袁瑛，張乃祿

1.西安石油大學(xué) 電子工程學(xué)院（陜西 西安710065）

2.陜西省油氣井測控技術(shù)重點(diǎn)實(shí)驗(yàn)室（陜西 西安710065）

0 引言

隨著智慧化油田的快速發(fā)展，及時(shí)了解油井的生產(chǎn)情況對于提高油井采油率、增加油井產(chǎn)量、維護(hù)油井安全生產(chǎn)具有重要意義。油井的生產(chǎn)狀況主要依賴于油井井下設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)，其中抽油泵的可靠運(yùn)轉(zhuǎn)是油井正常工作的關(guān)鍵[1]。目前，利用大數(shù)據(jù)對抽油泵的工作狀態(tài)進(jìn)行分析診斷是油井工況診斷的研究熱點(diǎn)[2]。目前的研究是以油井生產(chǎn)設(shè)備參數(shù)為基礎(chǔ)對油井故障進(jìn)行診斷[3]，主要方法有以下兩種。

地面示功圖分析法，該方法應(yīng)用光桿動(dòng)力儀繪制光桿示功圖，通過對光桿示功圖進(jìn)行分析解釋，從而判斷油井設(shè)備故障，由于該方法精度較差，沒有得到推廣應(yīng)用。

井下示功圖診斷法，將動(dòng)力儀與抽油泵同時(shí)放入井中，直接測量泵示功圖。此方法可以得到抽油泵的第一手?jǐn)?shù)據(jù)，避免了諸多不確定因素。但是這種方法在安裝井下動(dòng)力儀和讀取時(shí)必須將泵和抽油桿一同取出，不能實(shí)現(xiàn)油井工況的實(shí)時(shí)檢測與診斷，因此沒有得到推廣。

本文針對油井井下設(shè)備的運(yùn)行狀態(tài)和油井工作狀態(tài)的特點(diǎn)，研究了基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的油井工況診斷系統(tǒng)，分析油井生產(chǎn)設(shè)備工作時(shí)的實(shí)時(shí)生產(chǎn)數(shù)據(jù)，采集油井工況診斷系統(tǒng)的設(shè)備參數(shù)：包括示功圖信息、動(dòng)液面值、套管壓力值和三相電參值，進(jìn)行信息融合和特征值提取，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型建立工況診斷模型，實(shí)現(xiàn)對抽油井工況的實(shí)時(shí)診斷，從而及時(shí)把握油井生產(chǎn)情況。

1 基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的工況診斷系統(tǒng)構(gòu)成

1.1 油井工況診斷系統(tǒng)構(gòu)成

目前我國大部分油田采用有桿泵抽油方式，有桿泵抽油井的工作原理如圖1所示，通過電控柜中的變頻調(diào)速設(shè)備控制電機(jī)轉(zhuǎn)速，通過減速箱增大扭矩，曲柄連接連桿帶動(dòng)游梁上下擺動(dòng)，驢頭和懸繩器保障抽油桿垂直往復(fù)工作，完成抽油工作。

圖1 有桿泵抽油井的系統(tǒng)結(jié)構(gòu)

抽油井的數(shù)據(jù)檢測設(shè)備包括示功圖采集器、壓力傳感器、電參采集模塊和動(dòng)液面采集儀。通過搭建物聯(lián)網(wǎng)架構(gòu)實(shí)現(xiàn)對實(shí)時(shí)生產(chǎn)數(shù)據(jù)的采集、傳輸與應(yīng)用。

基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的油井工況診斷系統(tǒng)的物聯(lián)網(wǎng)架構(gòu)分為三層：數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層和決策應(yīng)用層[5]。數(shù)據(jù)采集層包括動(dòng)液面采集儀，示功圖采集器，壓力傳感器和電參采集模塊，通過RS485接口獲取示功圖信息、動(dòng)液面數(shù)據(jù)、套管壓力值和三相電流電壓；網(wǎng)絡(luò)傳輸層由STM32-L475主控芯片中的4G傳輸模塊完成數(shù)據(jù)傳輸，井場多路生產(chǎn)數(shù)據(jù)通過RS485總線連接，采用4G網(wǎng)絡(luò)進(jìn)行傳輸。決策應(yīng)用層，完成數(shù)據(jù)庫建立、實(shí)時(shí)數(shù)據(jù)分析、工況診斷模型建立和診斷結(jié)果綜合分析等。

1.2 工況診斷系統(tǒng)硬件構(gòu)成

目前實(shí)時(shí)生產(chǎn)數(shù)據(jù)采集傳輸?shù)挠布Y(jié)構(gòu)是基于STM32的嵌入式系統(tǒng)。微控制單元為基于STM32-L475的最小系統(tǒng)，實(shí)時(shí)生產(chǎn)數(shù)據(jù)讀取為RS485接口電路，傳輸為ML303模塊構(gòu)成的4G傳輸電路，以及OLED顯示、FLASH、JTAG、電源電路等外圍電路結(jié)構(gòu)，實(shí)時(shí)生產(chǎn)數(shù)據(jù)采集傳輸?shù)挠布娐方Y(jié)構(gòu)如圖2所示。

