基于相似識(shí)別的抽油機(jī)井故障檢測(cè)與診斷研究

沈煜佳，陳夕松，夏 峰，姜 磊

（1.東南大學(xué)自動(dòng)化學(xué)院，江蘇南京 210096；2.南京富島信息工程有限公司，江蘇南京 210061）

在采油工程領(lǐng)域，抽油機(jī)是機(jī)械采油時(shí)代最主要的開(kāi)采設(shè)備，開(kāi)發(fā)抽油機(jī)井工況檢測(cè)診斷系統(tǒng)對(duì)于管控油田采油作業(yè)的安全高效進(jìn)行、提高油田產(chǎn)量具有重要意義。在目前大數(shù)據(jù)背景下，通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)提取示功圖特征并建立診斷模型，實(shí)現(xiàn)示功圖的工況監(jiān)測(cè)、異常識(shí)別與自動(dòng)診斷已逐漸成為抽油機(jī)故障診斷技術(shù)研究的重要方向[1]。

由于地質(zhì)情況等條件的影響，大部分抽油機(jī)示功圖都難以接近工程原理中標(biāo)準(zhǔn)工況下的示功圖。以典型示功圖為分類(lèi)標(biāo)準(zhǔn)進(jìn)行故障診斷往往會(huì)導(dǎo)致多數(shù)識(shí)別結(jié)果為異常，誤報(bào)率較高。出于工程適用性考慮，目前業(yè)內(nèi)通常以抽油機(jī)長(zhǎng)期平穩(wěn)運(yùn)行時(shí)的示功圖作為該設(shè)備的標(biāo)準(zhǔn)示功圖，只有出現(xiàn)與之不相似的示功圖時(shí)才判定檢測(cè)到故障。常用的重疊面積法[2]、統(tǒng)計(jì)分析法等相似識(shí)別方法雖能實(shí)現(xiàn)故障檢測(cè)，但仍需工藝專(zhuān)家進(jìn)行標(biāo)定或通過(guò)進(jìn)一步訓(xùn)練來(lái)診斷故障類(lèi)型。為解決上述問(wèn)題，本文研究了基于深度學(xué)習(xí)相似識(shí)別的抽油機(jī)井故障檢測(cè)與診斷一體化方法，能通過(guò)識(shí)別示功圖變化檢測(cè)故障，并檢索出故障特征庫(kù)進(jìn)行診斷，指導(dǎo)油田科學(xué)穩(wěn)定生產(chǎn)。同時(shí)，通過(guò)數(shù)據(jù)融合的方式提高相似匹配模型準(zhǔn)確率，具有較好的應(yīng)用價(jià)值。

1 方案設(shè)計(jì)

采用深度學(xué)習(xí)網(wǎng)絡(luò)提取示功圖特征進(jìn)行訓(xùn)練，首先需要對(duì)示功圖原始二維數(shù)據(jù)進(jìn)行預(yù)處理，然后依據(jù)圖形相似性對(duì)示功圖樣本集進(jìn)行分類(lèi)，建立二分類(lèi)和三元組模型的訓(xùn)練集和驗(yàn)證集，分別輸入對(duì)應(yīng)網(wǎng)絡(luò)訓(xùn)練，獲得二分類(lèi)和三元組相似識(shí)別模型。最后建立抽油機(jī)的標(biāo)準(zhǔn)庫(kù)與故障庫(kù)，應(yīng)用訓(xùn)練好的模型進(jìn)行實(shí)時(shí)故障檢測(cè)，并在故障庫(kù)中檢索故障類(lèi)型以實(shí)現(xiàn)診斷。

1.1 示功圖預(yù)處理

對(duì)示功圖原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理、坐標(biāo)歸一化并映射到網(wǎng)格中，采用OpenCV 將示功圖二維原始數(shù)據(jù)轉(zhuǎn)化為圖像輸入。主要步驟如下：

（1）由于傳感器等不穩(wěn)定因素，抽油機(jī)的示功圖原始二維數(shù)據(jù)可能存在部分異常數(shù)據(jù)，因此需要進(jìn)行異常數(shù)據(jù)過(guò)濾處理，主要包括位移或載荷數(shù)據(jù)為空、全為零或近似為零、位移與載荷數(shù)據(jù)采樣點(diǎn)數(shù)不一致、位移超出最大沖程或載荷超出最大載荷、生產(chǎn)設(shè)備故障五類(lèi)。

