Download PDF  
基于RS-LVQ的同井注采系统故障诊断研究
姜民政1, 段天玉1, 张迪1, 刘金堂2, 程天才1     
1. 东北石油大学机械科学与工程学院;
2. 大庆油田有限责任公司第一采油厂
摘要: 针对有杆泵同井注采系统的非常规结构,提出了一种反推计算方法,建立并求解了其故障诊断模型;然后应用不变矩特征法提取注入泵功图的7个不变矩特征,建立了基于RS-LVQ的有杆泵同井注采系统井下故障诊断系统。在保持分类能力不变的前提下,应用SOM神经网络对原始特征数据进行离散化处理,并应用RS理论对其进行属性约简;建立LVQ故障诊断子系统后,输入约简决策表进行学习训练。实例分析结果表明:SOM神经网络解决了决策系统中连续属性值的离散化问题;RS属性约简不仅可以提高诊断效率,而且简化了故障模式识别的LVQ网络结构;LVQ作为后端,因其有很强的非线性映射能力,保证了诊断结果的精度。因此,该诊断系统能够正确而且高效地对有杆泵同井注采系统进行故障诊断。
关键词: 有杆泵     同井注采     故障诊断     RS理论     LVQ    
RS-LVQ-based Fault Diagnosis of the Injection-production System
Jiang Minzheng1, Duan Tianyu1, Zhang Di1, Liu Jintang2, Cheng Tiancai1     
1. Machinery Science and Engineering College, Northeast Petroleum University;
2. No.1 Oil Production Plant of Daqing Oilfield Co., Ltd
Abstract: Aiming at the unconventional structure of the sucker rod pump injection-production system, an inverse calculation method was proposed. The fault diagnosis model was established and solved. Invariant moment feature method was used to extract seven invariant moments of the injection pump indicator diagram, so as to establish the downhole fault diagnosis system for sucker rod pump injection-production system based on RS-LVQ. Keeping the classification ability unchanged, the SOM neural network was used to discretize the original feature data and attribute reduction was carried out by using RS theory. LVQ fault diagnosis subsystem was established and was input with the reduction decision table for learning and training. The analysis results of case study showed that, SOM neural network addressed the problem of discretization of continuous attribute values in decision system. RS attribute reduction could not only improve the diagnostic efficiency but also simplify the LVQ network structure of fault pattern recognition. LVQ, as back end, ensures the accuracy of diagnostic results owing to its strong non-linear mapping capability. Therefore, the developed diagnostic system can correctly and efficiently troubleshoot the sucker rod pump injection-production system.
Key words: sucker rod pump    injection-production system    fault diagnosis    RS theory    LVQ    

0 引言

现阶段,我国大部分油田已经进入高含水阶段,含水率过高直接导致了开采成本的上升,甚至出现一些油井生产达到经济极限而被迫废弃的现象[1-2]。于是,针对特高含水油井,有杆泵同井注采技术作为一种有效的稳油控水方法应运而生。该技术实现了单一井眼的采注结合,有效降低了采出液的含水率[3]。有杆泵同井注采系统的井下部分由注、采双泵组成,同常规的抽油系统相比,结构更加复杂,井下工况更加恶劣,现有技术不再适应该系统井下故障诊断的需要,而不及时诊断和处理故障,就会影响油田的产量和经济效益[4-5]

笔者结合有杆泵同井注采系统的非常规结构以及现场生产实际,建立并求解其故障诊断模型,绘制采出泵及其注入泵示功图,并由此建立基于RS-LVQ的有杆泵同井注采系统井下故障诊断系统,及时准确地确定故障类型,从而可以采用针对性的措施来解除故障[6-8]

1 诊断模型建立及数值分析 1.1 诊断模型建立

有杆泵同井注采系统由抽油机、采出泵、密封活塞、封隔器、注入泵和油水分离系统等几部分组成[3],其抽油杆柱纵向振动方程为[9]

(1)

式中:Er为抽油杆弹性模量,Pa;Ar为抽油杆横截面积,m2ρr为抽油杆密度,kg/m3ve为单位长度上的阻力系数。

则有杆泵同井注采系统诊断模型可整理归结为如下的波动方程初边值问题:

(2)

初始条件为:

(3)
(4)

边界条件为:

(5)
(6)
(7)

式中:c为声波在杆柱内的传递速度,m/s;L1为采出泵上部抽油杆长度,m;L2为注入泵上部抽油杆长度,m;L为抽油杆总长度,m;u为抽油杆任一截面的弹性位移,m;x为自悬点到抽油杆任意截面的距离,m;t为从起始点算起的时间,s;v为井液对抽油杆的阻尼系数;T为周期;φ(x)、ψ(x)、φ1(t)、φ2(t)和φ3(t)由抽油系统工况决定。

1.2 反推计算方法

由上述公式可知,求解该诊断模型时,需要已知3个边界条件,其中x=0处的位移和载荷边界条件可由悬点示功图得出,但却缺少x=L1处的边界条件。而现有技术难以直接检测到井下泵的示功图,且现场调研的统计数据表明:注入泵发生故障的情况占总故障的90%以上,而此时采出泵工作正常。基于此,笔者提出了一种反推计算方法,假设采出泵工作正常,结合显示差分法及迭代法来求解有杆泵同井注采系统的故障诊断模型,首先求解绘制采出泵的示功图,再结合实测的地面悬点示功图求得注入泵的示功图。

