功识别技术在有杆泵工况诊断中的应用韩国庆吴晓东张庆生毛凤英石油大学，北京102249石油大学，山东东营257061新的思路和方法，采用差分曲线法对大批油井功进行自动识别处理，对识别出的有故障油井采用神经网络技术对故障进定位。经过现场应用证明，利用该思路和方法设计的诊断软件识别准确率高，大大提高了诊断工作效率，有很好的应用价值1概述有杆抽油系统计算机诊断技术的基本原理是把抽油杆柱看作井下动态信号的传导线，抽油泵作为发送器，泵的工作状况柱塞上的载荷变化以应力波的形式沿抽油1柱传递到地被作为接受器的动力仪所接收，可得到所需要的抽油杆各截面及泵状况做分析判断。
　　采用求解粘滞带阻尼的波动方程可以获得泵的不功，得到栗功后油井工况诊断的关键是如何根据泵功判断油井的故障类型。识别泵功的方法有传浼的拉线法专家系统法。在计算机技术和网络技术高速发展的今天，特别是各油田开发数据库建设逐渐完善的情况下，大批油井的地面功都已存入数据库中，通过网络可以方便地取得。为充分利已有的这些数据资源。需耍种简便易行选出有故障的油井重点进行识别研究。前面提到的方法有的准确率较差，有的因应用很复杂需要人工干预而不易自动识别。因此，实现套简单易用而符合率高的识别方法很有必要。本研究实现了用差分曲线配合神经网络识别泵功的方法，经实践证明使用简便，提高了效率而且判断故障的符合率较高。
　　2差分曲线识别泵功的原理井下泵正常工作的功与理想化的功样，具有对称性。由于引起功形状对称变化的相同强度的2种或2种以上设备故障同时发生的几率很小，所以可以用差分曲线来描述抽油泵功。
　　差分曲线是以上冲程起始点为基准水平，从抽油杆下冲程时的功线段的反向曲线减去抽油杆上冲程时功曲线得到的，这样就可以用差分曲线取代功，简化深井泵设备状态的识别过程，因为功差分曲线的种类单值地相当于深井泵的工作状态。
　　深井泵设备定性状态的充分标志转化为差分曲线偏离零线的位置和方向，实际上，这个标志便于编制成有固定标志的差分曲线线段代码序列。如果差分曲线线段高于零线，则认为该线段的标忐是正的，相反则认为是负的。
　　深井泵设备诊断的差分法对功的比例尺不变，不要求基准水平的标记，不要求了解和存储泵设备的任何补充信息。对输入信4的形状和功阁的惯性旋转是不变的，可识别除事故以外的深井泵状态的主要类型。
　　3差分曲线的画法线的画法。线人80心是从未充满的1想功冲搬的反1叫线是。，旭这2段曲线相减就得到了差分曲线如。
　　1深井泵未充满的差分曲线持续时间1=7沾25，已知1可计算出含有信息段差分曲线的点数。确切说明深井泵设备状态主要类型的是差分曲线有信息线段符号序列代码，它不要求对功预处理来抑制波动。根据实际情况确定阈值。把差分线转化为信息段4的变化。信总段后面的值作为进步判断的参考。
　　利用差分曲线非信息部分偏移到正或负区域的积分检验法来区分具有相同差分曲线符号序列代码得到泵的差分曲线以后，利用识别算法把实际遇阻；游动阀漏失和柱塞上部遇阻。
　　*终得到油井的工况类型。2除事故抽油杆折断柱塞1住以外纪的各种状态的理想化功正常工作泵未充满固定阀漏失游动阀堀失游动阀漏失柱塞下部遇咀柱塞上部遇咀12深井泵主要状态的功和差分曲线4差分曲线的识别算法功阳内信息1容的线段，长受抽油杆朴和液柱波动畸变的承载和卸载线段。承载和卸载线段长度取决于由抽油杆变形和油管变形入造成的柱塞冲程损失，单级杆可按下列已知公式确定Ar+入客级杆按列公式确定深井泵故吣种类识别算法由3说明，其中，4=57，山，4为差分曲线轴所起的面积，是差分曲线的幅值。
　　差分曲线法的*大优点在于各种主要工况对应工况类吧进行分类。这种方法在识，过程中不需要人为干预，特别适合于对油田数据库中大量油井功料弹性税；1.为抽油杆柱横截面积为油管柱横截面积。
