有桿抽油系統(tǒng)故障遞階診斷的故障識別研究

梁華

河海大學(xué)能源與電氣學(xué)院，江蘇 南京210098

引 言

目前有桿抽油系統(tǒng)的故障診斷技術(shù)主要是聯(lián)合運用力學(xué)模型分析方法與人工智能方法[1-8]，即先根據(jù)地面示功圖，通過有桿抽油系統(tǒng)力學(xué)模型得到泵功圖，再以正常樣本和盡可能多類型故障樣本的泵功圖作為訓(xùn)練集，訓(xùn)練出相應(yīng)模型后再對各樣本進行故障診斷。這類方法均存在兩個方面的問題：一是有桿抽油系統(tǒng)是一個機電液耦合的復(fù)雜非線性系統(tǒng)，邊界條件和阻尼系數(shù)很難準(zhǔn)確確定，進而很難精確建立和求解該系統(tǒng)的力學(xué)模型；二是有桿抽油系統(tǒng)具有樣本量大、平穩(wěn)狀態(tài)多、類別不均衡的特點，使訓(xùn)練集中缺少多類型的故障樣本，尤其是嚴(yán)重故障的樣本，而嚴(yán)重故障的準(zhǔn)確、實時診斷對于有桿抽油系統(tǒng)意義重大。

在前期研究中[9-10]，作者針對有桿抽油系統(tǒng)的特點及其故障診斷目前存在的問題，提出了基于示功圖的有桿抽油系統(tǒng)故障遞階診斷法，分為故障分辨和故障識別兩個階段，并對故障分辨進行了詳細研究。本文將進一步對有桿抽油系統(tǒng)故障遞階診斷的故障識別進行研究。在故障識別階段，從故障機理入手，以故障分辨為基礎(chǔ)，將統(tǒng)計理論與搜索樹結(jié)合在一起，提出基于地面示功圖的有桿抽油系統(tǒng)示功圖故障識別的搜索樹方法，對故障樣本進行故障類型的詳細識別。

1 有桿抽油系統(tǒng)故障識別的搜索樹法

所謂典型示功圖是指某一因素十分明顯，其示功圖形狀代表了該因素影響下的基本特征，因此典型示功圖分析是示功圖分析的基礎(chǔ)[11-13]。主要的典型示功圖包括：正常、上碰掛、下碰泵、油稠、油井結(jié)蠟、管線堵摩阻大、氣鎖、抽油桿斷脫、泵卡死、游動凡爾失靈、固定凡爾失靈、連抽帶噴、游動凡爾關(guān)閉遲緩、柱塞脫出工作筒、油管漏失、游動凡爾漏失、供液不足、固定凡爾漏失、氣體影響、固定和游動凡爾同時漏失、慣性載荷大、油井出砂、二級振動、振動過大。為節(jié)省篇幅，省略上述示功圖詳細的故障機理分析。

在圖論中，樹是任意兩個頂點間有且只有一條路徑的圖[14-20]?；蛘哒f，只要沒有回路的連通圖就是樹。森林是指互相不交并樹的集合。在一棵樹中可以指定一個特殊的節(jié)點：根。有一個根的樹叫做有根樹。有根樹中的節(jié)點可以根據(jù)到根的距離分層。一顆有根數(shù)的層數(shù)叫做這棵樹的高度。節(jié)點最多的那一層的節(jié)點數(shù)叫做這棵樹的寬度。對于有根樹，每條邊都有一個特殊的方向：指向根節(jié)點的方向，或者說上一層的方向。一條邊的兩個端點中，靠近根的那個節(jié)點叫做另一個節(jié)點的父節(jié)點，相反的，距離根比較遠的那個節(jié)點叫做另一個節(jié)點的子節(jié)點。父親方向的所有節(jié)點都叫做這個節(jié)點的祖先，兒子方向的所有節(jié)點都叫做這個節(jié)點的子孫。沒有子節(jié)點的子節(jié)點叫做葉節(jié)點。由于到根的路徑只有一條，根節(jié)點以外的節(jié)點的父節(jié)點永遠只有一個，祖先就是這個點到根的路徑上的所有節(jié)點。另外，以一個節(jié)點為根的樹是指包括這個節(jié)點和其所有子孫，并以這個節(jié)點為根的樹。由于一般不需要這以外的子樹，每一個節(jié)點也可以對應(yīng)到一個以其為根的樹，一個節(jié)點的子樹通常也是指以這個節(jié)點的子節(jié)點為根的樹。

