關(guān)鍵詞： 油井電參數(shù) 故障診斷 深度殘差收縮網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò) 軟閾值化

石油是能源結(jié)構(gòu)中不可或缺的一部分[1]，但隨著石油的不斷深入開采，抽油機(jī)井的故障率也越來越高，因此，準(zhǔn)確掌握抽油機(jī)工作狀況，正確診斷抽油機(jī)故障類型，對提高經(jīng)濟(jì)效益和保證石油供應(yīng)具有重要意義[2]。傳統(tǒng)的示功圖采集方法需要停機(jī)進(jìn)行，不僅影響生產(chǎn)，而且極易損壞設(shè)備。而電參數(shù)相較于施工圖而言，有著易于采集、直觀準(zhǔn)確、成本低廉等優(yōu)點。一部分的油田在數(shù)字化改造中，給油井安裝了具備通信功能的示功圖傳感器，但是這種類型傳感器不僅安裝成本偏高，并且設(shè)備維護(hù)困難，進(jìn)而油田需要為此付出高昂的管理費用，增加油田的運行成本。因此，油井電參數(shù)和智能診斷方法[3]的結(jié)合便應(yīng)運而生。

智能診斷方法的優(yōu)勢在于可以使用機(jī)器學(xué)習(xí)或神經(jīng)網(wǎng)絡(luò)來代替人類識別和診斷，利用機(jī)器代替人類完成復(fù)雜的思考過程。發(fā)展智能化的故障診斷方法早已成為了當(dāng)下故障診斷研究的發(fā)展主流，并且在油井故障診斷這一研究領(lǐng)域中，國內(nèi)外學(xué)者已經(jīng)取得了大量的成果。隨著技術(shù)的快速發(fā)展，對于有桿泵運行工況診斷的研究也與日俱增。目前，在油井的相關(guān)的智能診斷技術(shù)，一般為專家系統(tǒng)、模糊理論、人工神經(jīng)網(wǎng)絡(luò)[4]、支持向量機(jī)[5]等。

1 深度殘差收縮網(wǎng)絡(luò)模型

1.1 建議方法的體系結(jié)構(gòu)

文章提出了基于深度殘差收縮網(wǎng)絡(luò)（DRSN）的油井故障診斷模型。并將該模型對應(yīng)的步驟分為3 步，具體敘述如下。

首先，將原始數(shù)據(jù)按照一定尺寸矩陣化，構(gòu)成油井時間序列的GAF 圖像樣本集。從這些數(shù)據(jù)集中進(jìn)行數(shù)據(jù)預(yù)處理，將數(shù)據(jù)中的一些無用數(shù)據(jù)或者含有噪聲的噪聲數(shù)據(jù)進(jìn)行處理。其次，在DRSN 模型中，包含著殘差塊、軟化閾值、池化層、全連接層和輸出層。其中殘差塊用于防止模型出現(xiàn)退化問題，軟化閾值用于樣本降噪處理。最后，使用上述兩個階段的方法，對長時程的數(shù)據(jù)進(jìn)行故障檢測。

1.2 深度學(xué)習(xí)算法理論

一般數(shù)據(jù)樣本的故障診斷都是以故障發(fā)生時的數(shù)據(jù)進(jìn)行診斷，這就導(dǎo)致了故障診斷時可能會因為采集數(shù)據(jù)的時間太短導(dǎo)致故障診斷的準(zhǔn)確性低。為此，文章提出了基于長時程的故障診斷。此診斷方法將軟化閾值和殘差項與CNN結(jié)合，生成深度殘差收縮網(wǎng)絡(luò)模型。

在該模型中，CNN 模型前向傳播各層的公式如下[6]：

1.3 深度殘差收縮網(wǎng)絡(luò)

隨著卷積神經(jīng)網(wǎng)絡(luò)深度不斷增加，就有可能會出現(xiàn)網(wǎng)絡(luò)模型退化的問題。為了解決模型問題，本文提出了基于深度殘差收縮網(wǎng)絡(luò)（DRSN）的油井故障診斷。DRSN 是處理含噪聲數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，本模型可以借由卷積層網(wǎng)絡(luò)結(jié)構(gòu)以及殘差項的恒等映射原理對模型的損失進(jìn)行反向傳播，再借由軟閾值化對采集到的數(shù)據(jù)進(jìn)行降噪處理，這樣不僅能夠得到噪聲小的數(shù)據(jù)，還能得到更優(yōu)的模型，提高整體模型的準(zhǔn)確率和模型性能。圖1 是DRSN 的網(wǎng)絡(luò)模型。

2 實例分析

文章構(gòu)建了基于深度殘差收縮網(wǎng)絡(luò)的油井故障診斷模型，此模型是將CNN 與殘差項以及軟閾值化進(jìn)行整合得到的。將殘差項添加到模型中的這種方式極大程度地降低了模型的訓(xùn)練難度。而軟閾值化和注意力機(jī)制通過數(shù)據(jù)集的噪聲進(jìn)行設(shè)置，使模型具有了降噪能力，大大提高了模型的準(zhǔn)確率。

在圖2 中，簡單地演示了基于DRSN 的故障診斷流程。首先，采集油井時間序列的油井電參數(shù)數(shù)據(jù)來構(gòu)成數(shù)據(jù)樣本。其次，將數(shù)據(jù)樣本矩陣化構(gòu)成GAF 圖像，通過將GAF 圖像分為訓(xùn)練集和測試集，其中將訓(xùn)練集用于對深度殘差收縮網(wǎng)絡(luò)的訓(xùn)練，就能夠得到用于診斷油井故障的模型。最后，將測試集輸入到故障診斷模型中，就可以得到模型的故障診斷結(jié)果。

