基于功圖分析的有桿抽油泵故障診斷技術(shù)研究

羅仁澤, 陸　存 ，敬興龍 ，孫　磊，焦月明 ，楊　力

(1.西南石油大學(xué) 地球科學(xué)與技術(shù)學(xué)院，成都　610500；2.西南石油大學(xué) 機電工程學(xué)院，成都　610500；3.新疆華隆油田科技股份有限公司，新疆 克拉瑪依　834000；4.新疆油田公司采油一廠，新疆 克拉瑪依市　834000)

?

基于功圖分析的有桿抽油泵故障診斷技術(shù)研究

羅仁澤1, 陸存2，敬興龍3，孫磊4，焦月明3，楊力3

(1.西南石油大學(xué) 地球科學(xué)與技術(shù)學(xué)院，成都610500；2.西南石油大學(xué) 機電工程學(xué)院，成都610500；3.新疆華隆油田科技股份有限公司，新疆 克拉瑪依834000；4.新疆油田公司采油一廠，新疆 克拉瑪依市834000)

在油井開采中，利用計算機技術(shù)準(zhǔn)確判斷油井井下故障，實現(xiàn)采油系統(tǒng)的數(shù)字化與智能化，是當(dāng)今石油行業(yè)急需解決的重大難題之一；通過示功圖分析診斷有桿抽油泵故障是油田分析泵況的主要手段，目前，國內(nèi)外對示功圖的識別還是主要依靠人完成，雖然計算機識別技術(shù)早已實現(xiàn)，但是，由于其準(zhǔn)確度有限，并未得到推廣；為此，在大量文獻研究的基礎(chǔ)上，對有桿抽油泵故障診斷技術(shù)進行了綜述；首先介紹了抽油泵故障診斷技術(shù)的發(fā)展歷程，其次對井下泵功圖轉(zhuǎn)換模型建立、泵功圖特征值提取方法和特征值匹配方法的國內(nèi)外功圖識別技術(shù)進行了分析，最后指出了目前有桿泵故障診斷技術(shù)中存在的主要問題及今后需要努力的方向。

抽油泵；泵功圖；故障診斷；特征值；現(xiàn)狀

0　引言

在目前常用的采油方法中，有桿泵往復(fù)抽油方式具有綜合成本低、設(shè)備簡單、操作方便等優(yōu)點，在石油工業(yè)問世初期就得到了廣泛的應(yīng)用，迄今，這種抽油方法在機械采油方法中仍居首位。我國約90%的油井、全世界80%的油井都采用有桿泵往復(fù)抽油方式進行生產(chǎn)[1]。但這種方法也存在著一定的缺陷，有桿抽油設(shè)備在工作過程中需要延伸至地下數(shù)千米，工況十分復(fù)雜，工作環(huán)境也非常惡劣，不但受到機、桿、泵等抽油設(shè)備的影響，而且還直接受到砂、蠟、氣、水的影響，故障率高，嚴(yán)重影響了油田的生產(chǎn)效率，因此對有桿抽油機井下泵況的準(zhǔn)確診斷是非常必要的[2]。

自20世紀(jì)60年代至今，對有桿抽油泵故障診斷技術(shù)的研究，一直是國內(nèi)石油工程界學(xué)者研究的重點課題之一。其發(fā)展大致經(jīng)歷了兩個階段：一是早期的人工識別階段，在此期間，人們對抽油泵的故障診斷主要是依靠人的感覺來進行識別，也就是所謂的“五指動力儀”分析法。隨著儀器儀表的發(fā)展，這種方法逐漸被地面示功圖分析法所取代，該方法首先利用光桿動力儀繪制光桿示功圖，工作人員再通過功圖分析進行故障識別，由于該方法操作簡單、方便，可以識別出大部分故障，至今仍未被淘汰；1966年，美國殼牌公司的Gibbs,S.G和Neely,A.B率先提出了有桿抽油機系統(tǒng)的計算機仿真技術(shù)[3]，建立了抽油桿柱的波動方程，將有桿抽油泵的故障診斷技術(shù)推到了新的階段，即計算機識別階段，該方法首先利用動力儀獲得井上示功圖，通過波動方程將井上示功圖轉(zhuǎn)化為井下泵功圖，從而對泵況進行分析和判斷。隨后，P.Schirmer等人采用模式識別技術(shù)來進行功圖識別，并建立了可以診斷7種泵故障的診斷系統(tǒng)，80年代至90年代期間，國內(nèi)也成功開發(fā)出了集成化的有桿抽油泵故障診斷系統(tǒng)[4-5]。90年代至今，油田正在向數(shù)字化、智能化方向快速前進，神經(jīng)網(wǎng)絡(luò)[6-8]、支持向量機[9]等技術(shù)的出現(xiàn)使得有桿抽油泵故障診斷的智能化程度不斷提高。

