抽油机示功图智能识别方法.pdf

《抽油机示功图智能识别方法.pdf》由会员分享，可在线阅读，更多相关《抽油机示功图智能识别方法.pdf（10页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010855487.7 (22)申请日 2020.08.24 (71)申请人 黄山学院 地址 245041 安徽省黄山市屯溪区西海路 39号 (72)发明人 刘曙光陈小龙陈午阳李忠诚 琚子辉 (74)专利代理机构 北京科家知识产权代理事务 所(普通合伙) 11427 代理人 宫建华 (51)Int.Cl. E21B 47/009(2012.01) G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名。

2、称 一种抽油机示功图智能识别方法 (57)摘要 本发明公开了一种抽油机示功图智能识别 方法， 通过对抽油机载荷和悬点位移信号的采 集， 以光杆位移信号为横坐标， 载荷信号为纵坐 标， 绘制在一个抽汲周期内随时间变化构成的封 闭曲线， 得到抽油机示功图样本。 对于采集到的 抽油机示功图样本， 如果样本的类别数是已知 的， 采用有监督模式识别的识别方式。 如果预先 不知道样本类别， 采用无监督模式识别的识别方 式。 由ART2神经网络对抽油机示功图的样本进行 识别， 并根据识别结果对抽油机进行故障诊断和 井下工况判断， 并显示判断结果。 本发明的一种 抽油机示功图智能识别方法， 具有可对抽油机进 。

3、行故障诊断和井下工况判断， 实现了示功图的稳 定、 高效、 准确识别等优点。 权利要求书1页 说明书6页 附图2页 CN 112112631 A 2020.12.22 CN 112112631 A 1.一种抽油机示功图智能识别方法， 其特征在于， 包括以下步骤： 步骤S10： 绘制抽油机的示功图， 得到示功图的样本； 步骤S20： 对步骤S10获得的抽油机示功图的样本进行数据预处理； 步骤S30： 对步骤S20的经过数据预处理的示功图样本进行特征提取； 步骤S40： 判断示功图样本的类别， 如果是已知的， 执行步骤S50， 如果是未知的， 执行步 骤S60； 步骤S50： 用一组已知类别的集合。

4、作为训练集对ART2神经网络进行训练， 建立判别模 型， 再用建立的模型根据相似性原则来对未知样本进行识别； 步骤S60： 对于未知样本， 则依靠样本自然特性进行直接识别， 识别时， 将抽油机示功图 的样本输入预先设定的ART2神经网络； 步骤S70： 由ART2神经网络对抽油机示功图的样本进行识别， 并根据识别结果对抽油机 进行故障诊断和井下工况判断， 并显示判断结果。 2.根据权利要求1所述的一种抽油机示功图智能识别方法， 其特征在于： 所述步骤S10 中， 绘制抽油机的示功图的过程为： 步骤101： 从抽油机的驴头下死点A开始， 抽油机的光杆上行， 抽油机的游动阀和固定阀 均关闭， 光杆。

5、开始承受抽油机的活塞上部液柱的质量， AB区间是增载的过程， 至B点时， 增载 完毕； 步骤102： 从活塞开始上行点B开始， 活塞上行， 固定阀打开， 游动阀关闭， BC区间为光杆 的上行线， 至驴头上死点C， 光杆上行结束； 步骤103： 从驴头上死点C开始， 光杆下行， 游动阀和固定阀均关闭， 抽油泵内液体开始 排出， CD区间是卸载的过程， 至D点时， 卸载完毕； 步骤104： 从活塞开始下行点D开始， 活塞下行， 固定阀关闭， 游动阀打开， DA区间为光杆 的下行线， 至驴头下死点A， 光杆下行结束， 至此一个抽汲周期结束。 3.根据权利要求1所述的一种抽油机示功图智能识别方法， 其。

6、特征在于： 所述步骤S20 中的数据预处理采用的方式为中心变换法。 4.根据权利要求1所述的一种抽油机示功图智能识别方法， 其特征在于： 所述步骤S30 中的特征提取采用不变矩的特征提取方法。 5.根据权利要求1所述的一种抽油机示功图智能识别方法， 其特征在于： 所述步骤S60 中的对ART2神经网络进行训练的ART2神经网络训练算法为： 步骤601： 初始化ART2神经网络的参数a、 b、 c、 d、 、 e和 ； 由F1层到F2层的连接矩阵wij 和由F2层到F1层的连接矩阵wji， 然后将特征向量xi输入网络， xi0， 1， i1， n； 步骤602： 计算F1层中的各矢量： x、 w。