（3）新建的m×n 二維網(wǎng)格，將坐標(biāo)歸一化后的二維數(shù)據(jù)映射到網(wǎng)格并向下取整，得到網(wǎng)格化后位移、載荷數(shù)據(jù)對(duì)應(yīng)的二維像素點(diǎn)數(shù)據(jù)和：

式中：m 表示每個(gè)示功圖原始樣本數(shù)據(jù)集中位移x和載荷f 的采樣點(diǎn)數(shù)，j 表示樣本數(shù)據(jù)的第j 個(gè)數(shù)據(jù)點(diǎn)，在相似識(shí)別這類(lèi)細(xì)粒度分類(lèi)的問(wèn)題中，為兼顧圖像特征量和計(jì)算量，一般設(shè)置n=224，作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入層大小。

（4）將示功圖二維坐標(biāo)點(diǎn)兩兩相連至最后一點(diǎn)，最后將首尾相接形成示功圖封閉曲線(xiàn)。

1.2 模型建立

本文方法融合了二分類(lèi)和基于三元組損失的相似識(shí)別模型。其中，二分類(lèi)模型建立過(guò)程主要包括如下步驟：

（1）以示功圖圖形相似性為依據(jù)，將示功圖樣本集分為不同類(lèi)別的子樣本集，各子樣本集互不相交且并集為整個(gè)集合，類(lèi)別內(nèi)的示功圖彼此相似，類(lèi)別間的示功圖彼此不相似，并采用增加隨機(jī)擾動(dòng)的方法進(jìn)行數(shù)據(jù)增強(qiáng)[3]，均衡樣本數(shù)量較少的類(lèi)別。

（2）在每個(gè)類(lèi)別內(nèi)確定由工藝專(zhuān)家標(biāo)定的標(biāo)準(zhǔn)示功圖，即錨點(diǎn)。

（3）以對(duì)第1 類(lèi)示功圖為例，對(duì)類(lèi)內(nèi)除錨點(diǎn)外的示功圖進(jìn)行無(wú)放回抽樣，用兩種顏色將錨點(diǎn)和隨機(jī)選取的示功圖疊加繪制成同一張圖像，重復(fù)此步驟得到二分類(lèi)正樣本集，標(biāo)簽τbinary為1；相反地，將任一類(lèi)示功圖錨點(diǎn)與對(duì)類(lèi)外任意樣本類(lèi)別進(jìn)行無(wú)放回抽樣所得的示功圖疊加繪制成同一張圖像，重復(fù)此步驟得到二分類(lèi)負(fù)樣本集，標(biāo)簽τbinary為0。

（4）采用留出法將總樣本集劃分成訓(xùn)練集和驗(yàn)證集，采用Caffe 下的ResNet50 網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行數(shù)據(jù)訓(xùn)練和驗(yàn)證。激活函數(shù)為ReLu，池化方法為Max pooling、Global Average pooling，優(yōu)化算法為SGD，損失函數(shù)采用SoftmaxWithLoss 函數(shù)，其余訓(xùn)練參數(shù)（見(jiàn)表1）。

（5）將訓(xùn)練好的二分類(lèi)模型部署到各臺(tái)抽油機(jī)的邊緣計(jì)算網(wǎng)關(guān)。

表1 二分類(lèi)網(wǎng)絡(luò)訓(xùn)練參數(shù)

基于三元組損失的相似識(shí)別模型建立過(guò)程主要包括如下步驟：

（1）采用留出法將前述分類(lèi)后的相似性樣本集劃分訓(xùn)練集和驗(yàn)證集，采用Caffe 下的ResNet50 網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行訓(xùn)練和驗(yàn)證，激活函數(shù)為ReLu，池化方法為Max pooling、Global Average pooling，優(yōu)化算法為SGD，batch_size 為24。