目前，國內(nèi)外對泵況故障診斷思路如圖1所示[10]，大多數(shù)學(xué)者也是根據(jù)這個思路在各個環(huán)節(jié)上進行一定的改進和創(chuàng)新。本文就目前國內(nèi)外對有桿抽油泵故障診斷技術(shù)的研究現(xiàn)狀進行綜述，分別從功圖轉(zhuǎn)換現(xiàn)狀、特征值提取現(xiàn)狀、故障識別現(xiàn)狀3個方面進行分析，并指出了各種技術(shù)的優(yōu)缺點，以期后續(xù)研究者在此基礎(chǔ)上，彌補不足，不斷創(chuàng)新。

圖1　有桿抽油泵故障診斷流程

1　泵功圖轉(zhuǎn)換模型建立技術(shù)現(xiàn)狀

由于抽油泵位于井下數(shù)千米，難以直接獲得泵功圖，而井下泵功圖最能真實地反應(yīng)泵的工作狀況[11]，就目前的技術(shù)而言，我們只能先獲取井上示功圖，通過對抽油桿柱建立波動方程，將井上示功圖轉(zhuǎn)化為井下泵功圖。由于抽油桿柱受到強烈的庫侖摩擦，導(dǎo)致了該系統(tǒng)模型的復(fù)雜性和非線性[12-13]。波動方程建立的基本原理是將抽油桿柱作為井下信號向井上傳導(dǎo)的信號線，將抽油泵視為信號發(fā)生器，泵發(fā)出的信號以應(yīng)力波的形式沿抽油桿柱傳遞到井上，然后被作為接收器的光桿動力儀所接收?；诖嗽?，建立了抽油桿柱的波動方程，為將懸點示功圖轉(zhuǎn)化為井下泵功圖提供了數(shù)學(xué)模型。

對抽油桿柱波動方程的建立，最早的是由吉布斯波動方程，由于該方程忽略了其它外界條件的影響，通過該波動方程所得到的泵功圖，勢必會影響到對泵況診斷的精度，后續(xù)研究者在此基礎(chǔ)之上對其進行了不斷地完善和改進，主要通過兩個方面進行改進：第一個方面是對波動方程的進行完善。文獻[14]將抽油桿柱所受到的重力及浮力加入了波動方程中，從而解決了將抽油桿柱的重力和浮力視為集中力而引起對桿柱變形計算不準(zhǔn)確的問題。劉磊明等[15]在建立波動方程時考慮了桿柱的徑向、軸向振動以及油管液柱間的徑向耦合振動；宋開利指出采用API方法和吉布斯方法建立的有桿抽油系統(tǒng)預(yù)測、診斷模型[16]；王凱[17]考慮井眼軌跡的井斜角、方位角、油液等對抽油桿柱抽汲運動的影響，建立了反映抽油桿柱動態(tài)變化的波動方程。第二個方面是對波動方程的求解過程進行改進。如王金東等[18]采用精細(xì)逐步積分法對波動方程進行求解，在保證精度的同時，提高了計算速度。耿發(fā)展和姜薇[19]提出了將再生核理論解決分?jǐn)?shù)階微分方程，得到了國內(nèi)外學(xué)者的認(rèn)可。