1.3 数值分析

求解该模型分为采出泵上部抽油杆、注入泵上部抽油杆和交界面3个部分来完成。对求解区域进行网格化,将其分为若干个长方形网格,在x方向上分别取步长h1h2;在t方向上取步长ττ=T/m,则网格坐标为:

(8)
(9)
(10)

式中:h1h2τ均为大于零的常数。

采出泵上部抽油杆和注入泵上部抽油杆的诊断模型属于同杆径问题,差分格式见文献[10],而界面处则由连续条件式(11)和(12)进行推导,

(11)
(12)

式中:(Fi, j)1、(Fi, j)2分别为采出泵上部抽油杆和注入泵上部抽油杆在界面处的载荷,N;Fj为采出泵载荷,N。

式(11)亦可写为:

(13)

采用文献[10]中的方法对式(12)和式(13)进行类似的推导,可得:

(14)

其中:

(15)
(16)
(17)

下标1和2分别表示采出泵上部抽油杆和注入泵上部抽油杆。则该处显示差分方程为:

(18)

其中,αs=α1+α2βs=β1+β2。界面处动载荷为:

(19)
(20)
(21)
2 注入泵示功图数据特征的提取

注入泵示功图识别的关键在于提取具有代表性的特征值,而不变矩特征法可以描述图像形状的全局特征[11]。该方法具有唯一性,即对于面积有限和密度分布函数分段连续的图像,各个阶矩均存在,且其集合是对此图像所有信息的唯一描述。

二值图像的像素灰度值可用N1×N2的矩阵f(x, y)来表示,如图 1所示。

图 1 数字图像的矩阵表示 Fig.1 Matrix representation of digital image

则区域f(x, y)的二维(p+q)阶矩定义为:

(22)

其相应的中心距定义为:

(23)

其中,,(x, y)是目标区域灰度质心。

f(x, y)的归一化(p+q)阶中心矩定义为:

(24)

其中:

(25)

经代数变换,得到下列7个二维不变Hu矩:

(26)
(27)
(28)
(29)
(30)
(31)
(32)

笔者采用该方法,借助MATLAB软件,提取二值化处理后的注入泵示功图的7个Hu矩不变量特征,将其存储到特征向量Ø= [Ø1, Ø2, Ø3, Ø4, Ø5, Ø6, Ø7]中作为其识别特征。

3 基于RS-LVQ的有杆泵同井注采系统井下故障诊断系统 3.1 RS-LVQ结合的基本思想

首先分析样本数据,创建决策表,采用SOM神经网络对连续的特征数据进行离散化;然后利用粗糙集(RS)理论对条件属性进行约简,删除冗余的条件属性;再以最简决策表来确定LVQ神经网络的结构并进行网络训练。

3.2 模型

RS-LVQ网络模型如图 2所示。采用结构-松耦合方式,令RS粗糙集作为前置系统,先对数据进行预处理;将最终约简后的决策表数据导入LVQ系统中进行故障诊断。

图 2 RS-LVQ网络模型 Fig.2 RS-LVQ network model

3.3 算法描述 3.3.1 初始决策表形成

采集Hu矩不变量特征数据,建立初始决策表。

3.3.2 连续属性离散化

在运用粗糙集处理决策表时,要求决策表中的值用离散数据表达。笔者采用SOM神经网络方法进行离散化处理,步骤如下:①输入原始决策表数据;②学习各类故障样本,对具有最大输出的神经元标以该故障记号;③若输出神经元在输出层的位置与某故障类型的位置相同,说明待检样本发生了相应的故障;若其介于很多故障类型之间,说明这几种故障都有可能,且可能性大小由欧氏距离确定。

3.3.3 基于RS的属性约简

应用RS理论对条件属性进行约简,删除冗余的条件属性,最大限度降低样本数据维度,得到最终决策表,以提高LVQ网络的训练速度。其基本算法流程如图 3所示。

图 3 基于RS属性约简的算法流程 Fig.3 Algorithm flow based on RS attribute reduction

3.3.4 LVQ神经网络的构建及诊断

将最终决策表输入LVQ神经网络进行训练,得到对故障具有分类能力的神经网络。

3.4 诊断实例

从大庆油田某采油厂现场采集760幅悬点示功图,通过对其预处理以及诊断模型的求解,绘制得到注入泵的示功图。结合现场的实际工况,将其分为上阀漏失、杆断、供液不足、连喷带抽、下碰泵、气影响、下阀漏失以及上下阀同时漏失共8种故障。经过上文所述的前端处理后,对LVQ神经网络进行训练,检查其误差性能和回归坐标图,分别如图 4图 5所示。由图 4可以看出,诊断系统的误差随迭代次数增加而降低,在1 000步时达到0.031 746;由图 5可以看出,目标值与实际输出值的相关系数为0.926 96。