（2）在全連接層后得到特征向量[4]，引入L2NORM層求出L2 歸一化的單位特征向量。

（3）在L2NORM 層后引入三元組選擇層，從分類(lèi)后的相似性樣本集中隨機(jī)選取類(lèi)別p 并從中隨機(jī)選取l 個(gè)圖像作為原始示功圖錨點(diǎn)集合A，對(duì)A 內(nèi)的每一個(gè)錨點(diǎn)，隨機(jī)選擇類(lèi)別p 內(nèi)的樣本作為正樣本，隨機(jī)選擇除p 類(lèi)外任意類(lèi)別并從中隨機(jī)選取負(fù)樣本，得到三元組（），重復(fù)上述步驟得到三元組集合T=。

（4）在三元組選擇層之后引入三元組損失[5]層，損失函數(shù)為：

式中：α 表示三元組損失邊距值，+表示[]內(nèi)的值大于零的時(shí)候，取該值為損失，否則取損失為零。計(jì)算參數(shù)梯度并進(jìn)行反向傳播，更新網(wǎng)絡(luò)參數(shù)。

（5）將訓(xùn)練好的三元組相似識(shí)別模型部署到各臺(tái)抽油機(jī)的邊緣計(jì)算網(wǎng)關(guān)。

1.3 實(shí)時(shí)檢測(cè)與診斷

使用訓(xùn)練好的相似識(shí)別模型進(jìn)行抽油機(jī)故障檢測(cè)，采用數(shù)據(jù)融合的方式分析檢測(cè)結(jié)果，并由工藝專(zhuān)家標(biāo)定抽油機(jī)設(shè)備的標(biāo)準(zhǔn)庫(kù)與故障庫(kù)，對(duì)故障示功圖進(jìn)行實(shí)時(shí)診斷，流程（見(jiàn)圖1）步驟如下：

（1）對(duì)任一抽油機(jī)設(shè)備，由工藝專(zhuān)家標(biāo)定其標(biāo)準(zhǔn)示功圖庫(kù)與故障示功圖庫(kù)，輸入三元組相似識(shí)別模型轉(zhuǎn)換為標(biāo)準(zhǔn)與故障示功圖特征庫(kù)，并將故障信息記錄在油井信息庫(kù)中。

（2）實(shí)時(shí)采集抽油機(jī)示功圖數(shù)據(jù)，過(guò)濾異常數(shù)據(jù)并進(jìn)行預(yù)處理生成示功圖。

（3）根據(jù)設(shè)備生產(chǎn)參數(shù)進(jìn)行預(yù)檢測(cè)，若出現(xiàn)示功圖最大、最小載荷變化超過(guò)基準(zhǔn)值，或是示功圖面積小于基準(zhǔn)面積的情況，直接判斷檢測(cè)到故障，計(jì)算特征向量并轉(zhuǎn)入步驟（5）。

（4）將實(shí)時(shí)示功圖與標(biāo)準(zhǔn)示功圖以疊加繪制樣本與樣本對(duì)的形式分別輸入二分類(lèi)模型和三元組相似識(shí)別模型，得到分類(lèi)標(biāo)簽τbinary和余弦相似度ξ+，ξ+超過(guò)標(biāo)定閾值Th 時(shí)對(duì)應(yīng)不相似標(biāo)簽τtriplet=0，否則對(duì)應(yīng)相似標(biāo)簽τtriplet=1，若τtriplet=τbinary=0 則判定檢測(cè)到故障。

（5）對(duì)檢測(cè)到故障的示功圖進(jìn)行故障檢索：查詢(xún)計(jì)算實(shí)時(shí)示功圖特征與各故障示功圖特征之間相似度ξ-，若ξ-均超過(guò)標(biāo)定閾值Th，表示檢測(cè)到新故障，需要標(biāo)定并更新故障庫(kù)，否則返回相似度最高的故障示功圖對(duì)應(yīng)的故障信息，進(jìn)行報(bào)警并通知現(xiàn)場(chǎng)人員采取措施。

2 應(yīng)用研究

本文選取某原油開(kāi)采企業(yè)20 臺(tái)抽油機(jī)的示功圖原始數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，該企業(yè)油田環(huán)境復(fù)雜，抽油機(jī)出現(xiàn)供液不足、平衡塊過(guò)重等故障的概率較高。以2019 年6 月至2020 年7 月的數(shù)據(jù)構(gòu)建訓(xùn)練集、驗(yàn)證集及對(duì)照測(cè)試集，分析本文方法對(duì)抽油機(jī)故障的檢測(cè)與診斷作用。

