抽油機示功圖智能識別方法.pdf

《抽油機示功圖智能識別方法.pdf》由會員分享，可在線閱讀，更多相關《抽油機示功圖智能識別方法.pdf（10頁完成版）》請在專利查詢網上搜索。

1、(19)中華人民共和國國家知識產權局 (12)發明專利申請 (10)申請公布號 (43)申請公布日 (21)申請號 202010855487.7 (22)申請日 2020.08.24 (71)申請人 黃山學院 地址 245041 安徽省黃山市屯溪區西海路 39號 (72)發明人 劉曙光陳小龍陳午陽李忠誠 琚子輝 (74)專利代理機構 北京科家知識產權代理事務 所(普通合伙) 11427 代理人 宮建華 (51)Int.Cl. E21B 47/009(2012.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)發明名。

2、稱 一種抽油機示功圖智能識別方法 (57)摘要 本發明公開了一種抽油機示功圖智能識別 方法， 通過對抽油機載荷和懸點位移信號的采 集， 以光桿位移信號為橫坐標， 載荷信號為縱坐 標， 繪制在一個抽汲周期內隨時間變化構成的封 閉曲線， 得到抽油機示功圖樣本。 對于采集到的 抽油機示功圖樣本， 如果樣本的類別數是已知 的， 采用有監督模式識別的識別方式。 如果預先 不知道樣本類別， 采用無監督模式識別的識別方 式。 由ART2神經網絡對抽油機示功圖的樣本進行 識別， 并根據識別結果對抽油機進行故障診斷和 井下工況判斷， 并顯示判斷結果。 本發明的一種 抽油機示功圖智能識別方法， 具有可對抽油機進 。

3、行故障診斷和井下工況判斷， 實現了示功圖的穩 定、 高效、 準確識別等優點。 權利要求書1頁 說明書6頁 附圖2頁 CN 112112631 A 2020.12.22 CN 112112631 A 1.一種抽油機示功圖智能識別方法， 其特征在于， 包括以下步驟： 步驟S10： 繪制抽油機的示功圖， 得到示功圖的樣本； 步驟S20： 對步驟S10獲得的抽油機示功圖的樣本進行數據預處理； 步驟S30： 對步驟S20的經過數據預處理的示功圖樣本進行特征提??； 步驟S40： 判斷示功圖樣本的類別， 如果是已知的， 執行步驟S50， 如果是未知的， 執行步 驟S60； 步驟S50： 用一組已知類別的集合。

4、作為訓練集對ART2神經網絡進行訓練， 建立判別模 型， 再用建立的模型根據相似性原則來對未知樣本進行識別； 步驟S60： 對于未知樣本， 則依靠樣本自然特性進行直接識別， 識別時， 將抽油機示功圖 的樣本輸入預先設定的ART2神經網絡； 步驟S70： 由ART2神經網絡對抽油機示功圖的樣本進行識別， 并根據識別結果對抽油機 進行故障診斷和井下工況判斷， 并顯示判斷結果。 2.根據權利要求1所述的一種抽油機示功圖智能識別方法， 其特征在于： 所述步驟S10 中， 繪制抽油機的示功圖的過程為： 步驟101： 從抽油機的驢頭下死點A開始， 抽油機的光桿上行， 抽油機的游動閥和固定閥 均關閉， 光桿。

5、開始承受抽油機的活塞上部液柱的質量， AB區間是增載的過程， 至B點時， 增載 完畢； 步驟102： 從活塞開始上行點B開始， 活塞上行， 固定閥打開， 游動閥關閉， BC區間為光桿 的上行線， 至驢頭上死點C， 光桿上行結束； 步驟103： 從驢頭上死點C開始， 光桿下行， 游動閥和固定閥均關閉， 抽油泵內液體開始 排出， CD區間是卸載的過程， 至D點時， 卸載完畢； 步驟104： 從活塞開始下行點D開始， 活塞下行， 固定閥關閉， 游動閥打開， DA區間為光桿 的下行線， 至驢頭下死點A， 光桿下行結束， 至此一個抽汲周期結束。 3.根據權利要求1所述的一種抽油機示功圖智能識別方法， 其。

6、特征在于： 所述步驟S20 中的數據預處理采用的方式為中心變換法。 4.根據權利要求1所述的一種抽油機示功圖智能識別方法， 其特征在于： 所述步驟S30 中的特征提取采用不變矩的特征提取方法。 5.根據權利要求1所述的一種抽油機示功圖智能識別方法， 其特征在于： 所述步驟S60 中的對ART2神經網絡進行訓練的ART2神經網絡訓練算法為： 步驟601： 初始化ART2神經網絡的參數a、 b、 c、 d、 、 e和 ； 由F1層到F2層的連接矩陣wij 和由F2層到F1層的連接矩陣wji， 然后將特征向量xi輸入網絡， xi0， 1， i1， n； 步驟602： 計算F1層中的各矢量： x、 w。