　　柱塞冲程损失值取决于深井泵下入深度和其规格尺寸。知道下泵深度泵径光杆冲程5抽汲循用下面所述州经网络法做进步处现，5人工神经网络法的基本原理人工神经网络在解决诸如模式识别分类的问上具有独特的优点。神经网络由许多儿打非线性映射能力的神经兀组成。神经兀之间通过权值相连接。
　　由于人工凋经络的信息分布存储于连接权系数中，因而网络具有很强的容错性和鲁棒性，可以解决环时间7就不难确定局线上含厌息线段的模式，中带有干扰或输入姨式不完整的问既与传统的模式识别方法相比，基于神经网络的模式识别具有以下优点1能识别带有噪声和变形的输入模式；2具有很强的自适应学习能力；3能把识别处理和预处理起完成；4识别速度快。
　　神经网络模式识别系统主要包括学习训练和以，匹配2个过程，代1吻个过，1.跑括1处理特征选择与提取2部分。学习过程是在定模板样6.3.1模式样本的归化模式样本的归化过程，是保证每个模式样本的能量统到单位能量上，这样更有利于不同类别模式样本的统分析。本研究中，数据是以顺序成对的方式输入，即泵功的实际载荷和位移的对应值输入，规范化方式用下列方在坐标系中，2个方向上的各点坐标值分别木基础上。依据网络分类功能形成分类器。而识别过程足将未知的校式训练好的分类器进行匹配来识别未知模式，神经网络模式识别系统流程4.
　　持处理分类识别减去对应的*小坐标值。
　　将得到的数据组的值除以泵中液柱载荷这里为了减少计算流体载荷所需的物性参数的输入，液柱载荷按泉*大载荷和*小载荷之差来测算，将所得到的数据中的值除以泵的冲程，用数学公式为6泵功神经网络识别系统的建立利用人工神经网络识别栗功就是通过训练过程将功的形信息存储在网络的权值中，利用网络的识别能力来实现泵功的诊断分析。误差反向传播训练总法8法，种逐步反的学4；雄，呢神佣训训练；法的8卞络投型己成功地用于形识别语音变换数据压缩等许多领域，成为*广泛使用的网络模型之，本研究建立的就是3层8网，包括输入层输出层和隐含层。
　　6.1输入层与输出层的设计8网络的输入输出层维数完全根据使用的要求来设计，本网络的目的是利用网络的分类识别功能，识别类型分为正常气体影响供液不足稠油结蜡抽喷断脱固定阀漏失游动阀漏失上碰泵下碰泵油管漏失等共种。
　　6.2隐含层数目的确定本网络实现分类功能，它的输出是个非线性映射。所以。隐层单儿数太少可能以不到训练结果，或网络不强壮，容错性差，但隐层单元太多又使学习时间过长，而且不能识别以前没有训练的样本，误差也不会*佳，因此存在1个*佳隐含单元数，设计时分别选取了10，已，18，20，25，28，30，40个隐层节点，结果发现当节点数小于25时网络很难收敛，节点数大于30时训练结果不令人满意，*终确定隐层1点数目为25个。
　　6.3预处理*小载荷。
　　这样将模式样本空间转化成统的数据空间。
　　6.3.2消除冗余点神经网络模式输入特征向量点是定的，般来说用6070个点就能反映功点从上冲程开始，到下冲程回到零点为1个周期。点的间隔分为上冲程32个点，下冲程32个点。由于功的测试点采样是以等时间为序列的，所以，必须对每个点进行插值。插值方法采用拉格朗日插值法，插值多项式为6.3.3傅立叶变换通过归化和插值处理后的样本还需经过非线性变换来反映形的不变性，因同种故障类型的功由于现程度不同，反映出性，采傅叶变换。
　　设接收到的样本是随时间连续变化的，记作则经过时间丁延迟平移的模式。1对应移不变性。这样将时间序列的点对转换成的维时间序列的点，便于神经网络的输入。
