王平勛

（河海大學 能源與電氣學院，江蘇 南京 210000）

有桿抽油機是目前我國石油開采的主要設備，是最為廣泛的一種機械采油方式；據(jù)統(tǒng)計，有桿泵抽油井占到我國油井總數(shù)的94%[1-2]。抽油井系統(tǒng)故障診斷技術一直是國內外采油工程技術人員的重要研究課題。傳統(tǒng)的故障診斷方法就是憑工作人員的經(jīng)驗判斷油井的故障，這種方法誤差極大，嚴重影響油田的生產(chǎn)。人工神經(jīng)網(wǎng)絡技術的發(fā)展和完善，在采油工業(yè)也受到了關注，被越來越廣泛地應用到了示功圖診斷等領域當中[3-5]。文中提出了將神經(jīng)網(wǎng)絡與手持終端相結合的故障診斷方法。示功圖是有桿抽油系統(tǒng)工作狀態(tài)的集中反映，其中包含了抽油機、油桿，活塞，油管以及油井環(huán)境變化等豐富信息。示功圖的不同形狀特征代表了油井不同的工作狀態(tài)。油井示功圖的數(shù)據(jù)來源為抽油井抽油桿上掛載的示功儀記錄下來的216組抽油機載荷與位移關系的數(shù)據(jù)對。神經(jīng)網(wǎng)絡故障診斷就是根據(jù)手持終端采集到的油井實時數(shù)據(jù)畫出所對應的示功圖，求出示功圖的特征向量，從而根據(jù)特征向量求出油井所對應的狀態(tài)的過程，也就是按特征向量對系統(tǒng)狀態(tài)進行分類。本系統(tǒng)極大地降低了產(chǎn)建投入和運行成本，提高了油田生產(chǎn)的實時效率，并通過人工巡井的方式實現(xiàn)了對這些油井的良好管理，對逐步實現(xiàn)石油開采的自動化、信息化、智能化具有非同尋常的意義。

1 功圖數(shù)據(jù)來源

1.1 系統(tǒng)架構

文中所介紹的油井故障診斷系統(tǒng)以邊緣抽油井為信息采集和監(jiān)控對象，通過無線傳感器網(wǎng)絡節(jié)點和藍牙等方式獲取相關信息，并最終在手持終端上進行發(fā)布，為油田工程技術人員提供以“功圖量油、故障診斷”為核心的自動化信息服務。

圖1 系統(tǒng)架構Fig.1 System architecture

1.2 數(shù)據(jù)采集

示功儀通過主控芯片，控制著加速度傳感器和載荷傳感器對抽油機的載荷和加速度進行采集，采集的加速度和載荷信號經(jīng)過信號調理后再次送入主控制芯片，進行經(jīng)過相關算法處理轉化為載荷和位移關系的數(shù)據(jù)對以后，存入存儲器中。通信終端安裝在油井的配電柜中，利用有線源供電，通信終端利用Zigbee網(wǎng)絡定時從示功儀中讀取數(shù)據(jù)存儲在自己的內部flash中，手持終端則通過藍牙從通信終端中讀取功圖數(shù)據(jù)（載荷與位移關系的數(shù)據(jù)對）。

圖2 無線示功儀主板結構圖Fig.2 Board structure of wireless dynamometer

1.3 手持終端的設計

選用支持藍牙和GPRS功能的Android平臺作為手持終端，并在此平臺的基礎上開發(fā)數(shù)據(jù)采集的軟件。以Java來編寫程序。手持終端需要通過GPRS從電信服務器下載配置文件（用于通訊以及計算油井產(chǎn)量。包括每口油井的網(wǎng)絡號、節(jié)點號、通信終端藍牙的mac地址等信息），并通過listview控件生成油井列表。手持終端依據(jù)通信協(xié)議通過藍牙從通信終端采集功圖數(shù)據(jù)。采集到的功圖數(shù)據(jù)既保存在sqlite數(shù)據(jù)庫，用戶查看功圖的時候可以直接從數(shù)據(jù)庫中讀取，然后利用畫圖工具（paint類）畫出功圖，通過神經(jīng)網(wǎng)絡算法進行故障診斷并把診斷結果利用TextView控件顯示出來。