7、、 u、 v、 q和p； 步骤603： 计算F2层中输入矢量pip1,p2,p3,L,pm， 计算获胜节点j， 当F2层未受激励 时， 所有yj0,j1,m； 步骤604： 信息反馈； 由F2层的获胜节点j送回自顶向下的权向量wij， 并计算出值|R| |； 步骤605： 阈值检测； 若|R| ， 则接受j为获胜节点， 步骤606， 否则发Reset信号， 置yj 0， 开始搜索阶段， 步骤602； 步骤606： 调整由底而上及自顶向下的权向量wij及wji。 权利要求书 1/1 页 2 CN 112112631 A 2 一种抽油机示功图智能识别方法 技术领域 0001 本发明涉及石油开采技术。

8、领域， 具体涉及一种抽油机示功图智能识别方法。 背景技术 0002 随着科技的不断进步， 油田越来越需要自动化程度高、 实时性强的自动量油技术。 传统的量油技术(如计量站量油、 翻斗量油、 玻璃管量油)存在工艺流程复杂、 装置多、 投资 成本高、 劳动强度大、 效率低等问题， 已经很难适应简化地面流程， 产量连续计算的生产管 理需要。 0003 抽油机的示功图中蕴含了丰富的工况信息， 通过分析示功图即可以判断抽油机工 作状况和井下工况。 对示功图进行分析， 能够帮助人们找出影响深井泵发生故障的主要原 因， 并对抽油井的工作制度是否合理， 机、 杆、 泵抽油参数组合是否与井下供液状况相适应 做出。

9、评价， 同时也可间接反映出油井是否出砂、 出气、 结蜡等， 以及井内不同介质对抽油泵 即地面设备是否产生负面影响， 最终依据示功图诊断分析结果， 有针对性地解除油井故障， 对保证油井正常生产或提高油井产量有很重要的意义。 0004 在工程实际中， 抽油机示功图异常复杂， 典型工况有18种之多， 如供液不足、 活塞 脱出工作筒、 气体影响、 气锁、 抽油杆断脱、 油管漏失、 油井出砂、 泵下碰、 泵上碰、 连抽带喷、 油稠、 固定凡尔漏失、 游动凡尔漏失、 双凡尔同时漏失、 液击、 结蜡、 活塞遇卡和冲程损失等。 0005 然而， 目前对示功图的特征提取主要依赖于几何分析法， 故障诊断主要依赖于。

10、BP 神经网络、 贝叶斯网络、 遗传算法、 模糊算法等， 这些方法的共同缺点是不能在线边训练边 识别， 即训练样本和检测样本不能相同， 要分开选取， 这给要求能在无监督学习模式下复杂 示功图的分类识别和工况识别带来了困难。 发明内容 0006 本发明的目的是提供一种抽油机示功图智能识别方法， 以解决现有技术中的上述 不足之处。 0007 为了实现上述目的， 本发明提供如下技术方案： 一种抽油机示功图智能识别方法， 包括以下步骤： 0008 步骤S10： 绘制抽油机的示功图， 得到示功图的样本； 0009 步骤S20： 对步骤S10获得的抽油机示功图的样本进行数据预处理； 0010 步骤S30：。

11、 对步骤S20的经过数据预处理的示功图样本进行特征提取； 0011 步骤S40： 判断示功图样本的类别， 如果是已知的， 执行步骤S50， 如果是未知的， 执 行步骤S60； 0012 步骤S50： 用一组已知类别的集合作为训练集对ART2神经网络进行训练， 建立判别 模型， 再用建立的模型根据相似性原则来对未知样本进行识别； 0013 步骤S60： 对于未知样本， 则依靠样本自然特性进行直接识别， 识别时， 将抽油机示 功图的样本输入预先设定的ART2神经网络； 说明书 1/6 页 3 CN 112112631 A 3 0014 步骤S70： 由ART2神经网络对抽油机示功图的样本进行识别，。