本文采用正向推理、圖搜索方式建立搜索樹[8-13]，即從已知事實出發(fā)，通過規(guī)則或條件求得結(jié)論。通過對各種典型示功圖及有桿抽油系統(tǒng)故障機理進行仔細研究分析，將所有故障分為4 大類：面積變化類、打結(jié)類、振動類、碰掛類，其中面積變化類又分為3 類：面積增大類、面積極小類、面積偏小或正常類，各搜索樹如圖1 至圖4 所示。根據(jù)相應(yīng)的搜索樹編制了有桿抽油系統(tǒng)故障診斷系統(tǒng)的故障識別模塊。

圖1 為面積變化類搜索樹，其中：

T1-1—面積≤ε1b面積，設(shè)：

T1-2—ε1b面積＜面積＜a面積；

T1-3—面積≥a面積；

T3-1—最小載荷≥ξa最小載荷；

圖1 面積類故障搜索樹Fig.1 Search tree of area fault

T3-2—最小載荷≤ε3b最小載荷；

T3-3—ε3b最小載荷＜最小載荷＜ξa最小載荷；

T3-4—B 點不正常；

T3-5—B 點正常；

T4-1—FD 是凸函數(shù)；

T4-2—FD 不是凸函數(shù)；

T5-1—B 點或F 點位置異常，D 點正常；

T5-2—D 點位置異常、B 點正常；

T5-3—B、D 點位置異常；

T6-1—示功圖是平行四邊形；

T6-2—示功圖不是平行四邊形；

T7-1—F 點不異常；

T7-2—F 點異常；

T8-1—EB 是凹函數(shù)；

T8-2—EB 不是凹函數(shù)；

T9-1—BF 是凹函數(shù)；

T9-2—BF 不是凹函數(shù)；

T10-1—FD 是凹函數(shù)；

T10-2—FD 不是凹函數(shù)；

T11-1—FD 不是圓??；

T11-2—FD 是圓?。?/p>

T12-1—示功圖是平行四邊形；

T12-2—示功圖不是平行四邊形；

T13-1—F 點載荷≥bF點載荷，設(shè)：

T13-2—F 點載荷＜bF點載荷；

T14-1—EB 不是凹函數(shù)；

T14-2—EB 是凹函數(shù)；

T15-1—FD 是凹函數(shù)；

T15-2—FD 不是凹函數(shù)；

T16-1—FD 是圓弧；

T16-2—FD 不是圓??；

T17-1—FD 是凹函數(shù)；

T17-2—FD 不是凹函數(shù)；

T18-1—FD 是圓??；

T18-2—FD 不是圓?。?/p>

T19-1—BF 是凹函數(shù)；

T19-2—BF 不是凹函數(shù)；

T20-1—FD 是凹函數(shù)；

T20-2—FD 不是凹函數(shù)；

T21-1—FD 是圓??；

T21-2—FD 不是圓?。?/p>

T22-1—FD 是凹函數(shù)；

T22-2—FD 不是凹函數(shù)；

T23-1—FD 是圓??；

T23-2—FD 不是圓弧。

圖2 振動類故障搜索樹，其中：

ZT1-1—5 個載荷變化量均進入故障區(qū)域；

ZT1-2—5 個載荷變化量未全部進入故障區(qū)域；

ZT2-1—BF 間有振動；

ZT2-2—BF 間沒有振動；

ZT2-3—BF 間有振動；

ZT2-4—BF 間沒有振動。

圖2 振動類故障搜索樹Fig.2 Search tree of vibration fault

圖3 是打結(jié)類故障搜索樹，其中：

DT1—打結(jié)點的位移小于總位移的1/4；

DT2—打結(jié)點的位移大于總位移的3/4 并且F點的載荷大于載荷中值；

DT3—打結(jié)點的位移大于總位移的3/4 并且F點的載荷小于載荷中值。

圖3 打結(jié)類故障搜索樹Fig.3 Search tree of knotfault

圖4 是碰掛類故障搜索樹。其中：

P1—最大載荷大于a最大載荷且最大載荷點在F點附近，設(shè)：

P2—不滿足P1規(guī)則

圖4 碰掛類故障搜索樹Fig.4 Search tree of touch and hook fault

（1）上述規(guī)則中，ε1、ε2、ε3為小于1 的小值，ξ大于1。由于抽油桿的力學(xué)特性及油田的現(xiàn)場測試儀器的精密性等條件的限制，文中所述的凹函數(shù)、圓弧、平行四邊形等并不是數(shù)學(xué)意義上嚴(yán)格的定義，本文采用的定義如下：

