周 斌, 王延江, 劉偉鋒, 劉寶弟

(中國(guó)石油大學(xué)(華東)信息與控制工程學(xué)院, 山東青島 266580)

由于抽油機(jī)井具有油田開采普及率高、工況復(fù)雜多變、故障發(fā)生率高等特點(diǎn),及時(shí)精準(zhǔn)地識(shí)別油井工況對(duì)油井極大實(shí)現(xiàn)降本增效具有重大意義。目前抽油機(jī)井工況識(shí)別方法主要有以下幾類:①基于示功圖識(shí)別方法;②基于電參數(shù)識(shí)別方法;③基于多源數(shù)據(jù)識(shí)別方法。多數(shù)工況識(shí)別方法基于示功圖識(shí)別技術(shù)[1-6],主要是利用泵功圖(實(shí)測(cè)地面示功圖或?qū)崪y(cè)電參數(shù)通過相應(yīng)模型計(jì)算得到)或?qū)崪y(cè)地面示功圖結(jié)合人工智能方法(矩特征、小波包變換、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等)進(jìn)行工況識(shí)別。基于電參數(shù)識(shí)別方法主要是利用電功圖[7](由實(shí)測(cè)電參數(shù)計(jì)算得到)或?qū)崪y(cè)電參數(shù)[8]進(jìn)行工況識(shí)別。目前對(duì)基于多源數(shù)據(jù)識(shí)別方法的研究很少,主要是利用泵功圖結(jié)合油井生產(chǎn)信息(產(chǎn)量、抽汲參數(shù)、井況數(shù)據(jù)等)進(jìn)行工況識(shí)別[9-10]。上述研究取得了較好成效,但仍存在4個(gè)方面的問題:一是受阻尼系數(shù)、“除零”問題影響,通過模型計(jì)算得到的泵功圖和電功圖存在精度誤差,影響了對(duì)特征參數(shù)值的精確計(jì)算;二是對(duì)于機(jī)電液耦合復(fù)雜系統(tǒng),同一現(xiàn)象有時(shí)可能由不同原因造成,用單一信息源判斷油井工況易產(chǎn)生誤報(bào)現(xiàn)象;三是受先期油井海量實(shí)時(shí)數(shù)據(jù)采集和存儲(chǔ)技術(shù)限制、井況復(fù)雜多變、生產(chǎn)統(tǒng)計(jì)數(shù)據(jù)不可靠等因素影響,原有的基于多源信息工況識(shí)別的模型魯棒性較差。另外,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法主要采用特征連接方式進(jìn)行識(shí)別,對(duì)海量多源數(shù)據(jù)的智能信息處理已難以再取得理想效果[11];四是多數(shù)工況識(shí)別方法需要大量標(biāo)記工況訓(xùn)練樣本,而實(shí)際工程中標(biāo)記工況樣本獲取很難。無標(biāo)記樣本訓(xùn)練的工況識(shí)別方法又極大浪費(fèi)專家資源。此外,多數(shù)工況特征提取方法計(jì)算量大且對(duì)特征數(shù)據(jù)之間的非相關(guān)性要求較高。這些都影響了已有工況識(shí)別方法的實(shí)際應(yīng)用。大數(shù)據(jù)和油氣生產(chǎn)物聯(lián)網(wǎng)環(huán)境下,抽油機(jī)井采油生產(chǎn)系統(tǒng)采集和存儲(chǔ)了海量多源實(shí)時(shí)信息,如實(shí)測(cè)的地面示功圖、電參數(shù)、井口溫度等,也獲取了海量未知工況樣本。多視角學(xué)習(xí)方法能夠有效地解決海量而又復(fù)雜目標(biāo)問題,突破傳統(tǒng)單一特征學(xué)習(xí)精確度低的局限性,充分利用目標(biāo)本身的多特征性質(zhì),各特征之間相互補(bǔ)充完善,提高學(xué)習(xí)算法性能。研究表明,通過學(xué)習(xí)多視角特征和流形信息可以進(jìn)一步提高識(shí)別結(jié)果[12-13]。與傳統(tǒng)信息處理方法不同,半監(jiān)督學(xué)習(xí)(semi-supervised learning,SSL)方法大多基于流形假設(shè),其中Hessian局部線性特征映射算法具有一個(gè)明顯的優(yōu)勢(shì):當(dāng)標(biāo)記樣本較少時(shí),其正則化可以極大改善半監(jiān)督分類結(jié)果[14]?；诖?針對(duì)大數(shù)據(jù)下抽油機(jī)井采油生產(chǎn)系統(tǒng)特點(diǎn)及其工況識(shí)別研究目前所存在的問題,筆者有效利用大數(shù)據(jù)下抽油機(jī)井采油生產(chǎn)系統(tǒng)的海量多源實(shí)時(shí)信息,突破單一信息源識(shí)別的局限性和傳統(tǒng)特征連接多源識(shí)別方法的技術(shù)瓶頸,提出一種基于Hessian正則化多視角學(xué)習(xí)的抽油機(jī)井工況識(shí)別新方法,并建立抽油機(jī)井工況識(shí)別模型,以進(jìn)一步提高抽油機(jī)井工況識(shí)別精準(zhǔn)率。

