郭健

（河海大學(xué) 江蘇 南京 210000）

在油田生產(chǎn)信息系統(tǒng)中，我們要及時(shí)的了解抽油井井下的工況，通過自動化技術(shù)對井下故障進(jìn)行檢測與診斷，實(shí)現(xiàn)采油系統(tǒng)的自動監(jiān)控[1]。然而，目前抽油井故障診斷的準(zhǔn)確率并不是太高，如何在持續(xù)的研究和探索中不斷改進(jìn)和尋找新的方法來提高故障的識別精度和識別效率是當(dāng)今油井故障診斷領(lǐng)域的一大熱點(diǎn)問題。

有桿抽油系統(tǒng)采集獲取的示功圖數(shù)據(jù)是了解油井故障、判斷油井工況的一個重要工具，油井示功圖反應(yīng)了抽油機(jī)懸點(diǎn)載荷隨其位移變化規(guī)律的圖形稱為光桿的示功圖，示功圖作為研究油井動態(tài)具有不可替代的作用[2]。示功圖數(shù)據(jù)是由位移數(shù)據(jù)和載荷數(shù)據(jù)構(gòu)成，一般一張功圖有幾十到幾百個點(diǎn)不等。通過這些功圖數(shù)據(jù)并且利用神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對油井的故障診斷，而診斷的關(guān)鍵是對示功圖識別的準(zhǔn)確性[3]，這就要求建立一個合適的神經(jīng)網(wǎng)絡(luò)模型作為整個診斷系統(tǒng)的核心。

本文利用油井的功圖數(shù)據(jù)，從中選擇具體代表性的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入，從而丟棄了不必要的輸入數(shù)據(jù)。建立基于自組織競爭神經(jīng)網(wǎng)絡(luò)的抽油井的故障診斷系統(tǒng)，實(shí)現(xiàn)了對不同故障類型的功圖數(shù)據(jù)進(jìn)行自動分類，并且在江蘇油田生產(chǎn)信息系統(tǒng)中加以應(yīng)用，取得了良好的效果。

1 示功圖特征值最優(yōu)子集的選擇

示功圖的原始數(shù)據(jù)往往摻雜了一些無用的信息，若把這些大量的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入會影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和診斷精度。通過運(yùn)用幾何參數(shù)法、灰度矩陣法等特征值提取方法來獲取示功圖的特征值，使神經(jīng)網(wǎng)絡(luò)的輸入規(guī)模大大的減少，從而使特征值更具有針對性，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，從而使診斷的準(zhǔn)確性更高。

幾何參數(shù)法主要是計(jì)算圖形的周長、面積、包圍目標(biāo)的最小外圓等參數(shù)以及他們之間的比值來作為圖形形狀的描述方法。這些幾何參數(shù)可以反映出示功圖的各種物理意義。例如，增載線、卸載線的變化反映了泵內(nèi)壓力以及桿柱摩擦力的變化情況，它們的斜率也反映了泵的充滿系數(shù)；最大最小載荷可以作為設(shè)定某些閾值的參照，同時(shí)也反映示功圖在坐標(biāo)軸上的位置；凡爾開閉點(diǎn)決定了抽油井活塞的沖程，從而可以計(jì)算出泵的充滿系數(shù)。

灰度矩陣法是將歸一化后的示功圖放到相應(yīng)的網(wǎng)格中，其中每個網(wǎng)眼對應(yīng)一個灰度值。先把功圖曲線經(jīng)過的網(wǎng)眼置為1；其次再按等高線方式對其他網(wǎng)眼賦值，即在功圖內(nèi)部的網(wǎng)眼，每遠(yuǎn)離功圖曲線一格則其灰度值加1，在功圖外部的網(wǎng)眼，每遠(yuǎn)離功圖曲線一格則其灰度值減1[4]。最后計(jì)算出示功圖灰度矩陣的各個統(tǒng)計(jì)特征值，包括灰度的均值、方差、偏度、峰度、能量、熵等[5]。