图 4 误差性能图 Fig.4 Error performance chart

图 5 回归坐标图 Fig.5 Regression coordinate

实例分析结果表明:SOM神经网络解决了决策系统中连续属性值的离散化问题;RS属性约简不仅可以提高诊断效率,而且简化了故障模式识别的LVQ网络结构;LVQ作为后端,因其有很强的非线性映射能力,保证了诊断结果的精度。因此,该诊断系统能够正确而且高效地对有杆泵同井注采系统进行故障诊断。

4 结论

(1) 在借鉴现有的对常规有杆抽油系统故障诊断研究成果的基础上,提出了一种反推计算方法,并采用迭代与差分法相结合的方法求解有杆泵同井注采系统的故障诊断模型。

(2) 利用基于不变矩的几何特征算法以及不变矩在目标识别中的应用,提取了注入泵示功图的7个Hu矩不变量,奠定了故障诊断研究的基础。

(3) 建立了基于RS-LVQ的有杆泵同井注采系统井下故障诊断系统,实例分析结果表明其为一种较为成功的尝试,有较高的实用推广价值。

参考文献
[1] 王德民. 强化采油方面的一些新进展[J]. 大庆石油学院学报, 2010, 34(5): 19-26.
WANG D M. New developments in improved oil recovery[J]. Journal of Daqing Petroleum Institute, 2010, 34(5): 19-26.
[2] 曲占庆, 张琪, 李恒, 等. 井下油水分离系统设计及地面监测模型研究[J]. 西安石油大学学报(自然科学版), 2006, 21(3): 34-37.
QU Z Q, ZHANG Q, LI H, et al. Design of the downhole oil-water separation system for submersible electric pump wells and its ground monitoring model[J]. Journal of Xi'an Shiyou University (Natural Science Edition), 2006, 21(3): 34-37.
[3] 姜民政, 段天玉, 刘金堂, 等. 有杆泵同井注采系统技术应用及节点力学分析[J]. 石油机械, 2017, 45(7): 97-100.
JIANG M Z, DUAN T Y, LIU J T, et al. Application and node mechanics analysis of sucker rod pump injection-production system[J]. China Petroleum Machinery, 2017, 45(7): 97-100.
[4] 冯娜娜. 抽油机井泵况智能诊断方法研究[D]. 秦皇岛: 燕山大学, 2007.
FENG N N. Study on the method of intelligent technologies for fault diagnostic of rod pumped wells[D]. Qinghuangdao: Yanshan University, 2007.
[5] 蔡道钢. 有杆泵故障智能诊断方法[D]. 成都: 西南石油大学, 2006.
CAI D G. Method of intelligent technologies for fault diagnostic of rod pump[D]. Chengdu: Southwest Petroleum University, 2006.
[6] 李琨. 基于示功图的游梁式抽油机井下故障诊断方法研究[D]. 沈阳: 东北大学, 2013.
LI K. Study on diagnostic method for down-hole faults of the beam pumping unit based on dynamometer card[D]. Shenyang: Northeastern University, 2013.
[7] 李兆敏, 林日亿, 付路长, 等. 有杆抽油系统效率分析及抽汲参数优化设计[J]. 石油学报, 2005, 26(5): 102-106.
LI Z M, LIN R Y, FU L C, et al. Efficiency analysis of sucker-rod pumping system and optimal design of swabbing parameter[J]. Acta Petrolei Sinica, 2005, 26(5): 102-106. DOI: 10.7623/syxb200505023
[8] 王鸿勋, 张琪. 采油工艺原理[M]. 北京: 石油工业出版社, 1985, 1-89.
WANG H X, ZHANG Q. Theory of oil production technology[M]. Beijing: Petroleum Industry Press, 1985, 1-89.
[9] GIBBS S G, NEELY A B. Computer diagnosis of down-hole conditions in sucker rod pumping wells[J]. Journal of Petroleum Technology, 1966, 18(1): 91-98. DOI: 10.2118/1165-PA
[10] 崔振华, 余国安. 有杆抽油系统[M]. 北京: 石油工业出版社, 1994, 197-220.
CUI Z H, YU G A. Sucker-rod pumping system[M]. Beijing: Petroleum Industry Press, 1994, 197-220.
[11] 袁海军, 文玉梅, 李平, 等. 不变矩系数拟合的步态识别[J]. 计算机应用, 2007, 27(4): 922-924, 928.
YUAN H J, WEN Y M, LI P, et al. Gait recognition by fitting moment invariants[J]. Journal of Computer Applications, 2007, 27(4): 922-924, 928.

文章信息

姜民政, 段天玉, 张迪, 刘金堂, 程天才
Jiang Minzheng, Duan Tianyu, Zhang Di, Liu Jintang, Cheng Tiancai
基于RS-LVQ的同井注采系统故障诊断研究
RS-LVQ-based Fault Diagnosis of the Injection-production System
石油机械, 2018, 46(3): 95-99
China Petroleum Machinery, 2018, 46(3): 95-99.
http://dx.doi.org/10.16082/j.cnki.issn.1001-4578.2018.03.017

文章历史

收稿日期: 2017-10-30

相关文章

工作空间