基于SVM模型的油井工況智能診斷分析系統(tǒng)

王紹平 李永平 李廣輝 劉繼紅 向東奎

（長慶油田分公司第二采油廠 甘肅慶陽 745100）

0 引言

長慶油田第二采油廠管理著馬嶺、華池、城壕、西峰等11個(gè)油田，近年來隨著開發(fā)規(guī)模的擴(kuò)大，油水井的井?dāng)?shù)日漸增多。在人工智能、大數(shù)據(jù)及物聯(lián)網(wǎng)等新興技術(shù)發(fā)展的今天，借助智能傳感器、知識(shí)庫管理及數(shù)據(jù)互聯(lián)等手段，通過計(jì)算機(jī)代替人工分析降低人工成本、提高管理效率已成為流行解決方案之一。

1 油水井工況系統(tǒng)應(yīng)用現(xiàn)狀及存在問題

第二采油廠數(shù)字化建設(shè)從2003年開始，經(jīng)歷西峰油田先導(dǎo)性試驗(yàn)、老油田數(shù)字化升級(jí)改造、功能拓展深化應(yīng)用三個(gè)階段，單井?dāng)?shù)字化裝配配套已趨于完善：油井已經(jīng)實(shí)現(xiàn)了功圖遙測(cè)、功圖計(jì)量、電參數(shù)控制等功能，水井已經(jīng)實(shí)現(xiàn)了穩(wěn)流配水、壓力、流量參數(shù)遠(yuǎn)程監(jiān)控，同時(shí)建立了油水井工況系統(tǒng)，對(duì)參數(shù)進(jìn)行遠(yuǎn)程監(jiān)控和分析，用于輔助油水井管理，取得了良好的應(yīng)用效果。但隨著近年來油田生產(chǎn)行業(yè)發(fā)展和變化，在用系統(tǒng)無法完全滿足目前及未來的生產(chǎn)需求，主要體現(xiàn)在三個(gè)方面：一是現(xiàn)有系統(tǒng)智能化程度不高，無法代替人工分析降低人工成本；二是現(xiàn)有系統(tǒng)未建立油水井閉環(huán)管理流程，不能滿足精細(xì)化管理需求；三是現(xiàn)有系統(tǒng)使用的技術(shù)老舊，系統(tǒng)性能無法滿足現(xiàn)有生產(chǎn)規(guī)模。

2 油水井智能診斷優(yōu)化系統(tǒng)設(shè)計(jì)

基于解決以上問題的目的，2017年第二采油廠設(shè)計(jì)了油水井智能診斷優(yōu)化系統(tǒng)，該系統(tǒng)在當(dāng)前數(shù)字化前端設(shè)備基礎(chǔ)上適當(dāng)增加新傳感設(shè)備，通過建立完善各類單井問題診斷模型庫、知識(shí)庫，系統(tǒng)參與到單井的診斷、預(yù)警、措施制定、生產(chǎn)預(yù)測(cè)、優(yōu)化等各個(gè)環(huán)節(jié)。通過建立問題消息推送機(jī)制，實(shí)現(xiàn)問題井的定人、定責(zé)與限期處理，并對(duì)實(shí)施情況進(jìn)行跟蹤監(jiān)控、統(tǒng)計(jì)分析，最終將單井的人工管理情況、單井治理效果反饋至知識(shí)庫，為后期單井管理提供參考，形成問題井閉環(huán)管理。

3 油水井智能診斷優(yōu)化系統(tǒng)框架

為滿足油水井的日常管理需求，系統(tǒng)共分7個(gè)模塊進(jìn)行設(shè)計(jì)（圖1），每個(gè)模塊的主要功能如下：

（1）智能診斷：應(yīng)用系統(tǒng)診斷算法模型、知識(shí)庫，對(duì)單井生產(chǎn)數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)進(jìn)行油水井智能診斷（目前診斷間隔設(shè)定為30min），同時(shí)對(duì)診斷問題報(bào)警并提供處置措施建議。

（2）預(yù)警報(bào)警：分層級(jí)統(tǒng)計(jì)單井問題報(bào)警、預(yù)警信息及處理情況。根據(jù)單井所屬組織架構(gòu)、區(qū)塊層系、預(yù)報(bào)警時(shí)間等條件分類匯總，并以數(shù)據(jù)表格、GIS方式展示。

（3）措施跟蹤：對(duì)預(yù)報(bào)警問題的處置措施進(jìn)行分類匯總統(tǒng)計(jì)，提供措施變更、審核、發(fā)布功能。借助智能調(diào)度系統(tǒng)對(duì)措施分發(fā)、進(jìn)度跟蹤，在統(tǒng)計(jì)分析模塊進(jìn)行效果評(píng)價(jià)。形成措施安排→跟蹤反饋→效果評(píng)價(jià)的閉環(huán)管理。

