算設定工況發生嚴重偏離。

抽油桿斷裂形式以疲勞斷裂為主。根據Basquin疲勞理論，決定桿柱疲勞壽命的主要因素是抽油桿應力幅。故障井上沖程懸點載荷大于理論計算值，下沖程懸點載荷小于理論計算值，增加了抽油桿應力幅，導致抽油桿壽命縮短，未到正常檢泵期，出現抽油桿斷脫故障。

可能導致抽油桿斷脫的因素，即體現在上下沖程最大最小懸點載荷偏離理論計算值的因素眾多，包括抽油參數、井液性質、抽油桿組合、泵參數和井筒環境等，這些影響因素作用復雜且相互聯動，很難從單一因素確定抽油桿斷脫的真正原因。

通過對力學模型的進一步研究，將導致懸點載荷變化的影響因素歸結為2個方面，即泵工況異常和井筒摩阻異常。泵工況異常主要影響力學模型中的井液在游動閥孔產生的阻力Fv、泵柱塞與襯套間的摩擦力和泵內氣體在柱塞上產生的載荷；井筒摩阻異常主要影響油管對抽油桿的摩擦力、單位長度抽油桿所受井液摩擦阻力和井液與油管間的摩擦力。

假定理論計算值為理想工況，則現場值偏離原因是井下工況不理想。引入泵工況影響因子Kp和井筒摩阻影響因子Kf，對力學模型進行修正。修正后的力學模型和修正后的邊界條件如下：

Fs（j+1）=Fs（j）+Δxqr-frcos α+

ΔxfIr+flss+ξsNKf+mras（7）

Fx（j+1）=Fx（j）+Δxqr-frcos α-

ΔxfIr+fmzKf+flsx-ξxNKf-mrax（8）

Fs（0）=Wls+FcpKp+FtlKf+Fhu+FIl-KpPp（9）

Fx（0）=-FvKp+FcpKp+Fhd（10）

泵工況影響因子和井筒摩阻影響因子取值范圍為0.01～1.00；理想工況下，影響因子取值為1；實際工況下，兩影響因子取小于1的值。兩影響因子偏離1越遠，表明井下工況越惡劣。

前期研究中，建立了6因素修正模型，對比研究發現2因素修正模型診斷結果準確程度高于6因素修正模型，此處不做展開描述。

2.1" 泵工況對懸點載荷的影響

泵工況異常主要影響采油過程中作用在泵上的載荷，泵充滿度、泵閥開度、泵間隙、井液性質等是影響泵載荷的主要因素。例如，當固定閥開度減小時，過閥流體流動阻力增大，上沖程懸點載荷增大；當游動閥開度減小時，下沖程懸點載荷減小。下面隨機選取5口故障井的數據進行分析。

泵工況影響因子Kp從1.00減少至0.50，即泵載荷工況從理想狀態趨向不理想時，上下沖程最大最小懸點載荷理論計算值變化與現場值對比如圖2所示。

由圖2 可見，當泵工況影響因子減小，即泵工況異常時，上下沖程最大最小懸點載荷計算值向現場值靠近。在下沖程時，影響因子變化對懸點載荷影響較小，原因是與泵工況影響因子相關的井液通過游動閥孔產生的阻力和柱塞與泵套之間的摩擦力都非常小，因此泵工況影響因子對下沖程最小懸點載荷的影響十分有限。而上沖程時，與泵工況影響因子相關的泵口壓力數值較高，對懸點載荷影響也較大。

5口井的懸點載荷對泵工況因子的敏感程度不同，隨著泵工況因子變化，發2-23井、沙19-12井、沙18-12井、沙23-1井的懸點載荷變化相對較大，而發X10相對較小，原因是該油井抽油泵泵徑只有32 mm，比其他抽油泵泵徑小很多，而小泵徑有利于懸點載荷的穩定。

2.2" 井筒摩阻對懸點載荷的影響

井筒摩阻異常影響各類摩阻載荷，主要是上下沖程過程中井筒內抽油桿、油管、井液相互之間發生的摩阻載荷。桿管偏磨、含水體積分數增加、井液腐蝕均會導致井筒摩阻升高。當井筒摩阻增大時，上沖程懸點載荷增大，下沖程懸點載荷減小。同樣以5口故障井的數據為例進行分析。

井筒摩阻影響因子Kf從1.00減少至0.50，即井筒摩阻從理想狀態趨向不理想時，上、下沖程最大、最小懸點載荷理論計算值變化與現場值對比如圖3所示。

由圖3可見，井筒摩阻影響因子減小，即井筒摩阻異常時，計算值向現場值靠近。同樣的，不同井懸點載荷對井筒摩阻影響因子的敏感程度不同，發2-23井、沙19-12井、發X10井、沙23-1井等4口井敏感程度較大，而沙18-12井敏感程度較小，原因是該井為垂直井，井筒摩阻載荷很小，所以對懸點載荷影響也很小。