　　6.4特征提取不同井下故障的泵功具有不同的几何特征，这些特征的差异为油井故障诊断提供了理论依据。
　　由于功诊断以简单实用为主，不能依赖大量的参数输入，提取以下几个典型的形特怔。
　　面积。根据功的特性，可把曲线分为2部分上部曲线上冲程和下部曲线下冲程，上下曲线所围的面积为总面积，1周长。泵功的周长可用下式计算窄度比。取形的面积与周长的平方的比面积与周长比。与窄度比样，该比值与量无又，相1形状的封闭曲线具有相同的比值再加上泵功的下面2个生产相关参数作为输1无因次产量泵的理论产量为次，为泵的活塞直径；为无因次产量，为生产时日产量。
　　7神经网络的训练方法网络的训练方法是网络能够达到实际应用的关，坏节，含3地选择纠织样木训练+仪1以提。网络的学习速度，防止训练时振荡的产生，同时也能使网络具有良好的识别精度。所以在网络的学习过程中，首先要确定网络的学习原则，以便有目的地组织训练体方法如下。
　　类别均衡。以8网用于分类时，首先要选取各类样本进行训练，每类样本的数目要近似相等，其原因在于可减少训练后的网络对于样本多的类别相应过于敏感，而对于样本少的类别相应不热烈，使网络的总体性能不高。
　　类内交叉。在8网训练时，对不同类别的样本要交叉组织训练，同时相同样本也要尽量离得远，这样可防上对权值的修正过大产生振荡。
　　类内均衡。由于6网不具有不变的识别能力，所以要使网络对模式的大变化具有不变的识别能力，就需尽可能选择同类样本的多种形式，比如功受气体的影响程度不同，在下冲程曲线上从轻微的缓慢变化到气锁，影响程度不同但都属于同种故障类型。
　　分批训练。当训练的样本数目较多时，单个样本的输入训练不仅人为地增加了训练时间，也不利于网络的收敛。有效方法是分批次训练多个样本进行输入训练，使1批样本的总体误差满足定的要求。
　　强化训练。在检验中把训练检验效果好的样本取出戈之以同类型的其它样本继续训落而把训练效果不好的样本重新再训练，如此反复，强化记忆，直到其达到对该类型的识别能力。
　　根据以上5个原则，在实际训练中，根据所要分样本，分别对应12种故障类型，尽量保证类间均衡进行训练。
　　8应用实例无因次产量可作为断脱抽喷等故障区分的主要参数。
　　2冲程损失井的功从该，可以看出其上下冲程的功曲线基本是对称的，这种对称性在6中也明显地现出，这就导致了差分曲线的幅值接近于零线，特别足前面的信息段更是如此。经过差分曲线法的分类和神经网络判别算法的判定，得出了正常功的结地面级杆末J级杆末，1井果工无汴断坫果9结论提出了利用差分曲线和人工神经网络结合识别泵功囝的思路。使识别准确率提高，在油井故障自动诊断方面有很好的应用价值。
　　实现了利用差分曲线及相应的处理算法将维囝形信息转换为维。从而可方便地进行计算机识别，3将人工神经网络的模式识别技术与有杆泵井工况诊断相结合。并优化了3网的结构和持征参数。提出了科学的训练方法，保证了神经网络的识别成功率。
　　4由本研究的思路和方法编制的有杆泵井工况诊断软件在冀东中原新疆等油田进行了推广应用，工况诊断符合率85以上。充分利用了油田的数据库资源，大大提高了工作效率和油井的管理水平。
　　张琪。吴晚糸。柚油并讣真机竹断技米及其应用。华东石油学咤学报，984时也夫丁1等。私油4自幼技柬和谛断。也京。油工，出版社。1明3M韩国庆有杆扯油丰技幼兮，忤厨究石油大学丛士论文，999，2编辑付丽8位移m ffi8恨升功阁肛况碟prr ffl7！3812井泵工；尤诊断蛄果泵未充满是种常的泵工况，其基本持征是下冲程卸载段有个明显的刀把，对应差分曲线负值2，8为新疆火烧山油田扭0井的实际功，囝9为对应的差分曲线，经过差分曲线法的分类和神经网络判，算法的判定为泵未充满53812井正常功困