圖2 實(shí)時(shí)生產(chǎn)數(shù)據(jù)采集傳輸?shù)挠布娐?/p>

2 基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的工況診斷系統(tǒng)的軟件開發(fā)

2.1 基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的診斷系統(tǒng)軟件設(shè)計(jì)

基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的診斷系統(tǒng)采用力控Force-Control V7.2作為軟件開發(fā)平臺(tái)，完成實(shí)時(shí)生產(chǎn)數(shù)據(jù)庫建立、工況診斷模型仿真以及診斷結(jié)果分析的功能。建立Oracle數(shù)據(jù)庫，通過力控的ODB-CRouter組件與數(shù)據(jù)庫進(jìn)行連接，實(shí)現(xiàn)對實(shí)時(shí)生產(chǎn)數(shù)據(jù)的采集。在Matlab中進(jìn)行實(shí)時(shí)生產(chǎn)參數(shù)特征值提取和油井工況診斷模型建立，通過力控的DBCommocx組件將診斷信息上傳至監(jiān)控界面。油井工況診斷模型的構(gòu)建是軟件設(shè)計(jì)的核心部分，基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的油井工況診斷系統(tǒng)軟件構(gòu)成如圖3所示。

圖3 基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的油井工況診斷系統(tǒng)軟件構(gòu)成

2.2 基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的油井工況診斷模型

抽油井的工況類型主要分為正常工作、供液不足、抽油桿斷落、固定凡爾漏失、游動(dòng)凡爾漏失、泵上碰、泵下碰、油稠、油井出砂、柱塞脫落出工作筒等11種情況[6]。示功圖數(shù)據(jù)是由位移-載荷組成的二維函數(shù)圖像數(shù)據(jù)，套管壓力、三相電參因數(shù)和動(dòng)液面值為數(shù)值型數(shù)據(jù)[7]。

首先對圖像型數(shù)據(jù)進(jìn)行預(yù)處理，先將示功圖的載荷-位移數(shù)據(jù)進(jìn)行歸一化處理：

運(yùn)用Matlab對歸一化數(shù)據(jù)進(jìn)行灰度處理，得到示功圖的灰度矩陣，采用數(shù)理統(tǒng)計(jì)的方法得到示功圖數(shù)據(jù)的6個(gè)灰度特征值，如公式（3）～公式（8）：

式中：r為灰度值；L為灰度最小值；Q為灰度最大值；p(r)為灰度值r的概率。

數(shù)值型數(shù)據(jù)直接提取得到實(shí)時(shí)生產(chǎn)數(shù)據(jù)，其中g(shù)7,g8,g9分別代表套管壓力、三相電參因數(shù)和動(dòng)液面值。因此輸入的特征向量為G=(g1,g2,g3,g4,g5,g6,g7,g8,g9)，輸出為11種油井工況類型O=(O1,O2,O3,O4,O5,O6,O7,O8,O9,O10,O11)，輸出向量與油井工況的特征關(guān)系見表1。

表1 油井工況與BP神經(jīng)網(wǎng)絡(luò)的輸出關(guān)系

2.2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程主要通過信號(hào)的正向傳播和誤差的逆向傳播兩個(gè)階段來完成。這是一種梯度下降算法，它可使神經(jīng)網(wǎng)絡(luò)的每個(gè)連接權(quán)值的誤差不斷減少。BP神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)勢：

1）良好的非線性映射能力。BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能，數(shù)學(xué)理論證明三層的神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性連續(xù)函數(shù)，這使得其特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題。

2）自學(xué)習(xí)和自適應(yīng)能力。BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，能夠通過學(xué)習(xí)自動(dòng)提取輸入、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應(yīng)地將學(xué)習(xí)內(nèi)容記憶于網(wǎng)絡(luò)的權(quán)值中。

3）容錯(cuò)能力。BP神經(jīng)網(wǎng)絡(luò)在其局部的或者部分的神經(jīng)元受到破壞后對全局的訓(xùn)練結(jié)果不會(huì)造成很大的影響，即使系統(tǒng)在受到局部損傷時(shí)還可以正常工作。

因此本文建立BP神經(jīng)網(wǎng)絡(luò)油井工況診斷模型，提取示功圖圖像數(shù)據(jù)的特征值與其他數(shù)值型數(shù)據(jù)進(jìn)行參數(shù)融合作為BP神經(jīng)網(wǎng)絡(luò)模型輸入，油井工況類型作為神經(jīng)網(wǎng)絡(luò)的輸出。

BP神經(jīng)網(wǎng)絡(luò)的工況診斷模型以特征向量G作為輸入，輸出為11種油井工況類型O。所以確定BP神經(jīng)網(wǎng)絡(luò)的輸入層為9個(gè)神經(jīng)元，輸出層為11種工況，根據(jù)隱含層l= m+n+a（n代表輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)，a根據(jù)實(shí)際需求選取1～10之間的常數(shù)），這里選取隱含層l為6層。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

