神经网络法识别抽油机井示功图的研究及应用

1、神经网络法识别抽油机井示功图的研究及应用高永亮1檀朝东2赵海涛3(1.中国石油长庆油田采油六厂，陕西定边，718600;2.中国石油大学(北京),北京昌平102200;3.北京雅丹石油技术开发有限公司，北京昌平102200摘要示功图是判断油井生产状况的重要依据。神经网络能够反映任意非线性的映射关系，从而可以应用于图形识别。本文主要依据BP神经网络判定示功图类型的实现过程，阐述了BP神经网络的基本原理，建立了模式识别系统，并给出了部分应用实例。关键词示功图神经网络故障诊断1引言抽油机井故障诊断技术一直是国内外采油工程技术人员的一个重要研究课题，经过几十年研究实践，抽油机井故障的分析与诊断技术有了

2、相当大的发展。其中，地面示功图分析法是抽油系统故障诊断的一种有效方法1-20示功图是抽油机悬点位移、载荷随时间变化构成的曲线，是分析抽油机生产状况的重要资料。迄今为止，示功图的类型识别主要依靠经验，还没有成熟完善的体系作为指导3o由于人工神经网络(ArtificialNeuralNetwork)能够反映任意非线性的映射关系，可应用于图形识别，而且具有自组织、自学习及容错特性，在汉字识别方面已取得了显著成效。因此，神经网络的应用有望促进示功图识别技术的发展。2人工神经网络的基本原理目前应用最为广泛的一种神经网络一前馈式多层神经网络模型和误差反向传播BP网络算法，它的基本结构如图1所示。误差反向传

3、播网络模型的核心是误差反向传播(简称BP学习算法，有时也称BP模型。BP学习算法的主要思路是，如果求出误差E对各个神经之输出的偏导数，就可以算出误差E对所有连接权值的偏导数，从而可以利用梯度下降法(梯度下降法的迭代方向是由迭代点的负梯度构成的.由于负梯度方向是函数值下降的最快的方向，故此法也称最速下降法)来修改各个连接权值。BP网络的训练学习是一种监督的学习，要求每一个输入模式矢量与表示所期望的输出模式矢量必须配对。一般来说，网络输出值pkO与期望的输出值pkt是不相等的。对于每一个输入的模式样本，其均方误差为pE为E-=kpkpkpOtE(21(1)而对所有的学习样本，网络的均方误差E为EE

4、E-=pkpkpkppOtpEpE2(211(2)这里p为输入模式样本总数出矢蜡人矢图1神经网络系统示意图对于图1所示的网络，其训练学习的过程由两部分组成：一部分是网络内部的前向计算，另一部分是误差的反向传播计算。其主要目的就是通过逐步调整网络的内部连接权，使网络按均方误差减小的方向进行，以达到要求。网络内部连接权值调整，都是采用推广的6规则来完成的403示功图模式识别系统的建立模式识别系统由模式转换(预处理器、信息选择器(特征提取、识别处理(分类器组成。3.1数据预处理块首先对示功图原始数据点进行归一化处理。(Xminmaxminxxxx-=(3)(Yminmaxminyyyy-=(4)由于

5、示功图点数不一，所以需要对数据点进行规整化，使原始数据点相同。具体做法是计算示功图的周长，然后平均分成144份，求取每个端点的坐标，共有144个点。这样就把点数不一的示功图，变成都具有144个点的数据集了。3.2示功图的特征提取取预处理后的数据组成向量0na,其中就包含288个数，即:。1441442211,yxyxyxanL=3.3构造神经网络结构流程图如下：出矢，图2神经网络系统流程示意图根据常见故障类型，可以随意设置结点，见下表：表1示功图类型和期望输出对应表示功图类型期望输出正常1xxxxxxxx下碰x1xxxxxxx固定凡尔漏失xx1xxxxxx气影响xxx1xxxxx双漏xxxx1

6、xxxx供液不足xxxxx1xxx游动凡尔漏失xxxxxx1xx柱塞脱出工作筒xxxxxxx1x稠油xxxxxxxx1构建好BP神经网络结构以后，通过选择准确的功图，正确的分类，以及足够的样本，对编写程序进行训练，从而达到识别功图的要求。4应用实例北京雅丹石油技术开发有限公司应用神经网络方法编写程序，经过了对不同工况的功图训练之后，应用于抽油机井示功图的智能识别与工况诊断，对抽油机井工况的识别与诊断及时准确，达到了工程实际的要求，显示了很好的效果。由图3为XX油田港199井2007年7月2日19点的地面示功图，通过图形可以看出示功图的右下方缺失，而且卸载过程比较缓慢，分析可知下冲程由于泵筒内气

7、体压缩，泵筒内压力缓慢上升，游动凡尔打开时间也就滞后，光杆卸载变缓，卸载线成一圆弧状，其曲率半径越大，泵效越低，通过程序识别该井为气体影响，通过表2对对港199井地面示功图输出结果进行分析可以看出该井气体影响与供液不足情况的数据最为接近1,即该井不但气体影响，而且供液不足现象也很明显。24图3港199井地面示功图表2对港199井地面示功图分析结果输出节点结论123 456789气体影响1.2811.0881.0401.0131.3250.9641.2641.1701.149根据图4XX油田西46-4-2井2007年7月2日18点19分的地面示功图，可以看出该井功图反映凡尔有漏失现象，其中固定凡

8、尔漏失尤为严重，通过程序识别该井为固定凡尔漏失，通过表3对西46-4-2井地面示功图输出结果进行分析可以看出，该井有双漏嫌疑，该井的游动凡尔漏失的数据也很接近1。At一F11上匚“T*西467T井地面示功图我面kN)2007-7-218:19:00402400,81.62,43,24冲程：3口8m冲次：705/min位移W)最大载荷：2T.50RM最小载荷：15.50kH图4西46-4-2井地面示功图表3对西46-4-2井地面示功图分析结果输出节点结论13456789固定凡尔漏失1.3501.0931.0001.1261.0141.4031.3451.1691.1225总结与展望通过算例测试证

9、明：BP神经网络可成功应用于示功图类型识别。神经网络以其较强的模式识别能力及独特优势，在故障诊断中得到了愈来愈广泛地应用。由于现场难以系统地收集到各种故障类型的不同形状的示功图，因而给示功图地识别带来较大困难。本文采用BP算法完成故障诊断系统软件设计，很好地实现了示功图神经网络识别训练集(各种类型及同种类型中各种形状的示功图，就诊断结果来看，识别结果与实际测试结果相吻合，该方法有很强的工程应用价值。参考文献1陈刚等.超稠油标准示功图识别与分析.特种油气藏.2002,9(6):60-65.2张海云.塔河油田典型示功图分析.油气井测试.2003,12(2):40-43.3DRumelhart&JMcCelland.Paralleldistributedprocessingexplorationsinthemicrostructureofcognition.Cambridge:Bra