1 Hessian正則化多視角學(xué)習(xí)方法

1.1 Hessian正則化思想

在半監(jiān)督學(xué)習(xí)SSL中，Hessian正則化[15-17]反映了樣本數(shù)據(jù)分布流形的高階信息，能夠更準(zhǔn)確地描述數(shù)據(jù)的內(nèi)在局部幾何特征。Hessian正則化算法既可以很好地匹配訓(xùn)練樣本區(qū)域內(nèi)數(shù)據(jù)，也能較好地預(yù)測(cè)區(qū)域外數(shù)據(jù)。利用Hessian正則化可以在標(biāo)記樣本較少下極大改善半監(jiān)督分類結(jié)果。

為便于描述，將本文中重要的變量符號(hào)列表說明，如表1所示。

表1 重要的變量符號(hào)

1.2 Hessian正則化多視角學(xué)習(xí)方法

對(duì)于半監(jiān)督分類問題，其目標(biāo)函數(shù)可表示為

(1)

式中，C(M)為流形M上的平滑函數(shù)集；為函數(shù)懲罰項(xiàng)與流形懲罰項(xiàng)之和；Lloss(xi,yi,f)為損失函數(shù)，是區(qū)分各種分類方法的關(guān)鍵因素，包含誤差項(xiàng)和正則化項(xiàng)兩部分，表示如下：

式中，Lloss(mi(ω))為誤差項(xiàng)；R(ω)為正則化項(xiàng)。

添加Hessian流形正則化項(xiàng)后，式(1)可優(yōu)化如下：

(2)

添加多視角核K和多視角Hessian矩陣H后，目標(biāo)函數(shù)式(2)可實(shí)現(xiàn)多視角特征表示。

多視角核K：假設(shè)在第k視角Kk是有效的(對(duì)稱、正定)內(nèi)積核，k=1,2,…,V，則

(3)

多視角Hessian矩陣H：假設(shè)Hj是第j視角的Hessian矩陣，且Hj是半正定的，j=1,2,…,V，則

(4)

添加式(3)和式(4)到式(2)中，式(2)可表示如下：

(5)

根據(jù)表示定理[18]，給定一個(gè)凸的損失函數(shù)，式(5)的最優(yōu)化解可表示為

(6)

對(duì)于多視角核K正則化項(xiàng)和多視角Hessian矩陣H正則化項(xiàng)有：

(7)

將式(6)和式(7)代入式(5)中，則目標(biāo)函數(shù)的最優(yōu)化可表示如下：

(8)

其中

選擇合適的損失函數(shù)并通過式(6)優(yōu)化后，對(duì)目標(biāo)函數(shù)式(8)的求解就變?yōu)閷?duì)系數(shù)求解，采用交替最優(yōu)化方法[19]即可求解。

2 Hessian正則化多視角logistic回歸抽油機(jī)井工況識(shí)別模型

2.1 視角選取

目前抽油機(jī)井采油生產(chǎn)管理系統(tǒng)采集和存儲(chǔ)了海量的多源實(shí)時(shí)信息，如實(shí)測(cè)的地面示功圖、電參數(shù)、井口溫度、井口壓力等。這些多源實(shí)時(shí)信息可以從地面、井筒、地層全方位地及時(shí)反映抽油機(jī)井工況。實(shí)測(cè)地面示功圖主要反映抽油機(jī)井泵及地下情況[20]，實(shí)測(cè)電功率信號(hào)可以反映抽油機(jī)井地面及地下情況[7-8]，二者基本上可以全面反映抽油機(jī)井地面、井筒及地層狀況，但還有少量抽油機(jī)井工況不但示功圖形狀相似且電功圖特點(diǎn)類似[7,20]，如連抽帶噴和油管底部嚴(yán)重漏失，可以借助井口溫度等實(shí)時(shí)信息進(jìn)行準(zhǔn)確識(shí)別。連抽帶噴工況下，井溫上升，井壓下降，所有漏失工況下，井溫和井壓都下降，通過井溫可以準(zhǔn)確識(shí)別出這些工況。