圖3 油井列表Fig.3 Well list

圖4 功圖采集界面Fig.4 Acquisition interface of indicator diagram

2 數(shù)據(jù)處理及特征提取

2.1 數(shù)據(jù)處理

在特征提取前由于外界干擾和油井工況的復雜性，因此需要對示功儀數(shù)據(jù)形式進行數(shù)據(jù)統(tǒng)一。數(shù)據(jù)進行統(tǒng)一的公式為：

2.2 灰度特征提取

使用灰度矩陣法提取灰度統(tǒng)計特征，根據(jù)數(shù)理統(tǒng)計原理，取灰度矩陣的6個統(tǒng)計特征，分別是灰度的均值、方差、偏度、峰度、能量、熵。假設示功圖的灰度矩陣為G（J，K），矩陣中元素gjk（1≤j≤J，1≤k≤K）表示泵功圖網(wǎng)格上對應的灰度值；功圖的灰度級別為R，某一灰度r的元素個數(shù)為b（r），則灰度級的概率為p（r）＝b（r）/（J*K）。將功圖統(tǒng)一放置到一個2x1的長方形中去，使得示功圖與長方形的四邊相切，而長方形由網(wǎng)格分割，使得這些網(wǎng)格來表述示功圖的實際形狀。首先將網(wǎng)格設定初始值為“0”，將功圖通過網(wǎng)絡都賦值為“1”最后將邊界內部所有網(wǎng)格都賦值“1”。邊界內部每遠離邊界一格其灰度值增加一級，外部按等高線的方式賦值，只是每遠離邊界一格其灰度值減少一級，搜索邊界的方式是按列進行的，最終獲得功圖網(wǎng)格矩陣。

通過計算機編輯算法可計算出該示功圖的6個灰度矩陣特征值 {f1，f2，f3，f4，f5，f6}為 {2.056 1，15.814 1，－0.137 7，2.664 9，0.071 5，0.418 3}

2.3 矩特征提取

文中對圖像的形狀特征采取Hu矩表示，其在圖像數(shù)目一定的情況下，具有對圖像的旋轉，平移和尺度變化的不變性。通過無量綱化公式將示功圖一組數(shù)據(jù)歸一化后，繪圖，可得示功圖二值圖，如圖下圖，再將圖像像素化，可以找到的有色點與的白色點。根據(jù)矩定義將Hu不變矩特征量u1～u7和離心率合并，就形成了圖像的全局形狀特征向量S。該特征向量代表的是一種全局的形狀特征。最后可得歸一化到坐標大小為x：y＝200：100比例下數(shù)據(jù)的圖像Hu矩特征向量。

3 智能診斷系統(tǒng)模型的構建

自組織神經(jīng)網(wǎng)絡SOM（Self－Organization Mapping Net）是基于無監(jiān)督學習方法的神經(jīng)網(wǎng)絡的一種重要類型。自組織神經(jīng)網(wǎng)絡是神經(jīng)網(wǎng)絡最富有魅力的研究領域之一，它能夠通過其輸入樣本學會檢測其規(guī)律性和輸入樣本相互之間的關系，并且根據(jù)這些輸入樣本的信息自適應調整網(wǎng)絡，使網(wǎng)絡以后的響應與輸入樣本相適應。競爭型神經(jīng)網(wǎng)絡的神經(jīng)元通過輸入信息能夠識別成組的相似輸入向量；自組織映射神經(jīng)網(wǎng)絡通過學習同樣能夠識別成組的相似輸入向量，使那些網(wǎng)絡層中彼此靠得很近的神經(jīng)元對相似的輸入向量產(chǎn)生響應。與競爭型神經(jīng)網(wǎng)絡不同的是，自組織映射神經(jīng)網(wǎng)絡不但能學習輸入向量的分布情況，還可以學習輸入向量的拓撲結構，其單個神經(jīng)元對模式分類不起決定性作用，而要靠多個神經(jīng)元的協(xié)同作用才能完成模式分類。

圖6 二值圖Fig.6 Binary image

圖7 自組織競爭網(wǎng)絡結構Fig.7 Structure of self-organizing competitive neural network

假設從收集到示功圖中提取的特征值為N個，有典型故障M種，共有T個學習向量樣本，則網(wǎng)絡的輸入層有N個神經(jīng)元，競爭層有M個神經(jīng)元（圖5），輸入模式為：Pk=（pk1，pk2，…，pkN），與其對應的競爭層輸出模式為：Ak=（ak1，ak2，…，akM），其中k=1，2，…，T。網(wǎng)絡連接權值為[wij]，域值為{bj}，i=1，2，…，N，j=1，2，…，M。