（4）預(yù)測(cè)優(yōu)化：分析單井歷史生產(chǎn)數(shù)據(jù)規(guī)律，結(jié)合預(yù)測(cè)優(yōu)化算法對(duì)單井周期性問題進(jìn)行預(yù)測(cè)。

（5）統(tǒng)計(jì)分析：統(tǒng)計(jì)系統(tǒng)相關(guān)數(shù)據(jù)，并分析得出直觀指標(biāo)，便于用戶應(yīng)用考核及系統(tǒng)后期持續(xù)優(yōu)化內(nèi)容做參考。

（6）知識(shí)庫：管理系統(tǒng)的算法模型及知識(shí)模型，并為系統(tǒng)的診斷提供依據(jù)。重點(diǎn)包括功圖特征庫、診斷算法庫及措施處置庫。

圖1 油水井智能診斷優(yōu)化系統(tǒng)功能模塊設(shè)計(jì)

（7）用戶管理：通過崗位管理實(shí)現(xiàn)系統(tǒng)模塊、操作、審核權(quán)限按崗位配置，系統(tǒng)將根據(jù)員工所在崗位自動(dòng)分配訪問權(quán)限。

4 油水井智能診斷優(yōu)化系統(tǒng)應(yīng)用技術(shù)

系統(tǒng)通過建立專家診斷經(jīng)驗(yàn)知識(shí)庫、故障樣本特征庫，對(duì)油水井常見故障建模，采用模型匹配、決策樹等技術(shù)實(shí)現(xiàn)油水井故障智能診斷。

4.1 專家診斷經(jīng)驗(yàn)知識(shí)庫

按照油水井故障類別，從工程、工況、地質(zhì)三個(gè)方面建立故障診斷知識(shí)庫[1]。系統(tǒng)設(shè)計(jì)了知識(shí)庫管理模塊，方便對(duì)專家診斷知識(shí)進(jìn)行維護(hù)和更新。知識(shí)庫內(nèi)容建設(shè)由系統(tǒng)開發(fā)人員與工藝所、地質(zhì)所專家組成專家算法項(xiàng)目組。針對(duì)每一項(xiàng)油水井單井故障，歸納整理單井參數(shù)變化特征、確定故障判定參數(shù)經(jīng)驗(yàn)值和算法，作為程序診斷的邏輯條件和參數(shù)。

表1 專家診斷算法示例

比如油井工況故障診斷知識(shí)庫，通過與工況分析技術(shù)專家深入對(duì)接，針對(duì)易混淆的示功圖工況類別，制定15種專家診斷算法（表1），其中的算法參數(shù)都是專家經(jīng)驗(yàn)參數(shù)，不同油田和不同區(qū)塊的參數(shù)都需要根據(jù)實(shí)際情況進(jìn)行設(shè)定。

4.2 故障工況SVM模型庫

本系統(tǒng)中示功圖底層采用SVM圖形識(shí)別。首先搜集歷史故障樣本工況，提取樣本圖形特征建立SVM模型庫。本系統(tǒng)采取HOG+SVM方法進(jìn)行特征提取、訓(xùn)練和檢測(cè)，利用OpenCV[2]開源計(jì)算機(jī)視覺庫實(shí)現(xiàn)。具體算法流程有以下三個(gè)方面。

4.2.1 HOG特征提取

HOG特征[3]的核心思想是利用物體的像素梯度以及邊緣方向分布來描述該物體的appearance 和shape。具體提取步驟為：①提取故障示功圖并歸一化處理為灰度圖像；②計(jì)算每個(gè)像素梯度的大小和方向；將圖像劃分成小cells；③統(tǒng)計(jì)每個(gè)cell的梯度直方圖；④將2x2cell或者3x3cell或者更多組成一個(gè)block，一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。再將圖像內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該圖像的HOG特征descriptor。

在OpenCV框架中，HOG特征提取方法已經(jīng)封裝在HOGDescriptor類庫中，首先創(chuàng)建HOGDescriptor類實(shí)例，指定winSize、blockSize、blockStride、cellSize、nbins如下圖：

圖2 OpenCV中HOGDescriptor 類構(gòu)造參數(shù)

然后調(diào)用HOGDescriptor.compute（src,descriptors,Size（8,8））方法，即可計(jì)算源圖像src的描述子，步長設(shè)定為（8,8）。

4.2.2 SVM分類訓(xùn)練學(xué)習(xí)

SVM模型[4]是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，其學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題的求解。

在OpenCV中，可以通過CvSVM類來進(jìn)行分類訓(xùn)練：①設(shè)置訓(xùn)練樣本集。準(zhǔn)備兩組數(shù)據(jù)，一組是故障的類別，一組故障的HOG特征向量信息。②設(shè)置SVM參數(shù)。利用CvSVMParams類實(shí)現(xiàn)類內(nèi)的成員變量進(jìn)行設(shè)置，其中Cvalue為損失函數(shù)。③訓(xùn)練SVM。調(diào)用CvSVM：：train函數(shù)建立SVM模型，調(diào)用函數(shù)CvSVM：：predict實(shí)現(xiàn)分類。最后將訓(xùn)練好的SVM模型保存為xml文件(圖3),使用時(shí)加載模型數(shù)據(jù)進(jìn)行檢測(cè)即可實(shí)現(xiàn)示功圖故障自動(dòng)識(shí)別（圖4）。