綜上所述，選擇實(shí)測(cè)地面示功圖信號(hào)、實(shí)測(cè)電功率信號(hào)和實(shí)測(cè)井口溫度3個(gè)信息源作為特征視角。

2.2 視角特征提取

對(duì)目前抽油機(jī)井工況識(shí)別研究中實(shí)測(cè)地面示功圖和實(shí)測(cè)電參數(shù)進(jìn)行特征提取時(shí)所存在的問題進(jìn)行分析，為更好地提高工況識(shí)別精準(zhǔn)度和適合工程實(shí)際應(yīng)用，充分利用先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)，結(jié)合機(jī)制分析進(jìn)行特征提取。

理論示功圖如圖1所示，其中橫坐標(biāo)代表位移，用S表示，縱坐標(biāo)代表載荷，用P表示。Sp為活塞沖程(有效沖程)，Pl為活塞上液柱重量，A(E) 點(diǎn)為游動(dòng)凡爾關(guān)閉點(diǎn)，也是下死點(diǎn)，B點(diǎn)為固定凡爾打開點(diǎn)，C(F)點(diǎn)為固定凡爾關(guān)閉點(diǎn)，也是上死點(diǎn)，D點(diǎn)為游動(dòng)凡爾打開點(diǎn)。

圖1 理論示功圖Fig.1 Theoretical dynamometer card

結(jié)合理論示功圖對(duì)實(shí)測(cè)地面示功圖、實(shí)測(cè)電功率、實(shí)測(cè)井口溫度的特征提取分析與計(jì)算如下：

實(shí)測(cè)地面示功圖依據(jù)抽油泵一個(gè)工作周期內(nèi)沖程、沖次、功圖面積、活塞上液柱重量、最大和最小載荷、有效沖程及沖程損失的變化進(jìn)行特征提取，其特征參數(shù)值精準(zhǔn)計(jì)算可以通過對(duì)實(shí)測(cè)示功圖上泵凡爾開閉點(diǎn)位置的精確提取實(shí)現(xiàn)。

實(shí)測(cè)地面示功圖的特征數(shù)據(jù)有沖程、沖次、示功圖實(shí)際面積、最大和最小載荷、最大最小載荷比、活塞上液注重量、有效沖程、加載和卸載沖程損失、提前加載和卸載位置12個(gè)特征參數(shù)，具體計(jì)算如下：

沖程、沖次、最大和最小載荷可以從實(shí)時(shí)采集的示功圖數(shù)據(jù)中直接獲得；功圖實(shí)際面積等于示功圖采集點(diǎn)所圍成的封閉曲線面積；最大最小載荷比等于最大載荷與最小載荷的比值；活塞上液柱重量等于最大載荷與最小載荷之差；有效沖程等于游動(dòng)凡爾打開點(diǎn)與游動(dòng)凡爾關(guān)閉點(diǎn)之間的位移差；加載沖程損失等于固定凡爾打開點(diǎn)與游動(dòng)凡爾關(guān)閉點(diǎn)之間的位移差；卸載沖程損失等于固定凡爾關(guān)閉點(diǎn)與游動(dòng)凡爾打開點(diǎn)之間的位移差；提前加載位置等于從游動(dòng)凡爾關(guān)閉點(diǎn)開始到游動(dòng)凡爾打開點(diǎn)之間斜率正負(fù)反向的第一個(gè)點(diǎn)的位移；提前卸載位置等于從固定凡爾關(guān)閉點(diǎn)開始到固定凡爾打開點(diǎn)之間斜率正負(fù)反向的第一個(gè)點(diǎn)的位移。

實(shí)測(cè)電功率信號(hào)依據(jù)“功特征”和曲線下面積“AUC(area under curve)特征”[7-8]進(jìn)行特征提取，其特征參數(shù)值精準(zhǔn)計(jì)算可以通過在實(shí)測(cè)示功圖上精確提取上、下死點(diǎn)位置實(shí)現(xiàn)。實(shí)測(cè)電功率信號(hào)的特征數(shù)據(jù)有上行功、下行功、周期功、上行面積、下行面積、周期面積、平衡率(上、下行程做功比)7個(gè)特征參數(shù)，具體計(jì)算如下：