7、、 u、 v、 q和p； 步驟603： 計算F2層中輸入矢量pip1,p2,p3,L,pm， 計算獲勝節點j， 當F2層未受激勵 時， 所有yj0,j1,m； 步驟604： 信息反饋； 由F2層的獲勝節點j送回自頂向下的權向量wij， 并計算出值|R| |； 步驟605： 閾值檢測； 若|R| ， 則接受j為獲勝節點， 步驟606， 否則發Reset信號， 置yj 0， 開始搜索階段， 步驟602； 步驟606： 調整由底而上及自頂向下的權向量wij及wji。 權利要求書 1/1 頁 2 CN 112112631 A 2 一種抽油機示功圖智能識別方法 技術領域 0001 本發明涉及石油開采技術。

8、領域， 具體涉及一種抽油機示功圖智能識別方法。 背景技術 0002 隨著科技的不斷進步， 油田越來越需要自動化程度高、 實時性強的自動量油技術。 傳統的量油技術(如計量站量油、 翻斗量油、 玻璃管量油)存在工藝流程復雜、 裝置多、 投資 成本高、 勞動強度大、 效率低等問題， 已經很難適應簡化地面流程， 產量連續計算的生產管 理需要。 0003 抽油機的示功圖中蘊含了豐富的工況信息， 通過分析示功圖即可以判斷抽油機工 作狀況和井下工況。 對示功圖進行分析， 能夠幫助人們找出影響深井泵發生故障的主要原 因， 并對抽油井的工作制度是否合理， 機、 桿、 泵抽油參數組合是否與井下供液狀況相適應 做出。

9、評價， 同時也可間接反映出油井是否出砂、 出氣、 結蠟等， 以及井內不同介質對抽油泵 即地面設備是否產生負面影響， 最終依據示功圖診斷分析結果， 有針對性地解除油井故障， 對保證油井正常生產或提高油井產量有很重要的意義。 0004 在工程實際中， 抽油機示功圖異常復雜， 典型工況有18種之多， 如供液不足、 活塞 脫出工作筒、 氣體影響、 氣鎖、 抽油桿斷脫、 油管漏失、 油井出砂、 泵下碰、 泵上碰、 連抽帶噴、 油稠、 固定凡爾漏失、 游動凡爾漏失、 雙凡爾同時漏失、 液擊、 結蠟、 活塞遇卡和沖程損失等。 0005 然而， 目前對示功圖的特征提取主要依賴于幾何分析法， 故障診斷主要依賴于。

10、BP 神經網絡、 貝葉斯網絡、 遺傳算法、 模糊算法等， 這些方法的共同缺點是不能在線邊訓練邊 識別， 即訓練樣本和檢測樣本不能相同， 要分開選取， 這給要求能在無監督學習模式下復雜 示功圖的分類識別和工況識別帶來了困難。 發明內容 0006 本發明的目的是提供一種抽油機示功圖智能識別方法， 以解決現有技術中的上述 不足之處。 0007 為了實現上述目的， 本發明提供如下技術方案： 一種抽油機示功圖智能識別方法， 包括以下步驟： 0008 步驟S10： 繪制抽油機的示功圖， 得到示功圖的樣本； 0009 步驟S20： 對步驟S10獲得的抽油機示功圖的樣本進行數據預處理； 0010 步驟S30：。

11、 對步驟S20的經過數據預處理的示功圖樣本進行特征提??； 0011 步驟S40： 判斷示功圖樣本的類別， 如果是已知的， 執行步驟S50， 如果是未知的， 執 行步驟S60； 0012 步驟S50： 用一組已知類別的集合作為訓練集對ART2神經網絡進行訓練， 建立判別 模型， 再用建立的模型根據相似性原則來對未知樣本進行識別； 0013 步驟S60： 對于未知樣本， 則依靠樣本自然特性進行直接識別， 識別時， 將抽油機示 功圖的樣本輸入預先設定的ART2神經網絡； 說明書 1/6 頁 3 CN 112112631 A 3 0014 步驟S70： 由ART2神經網絡對抽油機示功圖的樣本進行識別，。