2　特征值提取方法現(xiàn)狀

2.1直觀的幾何特征提取

這種特征值提取法是在泵功圖上直接獲取特征值或者對泵功圖做一些簡單的幾何操作從而獲取特征值。如文獻[20]將功圖上所有的數(shù)據(jù)點作為特征值與基準(zhǔn)進行比較，這種方法包含信息較為全面，然而由于功圖一般有上百個數(shù)據(jù)點，將其全部作為特征值計算量十分龐大。利用差分曲線法進行特征值可以解決該缺陷，其基本原理如圖2所示，曲線ABCDEFA是抽油泵未充滿的理論示功圖，以增載點A和卸載點C為分界點，將示功圖分為上沖程ABC段和下沖程CDEFA段，CB＇AD＇E＇F＇為下沖程段的反向曲線，下沖程段的反向曲線減去上沖程段的曲線即得到曲線abcde。將曲線abcde作為特征值與標(biāo)準(zhǔn)模板進行比較，即可得到診斷結(jié)果。文獻[21]將功圖以過其形心的水平、豎直直線劃分為四塊區(qū)域，以該四部分區(qū)域的面積加上功圖的周長作為特征值，使其計算量進步縮減。總體來說，直觀的幾何特征值提取法只能診斷出一些功圖特征較為明顯的故障，如固定凡兒卡死、油桿斷脫、卡泵、氣鎖等，對于一些功圖不明顯的故障，如凡兒漏失、供液不足、出砂、結(jié)蠟等，診斷準(zhǔn)確率較低。

圖2　抽油泵充不滿的理論差分曲線

2.2網(wǎng)格法提取特征值

網(wǎng)格法特征值提取是對功圖圖像進行網(wǎng)格化處理[22]，目前較具有代表性的是基于灰度矩陣的特征值提取法。該方法是將示功圖分解成若干個形狀、大小相同的網(wǎng)格，如圖3所示，對有示功圖穿過的網(wǎng)格賦值“1”，對于其它網(wǎng)格，以功圖穿過的網(wǎng)格為中心，當(dāng)其位于功圖外部時，每遠(yuǎn)離一格，灰度值減去1，當(dāng)位于功圖內(nèi)部時，每遠(yuǎn)離一格，灰度值增加1，然后計算灰度矩陣的灰度均值、灰度方差、灰度風(fēng)度、灰度偏度、灰度熵、灰度能量等六個特征參數(shù)，以此作為特征值與標(biāo)準(zhǔn)特征值進行比較[23]。該方法得到的特征向量具有較低的維數(shù)，然而該方法是對區(qū)域進行運算，具有較大的運算量。

圖3　正常示功圖的灰度矩陣

2.3基于傅里葉變換的特征值提取

由于示功圖是一個封閉的幾何曲線，因此，它可以對它進行傅里葉級數(shù)展開。傅里葉級數(shù)可以理解為是由低頻信號和高頻信號疊加而成[24]，功圖經(jīng)過傅里葉變換后，主要信息都集中在低頻部分，因此只提取低頻信號部分作為特征值，即可表征功圖形狀。由于對于不同的油井、不同的沖次，其所對應(yīng)的功圖會發(fā)生一定的縮放、旋轉(zhuǎn)，因此，對不同的油井、不同的沖次，直接提取低頻信號的系數(shù)作為特征值需要建立不同的基準(zhǔn)庫。文獻[25]提出了將傅里葉描述子作為特征值的方法，基本思想為：利用泵功圖邊界的封閉性以及周期性，將二維問題轉(zhuǎn)化為一維問題。具體做法是：首相將示功圖進行多邊形逼近，然后對逼近的多邊形的每條邊進行傅里葉變換，提取其傅里級數(shù)中的系數(shù)作為特征值，圖4為其提取流程圖。該方法不僅能反映功圖的基本特征，而且具有平移、旋轉(zhuǎn)、縮放不變性，對于不同的油井、不同的沖次，不需建立新的基準(zhǔn)庫。