從實(shí)時(shí)采集的示功圖數(shù)據(jù)中可以直接得到上死點(diǎn)和下死點(diǎn)，上死點(diǎn)為位移最大點(diǎn)，下死點(diǎn)為位移最小點(diǎn)，即功圖數(shù)據(jù)的起始點(diǎn)。上行功等于上沖程(從下死點(diǎn)到上死點(diǎn))時(shí)間段內(nèi)所作的功；下行功等于下沖程(從上死點(diǎn)到下死點(diǎn))時(shí)間段內(nèi)所作的功；周期功等于上行功與下行功之和；上行面積等于上沖程時(shí)間段內(nèi)電功率信號(hào)曲線與時(shí)間水平軸所圍曲線面積；下行面積等于下沖程時(shí)間段內(nèi)電功率信號(hào)曲線與時(shí)間水平軸所圍曲線面積；周期面積等于上行面積與下行面積之和；平衡率等于上行功與下行功的比值。

目前對(duì)實(shí)測(cè)井口溫度的特征提取沒有任何參考文獻(xiàn)。受地面、地層等環(huán)境變化因素及數(shù)據(jù)采集精度影響，現(xiàn)場(chǎng)采集到的井口溫度數(shù)據(jù)大多并不嚴(yán)格遵循對(duì)應(yīng)工況特征狀態(tài)規(guī)律，但從本質(zhì)上可以反映出對(duì)應(yīng)工況每個(gè)沖程的熱能耗損。實(shí)測(cè)井口溫度信號(hào)特征參數(shù)值精準(zhǔn)計(jì)算可以通過對(duì)實(shí)測(cè)示功圖精確提取上、下死點(diǎn)位置實(shí)現(xiàn)。實(shí)測(cè)井口溫度信號(hào)的特征數(shù)據(jù)有上行熱能(溫度)耗損、下行熱能(溫度)耗損、周期熱能(溫度)耗損3個(gè)特征參數(shù)，具體計(jì)算如下：

一個(gè)沖程內(nèi)井口溫度實(shí)時(shí)采集點(diǎn)個(gè)數(shù)通常少于示功圖實(shí)時(shí)采集點(diǎn)個(gè)數(shù)，可以采用插值擬合方法將二者實(shí)時(shí)采集點(diǎn)同步，同時(shí)從實(shí)時(shí)采集的示功圖數(shù)據(jù)中得到上死點(diǎn)和下死點(diǎn)。上行熱能(溫度)耗損等于上沖程時(shí)間段內(nèi)所耗損的熱能(溫度)；下行熱能(溫度)耗損等于下沖程時(shí)間段內(nèi)所耗損的熱能(溫度)；周期熱能(溫度)耗損等于上行熱能(溫度)耗損與下行熱能(溫度)耗損之和。

2.3 工況識(shí)別模型建立

基于Hessian正則化多視角logistic回歸抽油機(jī)井工況識(shí)別模型建立流程如圖2所示，主要包括損失函數(shù)選擇和算法求解兩大部分。

2.3.1 損失函數(shù)選擇

損失函數(shù)是區(qū)別各個(gè)分類方法的核心因素，損失函數(shù)越小，模型魯棒性越好，而且損失函數(shù)盡量是一個(gè)凸函數(shù)，便于收斂計(jì)算。常用的損失函數(shù)有Gold Standard loss(理想狀態(tài))、Hinge loss(用于SVM)、Log loss(用于logistic回歸)、Squared loss(用于線性回歸)、Exponential loss(用于推進(jìn)法)。其中，Log損失函數(shù)采用對(duì)數(shù)損失函數(shù)，具有平滑性、對(duì)異常點(diǎn)敏感、可預(yù)測(cè)概率和適用于大數(shù)據(jù)實(shí)驗(yàn)等優(yōu)勢(shì)[21]。

本文中采用logistic損失log(1+e-f)作為損失函數(shù)，等同于交叉熵?fù)p失函數(shù)，用于logistic回歸。

圖2 Hessian正則化多視角logistic回歸抽油機(jī)井工況識(shí)別模型建立流程Fig.2 Modeling flow chart of working condition recognition of sucker-rod pumping wells based on multi-view and Hessian regularization of logistic regression

2.3.2 算法求解

結(jié)合logistic的損失函數(shù)和上述所提方法，本文中采用Hessian正則化多視角logistic回歸算法建模。

將式(6)代入logistic的損失函數(shù)中，損失函數(shù)的最優(yōu)化可表示為

log(1+e-yiK(xi,x)α).