定義1 由地面示功圖上E、B、F、D 等4 點坐標(biāo)計算出的4 點連線的斜率，如果EB 和FD、BF和DE 的斜率差在一個極小值范圍內(nèi)，則稱該示功圖是平行四邊形；

定義2 設(shè)f(x)為由多點擬合而成的曲線，將f(x)的兩端點連一直線，曲線中的點距離直線的距離最遠的5 個點都在下側(cè)，則稱f(x)是凸函數(shù)；

定義3 設(shè)f(x)為由多點擬合而成的曲線，將f(x)的兩端點連一直線，曲線中的點距離直線的距離最遠的5 個點都在上側(cè)，則稱f(x)是凹函數(shù)；

定義4 設(shè)f(x) 為由多點擬合而成曲線，將f(x)的兩端點I、J 連一直線，曲線中的點距離該直線距離最遠的點記為H，IH 和HJ 均為凸函數(shù)，則稱f(x)是圓弧；

定義5 由地面示功圖上B、F 間的點擬合成一條直線，若B、F 間距離該直線最遠的3 個點，位移是依次遞增，而距離是依次遞減的，則稱BF 間有振動。

（2）由于油稠、油井結(jié)蠟、管線堵摩阻大3 種故障的示功圖特征類似，在搜索樹中未將其進一步分類，需根據(jù)油井實時生產(chǎn)狀況進行判斷。游動閥失靈、油管底部漏失、連抽帶噴、抽油桿底部斷脫4種故障的示功圖也特征類似，且這4 種故障均是極其嚴(yán)重的故障，均需立即停止生產(chǎn)進行處理，進一步區(qū)分意義不大，因而在搜索樹中也未將其進一步分類。

2 算 例

以文獻[5]中江蘇油田李堡14 井的數(shù)據(jù)為實例進行故障識別。采用有桿抽油系統(tǒng)故障識別的搜索樹法，將文獻[5]故障分辨結(jié)果為故障的樣本進行故障識別。圖5 的故障樣本為李堡14 井的實測示功圖數(shù)據(jù)。

圖5 實測示功圖故障識別結(jié)果Fig.5 Fault identification of measured dynamometer

由于一口實際油井不可能出現(xiàn)所有的故障，為了進一步詳細驗證本文方法，隨機選取李堡14井的一正常樣本（樣本4 202，見圖6）為藍本，通過聯(lián)合運用Autocad、ANSYS、Excel 和Rhinoceros Evaluation 軟件進行相應(yīng)處理，得到其他典型故障類型，如圖7 所示，它們故障分辨的結(jié)果均為故障樣本。

由圖5 可知，李堡14 井抽油桿系統(tǒng)現(xiàn)有的故障，包括油稠、供液不足、下碰泵、游動閥關(guān)閉遲緩，其中游動閥關(guān)閉遲緩和下碰泵、供液不足和游動閥關(guān)閉遲緩是組合故障。對于上述現(xiàn)有的故障，本文的搜索樹方法均能有效的識別。

由圖7 可知，對其他典型故障也可以進行準(zhǔn)確的故障識別，并已經(jīng)基本遍歷整個搜索樹。上述結(jié)果表明故障識別搜索樹方法無論對單個故障，還是組合故障，都可以進行準(zhǔn)確的識別。

圖6 樣本4202 的示功圖Fig.6 Dynameter of sample 4202

圖7 技術(shù)生成的典型故障示功圖識別結(jié)果Fig.7 Identification of technology produced fault

3 結(jié) 論

（1）抽油系統(tǒng)診斷技術(shù)的提高和改善是采油井穩(wěn)產(chǎn)、長壽和科學(xué)管理的重要手段，也是國內(nèi)外相關(guān)研究人員一直致力于的一個重要課題。由于抽油系統(tǒng)的復(fù)雜性，至今都沒有一個完全有效的手段來對有桿抽油系統(tǒng)進行故障診斷。