12、 并根據識別結果對抽 油機進行故障診斷和井下工況判斷， 并顯示判斷結果。 0015 優選的， 所述步驟S10中， 繪制抽油機的示功圖的過程為： 0016 步驟101： 從抽油機的驢頭下死點A開始， 抽油機的光桿上行， 抽油機的游動閥和固 定閥均關閉， 光桿開始承受抽油機的活塞上部液柱的質量， AB區間是增載的過程， 至B點時， 增載完畢； 0017 步驟102： 從活塞開始上行點B開始， 活塞上行， 固定閥打開， 游動閥關閉， BC區間為 光桿的上行線， 至驢頭上死點C， 光桿上行結束； 0018 步驟103： 從驢頭上死點C開始， 光桿下行， 游動閥和固定閥均關閉， 抽油泵內液體 開始排出，。

13、 CD區間是卸載的過程， 至D點時， 卸載完畢； 0019 步驟104： 從活塞開始下行點D開始， 活塞下行， 固定閥關閉， 游動閥打開， DA區間為 光桿的下行線， 至驢頭下死點A， 光桿下行結束， 至此一個抽汲周期結束。 0020 優選的， 所述步驟S20中的數據預處理采用的方式為中心變換法。 0021 優選的， 所述步驟S30中的特征提取采用不變矩的特征提取方法。 0022 優選的， 所述步驟S60中的對ART2神經網絡進行訓練的ART2神經網絡訓練算法為： 0023 步驟601： 初始化ART2神經網絡的參數a、 b、 c、 d、 、 e和 ； 由F1層到F2層的連接矩陣 wij和由F。

14、2層到F1層的連接矩陣wji， 然后將特征向量xi輸入網絡， xi0， 1， i1， n； 0024 步驟602： 計算F1層中的各矢量： x、 w、 u、 v、 q和p； 0025 步驟603： 計算F2層中輸入矢量pip1,p2,p3,L,pm， 計算獲勝節點j， 當F2層未受 激勵時， 所有yj0,j1,m； 0026 步驟604： 信息反饋； 由F2層的獲勝節點j送回自頂向下的權向量wij， 并計算出值| |R|； 0027 步驟605： 閾值檢測； 若|R|， 則接受j為獲勝節點， 步驟606， 否則發Reset信 號， 置yj0， 開始搜索階段， 步驟602； 0028 步驟606。

15、： 調整由底而上及自頂向下的權向量wij及wji。 0029 在上述技術方案中， 本發明提供的技術效果和優點： 0030 1、 本發明的抽油機示功圖智能識別方法， 通過對抽油機載荷和懸點位移信號的采 集， 以光桿位移信號為橫坐標， 載荷信號為縱坐標， 繪制在一個抽汲周期內隨時間變化構成 的封閉曲線， 得到抽油機示功圖樣本。 對于采集到的抽油機示功圖樣本， 如果樣本的類別數 是已知的， 先用一組已知類別的集合作為訓練集， 建立判別模型， 再用建立的模型根據相似 性原則來對未知樣本進行識別， 則稱為有監督模式識別。 如果預先不知道樣本類別， 完全依 靠樣本自然特性進行識別的方法稱為無監督模式識別；。

16、 0031 2、 本發明采用ART2神經網絡對示功圖的若干不變矩特征進行辨識， 可以對抽油機 的18種典型工況進行高效、 準確的識別， 從而對抽油機進行故障診斷和井下工況判斷， 進而 可以有針對性地解除油井故障。 本發明對保證油井正常生產或提高油井產量有很重要的意 義； 0032 3、 本發明的抽油機示功圖智能識別方法， 具有可對抽油機進行故障診斷和井下工 況判斷， 實現了示功圖的穩定、 高效、 準確識別等優點。 說明書 2/6 頁 4 CN 112112631 A 4 附圖說明 0033 為了更清楚地說明本申請實施例或現有技術中的技術方案， 下面將對實施例中所 需要使用的附圖作簡單地介紹， 。

17、顯而易見地， 下面描述中的附圖僅僅是本發明中記載的一 些實施例， 對于本領域普通技術人員來講， 還可以根據這些附圖獲得其他的附圖。 0034 圖1為本發明的模式識別過程示意圖。 0035 圖2為本發明的抽油機示功圖。 0036 圖3為本發明的示功圖智能識別ART2網絡結構圖。 具體實施方式 0037 為了使本領域的技術人員更好地理解本發明的技術方案， 下面將結合附圖對本發 明作進一步的詳細介紹。 0038 本發明提供了如圖1所示的一種抽油機示功圖智能識別方法， 包括以下步驟： 0039 步驟S10： 繪制抽油機的示功圖， 得到示功圖的樣本； 0040 步驟S20： 對步驟S10獲得的抽油機示功。