(9)

將式(9)代入式(8)中，則目標(biāo)函數(shù)的最優(yōu)化可表示為

(10)

Hessian正則化多視角logistic回歸算法(式(10))求解步驟如下：

(1)固定θ和β，求解α。固定θ和β后，式(10)可表示為

γIαTKHKα.

(11)

其中

logistic的損失函數(shù)可微，本文中采用梯度下降法求解式(11)。式(11)的一階導(dǎo)數(shù)可表示為

梯度下降算法求解過程如下：

①初始化α0∈Rl+u，δ，d0=-f(α0)，0<ε?1，m=0；

②當(dāng)|f(αm+1)-f(αm)|>ε時(shí)，

αm+1=αm+δdm,

dm+1=-

m=m+1；

③α*=αm+1。

(2)固定α和β，求解θ。固定α和β后，式(10)可表示為

(12)

其中

式(12)的一階導(dǎo)數(shù)可表示為

梯度下降算法求解過程如下：

①初始化θ0∈Rl+u，δ，0<ε?1，m=0，dk(0)=-f(dk(0))，k=1,2,…,V；

②當(dāng)|f(θm+1)-f(θm)|>ε時(shí)，

θkm+1=θkm+δdkm,

dkm+1=-

m=m+1；

③θ*=θm+1。

(3)固定α和θ，求解β。固定α和θ后，式(10)可表示為

(13)

其中

式(13)可看作是多重Hessian最優(yōu)線性組合的學(xué)習(xí)過程。

通過上述交替優(yōu)化算法就可求得式(10)的局部最優(yōu)解。

具體工況識(shí)別過程：對(duì)實(shí)測(cè)地面示功圖、實(shí)測(cè)電功率和實(shí)測(cè)井口溫度信號(hào)3個(gè)視角原始工況數(shù)據(jù)進(jìn)行特征提取得到3個(gè)特征集后建立工況樣本庫(kù)并生成訓(xùn)練樣本集和測(cè)試樣本集(訓(xùn)練和測(cè)試集中每個(gè)工況樣本都包含3個(gè)特征集)。訓(xùn)練樣本分別建立各自的核矩陣和Hessian矩陣，并通過各自的權(quán)重系數(shù)(θ1+θ2+θ3=1，β1+β2+β3=1)生成各自的多視角核K矩陣和多視角H矩陣，選擇合適的模參(γk、γI、γθ、γβ)后通過上述方法訓(xùn)練樣本，經(jīng)過多次迭代收斂后得到最優(yōu)解集，將這個(gè)解集和測(cè)試集中測(cè)試樣本各自的多視角核K矩陣結(jié)合就得到測(cè)試樣本的預(yù)測(cè)值集，對(duì)預(yù)測(cè)值和實(shí)際值進(jìn)行比較來分類識(shí)別抽油機(jī)井工況。

3 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文中所提方法及模型的有效性和實(shí)用性,利用勝利油田某區(qū)塊中近60口抽油機(jī)井進(jìn)行工況識(shí)別實(shí)驗(yàn),區(qū)塊油藏類型是典型的高壓低滲稀油油藏。實(shí)驗(yàn)所用抽油機(jī)井工況樣本庫(kù)根據(jù)油井作業(yè)記錄建立,包含11種工況,每種工況有150個(gè)樣本,共1 650個(gè)樣本。11種典型工況有正常、供液不足、抽油桿斷脫、連抽帶噴、泵卡、泵游動(dòng)凡爾失靈、結(jié)蠟、油管漏失、泵漏、游動(dòng)凡爾漏失、固定凡爾漏失。

3.1 全標(biāo)記訓(xùn)練樣本下工況識(shí)別結(jié)果對(duì)比

實(shí)驗(yàn)時(shí)將樣本庫(kù)中的1 650個(gè)工況樣本平均分成兩部分:訓(xùn)練集和測(cè)試集各包含825個(gè)樣本,其中每種工況各包含75個(gè)樣本。

