基于BP神經(jīng)網(wǎng)絡(luò)的抽油系統(tǒng)故障診斷方法

李歡歡，于 儉

(杭州電子科技大學(xué)管理學(xué)院，浙江杭州310018)

0 引言

有桿抽油是機(jī)械采油中應(yīng)用最為廣泛和可靠的方式，也是在采油工程中一直占主導(dǎo)地位的人工舉升方式［1］。國(guó)內(nèi)外抽油診斷系統(tǒng)大都以功圖為依據(jù)，準(zhǔn)確識(shí)別功圖是故障診斷的關(guān)鍵步驟。及時(shí)、準(zhǔn)確地掌握有桿抽油系統(tǒng)的工作狀況，診斷油井所存在的問(wèn)題，制定合理的技術(shù)措施，提高舉升效率和油井產(chǎn)量，對(duì)提高油田開(kāi)發(fā)的綜合經(jīng)濟(jì)效益有重要意義。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)指許多簡(jiǎn)單的處理單元廣泛地互相連接形成，是建立在實(shí)例學(xué)習(xí)基礎(chǔ)上，基于數(shù)值計(jì)算采用并行推理，具有聯(lián)想、記憶與歸納等特征的知識(shí)處理系統(tǒng)［2］。多層前饋式誤差反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)是現(xiàn)在應(yīng)用范圍最廣和最成功的人工神經(jīng)網(wǎng)絡(luò)之一［3］。能夠完成任意復(fù)雜的非線(xiàn)性從輸入到輸出的映射關(guān)系，具有良好的泛化能力，已在各領(lǐng)域里得到廣泛應(yīng)用［4］。文獻(xiàn)［5］首次將人工神經(jīng)網(wǎng)絡(luò)理論引入到示功圖識(shí)別領(lǐng)域，應(yīng)用誤差反向傳播學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。文獻(xiàn)［6］等采用正弦型隱層感知機(jī)和sigmoid型輸出層感知機(jī)的3層混合前饋網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)用于抽油機(jī)的故障診斷，已經(jīng)取得了很多成功。

1 模型介紹

泵功圖的是分析采油工程技術(shù)的一項(xiàng)重要工作，是動(dòng)力儀在一周期內(nèi)測(cè)取的封閉曲線(xiàn)，按時(shí)間順序記錄光桿在抽油過(guò)程中的載荷，與抽油桿柱上下行程一個(gè)周期的位移函數(shù)關(guān)系。抽油機(jī)井地面動(dòng)力機(jī)械裝置帶動(dòng)光桿和井下全部抽油桿柱，并帶動(dòng)深井泵柱塞作一次上下往復(fù)運(yùn)動(dòng)為一個(gè)周期［7］。泵況正常、液擊和氣體影響的泵功圖如圖1所示。

圖1 診斷的故障類(lèi)

根據(jù)泵功圖可以對(duì)抽油系統(tǒng)是否正常工作做出判斷，制定并及時(shí)調(diào)整油井工作制度，確定井下設(shè)備的故障，提供修井依據(jù)。正確、迅速識(shí)別泵功圖反映的工況是保證有桿抽油系統(tǒng)正常工作的重要手段，因此，將泵功圖作為分析、判斷桿式油井工作狀態(tài)的主要依據(jù)。

神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以模擬人腦中的神經(jīng)系統(tǒng)，便于集成的實(shí)現(xiàn)和計(jì)算的模擬。BP網(wǎng)絡(luò)在知識(shí)獲取和表示、自主學(xué)習(xí)、并行推理、容錯(cuò)以及記憶和聯(lián)想等方面具有著比較強(qiáng)高的優(yōu)越性［8］，為抽油系統(tǒng)的故障診斷提供了新理論和實(shí)踐手段。

2 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型

輸入層、隱層、輸出層及網(wǎng)絡(luò)各層間的傳輸函數(shù)是BP網(wǎng)絡(luò)設(shè)計(jì)的主要內(nèi)容。使用BP神經(jīng)網(wǎng)絡(luò)診斷抽油機(jī)工作狀態(tài)，輸入矢量P的每個(gè)元素，通過(guò)權(quán)矩陣W與每個(gè)輸出神經(jīng)元相連，輸出矢量A。BP網(wǎng)絡(luò)一般為多層神經(jīng)網(wǎng)絡(luò)，由BP神經(jīng)元構(gòu)成的二層網(wǎng)絡(luò)如圖2所示。

圖2 兩層BP神經(jīng)網(wǎng)絡(luò)模型

輸出層節(jié)點(diǎn)的數(shù)量由數(shù)據(jù)類(lèi)型和表示這個(gè)類(lèi)型需要數(shù)據(jù)的大小決定，假設(shè)m為待分類(lèi)模式的總數(shù)，則第 j個(gè)模式的輸出為［9］:

式中，節(jié)點(diǎn)j的輸出值是1，其余是0。若輸出值全部是0，則說(shuō)明待分類(lèi)的項(xiàng)目不屬于輸入模式中的任意一種。

若一個(gè)雙層BP網(wǎng)絡(luò)有無(wú)限的隱層結(jié)點(diǎn)，則能夠完成任何非線(xiàn)性的輸入到輸出的映射。建立此模型，隱層的節(jié)點(diǎn)數(shù)可以按如下方式計(jì)算:

式中，n為隱節(jié)點(diǎn)數(shù)，ni為輸入節(jié)點(diǎn)數(shù)，n0為輸出節(jié)點(diǎn)數(shù)，a為0至10間的常數(shù)。

傳輸函數(shù)采用sigmoid型函數(shù):

設(shè)輸入為P，輸入神經(jīng)元有r個(gè)，隱含層內(nèi)有S1個(gè)神經(jīng)元，激活函數(shù)為F1，輸出層內(nèi)有S2個(gè)神經(jīng)元，對(duì)應(yīng)的激活函數(shù)為F2，輸出為A，目標(biāo)矢量為T(mén)。隱含層中第i個(gè)神經(jīng)元的輸出為:

輸出層第k個(gè)神經(jīng)元的輸出為:

定義誤差函數(shù)為:

3 仿真實(shí)驗(yàn)

采用3層BP神經(jīng)網(wǎng)絡(luò)，對(duì)30組訓(xùn)練數(shù)據(jù)以及10組測(cè)試數(shù)據(jù)。輸入層有10個(gè)節(jié)點(diǎn)，輸出層有2個(gè)節(jié)點(diǎn)，分別為正常工作以及泵內(nèi)有氣體兩種情況。網(wǎng)絡(luò)輸入范圍為［0，100］，訓(xùn)練次數(shù)為1 000次，訓(xùn)練目標(biāo)位0.01，學(xué)習(xí)速率為0.1。對(duì)不同的隱藏層節(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練，使用MATLAB 7.0軟件進(jìn)行仿真，得到不同對(duì)應(yīng)的均方誤差如表1所示。

表1 均方誤差隱藏層節(jié)點(diǎn)數(shù)

由表1可知，隱藏層節(jié)點(diǎn)個(gè)數(shù)為20時(shí)均方誤差最小，因此隱藏層節(jié)點(diǎn)個(gè)數(shù)為20個(gè)，隱藏層不同節(jié)點(diǎn)數(shù)的誤差如圖3所示。

圖3 隱藏層不同節(jié)點(diǎn)數(shù)的誤差圖

由圖3可見(jiàn)，隱藏層節(jié)點(diǎn)個(gè)數(shù)為20時(shí)的誤差最接近于0，此時(shí)訓(xùn)練參數(shù)如圖4所示，訓(xùn)練次數(shù)為1 000次，訓(xùn)練115次后，網(wǎng)絡(luò)誤差達(dá)到要求。

圖4 隱藏層為20節(jié)點(diǎn)時(shí)訓(xùn)練參數(shù)

通過(guò)計(jì)算機(jī)診斷，訓(xùn)練結(jié)果如圖5所示。

一級(jí)桿泵功圖計(jì)算機(jī)診斷輸出結(jié)果為0.010 7，對(duì)應(yīng)的泵功圖正常工作;3級(jí)桿泵功圖計(jì)算機(jī)診斷輸出結(jié)果為0.884 8，對(duì)應(yīng)的泵工圖泵內(nèi)充氣。

圖5 BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

4 結(jié)束語(yǔ)

本文使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行油井抽油系統(tǒng)的故障診斷，網(wǎng)絡(luò)的輸入是以功圖數(shù)據(jù)為依據(jù)提取的特征值，網(wǎng)絡(luò)的輸出是故障的類(lèi)型，通過(guò)學(xué)習(xí)大量的故障樣本，將知識(shí)以權(quán)值和閾值的方式儲(chǔ)存在網(wǎng)絡(luò)中。根據(jù)分析結(jié)果可知，這種基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法可行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)的推理和自學(xué)能力，可在抽油系統(tǒng)的故障診斷中使用，從而有效提高故障診斷的準(zhǔn)確性。

［1］袁文琪，李訓(xùn)銘.基于神經(jīng)網(wǎng)絡(luò)的油井故障診斷系統(tǒng)研究與實(shí)現(xiàn)［J］.電子設(shè)計(jì)工程，2012，20(8):35－37.

［2］何勇，項(xiàng)利國(guó).基于模糊聚類(lèi)的BP神經(jīng)網(wǎng)絡(luò)模型研究及應(yīng)用［J］.系統(tǒng)工程理論與實(shí)踐，2004，24(2):79－82.

［3］楊金寶，張昌宏，陳平.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)故障診斷研究［J］.計(jì)算機(jī)與數(shù)字工程，2012，40(2):65－67.

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

［5］Rogers J D，Guffey G G，Oldham W J B.Artificial Neural Networks for Identification of Beam Pump Dynamometer Load Cards［J］.Society of Petroleum Engineers，1990，9(23):23 －26.

［6］Nazietal G M.Application of artificial neural network to pump card diagnosis［J］.Society of Petroleum Engineers，1994，6(6):9－14.

［7］韓國(guó)慶，張曉東.示功圖識(shí)別技術(shù)在有桿泵工況診斷中的應(yīng)用［J］.石油鉆采工藝，2003，25(5):70－74.

［8］郭震.基于神經(jīng)網(wǎng)絡(luò)的專(zhuān)家系統(tǒng)實(shí)現(xiàn)研究［J］.水利科技與經(jīng)濟(jì)，2003(12):294－296.

［9］周開(kāi)利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其仿真程序設(shè)計(jì)［M］.北京:清華大學(xué)出版社，2005:69－90.