圖5 示功圖灰度矩陣Fig.5 Gray matrix of indicator diagram

自組織競爭人工神經(jīng)網(wǎng)絡在輸入學習向量樣本后，競爭層神經(jīng)元開始競爭，獲勝神經(jīng)元的輸出為1，其余的神經(jīng)元輸出為0，同時只有與獲勝神經(jīng)元相連的權值才能得到調整，并朝著使獲勝神經(jīng)元對該輸入模式更加敏感的方向進行調整，使得調整后的權值與當前輸入模式之間的差別越來越小，從而訓練后的競爭網(wǎng)絡的權值能夠代表該輸入模式。當同一個學習模式或者相似模式反復提供給網(wǎng)絡進行學習后，這一模式所對應的競爭層的獲勝神經(jīng)元的輸入值就會逐漸增大，獲勝神經(jīng)元繼續(xù)保持其勝者的地位。同時，其他神經(jīng)元受到抑制，對該模式不敏感而難以獲勝，只有當其他類學習模式輸入時，這些神經(jīng)元才會有競爭勝利的希望。獲勝神經(jīng)元所代表的典型故障即為有桿抽油系統(tǒng)的故障[6]。因此，自組織競爭人工神經(jīng)網(wǎng)絡通過對學習模式的反復學習可以識別相似的輸入向量，實現(xiàn)故障的模式分類，從而可以進行故障診斷。

圖8 網(wǎng)絡模型結構Fig.8 Network structure

圖9 故障診斷流程圖Fig.9 Fault diagnosis flow

4 實際應用

江蘇油田試采一廠的真35-21井為供液不足的油井，將本系統(tǒng)應用在這口油井。將與藍牙透傳模塊連接的通信終端UART0的波特率設為最大值115 200 b/s，數(shù)據(jù)包發(fā)送間隔設為10 ms。點擊開始采集按鈕連接藍牙，手持終端依據(jù)通信協(xié)議向通信終端發(fā)送讀數(shù)據(jù)命令以后獲取載荷與位移關系的數(shù)據(jù)對。所得的示功圖和依據(jù)上文所介紹的故障診斷方法得到的油井故障診斷結果如下圖所示，可見診斷的結果與實際相符。圖中的電源電壓指的是示功儀的電源電壓，由于示功儀工作在野外環(huán)境，需要了解示功儀的電壓變化，以免電源不足影響正常使用，信號強度指ZigBee網(wǎng)絡的信號強度，產(chǎn)量是指這口油井的產(chǎn)液量。

圖10 手持終端功圖界面Fig.10 Interface of indicator diagram in hand－h(huán)eld terminal

5 結束語

自組織競爭神經(jīng)網(wǎng)絡故障診斷技術比傳統(tǒng)的故障診斷技術有著很大的優(yōu)越性，它的應用領域也在不斷擴大，成為故障診斷領域研究的熱點之一。文中將自組織競爭神經(jīng)網(wǎng)絡的故障診斷算法應用于江蘇油田抽油井故障的自動診斷，對故障的正確識別率達到了97.3%以上。

[1]杜保東，李明山.人工神經(jīng)網(wǎng)絡識別抽油機井示功圖的研究[J].油氣井測試，1998，7（1）：27－29.DU Bao-dong，LI Ming-shan.Analying dynamometer card of well pumping by using artificial neural network method[J].Well Testing，1998，7（1）：27－29.

[2]杜保東，董海生，李明山.抽油機故障診斷的人工神經(jīng)網(wǎng)絡方法研究[J].油氣田地面工程，1997，16（4）：52－53.DU Bao-dong，DONG Hai-sheng，LI Ming-shan.Artificial neural network on fault diagnosis technology of rod-pumping system[J].Oil Gas Field Surface Engineering，1997，16（4）：52－53.

[3]Mohaghegh S.Neural network：What it can do for petroleum engineers[J].Journal of Petroleum Technology，1995，47（1）：42.

[4]Shahab M.Virtual-intelligence application in petroleum engineering：Part 1－Neural networks[J].Journal of Petroleum Technology，2000，52（9）：64－73.

[5]Serkan Y，Cem D，Serhat A.Application of artificial neural networks to optimum bit selection [J].Computers &Geosciences，2002，28（2）：261－269.

[6]Martin T H，Howard B D，Mark B.Neural network design[M].Boston：PWS Publishing Company，1996.