采用logistic回歸一對(duì)多兩分類器,迭代次數(shù)為1 200次。測(cè)試集中樣本總數(shù)為825,其中正例樣本數(shù)為75,反例樣本數(shù)為750。識(shí)別準(zhǔn)確率的計(jì)算方法為測(cè)試集中分類正確的樣本數(shù)占樣本總數(shù)的比例,測(cè)試樣本是按其產(chǎn)生的預(yù)測(cè)值排序后正例樣本排在最前面為截?cái)噙M(jìn)行分類[22]。重復(fù)做5次實(shí)驗(yàn),每次實(shí)驗(yàn)中訓(xùn)練集和測(cè)試集互斥且不一樣。

最后,將本文中所提識(shí)別方法(Hessian正則化多視角logistic回歸,mHLR)分別與單視角識(shí)別方法(logistic回歸,LR)、Hessian正則化單視角識(shí)別方法(Hessian正則化單視角logistic回歸,HLR)、傳統(tǒng)特征連接多源識(shí)別方法(多特征連接logistic回歸,mCLR)對(duì)抽油機(jī)井工況的識(shí)別結(jié)果進(jìn)行對(duì)比。其中,取5次實(shí)驗(yàn)結(jié)果的平均值作為最終實(shí)驗(yàn)結(jié)果,具體如表2所示。

實(shí)測(cè)地面示功圖、實(shí)測(cè)電功率和實(shí)測(cè)井口溫度3個(gè)視角都采用本文中提取的特征數(shù)據(jù)。

表2 全標(biāo)記訓(xùn)練樣本下不同方法抽油機(jī)井工況識(shí)別結(jié)果對(duì)比Table 2 Comparison results of working condition recognition of sucker-rod pumping wellsby different methods based on all marked training samples %

實(shí)驗(yàn)結(jié)果分析如下:

(1)與實(shí)測(cè)地面示功圖識(shí)別相比,本文中所提方法(mHLR)與單視角識(shí)別方法(LR、HLR)對(duì)抽油機(jī)井工況的識(shí)別率分別提高約2.4%、2.5%;與實(shí)測(cè)電功率識(shí)別相比,兩種方法的識(shí)別率均提高約11%。

(2)與實(shí)測(cè)地面示功圖和實(shí)測(cè)電功率兩個(gè)視角識(shí)別相比,本文中所提方法(mHLR)與傳統(tǒng)特征連接多源識(shí)別方法(mCLR)對(duì)抽油機(jī)井工況的識(shí)別率提高約11.8%;與實(shí)測(cè)地面示功圖、實(shí)測(cè)電功率和實(shí)測(cè)井口溫度3個(gè)視角識(shí)別相比,兩種方法的識(shí)別率提高約13.8%。本文中所提方法的識(shí)別結(jié)果明顯優(yōu)于傳統(tǒng)特征連接多源方法的識(shí)別結(jié)果,并且在選擇合適的特征數(shù)據(jù)下,本文中所提方法會(huì)隨著特征數(shù)據(jù)的增加識(shí)別精準(zhǔn)率提高,而傳統(tǒng)特征連接多源識(shí)別方法會(huì)隨著特征數(shù)據(jù)的增加識(shí)別精準(zhǔn)率下降。

(3)分別利用實(shí)測(cè)地面示功圖信號(hào)、實(shí)測(cè)地面示功圖和實(shí)測(cè)電功率信號(hào)、實(shí)測(cè)地面示功圖、實(shí)測(cè)電功率和實(shí)測(cè)井口溫度信號(hào),采用不同方法對(duì)抽油機(jī)井工況進(jìn)行識(shí)別,都可以取得較好的識(shí)別結(jié)果。

(4)本文實(shí)驗(yàn)中Hessian正則化和單視角結(jié)合對(duì)識(shí)別率影響不大,但和多視角結(jié)合可以提高識(shí)別率。

3.2 不同標(biāo)記訓(xùn)練樣本下工況識(shí)別結(jié)果對(duì)比

在第一部分實(shí)驗(yàn)內(nèi)容基礎(chǔ)上,分別從單視角和多視角中選取識(shí)別率高的識(shí)別方法進(jìn)行實(shí)驗(yàn)。將本文中所提識(shí)別方法(mHLR)和單視角識(shí)別方法(HLR和LR)按5組不同比例標(biāo)記訓(xùn)練樣本對(duì)抽油機(jī)井工況的識(shí)別結(jié)果進(jìn)行對(duì)比。每組各重復(fù)做5次實(shí)驗(yàn),分別取其5次實(shí)驗(yàn)結(jié)果的平均值作為最終實(shí)驗(yàn)結(jié)果,具體如表3所示。