由圖2和圖3可以看出，泵工況和井筒摩阻工況趨于不理想時，上下沖程最大最小懸點載荷逐步接近實際測量值，結果表明修正的力學模型可以有效地描述井下工況異常行為。

3" 井下故障智能診斷

機器學習作為一種實現人工智能的方式，其高效的運算能力及強大的預測功能得以在工程中廣泛應用。近年來，機器學習已在石油領域嶄露頭角，并在巖性預測、產量預測、油井故障預測等方面表現優異。

筆者研究了BP神經網絡、決策樹、SVM、KNN等模型的預測效果和精度，對比發現 BP神經網絡模型預測和診斷精度高于其他模型。

神經網絡作為新興的機器學習算法，相較于傳統算法，神經網絡有學習能力，能構建非線性的關系復雜的模型，具有良好的泛化能力。其基本思路是將一組給定的輸入、輸出數據放入神經網絡中進行訓練，在此過程中，神經網絡將對數據進行擬合并建立一個關于輸入-輸出關系的泛化公式。這里采用三層BP神經網絡模型，其包含輸入層、隱含層、輸出層3個部分，如圖4所示。

采用BP神經網絡對故障井井下工況進行預測診斷的具體步驟如下。

（1）將2個影響因子在0.01至1.00之間以0.01的間隔放入修正的力學模型中進行計算，獲得10 000組由2個影響因子和上下沖程最大最小懸點載荷組成的數據組。

（2）將這10 000組數據的隨機70%作為訓練集，隨機15%作為驗證集，剩下的15%作為測試集。將訓練集中的2個影響因子組成的2×7 000個數據作為輸入，對應的7 000個數據點作為輸出，對上述BP神經網絡進行迭代訓練。通過驗證集調整模型參數，最終通過多次迭代收斂后，用15%的測試集對該模型的預測效果加以評估。

（3）將上下沖程最大最小懸點載荷現場實測值放入訓練好的神經網絡模型中進行計算，獲得匹配的影響因子組合預測結果，根據影響因子偏離情況實現抽油桿斷脫原因診斷。

以發X10 井為例，采用神經網絡對修正力學模型生成的數據組進行擬合，擬合結果如圖5所示。

從圖5可見，發X10井通過神經網絡訓練擬合優度高達98.97%，均方誤差（MSE）為0.001 4，有著極好的效果。而對于14口故障井進行神經網絡擬合，擬合優度均達88.96%以上，MSE在0.000 2～0.016 3之間，誤差較小，且誤差波動范圍不大，具有較好的穩定性。擬合結果證明訓練所得模型適合修正力學模型的影響因子預測。

利用訓練好的神經網絡模型，將上下沖程最大最小載荷現場值作為輸入值，對兩影響因子進行預測，并對故障類型進行診斷。兩影響因子為1.00時為理想工況，兩影響因子在0.50～1.00之間時，認為井下工況有所變化，但尚可接受；影響因子小于0.50時，井下工況惡化。診斷結果如表2所示。

根據表2預測及診斷結果，14口故障井抽油桿斷脫原因中，有3口井是泵工況異常引起，8口井是井筒摩阻異常引起，其余3口井泵工況和井筒摩阻均出現異常行為。

將表2預測的兩影響因子帶回修正力學模型，取得懸點載荷修正值，再與現場值進行對比，結果如圖6所示。

從圖6可知，上沖程最大懸點載荷修正值與現場值符合非常好。上沖程平均絕對偏差3.65%，最大偏差出現在沙19-12井，數值為9.62%。下沖程平均絕對偏差3.49%，最大偏差出現在沙23-1井，數值為10.31%。結果表明，融入兩影響因子的修正力學模型可以描述井下工況異常行為。

實際應用中，通過采集現場懸點載荷值，根據訓練好的BP神經網絡模型提前診斷井下故障，當泵工況影響因子或井筒摩阻因子低于0.50時，應及時采取針對性措施，避免抽油桿斷脫發生。

4" 故障井抽油桿斷口形貌

從14口故障井中選取3種不同工況故障，即泵工況異常、井筒摩阻異常及二者均異常情況，分別為沙18-12井、沙19-85井和沙26-24井，從斷口形貌及現場作業總結分析抽油桿斷脫原因。

取抽油桿斷口某一側為對象，清洗斷口表面后，采用高清數碼相機進行拍照，結果如圖7所示。

3口井的抽油桿斷口均表現為明顯的疲勞破壞特征，都存在疲勞源區Ⅰ、裂紋擴展區Ⅱ和瞬斷區Ⅲ，斷口宏觀形貌存在明顯的疲勞弧線。

從圖7a可見，沙18-12井抽油桿斷口側面存在輕微條帶狀磨痕，腐蝕現象不明顯，斷口表面較平整，表明井筒環境存在一定異常，但并未嚴重惡化。現場結論為：抽油桿本體斷，柱塞卡死在泵筒內。因此抽油桿斷脫原因主要與泵工況有關，與診斷結果相符。

從圖7b可見，沙19-85井抽油桿斷口側面存在嚴重的腐蝕坑，且存在明顯偏磨現象，表明井筒環境已經嚴重惡化。現場結論為：抽油桿本體斷，斷面凹凸不平，側面有嚴重腐蝕坑。因此抽油桿斷脫原因主要與井筒環境有關，與診斷結果符合。