18、圖的樣本進行數據預處理； 0041 步驟S30： 對步驟S20的經過數據預處理的示功圖樣本進行特征提??； 0042 步驟S40： 判斷示功圖樣本的類別， 如果是已知的， 執行步驟S50， 如果是未知的， 執 行步驟S60； 0043 步驟S50： 用一組已知類別的集合作為訓練集對ART2神經網絡進行訓練， 建立判別 模型， 再用建立的模型根據相似性原則來對未知樣本進行識別； 0044 步驟S60： 對于未知樣本， 則依靠樣本自然特性進行直接識別， 識別時， 將抽油機示 功圖的樣本輸入預先設定的ART2神經網絡； 0045 步驟S70： 由ART2神經網絡對抽油機示功圖的樣本進行識別， 并根據識。

19、別結果對抽 油機進行故障診斷和井下工況判斷， 并顯示判斷結果。 0046 進一步的， 在上述技術方案中， 如圖2所示， 所述步驟S10中， 繪制抽油機的示功圖 的過程為： 0047 步驟101： 從抽油機的驢頭下死點A開始， 抽油機的光桿上行， 抽油機的游動閥和固 定閥均關閉， 光桿開始承受抽油機的活塞上部液柱的質量， AB區間是增載的過程， 至B點時， 增載完畢； 0048 步驟102： 從活塞開始上行點B開始， 活塞上行， 固定閥打開， 游動閥關閉， BC區間為 光桿的上行線， 至驢頭上死點C， 光桿上行結束； 0049 步驟103： 從驢頭上死點C開始， 光桿下行， 游動閥和固定閥均關閉。

20、， 抽油泵內液體 開始排出， CD區間是卸載的過程， 至D點時， 卸載完畢； 0050 步驟104： 從活塞開始下行點D開始， 活塞下行， 固定閥關閉， 游動閥打開， DA區間為 光桿的下行線， 至驢頭下死點A， 光桿下行結束， 至此一個抽汲周期結束； 0051 圖2中， 橫坐標S為光桿的沖程， 其坐標起點為驢頭的下死點A， 終點為驢頭上死點 C； 縱坐標P為光桿的負荷； B為活塞的開始上行點， D為活塞的開始下行點； P液為抽油泵活塞 以上的液柱的質量； P桿為抽油桿柱沉浸在井液中的質量； S活為活塞的沖程； 為抽油泵的沖 程損失量， 1+ 2( 1為抽油桿的伸縮長度， 2為油管的伸縮長度)。

21、； OA段為下沖程時光桿 承受的最小靜載荷。 示功圖是抽油機懸點位移與載荷在一個抽汲周期內隨時間變化構成的 說明書 3/6 頁 5 CN 112112631 A 5 封閉曲線， 運行人員可通過本發明的識別結果， 很容易確認抽油機的故障， 并能對井下工況 進行判斷， 有針對性地解除油井故障， 保證油井正常生產或提高油井產量。 0052 進一步的， 在上述技術方案中， 所述步驟S20中的數據預處理采用的方式為中心變 換法， 進而可以去除噪聲和降低數據維數。 0053 進一步的， 在上述技術方案中， 所述步驟S30中的特征提取采用不變矩的特征提取 方法， 具體方法如下： 0054 矩特征主要表征了圖。

22、像區域的幾何特征， 又稱為幾何矩， 由于其具有旋轉、 平移、 尺度等特性的不變特征， 所以又稱其為不變矩。 在圖像處理中， 幾何不變矩可以作為一個重 要的特征來表示物體， 可以據此特征來對圖像進行分類等操作， 不變矩的計算方法為： 0055 步驟301： 計算示功圖圖像f(x， y)的中心矩 pq， 0056 對于數字圖像， p+q階幾何矩定義為： 0057 0058 p+q階中心矩定義為： 0059 0060 其中， N和M分別代表圖像的高度和寬度。 0061歸一化的中心矩為：其中， 0062 步驟302： 計算圖像的不變矩j(即j1， 2， 3， ， 7)， 0063利 用 二 階 和 三。