圖3 故障樣本SVM分類模型數(shù)據(jù)

圖4 SVM模型故障檢測(cè)結(jié)果

4.3 智能診斷算法模型

在實(shí)際生產(chǎn)應(yīng)用中，油水井的工況非常復(fù)雜，依靠單一診斷算法無法準(zhǔn)確得到診斷結(jié)果（表2）。本系統(tǒng)通過組合多種診斷算法建立診斷算法模型來提高診斷準(zhǔn)確率。例如系統(tǒng)的工況診斷算法模型就是由圖形SVM模型識(shí)別、專家診斷經(jīng)驗(yàn)知識(shí)庫、功圖關(guān)鍵參數(shù)趨勢(shì)分析[5]及特殊工況診斷算法4種診斷算法構(gòu)成（圖5）。

圖5 工況診斷算法模型

算法模型建立之后，還需要根據(jù)故障類別特征、各種算法的特性建立診斷決策樹，來提高診斷速度及準(zhǔn)確度（表2）。

表2 應(yīng)用診斷決策樹提高診斷速度與精度

下圖為斷脫類工況圖形故障診斷決策樹（圖6）。

圖6 桿斷類工況特征診斷決策樹

最終系統(tǒng)工況智能診斷效果見圖7。

圖7 系統(tǒng)工況智能診斷實(shí)例

圖8 系統(tǒng)運(yùn)行流程設(shè)計(jì)

5 油水井智能診斷優(yōu)化系統(tǒng)運(yùn)行流程

5.1 系統(tǒng)整體運(yùn)行流程

油水井智能診斷優(yōu)化系統(tǒng)是一套完整的油水井日常管理解決方案，系統(tǒng)設(shè)計(jì)的7個(gè)功能模塊互相交融、緊密聯(lián)系。其中知識(shí)庫及權(quán)限管理兩個(gè)模塊用于系統(tǒng)后臺(tái)服務(wù)，為用戶的使用及系統(tǒng)智能分析提供技術(shù)支持。其余5個(gè)模塊（智能診斷、預(yù)警報(bào)警、預(yù)測(cè)優(yōu)化、措施跟蹤、統(tǒng)計(jì)分析）構(gòu)建了油水井從發(fā)現(xiàn)問題→預(yù)警問題→處置問題→效果評(píng)價(jià)→預(yù)測(cè)優(yōu)化整個(gè)閉環(huán)管理流程。（圖8）。

5.2 用戶問題處置流程

對(duì)于系統(tǒng)的最終用戶（基層技術(shù)管理人員），系統(tǒng)報(bào)警處置異常簡單，系統(tǒng)總體設(shè)計(jì)兩級(jí)人員參與，包括了問題處置及審核兩個(gè)環(huán)節(jié)，一個(gè)問題的處置最多3步即可完成（圖9）。

圖9 系統(tǒng)問題處置流程設(shè)計(jì)

6 系統(tǒng)應(yīng)用效果及結(jié)論

系統(tǒng)自2017年投入研發(fā)，截止目前完成7大模塊、25項(xiàng)功能的開發(fā)，目前有特征功圖1300張、診斷算法36項(xiàng)，可診斷常見油水井故障63種，內(nèi)置對(duì)應(yīng)處置措施44項(xiàng)。2018年3月，系統(tǒng)投入生產(chǎn)使用，診斷準(zhǔn)確率達(dá)到85%，診斷速度5000口/分鐘，系統(tǒng)漏報(bào)率0.5%，基本達(dá)到預(yù)期設(shè)計(jì)目的。

通過該系統(tǒng)的使用，目前達(dá)到了以下幾個(gè)應(yīng)用目標(biāo)：

（1）提高生產(chǎn)效率：對(duì)油水井的生產(chǎn)動(dòng)態(tài)分析由人工分析轉(zhuǎn)向智能分析，把廣大技術(shù)人員從日常的分析統(tǒng)計(jì)工作中解放出來，大大提高工作效率；

（2）提高管理效率：建立了從問題發(fā)現(xiàn)->措施安排->落實(shí)監(jiān)控->效果評(píng)價(jià)的管理流程，實(shí)現(xiàn)了閉環(huán)透明管理，提升了管理效率；

（3）保障生產(chǎn)時(shí)率：通過智能分析診斷及時(shí)發(fā)現(xiàn)油水井及生產(chǎn)管理中的各類問題，有效消減對(duì)產(chǎn)量的影響，提升異常問題的恢復(fù)效率。預(yù)計(jì)降低損失1831t，按照目前油價(jià)2925元/噸計(jì)算，折算經(jīng)濟(jì)效益536萬元。