基于神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井下故障診斷專家系統(tǒng)

陳勇殿, 李瀚濤, 季永亮

(1. 江蘇油田試采一廠 江蘇 揚(yáng)州 225268； 2. 南京南大數(shù)字科技有限公司 江蘇 南京 211100)

抽油井系統(tǒng)故障診斷技術(shù)一直是國內(nèi)外采油工程技術(shù)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(yàn)判斷油井的故障,這種方法誤差極大,嚴(yán)重影響油田的生產(chǎn)[1]。所以本文提出了自組織神經(jīng)網(wǎng)絡(luò)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(jī)、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)[2]。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(jī)載荷與位移關(guān)系的數(shù)據(jù)對。神經(jīng)網(wǎng)絡(luò)故障診斷就是根據(jù)手持終端采集到的油井實(shí)時(shí)數(shù)據(jù)畫出所對應(yīng)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(yīng)的狀態(tài)的過程,也就是按特征向量對系統(tǒng)狀態(tài)進(jìn)行分類。本系統(tǒng)極大地降低了產(chǎn)建投入和運(yùn)行成本,提高了油田生產(chǎn)的實(shí)時(shí)效率,并通過人工巡井的方式實(shí)現(xiàn)了對這些油井的良好管理,對逐步實(shí)現(xiàn)石油開采的自動(dòng)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

本系統(tǒng)的框圖如下圖1所示。

1.1 數(shù)據(jù)采集

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

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(jī)的載荷和加速度進(jìn)行采集,采集的加速度和載荷信號經(jīng)過信號調(diào)理后再次送入主控制芯片,進(jìn)行經(jīng)過相關(guān)算法處理轉(zhuǎn)化為載荷和位移關(guān)系的數(shù)據(jù)對以后,存入存儲(chǔ)器中[3]。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(luò)定時(shí)從示功儀中讀取數(shù)據(jù)存儲(chǔ)在自己的內(nèi)部flash中,手持終端則通過藍(lán)牙從通信終端中讀取功圖數(shù)據(jù)（載荷與位移關(guān)系的數(shù)據(jù)對）[4]。

1.2 手持終端的設(shè)計(jì)

選用支持藍(lán)牙和GPRS功能的Android平臺作為手持終端,并在此平臺的基礎(chǔ)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(wù)器下載配置文件(用于通訊以及計(jì)算油井產(chǎn)量。包括每口油井的網(wǎng)絡(luò)號、節(jié)點(diǎn)號、通信終端藍(lán)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(lán)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(shí)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(luò)算法進(jìn)行故障診斷并把診斷結(jié)果利用TextView控件顯示出來。

圖2 無線示功儀主板結(jié)構(gòu)圖Fig. 2 Wireless dynamometers motherboard structure 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(fù)雜性,因此需要對示功儀數(shù)據(jù)形式進(jìn)行數(shù)據(jù)統(tǒng)一。數(shù)據(jù)進(jìn)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(jì)特征,根據(jù)數(shù)理統(tǒng)計(jì)原理,取灰度矩陣的6個(gè)統(tǒng)計(jì)特征,分別是灰度的均值、方差、偏度、峰度、能量、熵[5]。假設(shè)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(yīng)的灰度值;功圖的灰度級別為R,某一灰度r的元素個(gè)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(gè)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(shí)際形狀。首先將網(wǎng)格設(shè)定初始值為“0”,將功圖通過網(wǎng)絡(luò)都賦值為“1”最后將邊界內(nèi)部所有網(wǎng)格都賦值“1”。邊界內(nèi)部每遠(yuǎn)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(yuǎn)離邊界一格其灰度值減少一級,搜索邊界的方式是按列進(jìn)行的,最終獲得功圖網(wǎng)格矩陣。

圖3 示功圖60×30灰度矩陣Fig. 3 Indictor diagram 60×30 gray matrix

通過計(jì)算機(jī)編輯算法可計(jì)算出該示功圖的6個(gè)灰度矩陣統(tǒng)計(jì)特征(f1,f2,f3,f4,f5,f6)為{2.056 1,15.814 1,-0.137 7,2.664 9,0.071 55,0.418 3}

2.3 矩特征提取

本文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(zhuǎn),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f(x,y)=1的有色點(diǎn)與f(x,y)=0的白色點(diǎn)。根據(jù)矩定義將Hu不變矩特征量u1～u7和離心率e合并,就形成了圖像的全局形狀特征向量S[6]。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(biāo)大小為x:y=200:100比例下數(shù)據(jù)的圖像Hu矩特征向量。

圖4 二值圖Fig. 4 Two value image

3 智能診斷系統(tǒng)模型的構(gòu)建

自組織神經(jīng)網(wǎng)絡(luò)SOM（self-organization mapping net）是基于無監(jiān)督學(xué)習(xí)方法的神經(jīng)網(wǎng)絡(luò)的一種重要類型。自組織神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)最富有魅力的研究領(lǐng)域之一，它能夠通過其輸入樣本學(xué)會(huì)檢測其規(guī)律性和輸入樣本相互之間的關(guān)系，并且根據(jù)這些輸入樣本的信息自適應(yīng)調(diào)整網(wǎng)絡(luò)，使網(wǎng)絡(luò)以后的響應(yīng)與輸入樣本相適應(yīng)。競爭型神經(jīng)網(wǎng)絡(luò)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(luò)通過學(xué)習(xí)同樣能夠識別成組的的相似輸入向量，使那些網(wǎng)絡(luò)層中彼此靠得很近的神經(jīng)元對相似輸入向量，使那些網(wǎng)絡(luò)層中彼此亂靠的很近的神經(jīng)元對相似的輸入向量產(chǎn)生響應(yīng)。與競爭型神經(jīng)網(wǎng)絡(luò)不同的是，自組織映射神經(jīng)網(wǎng)絡(luò)不但能學(xué)習(xí)輸入向量的分布情況，還可以學(xué)習(xí)輸入向量的拓?fù)浣Y(jié)構(gòu)，其單個(gè)神經(jīng)元對模式分類不起決定性作用，而要靠多個(gè)神經(jīng)元的協(xié)同作用才能完成模式分類[7]。