圖4　示功圖曲線特征點提取算法流程圖

2.4基于不變矩的特征值提取法

不變矩是目前目標(biāo)識別領(lǐng)域應(yīng)用最多的一種特征[26]。矩特征主要表征了圖像區(qū)域的幾何特征，又稱為幾何矩，被廣泛用于計算機視覺、模式識別以及圖像處理技術(shù)中。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(jù)此特征來對圖像進行分類等操作。HU提出的矩不變量具有平移、縮放、旋轉(zhuǎn)不變的特性[27]，被大量學(xué)者用來進行功圖特征值提取。

3　特征值匹配方法現(xiàn)狀

3.1基于灰色關(guān)聯(lián)度的特征值識別法

灰色關(guān)聯(lián)度分析法是灰色系統(tǒng)分析方法的一種。是根據(jù)因素之間發(fā)展趨勢的相似或相異程度，亦即“灰色關(guān)聯(lián)度”，它是衡量因素間關(guān)聯(lián)程度的一種方法[28]，在設(shè)備的故障診斷中，被廣泛采用[29-31]。根據(jù)灰色系統(tǒng)理論，灰色關(guān)聯(lián)度分析能夠比較真實地反映比較值序列與基準(zhǔn)值序列所對應(yīng)的幾何形狀的接近程度，幾何形狀越接近，其所對應(yīng)的關(guān)聯(lián)度也就越大[32]，以此為模式相似性判別依據(jù)，將其應(yīng)用于抽油桿泵功圖識別中，具有算法結(jié)構(gòu)簡單，識別速度快的優(yōu)點。

3.2基于人工神經(jīng)網(wǎng)絡(luò)的特征值匹配法

人工神經(jīng)網(wǎng)絡(luò)是根據(jù)人的神經(jīng)網(wǎng)絡(luò)而建立起來的，是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學(xué)模型。它通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系來改變系統(tǒng)的復(fù)雜程度，從而達到信息處理的目的。由于它具有自學(xué)習(xí)和自適的能力，同時具有較強的模式識別能力，被廣泛用于各個領(lǐng)域。最具代表性的是近年來發(fā)展起來的BP神經(jīng)網(wǎng)絡(luò)模型，它是通過誤差的反向傳播來改變節(jié)點之間相互連接的關(guān)系，使網(wǎng)絡(luò)的誤差平方和最小，也就是所謂的最速下降法，具有結(jié)構(gòu)簡單、學(xué)習(xí)速率高的特點，是目前應(yīng)用最廣泛的網(wǎng)絡(luò)。然而，BP神經(jīng)網(wǎng)絡(luò)也有不足之處，它容易陷入局部極小值點[33]，針對這一缺陷，已有許多改進的BP網(wǎng)絡(luò)算法，主要通過兩個方面進行改進，一種是啟發(fā)式學(xué)習(xí)算法，如文獻[34]提出了基于半監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)，采用獎勵—懲罰更新規(guī)則，消除了對初始聚類的依賴，文獻[35]提出了三項BP算法，不僅避免了網(wǎng)絡(luò)陷入局部極小值的問題，而且提高了收斂速度。另一種是數(shù)值優(yōu)化算法，它是通過改進BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型來彌補不足，如利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，可以解決傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型難以解決的非線性、全局最優(yōu)等問題，利用黃金分割法改變BP網(wǎng)絡(luò)的步長可以調(diào)整其學(xué)習(xí)速率，同樣可以解決陷入局部最小的問題[36]。

3.3基于支持向量機特征值識別法

支持向量機(support vector machine，SVM)是一個有監(jiān)督的學(xué)習(xí)模型，它是建立在VC維和結(jié)構(gòu)風(fēng)險最小化理論基礎(chǔ)上的一種機器學(xué)習(xí)方法[37]，其基本思想是特征空間的升維和線性化，運用核空間理論和最優(yōu)超平面理論，使得線性不可分的問題得以很好的解決。它的適應(yīng)性較強、訓(xùn)練時間較短、泛化性能較好，而且在訓(xùn)練樣本較少的情況下具有較強的逼近能力，具有神經(jīng)網(wǎng)絡(luò)無法比擬的優(yōu)點，將該方法應(yīng)用于有桿抽油機泵故障診斷中，不僅可以對抽油泵進行實時監(jiān)測、實時診斷，而且還可以提出相應(yīng)的決策，縮短了故障維修周期[38-40]。