表3 不同標(biāo)記訓(xùn)練樣本下不同方法抽油機(jī)井工況識(shí)別結(jié)果對(duì)比Table 3 Comparison results of working condition recognition of sucker-rod pumping wells by different methods based on different marked training samples

實(shí)驗(yàn)結(jié)果分析如下:

(1)受地質(zhì)、設(shè)備等因素影響,抽油機(jī)井工況復(fù)雜多變,工況樣本不易獲取,但在油氣生產(chǎn)物聯(lián)網(wǎng)環(huán)境下抽油機(jī)井可以獲取大量未知工況樣本。與其他方法相比,本文中所提方法(mHLR)可以實(shí)現(xiàn)在少量已知工況樣本下,充分利用大量未知工況樣本來實(shí)現(xiàn)對(duì)抽油機(jī)井工況更精準(zhǔn)的識(shí)別,該方法更符合實(shí)際工程應(yīng)用。

(2)在不同比例標(biāo)記訓(xùn)練樣本下,本文中所提識(shí)別方法(mHLR)對(duì)抽油機(jī)井工況的識(shí)別結(jié)果都比單視角識(shí)別方法(HLR和LR)對(duì)抽油機(jī)井工況的識(shí)別結(jié)果準(zhǔn)確率高,尤其是在少量(低于30%)標(biāo)記訓(xùn)練樣本情況下效果更明顯,識(shí)別率平均提高約3%。

(3)在低于30%少量標(biāo)記訓(xùn)練樣本下,本文中所提識(shí)別方法(mHLR)在識(shí)別率的提高幅度上高于單視角識(shí)別方法(HLR和LR)。

4 結(jié) 論

(1)提出一種基于Hessian正則化多視角學(xué)習(xí)的抽油機(jī)井工況識(shí)別新方法,該方法通過集成多視角多核學(xué)習(xí)算法和多視角圖集成Hessian學(xué)習(xí)算法,大大提高了算法的泛化能力。實(shí)驗(yàn)結(jié)果表明該方法比單一信息源識(shí)別方法、傳統(tǒng)特征連接多源識(shí)別方法識(shí)別精度高。

(2)利用實(shí)測(cè)地面示功圖、實(shí)測(cè)電功率和實(shí)測(cè)井口溫度信號(hào),結(jié)合先驗(yàn)知識(shí)、專家經(jīng)驗(yàn)和機(jī)制分析進(jìn)行特征提取,并將log損失函數(shù)引入Hessian正則化多視角學(xué)習(xí)方法中,建立Hessian正則化多視角logistic回歸抽油機(jī)井工況識(shí)別模型,提高了模型的魯棒性,且在全標(biāo)記和少量標(biāo)記訓(xùn)練樣本下都取得了較好的識(shí)別效果,工程實(shí)用性強(qiáng)。

(3)Hessian正則化多視角學(xué)習(xí)方法還可以推廣到螺桿泵、無桿泵采油井以及其他領(lǐng)域的故障診斷與識(shí)別方面,具有較好的推廣價(jià)值。

:

[1] 韓國(guó)慶,吳曉東,毛鳳英,等.示功圖識(shí)別技術(shù)在有桿泵工況診斷中的應(yīng)用[J].石油鉆采工藝,2003,25(5):70-74.

HAN Guoqing, WU Xiaodong, MAO Fengying, et al. Application of dynamometer card identification in diagnosis of working condition for suck rod pump[J]. Oil Drilling & Production Technology, 2003,25(5):70-74.

[2] 陳培毅.基于抽油機(jī)實(shí)測(cè)電功率的懸點(diǎn)示功圖仿真與工況診斷[D].秦皇島:燕山大學(xué),2013.

CHEN Peiyi. Simulation of dynamometer card and working condition diagnosis based on pumping units measured electric power[D]. Qinhuangdao: Yanshan University, 2013.

[3] LI K, GAO X W, TIAN Z D, et al. Using the curve moment and the PSO-SVM method to diagnose downhole conditions of a sucker rod pumping unit[J]. Petroleum Science, 2013,10(1):73-80.

[4] WU W, SUN W L, WEI H X. A fault diagnosis of suck rod pumping system based on wavelet packet and RBF network[J]. Advanced Materials Research,2011(189/190/191/192/193):2665-2669.