5" 結" 論

（1）建立了機采井抽油桿力學計算模型，通過故障井懸點載荷計算值與現場實測值對比，提出了基于泵工況影響因子和井筒摩阻影響因子的修正力學模型。

（2）采用BP神經網絡方法實現了影響因子預測，擬合訓練精度高達88.96%以上，結合預測影響因子的最大懸點載荷修正值與現場實測值符合良好。

（3）提出了抽油桿斷脫井下故障診斷方法，故障井作業及抽油桿斷口形貌觀察總結均表明了診斷方法的正確性。

（4）工作狀態下的抽油桿受力極為復雜，導致抽油桿斷脫的因素眾多且共同疊加、相互促進。對于其他故障類別的智能診斷還應進一步深入研究。

［1］" "李德君，王偉，龐斌，等．煤層氣井用抽油桿腐蝕疲勞壽命的影響因素［J］．材料熱處理學報，2017，38（3）：121-127．

LI D J，WANG W，PANG B，et al.Influence factors on corrosion fatigue life of sucker rods used in coalbed methane well［J］.Transactions of Materials and Heat Treatment，2017，38（3）： 121-127.

［2］" KO P L，HUMPHREYS K，MATTHEWS C.Reciprocating-sliding wear of sucker rods and production tubing in deviated oil wells［J］.Wear，1989，134（1）： 13-28.

［3］" ZHANG N，WANG X C，ZHANG J M，et al.Experimental and statistical study on wellbore scaling mechanisms and characteristics for Huanjiang oilfield［J］.Geofluids，2022，2022（1）： 9068440.

［4］" 麻濤，楊曉鵬，馮存棟，等．沿井筒 CO2腐蝕規律研究［J］．石油天然氣學報，2019，41（4）：57-62．

MA T，YANG X P，FENG C D，et al.Study on CO2 corrosion law along the wellbore［J］.Journal of Oil and Gas Technology，2019，41（4）： 57-62.

［5］" 胡其杰，王濤，楊雷，等.基于SRM的立式抽油機控制系統設計及改造［J］.世界石油工業，2022，29（3）：72-76.

HU Q J，WANG T，YANG L，et al.Design and application of SRM based control system for vertical pumping unit［J］.World Petroleum Industry，2022，29（3）：72-76.

［6］" 李翔宇，袁春華，高憲文．抽油井示功圖診斷分析方法研究［J］．沈陽理工大學學報，2021，40（1）：88-94．

LI X Y，YUAN C H，GAO X W.Diagnosis of dynamometer card of pumping well［J］.Transactions of Shenyang Ligong University，2021，40（1）： 88-94.

［7］" 方勝偉．八面河油田油井電功圖計量技術研究［J］．江漢石油職工大學學報，2021，34（6）：48-50．

FANG S W.Research on metering technology for electrical diagrams of oil wells in Bamianhe oilfield［J］.Journal of Jianghan Petroleum University of Staff and Workers，2021，34（6）： 48-50.

［8］" 王紹平，李永平，李廣輝，等．基于SVM模型的油井工況智能診斷分析系統［J］．石油知識，2018（6）：36-39，41．

WANG S P，LI Y P，LI G H，et al.Intelligent diagnosis and analysis system based on the SVM model［J］.Petroleum Knowledge，2018（6）： 36-39，41.

［9］" 胡瑾秋，田斯赟，萬芳杏．頁巖氣壓裂井下工況多步預測方法研究［J］．中國安全科學學報，2018，28（4）：115-121．

HU J Q，TIAN S Y，WAN F X.Research on a multi-step method for prediction of shale gas fracturing well conditon［J］.China Safety Science Journal，2018，28（4）： 115-121.

［10］" 溫后珍，王浩宇，欒儀廣，等．孿生神經網絡在抽油系統故障診斷中的應用［J］．石油機械，2023，51（11）：20-26，60．

WEN H Z，WANG H Y，LUAN Y G，et al.Application of siamese neural network in fault diagnosis of pumping system［J］.China Petroleum Machinery，2023，51（11）： 20-26，60.

［11］" 楊光喬，李穎，王國程，等．基于ECA改進1D-CNN的柱塞泵故障診斷［J］．石油機械，2023，51（11）：34-40，162．

YANG G Q，LI Y，WANG G C，et al.Fault diagnosis of plunger pump based on ECA improved 1D-CNN［J］.China Petroleum Machinery，2023，51（11）： 34-40，162.

［12］" ABDALLA R，EL ELA M A，EL-BANBI A.Identification of downhole conditions in sucker rod pumped wells using deep neural networks and genetic algorithms［J］.SPE Production amp; Operations，2020，35（2）： 435-447.

［13］" ZHANG R C，WANG Z L，WANG X H，et al.Integrated diagnostics method and application of ground and downhole working condition in rod pumping well［J］.Journal of Applied Science and Engineering，2018，21（4）： 615-624.

第一呂萌萌，女，生于1998年，現為在讀碩士研究生，主要研究方向為井下管柱力學。地址：（434020）湖北省荊州市。email：2244218822@qq.com。

通信作者：曲寶龍，副教授。email：qubaolong_78@163.com。2024-06-18楊曉峰