4　結(jié)論

在當(dāng)今石油能源緊缺的時代，有桿抽油機扮演著越來越重要的角色，對其故障診斷，受到了國內(nèi)外眾多學(xué)者的重視，并且取得了不少的研究成果。但是對于其故障診斷技術(shù)，仍有不少問題值得探討，而且有很大的提升空間，具體表現(xiàn)在以下幾個方面：

1)有桿抽油機泵的故障種類有20余種，在一定程度上會呈現(xiàn)出多故障性，而我們現(xiàn)在還停留在單故障診斷的技術(shù)上，因此，今后我們有必要發(fā)展多故障的診斷技術(shù)。

2)桿柱波動方程的建模還需要繼續(xù)改進，在求解波動方程時，由于桿柱井下端邊界條件難以直接測得，目前只能通過間接計算得到，井下復(fù)雜的條件導(dǎo)致計算有一定的誤差，這就需要我們在今后一方面對波動方程的求解過程進行改進，另一方面需要大力發(fā)展井下測量技術(shù)。

3)對于抽油機故障診斷，有些故障僅從功圖上是難以準(zhǔn)確的區(qū)分的，如油稠、雙凡兒漏失所對應(yīng)的功圖非常相似，因此今后有必要研究將抽油機泵功圖、油井生產(chǎn)參數(shù)、地層參數(shù)相結(jié)合的故障診斷模型。

4)當(dāng)今社會對智能化程度的要求越來越高，目前，國內(nèi)大多數(shù)油田還處于數(shù)字化建設(shè)階段，抽油泵故障診斷基本上處于計算機處理之后人工識別的階段，因此，今后有必要研發(fā)抽油泵故障診斷智能專家系統(tǒng)，加快油田智能化發(fā)展進程。

[1]李敬元，陳國春，李子豐．濾波技術(shù)在有桿泵抽油系統(tǒng)診斷中的應(yīng)用[J]．石油學(xué)報，2010，31(1):144-147．

[2]李兆敏，林日億．有桿抽油系統(tǒng)效率分析及抽汲參數(shù)優(yōu)化設(shè)計[J]．石油學(xué)報，2005，26(5)：102-106．

[3]S．G．Gibbs，A．B．Neely．Computer Diagnosis of Down-hole Conditions in Sucker Rod Pumping Wells[J]．Journal of petroleum technology，1966(1)：91-98．

[4]Wu Huagen，Xing Ziwen，Shu Pengeheng．Theoretical and Experimental Study on Indicator Diagram of Twin Screw Refrigeration Compressor[J]．International Journal of Refrigeration，2004，27(4)：331-338．

[5]Nazi，G.．M．et．Application of Neural Artificial Network to Pump Card Diagnosis[J]．SPEComputer Application，1994，10(l)：9-14．

[6]Setiono R，Leow W K．FERNN：An algorithm for fast extraction of rules from neural networks[J]．Applied Intelligence，2000，12(1-2)：455-461．

[7]Xia M，F(xiàn)ang J A，Tang Yang，et al．Dynamic depression control of chaotic neural networks for associative memory[J]．Neurocomputing，2010(73)：776-783．

[8]Singhal D，Swarup K S，Electricity price forecasting using artificial neural networks[J]．Electrical Power and Energy Systems，2011(3)：550-555．

[9]Boser B E，Guyon I M，Vapnik V N．A training algorithm for optional margin classifiers[A]．Proceedings of The Fifth Annual Workshop on Computational Learning Theory[C].New York：ACM Press，1992：144-152．

[10]梁華．有桿抽油系統(tǒng)故障遞階診斷的故障分辨率研究[J]．西南石油大學(xué)學(xué)報(自然科學(xué)版)，2014，36(5)：169-175．