[5] XU P, XU S J, YIN H W. Application of self-organizing competitive neural network in fault diagnosis of suck rod pumping system[J]. Journal of Petroleum Science & Engineering, 2007,58(1/2):43-48.

[6] 梁華.有桿抽油系統(tǒng)故障遞階診斷的故障識(shí)別研究[J].西南石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,37(1):165-171.

LIANG Hua. Hierarchical fault diagnosis of rod pumping system based on fault distinguishing[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2015,37(1):165-171.

[7] 孫振華.游梁式抽油機(jī)采油系統(tǒng)實(shí)時(shí)評(píng)價(jià)方法研究[D].青島:中國(guó)石油大學(xué)(華東),2011.

SUN Zhenhua. The real-time evaluation method of the beam-pumping recovery system[D]. Qingdao: China University of Petroleum(East China), 2011.

[8] 陳黎興.基于電功率數(shù)據(jù)的抽油機(jī)故障診斷方法研究[D].青島:中國(guó)石油大學(xué)(華東),2016.

CHEN Lixing. Electrical power data based fault diagnosis of oil pumping units[D]. Qingdao: China University of Petroleum(East China), 2016.

[9] 王凱.基于產(chǎn)生式規(guī)則系統(tǒng)的抽油泵故障診斷[J].石油勘探與開發(fā),2010,37(1):116-120.

WANG Kai. Fault diagnosis of rod-pumping unit based on production rules system[J]. Petroleum Exploration and Development, 2010,37(1):116-120.

[10] LIU S, RAGHAVENDR C S, LIU Y, et al. Automatic early fault detection for rod pump systems[R]. SPE 146038, 2011.

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

WANG Kai, LIU Hongzhao, XIONG Jun, et al. Fault diagnosis of a rod-pumping unit based on improved hyper sphere vector machines[J]. Mechanical Science and Technology for Aerospace Engineering, 2011,30(1):133-141.

[12] VEERARAGHAVAN A, CHELLAPPA R, ROY-CHO-WDHURY A K. The function space of an activity[C/OL]// 2006 IEEE Computer Society Conference on. IEEE, 2006: computer vision and pattern recognition[2017-03-20].http://ieeexplore.ieee.org/abstract/document/1640855.

[13] IOSIFIDIS A, TEFAS A, PITAS I. Multi-view action recognition based on action volumes, fuzzy distances and cluster discriminant analysis[J]. Signal Processing, 2013,93(6):1445-1457.

[14] LIU W F, LIU H L, TAO D C, et al. Multiview Hessian regularized logistic regression for action recognition[J]. Signal Processing, 2015,110:101-107.

[15] LIU W F, TAO D C. Multiview Hessian regularization for image annotation[J]. IEEE Transactions on Image Processing, 2013,22(7):2676-2687.

[16] DONOHO D L, GRIMES C. Hessian eigenmaps: locally linear embedding techniques for high-dimensional data[J]. Proceedings of the National Academy of Sciences, 2003,100(10):5591-5596.

[17] TAO D C, JIN L, LIU W F, et al. Hessian regularized support vector machines for mobile image annotation on the cloud[J]. IEEE Transactions on Multimedia, 2013,15(4):833-844.

[18] SCH?LKOPF B, HERBRICH R, SMOLA A J. A generalized representer theorem[C/OL]//Computational Learning Theory. Berlin/Heidelberg: Springer, 2001: 416-426[2017-03-20].http://www.umiacs.umd.edu/～hal/tmp/P139.pdf.

[19] BEZDEK J C, HATHAWAY R J. Convergence of alternating optimization[J]. Neural Parallel & Scientific Computations, 2003,11(4):351-368.

[20] 胡廣杰,易斌,田寶庫(kù),等.抽油機(jī)井實(shí)測(cè)示功圖泵況診斷分析[M].北京:石油工業(yè)出版社,2008:1-45.

[21] 劉紅麗.多視角學(xué)習(xí)在智能信息處理中的若干應(yīng)用研究[D].青島:中國(guó)石油大學(xué)(華東),2015.

LIU Hongli. Study on multi-view learning in intelligent information processing[D]. Qingdao: China University of Petroleum(East China), 2015.

[22] 周志華.機(jī)器學(xué)習(xí)[M]. 北京:清華大學(xué)出版社,2016:29-35.