2.1 模型訓(xùn)練與驗(yàn)證

選取2019 年6 月至2020 年6 月之間的示功圖數(shù)據(jù)進(jìn)行預(yù)處理，以示功圖圖形相似性為依據(jù)，將示功圖樣本集劃分為42 個(gè)不同類(lèi)別，選取其中34 個(gè)類(lèi)別并采用增加隨機(jī)擾動(dòng)的方法均衡樣本數(shù)量較少的類(lèi)別，總樣本數(shù)為174 398 個(gè)。

采用前述方法選取樣本對(duì)進(jìn)行疊加繪制，構(gòu)建二分類(lèi)樣本集，共計(jì)112 342 個(gè)，其中正樣本集58 659個(gè)，負(fù)樣本集53 683 個(gè)。劃分出10 000 張樣本作為驗(yàn)證集，其余作為訓(xùn)練集，輸入二分類(lèi)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練集和驗(yàn)證集損失率（見(jiàn)圖2（a））。在34 個(gè)類(lèi)別的樣本中劃分出6 008 個(gè)作為驗(yàn)證集，其余168 390 個(gè)作為訓(xùn)練集，輸入基于三元組損失的相似識(shí)別網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練集和驗(yàn)證集損失率（見(jiàn)圖2（b））。

2.2 模型測(cè)試

圖2 訓(xùn)練結(jié)果

圖3 對(duì)照測(cè)試集示例

表2 融合二分類(lèi)和三元組的測(cè)試結(jié)果

以2020 年7 月的示功原始數(shù)據(jù)作為測(cè)試數(shù)據(jù)并進(jìn)行示功圖預(yù)處理，為驗(yàn)證模型的泛化能力，引入未用于訓(xùn)練的8 個(gè)圖形類(lèi)別的示功圖樣本加入測(cè)試數(shù)據(jù)，由工藝專(zhuān)家標(biāo)定各臺(tái)設(shè)備的標(biāo)準(zhǔn)示功圖庫(kù)與故障示功圖庫(kù)，生成基于三元組和二分類(lèi)模型的對(duì)照測(cè)試集。兩個(gè)測(cè)試集樣本均為8 833 個(gè)，圖3（a）、圖3（b）為對(duì)照測(cè)試集示例。

標(biāo)定生產(chǎn)參數(shù)預(yù)檢測(cè)的基準(zhǔn)值為標(biāo)準(zhǔn)值的65%，三元組相似識(shí)別閾值為0.95，輸入本文模型進(jìn)行測(cè)試，故障檢測(cè)準(zhǔn)確率及診斷結(jié)果示例（見(jiàn)表2、表3）。

由表2、表3 可知，本文方法能夠?qū)Τ橛蜋C(jī)井故障起到較好的檢測(cè)作用，并能在檢測(cè)到異常時(shí)檢索故障庫(kù)實(shí)現(xiàn)故障類(lèi)型檢索與更新，可以幫助油田現(xiàn)場(chǎng)人員及時(shí)發(fā)現(xiàn)設(shè)備故障并采取措施，這對(duì)管控生產(chǎn)、穩(wěn)定產(chǎn)量具有十分重要的意義。

3 結(jié)語(yǔ)

本文提出了一種基于相似識(shí)別的抽油機(jī)井故障檢測(cè)與診斷方法，融合二分類(lèi)網(wǎng)絡(luò)和基于三元組損失的相似識(shí)別網(wǎng)絡(luò)，檢測(cè)出與平穩(wěn)工況下的示功圖不相似的故障示功圖，減少了故障誤報(bào)與漏報(bào)。同時(shí)，通過(guò)建立故障特征庫(kù)，在檢測(cè)到異常工況時(shí)能夠檢索故障特征庫(kù)實(shí)現(xiàn)故障類(lèi)型診斷。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效識(shí)別示功圖趨勢(shì)變化，檢測(cè)抽油機(jī)故障并診斷出故障類(lèi)別，提供了一種抽油機(jī)井故障檢測(cè)與診斷的解決方案。