[11]張強，許少華．智能動態(tài)診斷模型及在示功圖識別中的應(yīng)用[J]．計算機工程與應(yīng)用，2011，45(4)：215-217．

[12]Xu Peng，Xu Shijin，Yin Hongwei．Application of self-organizing competitive neural network in fault diagnosis of suck rod pumping system[J]．Petroleum Science and Engineering，2007，58：43-48．

[13]何巖峰，吳曉東，韓國慶，等．示功圖頻譜分析新方法[J]．石油學(xué)報，2008，29(4)：619-624．

[14]Dai L L，Huang H Y，Chen Z X．Ternary sequential analytic optimization algorithm for SVM classifier design[J]．Asian Journal of Information Technology，2005，4(3)：2-8．

[15]劉磊明，張發(fā)強，閆成玉，等．有桿抽油系統(tǒng)通用數(shù)學(xué)模型研究[J].石油學(xué)報，2008，29(5)： 769 -772．

[16]宋開利．液力反饋型空心桿采油工藝系統(tǒng)工況預(yù)測模型分析[J]．中國石油大學(xué)學(xué)報:自然科學(xué)版，2003，27(5)：88-91．

[17]王凱．定向井有桿抽油泵系統(tǒng)診斷模型的建立[J]．中國石油大學(xué)學(xué)報(自然科學(xué)版)，2010，34(2)：130-135．

[18]王金東，陳浩然．有桿抽油系統(tǒng)波動方程的精細(xì)逐步積分法[J]．大連理工大學(xué)學(xué)報，2000，40(3)：276-279．

[19]F．Geng，M．Cui．Method for Solve Nonlinear Initial Value Problems by Combining Homotopy Perturbation and Reproducing Kernel Hilbert Space Method[J]．Nonlinear Analysis，2010，11(2)：165-172．

[20]高永亮，檀朝東，趙海濤．神經(jīng)網(wǎng)絡(luò)法識別抽油機井示功圖的研究及應(yīng)用[J]．石油化工，2008，(8)：51-53．

[21]梁華，李訓(xùn)銘．基于物理意義的示功圖凡爾開閉點精確提取[J]．石油勘探與開發(fā)，2011，38(1)：109-115．

[22]Chang H，Zhang Y，Chen L．An Applied Thermodynamic Method for Correction of TDC in the Indicator Diagram and Its Experimenta1 Confirmation[J]．App1ied Therma1 Engineering，2004，25(5)：759-768．

[23]曾婧，李訓(xùn)銘．基于神經(jīng)網(wǎng)絡(luò)的油田故障診斷優(yōu)[J]．控制工程，2009，16(2)：111-113．

[24]田學(xué)東，吳麗紅，趙蕾蕾.基于多特征模糊式識別的公式符號關(guān)系判定[J].計算機工程與應(yīng)用，2009，45(5)186-188．

[25]叢磊，喬磊，張威．基于傅里葉描述子的示功圖診斷方法研究[J]．化工機械，2013，40(3)：285-289．

[26]曾接賢，付俊，符祥．特征點和不變矩結(jié)合的遙感圖像飛行目標(biāo)識別[J]．中國圖像圖形學(xué)報，2014，4(19：592-602．

[27]Huang Z H，Leng J S．Analysis of Hu’s moment invariants on image scaling and rotation[A]．Proc.of the 2nd International Conference on Computer Engineering and Technology[C].2010：476-480．[28]Chen J J，Duan J L．The Application of CBR and Grey Correlation in Fault Diagnosis System[A]．International Conference on Computer Application and System Modeling[C].2010：718-721．

[29]Lu F，Huang J Q．Fault Diagnosis for Sensors and components of Aero-engine Based on Grey Analysis[A]．2010 IEEE International Conference on Intelligent Computing and Intelligent systems[C].2010：623-627．

[30]Lin Y．Fault Diagnosis Method Based on Gray Correlation and Evidence Theory[A]．2010 International Conference on Mechanic Automation and Control Engineering[C].2010：2581- 2584．

[31]劉思峰，蔡華，楊英杰，等．灰色關(guān)聯(lián)分析模型進展[J]．系統(tǒng)工程理論與實踐，2013，33(8)：2041-2046．

[32]M．H．Hassim，M．Hurme．Inherent occupational health assessment during process research and development stage[J]．Journal of Loss Prevention in the Process industries，2010，23(1)：127-138．