12、 并根据识别结果对抽 油机进行故障诊断和井下工况判断， 并显示判断结果。 0015 优选的， 所述步骤S10中， 绘制抽油机的示功图的过程为： 0016 步骤101： 从抽油机的驴头下死点A开始， 抽油机的光杆上行， 抽油机的游动阀和固 定阀均关闭， 光杆开始承受抽油机的活塞上部液柱的质量， AB区间是增载的过程， 至B点时， 增载完毕； 0017 步骤102： 从活塞开始上行点B开始， 活塞上行， 固定阀打开， 游动阀关闭， BC区间为 光杆的上行线， 至驴头上死点C， 光杆上行结束； 0018 步骤103： 从驴头上死点C开始， 光杆下行， 游动阀和固定阀均关闭， 抽油泵内液体 开始排出，。

13、 CD区间是卸载的过程， 至D点时， 卸载完毕； 0019 步骤104： 从活塞开始下行点D开始， 活塞下行， 固定阀关闭， 游动阀打开， DA区间为 光杆的下行线， 至驴头下死点A， 光杆下行结束， 至此一个抽汲周期结束。 0020 优选的， 所述步骤S20中的数据预处理采用的方式为中心变换法。 0021 优选的， 所述步骤S30中的特征提取采用不变矩的特征提取方法。 0022 优选的， 所述步骤S60中的对ART2神经网络进行训练的ART2神经网络训练算法为： 0023 步骤601： 初始化ART2神经网络的参数a、 b、 c、 d、 、 e和 ； 由F1层到F2层的连接矩阵 wij和由F。

14、2层到F1层的连接矩阵wji， 然后将特征向量xi输入网络， xi0， 1， i1， n； 0024 步骤602： 计算F1层中的各矢量： x、 w、 u、 v、 q和p； 0025 步骤603： 计算F2层中输入矢量pip1,p2,p3,L,pm， 计算获胜节点j， 当F2层未受 激励时， 所有yj0,j1,m； 0026 步骤604： 信息反馈； 由F2层的获胜节点j送回自顶向下的权向量wij， 并计算出值| |R|； 0027 步骤605： 阈值检测； 若|R|， 则接受j为获胜节点， 步骤606， 否则发Reset信 号， 置yj0， 开始搜索阶段， 步骤602； 0028 步骤606。

15、： 调整由底而上及自顶向下的权向量wij及wji。 0029 在上述技术方案中， 本发明提供的技术效果和优点： 0030 1、 本发明的抽油机示功图智能识别方法， 通过对抽油机载荷和悬点位移信号的采 集， 以光杆位移信号为横坐标， 载荷信号为纵坐标， 绘制在一个抽汲周期内随时间变化构成 的封闭曲线， 得到抽油机示功图样本。 对于采集到的抽油机示功图样本， 如果样本的类别数 是已知的， 先用一组已知类别的集合作为训练集， 建立判别模型， 再用建立的模型根据相似 性原则来对未知样本进行识别， 则称为有监督模式识别。 如果预先不知道样本类别， 完全依 靠样本自然特性进行识别的方法称为无监督模式识别；。

16、 0031 2、 本发明采用ART2神经网络对示功图的若干不变矩特征进行辨识， 可以对抽油机 的18种典型工况进行高效、 准确的识别， 从而对抽油机进行故障诊断和井下工况判断， 进而 可以有针对性地解除油井故障。 本发明对保证油井正常生产或提高油井产量有很重要的意 义； 0032 3、 本发明的抽油机示功图智能识别方法， 具有可对抽油机进行故障诊断和井下工 况判断， 实现了示功图的稳定、 高效、 准确识别等优点。 说明书 2/6 页 4 CN 112112631 A 4 附图说明 0033 为了更清楚地说明本申请实施例或现有技术中的技术方案， 下面将对实施例中所 需要使用的附图作简单地介绍， 。

17、显而易见地， 下面描述中的附图仅仅是本发明中记载的一 些实施例， 对于本领域普通技术人员来讲， 还可以根据这些附图获得其他的附图。 0034 图1为本发明的模式识别过程示意图。 0035 图2为本发明的抽油机示功图。 0036 图3为本发明的示功图智能识别ART2网络结构图。 具体实施方式 0037 为了使本领域的技术人员更好地理解本发明的技术方案， 下面将结合附图对本发 明作进一步的详细介绍。 0038 本发明提供了如图1所示的一种抽油机示功图智能识别方法， 包括以下步骤： 0039 步骤S10： 绘制抽油机的示功图， 得到示功图的样本； 0040 步骤S20： 对步骤S10获得的抽油机示功。

