功圖量油與診斷算法簡介(編輯修改稿)
2025-03-13 19:19 本頁面
【文章內(nèi)容簡介】 主要內(nèi)容o 功圖量油概述o 現(xiàn)有問題與改進o 多氣井量油o 抽油井故障診斷3/22/2023故障診斷o 功圖量油須建立在抽油井工況健康的基礎上，因此在量油之前需進行故障診斷。3/22/2023故障診斷o 整個故障診斷系統(tǒng)分為：n 診斷界面n 讀寫數(shù)據(jù)庫n 底層模塊接口n 診斷模塊3/22/2023底層接口o 為診斷模塊提供標準功圖、當前功圖和前一功圖o 實現(xiàn)功圖數(shù)據(jù)的前期處理，提供給診斷模塊入口，對漸變故障進行后期處理底層模塊接口診斷模塊原始數(shù)據(jù)標準功圖第 n個功圖第 n1個功圖一部分診斷結(jié)果漸變故障處理漸變故障診斷結(jié)果3/22/2023診斷模塊o 數(shù)據(jù)采集錯誤o 抽油桿斷脫或活塞遇卡或凡爾失靈o 柱塞脫出工作筒o 油井結(jié)蠟或乳化油稠o 油管漏失o 固定凡爾漏失o 供液不足o 上碰掛o 下碰泵3/22/2023診斷模塊3/22/2023智能分類o 人工神經(jīng)網(wǎng)絡已經(jīng)有 40多年的歷史 ,近些年來神經(jīng)網(wǎng)絡技術被越來越廣泛地應用于石油工業(yè)的許多不同領域。與傳統(tǒng)的分類方法相比，人工神經(jīng)網(wǎng)絡模型有許多優(yōu)勢 :n 具有極強的非線性映射能力，可以以任意精度逼近任何連續(xù)函數(shù)n 采用并行計算機制 ,具有高速度和高精度n 采用信息的分布式存儲方式，具有更好的穩(wěn)定性和容錯性，允許樣本缺失和扭曲，部分計算單元的損壞不會削弱整個系統(tǒng)的功用 。n 具有較強的自學習綜合能力、聯(lián)想記憶能力和調(diào)整功能3/22/2023智能分類o 現(xiàn)在人工神經(jīng)網(wǎng)絡已經(jīng)廣泛的應用于有桿抽油井的故障診斷中。在眾多的神經(jīng)網(wǎng)絡模型中 ,比較常用的是誤差反向傳播神經(jīng)網(wǎng)絡 ,簡稱 BP神經(jīng)網(wǎng)絡，我們就使用了 BP神經(jīng)網(wǎng)絡進行油井故障的診斷。3/22/2023智能分類o BP神經(jīng)網(wǎng)絡是一種基于誤差反向傳播算法的多層前饋型人工神經(jīng)網(wǎng)絡 , 具有三層或三層以上神經(jīng)元，有輸入層、隱含層和輸出層。它的學習方式是一種有監(jiān)督的學習 ,在輸出層比較網(wǎng)絡的實際輸出和對應的期望輸出的誤差均方差 ,如果不能得到滿意的誤差精度 ,則根據(jù)誤差通過梯度下降法調(diào)整各層神經(jīng)元的權(quán)值 ,最終使誤差達到最小。3/22/2023智能分類o 具有兩個隱層的神經(jīng)網(wǎng)絡示意圖3/22/2023智能分類o 診斷過程示意圖3/22/2023o 目前，我公司應用于油田現(xiàn)場的診斷系統(tǒng)可以識別出以下幾種故障：數(shù)據(jù)采集錯誤，抽油桿斷脫或活塞遇卡或凡爾失靈，柱塞脫出工作筒 ，油井結(jié)蠟或乳化油稠，油管漏失，固定凡爾漏失，供液不足，上碰掛，下碰泵。其中，數(shù)據(jù)采集錯誤可以通過功圖的物理屬性判斷出來；其他故障類型的判斷以神經(jīng)網(wǎng)絡為主，同時結(jié)合功圖的物理屬性。3/22/2023以 “供液不足 ” 為例o 神經(jīng)網(wǎng)絡訓練階段n 訓練階段分為神經(jīng)網(wǎng)絡構(gòu)建、訓練數(shù)據(jù)提取和網(wǎng)絡訓練三個部分。n 這里把神經(jīng)網(wǎng)絡設計為包含一個隱層的 BP網(wǎng)絡，隱含層神經(jīng)元的傳遞函數(shù)使用正切 S型，輸出層神經(jīng)元的傳遞函數(shù)使用對數(shù) S型，訓練函數(shù)使用 trainlm，反傳算法采用收斂速度較快的LevenbergMarquadt算法。3/22/2023以 “供液不足 ” 為例o 神經(jīng)網(wǎng)絡訓練階段n 選取供液不足的典型功圖，對功圖數(shù)據(jù)進行預處理，主要包括功圖平滑和歸一化。供液不足的功圖特征主要為下行程功圖缺失，因此提取從上死點開始的 108組載荷數(shù)據(jù)作為功圖特征數(shù)據(jù)。n 將提取好的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的輸入進行訓練，直到網(wǎng)絡達到預定的識別誤差。3/22/2023以 “供液
公司管理相關推薦
鄂ICP備17016276號-1