[33]Ding Shifei，Xu Xinzheng，Zhu Hong．Studies on optimization algorithms for some artificial neural networks based on genetic algo-rithm(GA)[J]．Journal of Computers，2011，6(5)：939-946．[34]王兵，許少華，孟耀華.基于半監(jiān)督競爭學(xué)習(xí)過程神經(jīng)網(wǎng)絡(luò)的抽油機故障診斷[J]．信息與控制，2014，43(2)：235-240．

[35]Y．H．Zweiri，J．F．Whidborne，L．D．Seneviratne．A three-term back propagation algorithm[J]．Neurocomputing， 2003：305-318．

[36]任偉建，王喜剛，王思宇．基于模糊神經(jīng)網(wǎng)絡(luò)的抽油機故障診斷方法[J]．控制理論與應(yīng)用，2012，31(4)：4-8．

[37]丁世飛，齊丙娟，譚紅艷．支持向量機理論與算法研究綜述[J]．電子科技大學(xué)學(xué)報(自然科學(xué)版)，2011，40(1)：2-10．

[38]Moises．G．L，Andrade．S．F．A，Garacia．A．C．B．Sucker-rod pumping failures diagnostic system[A]．Proceedings-SPE Annual Technicial Conference and Exhibition[C].2010：3651-3662．

[39]王凱．基于多分類支持向量機的有桿抽油泵故障診斷研究[J]．西安石油大學(xué)學(xué)報(自然科學(xué)版)，2010，25(1)：92-95．

[40]王凱，劉宏昭，熊俊，等．基于改進的超球支持向量機的有桿抽油泵故障診斷研究[J]．機械科學(xué)與技術(shù)，2011，30(1)：133 -141．

Research on Fault Diagnosis of Sucker Rod Pumps Based on Analysis of Indicator Diagram

Luo Renze1, Lu Cun2,Jing Xinglong3,Sun Lei4,Jiao Yueming3,Yang Li3

(1.College of Earth Science and Technology, Southwest Petroleum University, Chengdu610500, China；2.College of Mechanical and Electrical Engineering, Southwest Petroleum University, Chengdu610500, China；3.Xinjiang Hualong Oilfield Technological Limited-Liability Company (Ltd),Karamay834000,China；4.No.1 Production Plant of Xinjiang Oilfield Company,Karamay834000,China)

It is an urgent need to solve the problems of diagnosing the fault under the oilfields accurately and achieving oil extraction system’s digital and intelligent in the opening up oilfields. Through the analysis of the indicator diagrams to diagnose sucker rod pump failure is a major means to analyze the condition of pump in oil field. At present, it is still on people to recognize the indicator diagram no matter at home and abroad. Although the technology of computer identification has been implemented, however, it has not been promoted due the limited of its accuracy. So, based on the research of literature the fault diagnosis of sucker rod pumps is summarized. firstly introduces the evolution of the technology of sucker rod pump’s fault diagnosis, then analyzes the technology of the recognition of indicator diagram at home and abroad, including the transformation model of the pump indicator diagrams, the characteristic values extraction methods of pump indicator diagrams and the matching methods of characteristic values, and points out the main problems existing in the fault diagnosis of the sucker rod pump and indicates the improvement direction of the future.

sucker rod pump; pump indicator diagram; characteristic value; fault diagnosis; present situation

2015-06-29；

2015-08-25。

國家物聯(lián)網(wǎng)發(fā)展專項資金(財企[2013]297號)；新疆維吾爾自治區(qū)高技術(shù)研究與發(fā)展專項(201512104)。

羅仁澤(1973-)，男，四川內(nèi)江人，教授博導(dǎo)，主要從事通信傳輸及信號處理技術(shù)方向的研究。

陸存(1992-)，男，河南南陽人，在校研究生，主要從事油氣測控專業(yè)方向的研究。

1671-4598(2016)01-0046-04

10.16526/j.cnki.11-4762/tp.2016.01.012

TE933

A