18、图的样本进行数据预处理； 0041 步骤S30： 对步骤S20的经过数据预处理的示功图样本进行特征提取； 0042 步骤S40： 判断示功图样本的类别， 如果是已知的， 执行步骤S50， 如果是未知的， 执 行步骤S60； 0043 步骤S50： 用一组已知类别的集合作为训练集对ART2神经网络进行训练， 建立判别 模型， 再用建立的模型根据相似性原则来对未知样本进行识别； 0044 步骤S60： 对于未知样本， 则依靠样本自然特性进行直接识别， 识别时， 将抽油机示 功图的样本输入预先设定的ART2神经网络； 0045 步骤S70： 由ART2神经网络对抽油机示功图的样本进行识别， 并根据识。

19、别结果对抽 油机进行故障诊断和井下工况判断， 并显示判断结果。 0046 进一步的， 在上述技术方案中， 如图2所示， 所述步骤S10中， 绘制抽油机的示功图 的过程为： 0047 步骤101： 从抽油机的驴头下死点A开始， 抽油机的光杆上行， 抽油机的游动阀和固 定阀均关闭， 光杆开始承受抽油机的活塞上部液柱的质量， AB区间是增载的过程， 至B点时， 增载完毕； 0048 步骤102： 从活塞开始上行点B开始， 活塞上行， 固定阀打开， 游动阀关闭， BC区间为 光杆的上行线， 至驴头上死点C， 光杆上行结束； 0049 步骤103： 从驴头上死点C开始， 光杆下行， 游动阀和固定阀均关闭。

20、， 抽油泵内液体 开始排出， CD区间是卸载的过程， 至D点时， 卸载完毕； 0050 步骤104： 从活塞开始下行点D开始， 活塞下行， 固定阀关闭， 游动阀打开， DA区间为 光杆的下行线， 至驴头下死点A， 光杆下行结束， 至此一个抽汲周期结束； 0051 图2中， 横坐标S为光杆的冲程， 其坐标起点为驴头的下死点A， 终点为驴头上死点 C； 纵坐标P为光杆的负荷； B为活塞的开始上行点， D为活塞的开始下行点； P液为抽油泵活塞 以上的液柱的质量； P杆为抽油杆柱沉浸在井液中的质量； S活为活塞的冲程； 为抽油泵的冲 程损失量， 1+ 2( 1为抽油杆的伸缩长度， 2为油管的伸缩长度)。

21、； OA段为下冲程时光杆 承受的最小静载荷。 示功图是抽油机悬点位移与载荷在一个抽汲周期内随时间变化构成的 说明书 3/6 页 5 CN 112112631 A 5 封闭曲线， 运行人员可通过本发明的识别结果， 很容易确认抽油机的故障， 并能对井下工况 进行判断， 有针对性地解除油井故障， 保证油井正常生产或提高油井产量。 0052 进一步的， 在上述技术方案中， 所述步骤S20中的数据预处理采用的方式为中心变 换法， 进而可以去除噪声和降低数据维数。 0053 进一步的， 在上述技术方案中， 所述步骤S30中的特征提取采用不变矩的特征提取 方法， 具体方法如下： 0054 矩特征主要表征了图。

22、像区域的几何特征， 又称为几何矩， 由于其具有旋转、 平移、 尺度等特性的不变特征， 所以又称其为不变矩。 在图像处理中， 几何不变矩可以作为一个重 要的特征来表示物体， 可以据此特征来对图像进行分类等操作， 不变矩的计算方法为： 0055 步骤301： 计算示功图图像f(x， y)的中心矩 pq， 0056 对于数字图像， p+q阶几何矩定义为： 0057 0058 p+q阶中心矩定义为： 0059 0060 其中， N和M分别代表图像的高度和宽度。 0061归一化的中心矩为：其中， 0062 步骤302： 计算图像的不变矩j(即j1， 2， 3， ， 7)， 0063利 用 二 阶 和 三。

23、 阶 归 一 化 中 心 矩 可 以 构 造 以 下 7 个 不 变 矩 0064 步骤303： 计算实际不变矩Mj： 0065 为了减小矩数值分布范围和便于比较， 可以采用开方进行数据压缩， 考虑到不变 矩可能出现负值， 实际采用的不变矩为： 0066 0067 进一步的， 在上述技术方案中， 如图3所示， 所述步骤S60中的对ART2神经网络进行 训练的ART2神经网络训练算法为： 0068 步骤601： 初始化ART2神经网络的参数a、 b、 c、 d、 、 e和 ； 由F1层到F2层的连接矩阵 wij和由F2层到F1层的连接矩阵wji， 然后将特征向量xi输入网络， xi0， 1， i。