（2）基于示功圖的有桿抽油系統(tǒng)故障遞階診斷法正是針對有桿抽油系統(tǒng)的特點及其故障診斷目前存在的問題提出的。在其第二階段——故障識別階段，從故障機理入手，總結(jié)各種典型故障示功圖的主要特征，在故障分辨的基礎(chǔ)上，將正常（或平穩(wěn)狀態(tài)）樣本的統(tǒng)計信息與搜索樹相結(jié)合，建立起基于地面示功圖的有桿抽油系統(tǒng)故障識別的搜索樹法，對故障樣本進行故障類型的詳細識別。它不需要建立和求解有桿抽油系統(tǒng)力學(xué)模型，也不存在訓(xùn)練集問題。

（3）對于李堡14 井現(xiàn)有的單個故障和組合故障，本文的搜索樹方法均能有效識別。對于技術(shù)生成的其他多種典型故障，包括嚴(yán)重故障，本文的搜索樹方法均能進行準(zhǔn)確的故障識別，進一步驗證了該方法的有效性。

[1] Waggoner J R，Mansure A J.Development of the downhole dynamometer databse[C].SPE 60768，2000.

[2] Mccoy J N，Jennings J W，Capps K S，et al. Simplified computer-aided analysis of electrical current in motors used for beam pumping systems[C].SPE 25447，1993.

[3] Corea J F.Intelligent distributed management system for automated wells：Experience and results[C].SPE 84255，2003.

[4] Dallag M M. Intelligent integrated dynamic surveillance tool improves field-management practices[C]. SPE 99555，2006.

[5] Cerqueira J F，Correa J F，Bittencourt A C.Development of an intelligent distributed management system for automated wells[C].SPE 77609，2002.

[6] Zhang Shirong，Tang Yuling. Indirect measurement of dynamometer card of pumping unit[C]. The 7th World Congress on Intelligent Control and Automation，2008，4952-4955.

[7] Li Hongsheng，Wang Yu，Ding Yongzhong，et al. Implemention of network-computing and NN based remote real-time oil well monitoring system[C].2005 International Conference on Neural Networks and Brain，2005.

[8] Scott W L，Elton J S，Albert S G. Total down stroke friction from downhole dynamometer analysis[C]. SPE 67274，2001.

[9] 梁華. 有桿抽油系統(tǒng)故障遞階診斷的故障分辨研究[J].西南石油大學(xué)學(xué)報：自然科學(xué)版，2014，36（5）：169-175.Liang Hua. Fault hierarchical diagnosis of rod pumping system based on fault distinguish[J].Journa of Southwest Petroleum University：Science & Technology Edition，2014，36（5）：169-175.

[10] Liang Hua，Li Xunming. Accurate extraction of valve opening and closing points based on the physical meaning of surface dynamometercard[J]. Petroleum Exploration and Development，2011，65-71.

[11] 張強，許少華.智能動態(tài)診斷模型及在示功圖識別中的應(yīng)用[J].計算機工程與應(yīng)用，2009，45（4）：215-217.

[12] De Lima，Guedes，Sliva.Application of Fourier Descriptors and Pearson Correlation for Fault Detection in Sucker Rod Pumping System[C].IEEE Conference on Emerging Technologies and Factory Automation，2009.

[13] Seol J M，Kim S W.Collision-resilient multi-state query tee protocol for fast RFID tag identification[C]. International Conference on Computational Intelligence and Security，2006.

[14] 李世煜，馮全源.分層深度搜索樹型RFID 防碰撞算法設(shè)計[J].計算機工程與應(yīng)用，2009，45（11）：82-84.

[15] Suzuki Y，Thompson S，Kagami S.High-speed planning and reducing memory usage of a precomputed search tree using pruning[J].Intelligent Robots and Systems，2009.

[16] Herman T，Masuzawa T. A stabilizing search tree with availability properties[C]. The 5th International Symposium on Autonomous Decentralized Systems，2001.

[17] Pushpa S，Vinod P，Maple C.Creating a forest of binary search trees for a multiprocessor system[C].International Symposium on Parallel Computing in Electrical Engineering，2006.

[18] Thwin M T，Quah T S. Application of neural network for predicting software development faults using objectoriented design metrics[C].The 9th International Conference on Neural Information Processing，2002.

[19] Tan S C，Lim C P. Condition monitoring and fault prediction via an adaptive neural network[C]. 2000 Annual International Technical Conference of IEEE，2000.

[20] Taghi M K，Naeem S.Tree-based software quality estimation models for fault prediction[C].The 8th IEEE Symposium on Software Metrics，2002.