2.1 基于多故障長時間序列樣本的油井故障診斷

2.1.1 故障樣本預(yù)處理

文章提出了選用電參數(shù)進(jìn)行故障診斷。電參數(shù)的采集方便快捷、直觀準(zhǔn)確。相比于分析示功圖進(jìn)行故障診斷，基于電參數(shù)的故障診斷更加方便準(zhǔn)確。在處理這些數(shù)據(jù)時，可以將采集到的數(shù)據(jù)進(jìn)行矩陣化，按照采集到的時間順序記性時間序列化，構(gòu)成時間序列數(shù)據(jù)樣本。

將收集的數(shù)據(jù)轉(zhuǎn)化為GAF 圖像，而為了能夠確保所需要描述的格拉姆角場轉(zhuǎn)換的方法能夠保證同時保留至少兩個角度所給到的信息，將獲得的極坐標(biāo)角度值通過計算任意兩個的和或差的余弦值，并從數(shù)據(jù)中的左上角向右下角進(jìn)行編碼，就能夠得到格拉姆角場矩陣（GAF Metric），這就被稱為格拉姆和場（GASF）和格拉姆差場（GADF），上面所描述的格拉姆角場編碼轉(zhuǎn)化方法如下公式所示：

為了將油井電參數(shù)轉(zhuǎn)化為易于該網(wǎng)絡(luò)模型處理的數(shù)據(jù)樣式，經(jīng)過上式的數(shù)據(jù)處理，將油井電參數(shù)矩陣化為如下圖300×300 的GAF 圖像樣本所示。將采集到的數(shù)據(jù)通過上式生成GAF 圖像，再以300 個數(shù)據(jù)生成該圖像，構(gòu)成樣本集。

2.1.2 模型的構(gòu)建與訓(xùn)練

文章針對時間序列進(jìn)行故障診斷，將數(shù)據(jù)樣本分為訓(xùn)練集和測試集，并通過多次設(shè)置參數(shù)，將深度殘差網(wǎng)絡(luò)模型分為輸入層、卷積層和輸出層。借由設(shè)置神經(jīng)網(wǎng)絡(luò)的參數(shù)，獲得相對應(yīng)的網(wǎng)絡(luò)模型。根據(jù)圖4 可知，當(dāng)epoch 在25 時，模型的準(zhǔn)確率基本上接近最高。

通過對比深度殘差收縮網(wǎng)絡(luò)與CNN 模型以及GoogLeNet 模型，在訓(xùn)練過程中準(zhǔn)確率變化具體見圖5。模型的訓(xùn)練準(zhǔn)確率可以達(dá)到99.3%，其他兩種模型的準(zhǔn)確率為99.01% 和98.9%。并可以得出DRSN 模型比其他模型準(zhǔn)確率上升更快且準(zhǔn)確率更高。

2.2 基于長時程的油井故障診斷

在上述的樣本預(yù)處理和模型搭建的基礎(chǔ)上，將深度殘差收縮網(wǎng)絡(luò)用于油井電參數(shù)的故障診斷中。將模型參數(shù)設(shè)置好后，模型的準(zhǔn)確率達(dá)到了99.3%。通過實驗表明：經(jīng)過一定的數(shù)據(jù)預(yù)處理，并通過深度殘差收縮網(wǎng)絡(luò)就能準(zhǔn)確地判別特征指標(biāo)相對應(yīng)的故障類別，進(jìn)而實現(xiàn)基于油井電參數(shù)的精準(zhǔn)化故障診斷。

2.3 對比實驗

為了進(jìn)一步驗證模型在時間序列分析的優(yōu)越性，接下來選用不同的模型在相同的數(shù)據(jù)下，開展模型準(zhǔn)確率的對比。選用不同的網(wǎng)絡(luò)模型包括GoolgeNet、RNN、CNN、DRSN。經(jīng)過反復(fù)的試驗后，得到不同網(wǎng)絡(luò)模型的參數(shù)，并對其進(jìn)行相應(yīng)的設(shè)置，使其達(dá)到最好的性能，得到的平均準(zhǔn)確率數(shù)值如表1 所示。

3 結(jié)語

針對油井的工作性質(zhì)，提出了基于時間序列分析的油井電參數(shù)數(shù)據(jù)故障診斷方法。首先對油井電參數(shù)進(jìn)行分析，介紹了油井電參數(shù)的優(yōu)勢；然后針對時間序列數(shù)進(jìn)行故障診斷，對時間序列數(shù)據(jù)進(jìn)行分析，通過其時序特性研究其周期性質(zhì)和趨勢性性質(zhì)，對比傳統(tǒng)的故障診斷方法，能夠提高故障診斷的準(zhǔn)確率，在時間序列數(shù)據(jù)分析中有著明顯的優(yōu)勢。通過一些方法將數(shù)據(jù)轉(zhuǎn)換成網(wǎng)絡(luò)模型所需要的數(shù)據(jù)類型，將這些數(shù)據(jù)輸入到模型中去。對DRSN 選取最優(yōu)的參數(shù)，將設(shè)置好參數(shù)后，測試分析模型的性能，并對不同類型的網(wǎng)絡(luò)模型進(jìn)行測試，而DRSN 具有最好的準(zhǔn)確率和效率。因而基于電參時序分析的油井故障診斷應(yīng)用中有較好的表現(xiàn)和較高的經(jīng)濟(jì)效益。