圖5 自組織競爭網(wǎng)絡(luò)桔構(gòu)Fig. 5 Self-organizing competitive network structure

假設(shè)從收集到示功圖中提取的特征值為N個(gè)，有典型故M障種，共有T個(gè)學(xué)習(xí)向量樣本，則網(wǎng)絡(luò)的輸入層有N個(gè)神經(jīng)元，競爭層有M個(gè)神經(jīng)元（圖5），輸入模式為：Pk=(,…)與其對應(yīng)的競爭層輸出模式為：Ak=(a…)其中k=1,2,…T。網(wǎng)絡(luò)連接權(quán)值為{wy}，域值為{bj},i=1,2,…N,j=1,2,…M。

圖6 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig. 6 The structure of the network

自組織競爭人工神經(jīng)網(wǎng)絡(luò)在輸入學(xué)習(xí)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(shí)只有與獲勝神經(jīng)元相連的權(quán)值才能得到調(diào)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(jìn)行調(diào)整,使得調(diào)整后的權(quán)值與當(dāng)前輸入模式之間的差別越來越小,從而訓(xùn)練后的競爭網(wǎng)絡(luò)的權(quán)值能夠代表該輸入模式[8]。當(dāng)同一個(gè)學(xué)習(xí)模式或者相似模式反復(fù)提供給網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)后,這一模式所對應(yīng)的競爭層的獲勝神經(jīng)元的輸入值就會(huì)逐漸增大,獲勝神經(jīng)元繼續(xù)保持其勝者的地位。同時(shí),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(dāng)其他類學(xué)習(xí)模式輸入時(shí),這些神經(jīng)元才會(huì)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。因此,自組織競爭人工神經(jīng)網(wǎng)絡(luò)通過對學(xué)習(xí)模式的反復(fù)學(xué)習(xí)可以識別相似的輸入向量,實(shí)現(xiàn)故障的模式分類,從而可以進(jìn)行故障診斷。

圖7 故障診斷流程圖Fig. 7 Fault diagnosis flow chart

4 實(shí)際應(yīng)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(yīng)用在這口油井。將與藍(lán)牙透傳模塊連接的通信終端UART0的波特率設(shè)為最大值115 200 b/s,數(shù)據(jù)包發(fā)送間隔設(shè)為10毫秒。點(diǎn)擊開始采集按鈕連接藍(lán)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(guān)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(jié)果如下圖所示,可見診斷的結(jié)果與實(shí)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(qiáng)度指ZigBee網(wǎng)絡(luò)的信號強(qiáng)度,產(chǎn)量是指這口油井的產(chǎn)液量。

圖8 手持終端功圖界面Fig. 8 Hand-held terminal diagram interface

5 結(jié)束語

自組織競爭神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)比傳統(tǒng)的故障診斷技術(shù)有著很大的優(yōu)越性,它的應(yīng)用領(lǐng)域也 在不斷擴(kuò)大,成為故障診斷領(lǐng)域研究的熱點(diǎn)之一。本文將自組織競爭神經(jīng)網(wǎng)絡(luò)的故障診斷算法應(yīng)用于江蘇油田抽油井故障的自動(dòng)診斷,對故障的正確識別率達(dá)到了97.3%以上。

[1]李小冬,崔凱. 國外油田自動(dòng)化技術(shù)現(xiàn)狀及發(fā)展趨勢[J].石油機(jī)械,2011,39(11):75-77.

LI Xiao-dong,CUI Kai. Current status of automation technology and development trend of oilfield[J]. Petroleum Machinery,2011,39(11):75-77.

[2]陳新發(fā),曾穎,李清輝. 數(shù)字油田建設(shè)與實(shí)踐:新疆油田信息化建設(shè)[M]. 北京:石油工業(yè)出版社,2008.

[3]童利標(biāo),漆德寧. 無線傳感器網(wǎng)路與信息融合[M]. 合肥:安徽人民出版社,2008.

[4]李建中,高宏. 無線傳感器網(wǎng)絡(luò)的研究進(jìn)展[J]. 計(jì)算機(jī)研究與進(jìn)展,2008,45(1):1-14.

LI Jian-zhong,GAO Hong. Study and research progress of [J].Computer in Wireless Sensor Networks,2008,45(1):1-14.

[5]蔡自興,徐光祐. 人工智能及其應(yīng)用[M]. 2版.北京: 清華大學(xué)出版社,1996.

[6]王耀明. 圖像的矩函數(shù)——原理、算法及應(yīng)用[M].上海:華東理工大學(xué)出社,2002.

[7]王以法. 人工智能鉆井實(shí)時(shí)專家控制系統(tǒng)研究[J]. 石油學(xué)報(bào),2001,22(2):80-86.

WANG Yi-fa,Research of artificial intelligence control system[J].Real-time Drilling Experts Petrolei Sinicu,2001,22(2):80-86.

[8]王以法. 人工智能鉆井系統(tǒng)展望[J].石油鉆探技術(shù),2000,28(2):36-38.

WANG Y-fa. The prospect of artificial intelligent drilling technology[J]. Drilling Technology,2000,28(2):36-38.