通過上述兩種方法提取到示功圖的特征值集合為X=[X1，X2，…，Xn]，把這一最優(yōu)子集作為神經(jīng)網(wǎng)絡(luò)的輸入向量。

2 自組織競爭神經(jīng)網(wǎng)絡(luò)模型的建立

自組織競爭神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)結(jié)構(gòu)上，它是由兩層網(wǎng)絡(luò)所組成，分別是輸入層和競爭層，兩層之間各個神經(jīng)元實(shí)現(xiàn)雙向連接，競爭層各神經(jīng)元之間還存在橫向連接，如圖1所示。

圖1 自組織競爭神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.1 The structure of self-organizing competitive neural network

競爭層中每個神經(jīng)元對應(yīng)一種標(biāo)準(zhǔn)模式，它們之間相互競爭，競爭的結(jié)果是最后有一個神經(jīng)元勝出，即它的輸出值為非零值，此時(shí)輸入向量的類別就是獲勝神經(jīng)元對應(yīng)的標(biāo)準(zhǔn)模式。競爭層的傳遞函數(shù)是一個二值型函數(shù)，只有最大輸入的神經(jīng)元的輸出為1，其他均為0。由此，設(shè)競爭層的傳遞函數(shù)為：

可以看出，當(dāng)規(guī)范化后的權(quán)值向量與輸入向量的內(nèi)積最大時(shí)，即兩個向量最接近的神經(jīng)元的輸出為1。我們通過調(diào)整獲勝神經(jīng)元的權(quán)值，即網(wǎng)絡(luò)權(quán)值矩陣中的某一個行向量的值，所以距離某個輸入向量最近的權(quán)值得到了調(diào)整，使得它向著輸入向量移動以更加接近該輸入向量。這樣，當(dāng)下次輸入相似的向量時(shí)，該神經(jīng)元就更加可能在競爭中取得勝利。如此不斷地將不同的輸入向量輸入網(wǎng)絡(luò)，每次與輸入向量最接近的權(quán)值向量就會向著輸入向量移動，最終每個權(quán)值向量將指向輸入向量的不同類，如圖2所示，每個權(quán)值向量會成為不同的類的標(biāo)準(zhǔn)向量。那么當(dāng)新的向量輸入時(shí)，競爭層通過是權(quán)值向量最接近輸入向量的神經(jīng)元的輸出為1，實(shí)現(xiàn)了分類的目的。而閾值用來調(diào)整神經(jīng)元獲勝的概率，從而避免死神經(jīng)元的出現(xiàn)。

圖2 權(quán)值向量與分類Fig.2 Weight vector and classification

相比于BP神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更簡單，不需要經(jīng)過大量的時(shí)間來確定合適的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)、算法和參數(shù)設(shè)置[6]。而且學(xué)習(xí)速率快，不會陷入局部最優(yōu)解?；谝陨咸攸c(diǎn)，我們應(yīng)用自組織競爭神經(jīng)網(wǎng)絡(luò)模型作為抽油井故障診斷系統(tǒng)的總框架。

3 自組織競爭神經(jīng)網(wǎng)絡(luò)的應(yīng)用

我們首先將所有的原始功圖數(shù)據(jù)進(jìn)行歸一化處理，即把示功圖轉(zhuǎn)化為無量綱的形式，轉(zhuǎn)換公式如下：

其中，xi為位移數(shù)據(jù)，yi載荷數(shù)據(jù)（i=0，1，…，n）。

把歸一化后的功圖數(shù)據(jù)分為訓(xùn)練樣本集和測試樣本集，分別包括供液不足、上碰泵、氣體影響、油稠和正常共5種類型，從中提取出16個特征值作為神經(jīng)網(wǎng)絡(luò)的輸入向量，包括示功圖的面積、尖角、平滑度、平均高度等幾何特征，以及基于灰度矩陣的灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量和灰度熵6個灰度統(tǒng)計(jì)特征值。這樣，該自組織競爭神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元個數(shù)為16，而競爭層的神經(jīng)元個數(shù)為5。