23、 階 歸 一 化 中 心 矩 可 以 構 造 以 下 7 個 不 變 矩 0064 步驟303： 計算實際不變矩Mj： 0065 為了減小矩數值分布范圍和便于比較， 可以采用開方進行數據壓縮， 考慮到不變 矩可能出現負值， 實際采用的不變矩為： 0066 0067 進一步的， 在上述技術方案中， 如圖3所示， 所述步驟S60中的對ART2神經網絡進行 訓練的ART2神經網絡訓練算法為： 0068 步驟601： 初始化ART2神經網絡的參數a、 b、 c、 d、 、 e和 ； 由F1層到F2層的連接矩陣 wij和由F2層到F1層的連接矩陣wji， 然后將特征向量xi輸入網絡， xi0， 1， i。

24、1， n； 0069 步驟602： 計算F1層中的各矢量： x、 w、 u、 v、 q和p， 說明書 4/6 頁 6 CN 112112631 A 6 0070 0071其中， f()為非線性函數，g()為 激活的神經元激活時F2層的反饋， 0072 步驟603： 計算F2層中輸入矢量pip1,p2,p3,L,pm， 計算獲勝節點j， 0073 0074 當F2層未受激勵時， 所有yj0,j1,m； 0075 步驟604： 信息反饋； 由F2層的獲勝節點j送回自頂向下的權向量wij， 并計算出值| |R|， 且 0076 步驟605： 閾值檢測； 若|R|， 則接受j為獲勝節點， 步驟606；。

25、 否則發Reset信 號， 置yj0， 開始搜索階段， 步驟602； 0077 步驟606： 調整由底而上及自頂向下的權向量wij及wji， 0078 根據權值調整公式： 0079 0080 調整由底而上及自頂向下的權向量。 0081 ART2神經網絡由注意子系統和取向子系統兩個部件組成， 注意子系統包含了比較 層F1、 表示層F2和連接于F1層與F2層之間的自適應長期記憶， 其中， 比較層F1由6個子層(z、 q、 v、 u、 s和p)和3個增益控制模塊(實心圓點)組成， 取向子系統由重置機構組成。 0082 圖3中， xi為外界輸入， pi為F2層為輸入的反應， 向量ri監視xi與pi的匹。

26、配程度， 與 警戒值 比較， 從而判斷系統F2層當前反應結果是否正確， yj為輸出值， wji、 wij分別代表F1 層到F2層和F2層到F1層的連接權重； a、 b為正反饋系數， c為權重系數； 0083 下面給出本發明的一個實施例， 我們設置參數a10， b10， c0.1， d0.95， e 0.000001， 0.9， 0。 輸入參數及ART2神經網絡的訓練結果見表1。 0084 表1抽油機典型示功圖的識別 0085 輸入勝者識別結果實際故障結果 x11y1y1正確 x22y2y2正確 x33y3y3正確 x44y4y4正確 說明書 5/6 頁 7 CN 112112631 A 7 x。

27、55y5y5正確 x66y6y6正確 x77y7y7正確 x88y8y8正確 x99y9y9正確 x1010y10y10正確 x1111y11y11正確 x1212y12y12正確 x1313y13y13正確 x1414y14y14正確 x1515y15y15正確 x1614y14y16錯誤 x1716y17y17正確 x1817y18y18正確 x1918y19y19正確 0086 其中： xi(i1， 2， 3， ， 19)代表輸入模式(各輸入示功圖樣本的7個不變矩特征)； yi(i1， 2， 3， ， 19)代表實際故障類型， y1-正常、 y2-泵下碰、 y3-泵下碰、 y4-沖程損失。

28、影 響、 y5-抽油桿斷脫、 y6-供液不足、 y7-固定凡爾漏失、 y8-游動凡爾漏失、 y9-活塞遇卡、 y10- 結蠟、 y11-連軸帶噴、 y12-氣鎖、 y13-氣體影響、 y14-雙凡爾同時漏失、 y15-液擊、 y16-油稠、 y17-油管漏失、 y18-油井出砂、 y19-柱塞脫出工作筒。 0087 從訓練結果可以看出， 當系統警戒值較高( 0.9)時， ART2神經網絡將典型示功 圖分成18個類別， 識別精度達到了94.7， 如果繼續提高警戒值， 分類結果會更加精確。 0088 以上只通過說明的方式描述了本發明的某些示范性實施例， 毋庸置疑， 對于本領 域的普通技術人員， 在不偏離本發明的精神和范圍的情況下， 可以用各種不同的方式對所 描述的實施例進行修正。 因此， 上述附圖和描述在本質上是說明性的， 不應理解為對本發明 權利要求保護范圍的限制。 說明書 6/6 頁 8 CN 112112631 A 8 圖1 說明書附圖 1/2 頁 9 CN 112112631 A 9 圖2 圖3 說明書附圖 2/2 頁 10 CN 112112631 A 10 。