24、1， n； 0069 步骤602： 计算F1层中的各矢量： x、 w、 u、 v、 q和p， 说明书 4/6 页 6 CN 112112631 A 6 0070 0071其中， f()为非线性函数，g()为 激活的神经元激活时F2层的反馈， 0072 步骤603： 计算F2层中输入矢量pip1,p2,p3,L,pm， 计算获胜节点j， 0073 0074 当F2层未受激励时， 所有yj0,j1,m； 0075 步骤604： 信息反馈； 由F2层的获胜节点j送回自顶向下的权向量wij， 并计算出值| |R|， 且 0076 步骤605： 阈值检测； 若|R|， 则接受j为获胜节点， 步骤606；。

25、 否则发Reset信 号， 置yj0， 开始搜索阶段， 步骤602； 0077 步骤606： 调整由底而上及自顶向下的权向量wij及wji， 0078 根据权值调整公式： 0079 0080 调整由底而上及自顶向下的权向量。 0081 ART2神经网络由注意子系统和取向子系统两个部件组成， 注意子系统包含了比较 层F1、 表示层F2和连接于F1层与F2层之间的自适应长期记忆， 其中， 比较层F1由6个子层(z、 q、 v、 u、 s和p)和3个增益控制模块(实心圆点)组成， 取向子系统由重置机构组成。 0082 图3中， xi为外界输入， pi为F2层为输入的反应， 向量ri监视xi与pi的匹。

26、配程度， 与 警戒值 比较， 从而判断系统F2层当前反应结果是否正确， yj为输出值， wji、 wij分别代表F1 层到F2层和F2层到F1层的连接权重； a、 b为正反馈系数， c为权重系数； 0083 下面给出本发明的一个实施例， 我们设置参数a10， b10， c0.1， d0.95， e 0.000001， 0.9， 0。 输入参数及ART2神经网络的训练结果见表1。 0084 表1抽油机典型示功图的识别 0085 输入胜者识别结果实际故障结果 x11y1y1正确 x22y2y2正确 x33y3y3正确 x44y4y4正确 说明书 5/6 页 7 CN 112112631 A 7 x。

27、55y5y5正确 x66y6y6正确 x77y7y7正确 x88y8y8正确 x99y9y9正确 x1010y10y10正确 x1111y11y11正确 x1212y12y12正确 x1313y13y13正确 x1414y14y14正确 x1515y15y15正确 x1614y14y16错误 x1716y17y17正确 x1817y18y18正确 x1918y19y19正确 0086 其中： xi(i1， 2， 3， ， 19)代表输入模式(各输入示功图样本的7个不变矩特征)； yi(i1， 2， 3， ， 19)代表实际故障类型， y1-正常、 y2-泵下碰、 y3-泵下碰、 y4-冲程损失。

28、影 响、 y5-抽油杆断脱、 y6-供液不足、 y7-固定凡尔漏失、 y8-游动凡尔漏失、 y9-活塞遇卡、 y10- 结蜡、 y11-连轴带喷、 y12-气锁、 y13-气体影响、 y14-双凡尔同时漏失、 y15-液击、 y16-油稠、 y17-油管漏失、 y18-油井出砂、 y19-柱塞脱出工作筒。 0087 从训练结果可以看出， 当系统警戒值较高( 0.9)时， ART2神经网络将典型示功 图分成18个类别， 识别精度达到了94.7， 如果继续提高警戒值， 分类结果会更加精确。 0088 以上只通过说明的方式描述了本发明的某些示范性实施例， 毋庸置疑， 对于本领 域的普通技术人员， 在不偏离本发明的精神和范围的情况下， 可以用各种不同的方式对所 描述的实施例进行修正。 因此， 上述附图和描述在本质上是说明性的， 不应理解为对本发明 权利要求保护范围的限制。 说明书 6/6 页 8 CN 112112631 A 8 图1 说明书附图 1/2 页 9 CN 112112631 A 9 图2 图3 说明书附图 2/2 页 10 CN 112112631 A 10 。