在訓(xùn)練樣本集中，分別選擇各種類型的示功圖特征值集合進(jìn)行訓(xùn)練，每種類型共有150個樣本，重復(fù)訓(xùn)練10次，這樣網(wǎng)絡(luò)權(quán)值可以得到持續(xù)的調(diào)整，最終得到合適的權(quán)值矩陣。最后，把測試樣本集的特征值集合作為網(wǎng)絡(luò)的輸入，得到相應(yīng)的故障類型。這一過程也重復(fù)10次。

把上述方法的結(jié)果與運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果以及未經(jīng)過特征值提取的自組織競爭神經(jīng)網(wǎng)絡(luò)模型的結(jié)果進(jìn)行對比，其中后面兩種方法的輸入層神經(jīng)元為216個，輸出層均為5個，BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元為20個，而三者使用同樣的訓(xùn)練樣本集進(jìn)行學(xué)習(xí)。結(jié)果如表1所示，方案一為BP神經(jīng)網(wǎng)絡(luò)模型，方案二為未經(jīng)過特征提取的自組織競爭神經(jīng)網(wǎng)絡(luò)模型，方案三為經(jīng)過特征提取的自組織競爭神經(jīng)網(wǎng)絡(luò)模型。

通過以上對比發(fā)現(xiàn)，經(jīng)過基于自組織競爭神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果的正確率相比于基于BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果的正確率相對要高一些，而在基于自組織競爭神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上再對示功圖進(jìn)行特征值提取后，其正確識別率為98.91%，都比前兩種方案要高，而且訓(xùn)練時(shí)間也分別減少了68%和39%。所以方案三是確實(shí)可行的。

表1 方案結(jié)果對比Tab.1 The contrasts of solutions

4 結(jié) 論

本文通過對原始功圖數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理和特征值提取，選擇具有典型特征的特征集合作為網(wǎng)絡(luò)輸入，并且利用自組織競爭神經(jīng)網(wǎng)絡(luò)建立故障診斷模型，經(jīng)過以上訓(xùn)練以及測試，結(jié)果表明，該模型具有較高的識別率，收斂速度較快，在江蘇油田生產(chǎn)信息系統(tǒng)中可以解決抽油井典型故障診斷的問題。

[1]孫明.基于神經(jīng)網(wǎng)絡(luò)的抽油井故障診斷系統(tǒng)[D].青島：中國石油大學(xué)（華東）：技術(shù)，2008.

[2]張家珍.基于加速度傳感器的示功圖測試與分析系統(tǒng)研究[D].青島：中國石油大學(xué)（華東），2009.

[3]曾婧.基于神經(jīng)網(wǎng)絡(luò)的油田故障診斷優(yōu)化[J].控制工程，2009:111-113.

ZENG Jing.Oil field of fault diagnosis based on neural network optimization[J].Control Engineering，2009:111-113.

[4]爨（王瑩）.基于灰色理論的抽油井泵功圖診斷技術(shù)研究[J].微電子學(xué)與計(jì)算機(jī)，2005，22（3）:77-80.

CUAN WANG-ying.The research of Oil well pump indicator diagrams diagnosis based on the theory ofgrey[J].Microelectronics and Computer，2005，22（3）:77-80.

[5]吳偉，陳國定，何焱.基于人工神經(jīng)網(wǎng)絡(luò)和灰度矩陣的泵功圖診斷[J].西安石油大學(xué)學(xué)報(bào)，2007，22（3）:119-121.

WU Wei，CHEN Guo-ding，HE Yan.Based on artificial neural network and gray level matrix diagnosis of pump indicator diagrams[J].Journal of Xi’an Petroleum University，2007，22（3）:119-121.

[6]徐芃，徐士進(jìn)，尹宏偉.自組織競爭神經(jīng)網(wǎng)絡(luò)在江蘇油田有桿抽油系統(tǒng)系統(tǒng)故障診斷中的應(yīng)用[J].高校地質(zhì)學(xué)報(bào)，2006，12（2）:266-270.

XU Peng，XU Shi-jin，YIN Hong-wei.Application of selforganizing competitive neural network to fault diagnosis of sucker rod pumping system in Jiangsu oilfield[J].Geological Journal of China University，2006，12（2）：266-270.