2.2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與仿真

根據(jù)提取典型工況的特征參數(shù)，建立工況診斷模型，在Matlab平臺(tái)上對油井井況故障診斷模型進(jìn)行訓(xùn)練。采用Sigmoid可微函數(shù)作為本網(wǎng)絡(luò)的激勵(lì)函數(shù)，由于網(wǎng)絡(luò)的輸出歸一到[-1,1]內(nèi)，因此預(yù)測模型選取S型函數(shù)tansing作為輸出神經(jīng)元的激勵(lì)函數(shù)。設(shè)置最大迭代數(shù)為2 000，學(xué)習(xí)目標(biāo)均方差小于0.001。分別選取示功圖的6組特征值數(shù)據(jù)和實(shí)時(shí)生產(chǎn)數(shù)據(jù)的9組特征值數(shù)據(jù)進(jìn)行仿真訓(xùn)練。通過仿真結(jié)果得知：6組特征值輸入的BP神經(jīng)網(wǎng)絡(luò)誤差收斂仿真結(jié)果如圖5所示，仿真模型經(jīng)過200次迭代后收斂，誤差為0.047 224，未達(dá)到其設(shè)定標(biāo)準(zhǔn)，訓(xùn)練時(shí)間為2 s；9組特征值輸入的BP神經(jīng)網(wǎng)絡(luò)誤差收斂仿真結(jié)果如圖6所示，仿真模型經(jīng)過156次迭代后達(dá)到收斂，誤差為0.000 999，符合預(yù)期誤差，訓(xùn)練時(shí)間為1.8 s。

圖5 6組特征值仿真結(jié)果

根據(jù)Matlab中BP神經(jīng)網(wǎng)絡(luò)模型仿真的結(jié)果對比可知，分析6組和9組特征值的診斷時(shí)間和診斷結(jié)果，模型的訓(xùn)練時(shí)間相差無幾，而9組特征值的誤差0.000 999遠(yuǎn)遠(yuǎn)小于6組特征值的誤差0.047 224。

圖6 9組特征值仿真結(jié)果

3 應(yīng)用結(jié)果與分析

任意選取Oracle數(shù)據(jù)庫中的一組實(shí)時(shí)生產(chǎn)數(shù)據(jù)，得到輸入特征值G=［4.000，17.000，0.200，2.000，0.070，1.000，0.4，0.30，1 980］，代入以油井工況類型與運(yùn)行參數(shù)知識(shí)庫作為樣本的BP神經(jīng)網(wǎng)絡(luò)模型中，得到的運(yùn)行狀態(tài)為O=［0.176 0，0.015 9，0.000 6，0.200 6 ，0.612 8，0.104 4，0.007 1，0.070 5，0.000 2，0.079 8，0.019 1］。對比油井工況輸出類型表可知，輸出O接近的工作狀態(tài)為固定凡爾漏失。根據(jù)工況類型，采取熱洗完后反復(fù)憋壓快速打開生產(chǎn)閘門沖洗的方法，使得產(chǎn)量得到及時(shí)恢復(fù)，避免了檢泵作業(yè)。表2給出了6組特征值與9組特征值的油井工況診斷結(jié)果，可以看到在大多數(shù)工況下兩種診斷模型都可以正確地識(shí)別油井的工況。利用6組特征值對11種油井工況診斷時(shí)，有10種工況診斷結(jié)果正確，而油井出砂此種工況被誤診為泵下碰；而9組特征值對11種油井工況的診斷結(jié)果都有效。在對大量的樣本進(jìn)行測試時(shí)，9組特征值的診斷模型較6組特征值的正確率有明顯的提升，這表明本文提出的將油井工況的示功圖數(shù)據(jù)和實(shí)時(shí)生產(chǎn)數(shù)據(jù)組合所提取的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入對油井工況診斷更為準(zhǔn)確。

表2 6組特征值與9組特征值的油井工況診斷結(jié)果

續(xù)表2

4 結(jié)論

基于實(shí)時(shí)生產(chǎn)數(shù)據(jù)的油井井況診斷系統(tǒng)的應(yīng)用，實(shí)現(xiàn)了油井工況的實(shí)時(shí)診斷與處理，實(shí)際應(yīng)用取得了滿意的效果。

1）通過對比9組特征輸入值和6組特征輸入值的誤差收斂結(jié)果，得知9組特征輸入所建立的BP神經(jīng)網(wǎng)絡(luò)油井工況模型診斷誤差更小，迭代步數(shù)更少。因此該油井工況診斷系統(tǒng)可以減小診斷誤差、提高診斷效率及油井安全生產(chǎn)效率。

2）將實(shí)時(shí)生產(chǎn)數(shù)據(jù)在油井工況診斷系統(tǒng)中進(jìn)行融合分析，構(gòu)建工況診斷系統(tǒng)，提出基于BP神經(jīng)網(wǎng)絡(luò)的工況診斷模型，可進(jìn)行實(shí)時(shí)生產(chǎn)參數(shù)與狀態(tài)知識(shí)庫的仿真與訓(xùn)練。