基于kNN分類算法的有桿泵抽油井井下工況故障診斷方法

馮中申（遼河油田興隆臺(tái)采油廠，遼寧 盤錦 124010）

基于kNN分類算法的有桿泵抽油井井下工況故障診斷方法

馮中申（遼河油田興隆臺(tái)采油廠，遼寧 盤錦 124010）

油田生產(chǎn)中，采用人工分析示功圖判斷井下故障存在效率低的問題。對(duì)此，本文展開基于計(jì)算機(jī)診斷方法的研究。首先，采用8方向鏈碼提取示功圖的7個(gè)特征向量；然后，根據(jù)kNN分類算法進(jìn)行故障的分類。由國內(nèi)某作業(yè)區(qū)一口抽油井的實(shí)際示功圖驗(yàn)證了本文所提出方法的有效性。

kNN分類算法；有桿泵抽油井；工況故障；診斷方法

有桿泵抽油井是國內(nèi)外油田生產(chǎn)中的主要生產(chǎn)方式，由井上和井下兩部分組成，其中，井上部分主要包括：電控柜、抽油機(jī)、齒輪箱、皮帶輪、四連桿機(jī)構(gòu)等，井下部分主要包括：抽油桿、抽油泵等。由于抽油井井下部分工作在數(shù)千米的地下，環(huán)境惡劣，極易發(fā)生各種故障。如果不能及時(shí)有效的發(fā)現(xiàn)井下工況的異常，會(huì)影響抽油井的正常生產(chǎn)，嚴(yán)重時(shí)會(huì)造成停井、關(guān)井的后果。

示功圖是油田生產(chǎn)中判斷井下工作狀況的主要方法，由安裝在井口懸點(diǎn)處的相關(guān)設(shè)備進(jìn)行采集。示功圖是由若干位移-載荷數(shù)據(jù)所構(gòu)成的二維閉合曲線，可以準(zhǔn)確反映抽油井抽油的連續(xù)物理過程。目前，油田生產(chǎn)中主要依靠人工分析示功圖來判斷井下的工作狀況，首先由現(xiàn)場(chǎng)施工人員采集每口油井的示功圖，然后將數(shù)據(jù)報(bào)送到技術(shù)管理部門，由技術(shù)人員對(duì)示功圖進(jìn)行人工分析，再根據(jù)結(jié)果調(diào)整生產(chǎn)措施。這種落后的管理方式，使得無法實(shí)時(shí)掌握抽油井的工作狀態(tài)，造成生產(chǎn)效率低和生產(chǎn)成本高。

采用計(jì)算機(jī)診斷方法實(shí)現(xiàn)有桿泵抽油井井下工況的故障診斷是目前的研究熱點(diǎn)[1]，本文首先采用8方向鏈碼提取示功圖特征，然后根據(jù)K最近鄰（kNN,k-NearestNeighbor）分類算法進(jìn)行故障的分類。

1 示功圖特征提取

1.1 示功圖

示功圖是由若干離散數(shù)據(jù)點(diǎn)組成的二維曲線，橫坐標(biāo)軸為位移，縱坐標(biāo)軸為載荷，如圖1所示。

1.2 基于8方向鏈碼的特征提取

鏈碼，又稱為freeman碼，采用曲線起始點(diǎn)的坐標(biāo)和邊界方向來表示曲線或區(qū)域邊界，采用邊界方向作為編碼依據(jù)，能夠較大程度提高編碼效率，已在圖像處理、模式識(shí)別等領(lǐng)域得到廣泛應(yīng)用。本文所采用的8方向鏈碼如圖2所示，其中：數(shù)字0-7分別代表0°、45°、90°、135°、180°、225°、270°和315°。

采用8方向鏈碼對(duì)圖1所示的示功圖進(jìn)行重新描述，如圖3所示。

圖1 示功圖曲線

1.3 示功圖特征提取

借鑒實(shí)際生產(chǎn)中對(duì)示功圖形狀分析的人工經(jīng)驗(yàn)，分別提取示功圖的特征如下：右上角向上凸出程度、扁平程度、左上角缺失程度、右下角缺失程度、右下角急劇卸載程度、右上角快速卸載程度和“肥胖”程度，提取方法參考文獻(xiàn)[2]。

圖2 8方向鏈碼

圖3 8方向鏈碼重畫

2 kNN分類算法

kNN分類算法[3]的基本原理是：如果一個(gè)樣本在特征空間中有k個(gè)最鄰近的樣本（已得到正確分類），而這些樣本大多數(shù)都屬于同一個(gè)類別，那么該樣本也屬于這個(gè)類別。實(shí)現(xiàn)kNN算法的主要步驟如下：

步驟1數(shù)據(jù)預(yù)處理；

步驟2選用合適的方法訓(xùn)練數(shù)據(jù)和訓(xùn)練元組；

步驟3設(shè)定參數(shù)k；

步驟4由大到小計(jì)算距離，構(gòu)造最近鄰訓(xùn)練元組，隨機(jī)選取k個(gè)元組作為初始最近鄰元組，分別計(jì)算測(cè)試樣本與k個(gè)元組的距離；

步驟5計(jì)算測(cè)試樣本與當(dāng)前訓(xùn)練元組的距離L，記錄所有訓(xùn)練元組中的最大距離Lmax；

步驟6若L的值大于Lmax，放棄該元組，若L的值小于Lmax，將當(dāng)前訓(xùn)練元組存入隊(duì)列；

步驟7計(jì)算k個(gè)元組中占多數(shù)的樣本的類別，將其作為測(cè)試樣本的類別。

3 實(shí)例驗(yàn)證

采集國內(nèi)某作業(yè)區(qū)一口抽油井的36幅示功圖進(jìn)行驗(yàn)證，分別由序號(hào)樣本1-樣本36表示，其中：樣本1-6為“正?！鳖愋停悇e0表示），樣本7-11為“油井出砂”類型（類別1表示），樣本12-16為“泵下碰”類型（類別2表示），樣本17-21為“泵上碰”類型（類別3表示），樣本22-26為“抽油桿斷落”類型（類別4表示），樣本27-31為“固定閥漏失”類型（類別5表示），樣本32-36為“游動(dòng)閥漏失”類型（類別6表示）。本文所采用方法的分類結(jié)果如圖4所示。

圖4 分類結(jié)果

根據(jù)圖4，樣本16被分類到“游動(dòng)閥漏失”類型，樣本33被分類到“正常”類型，為誤診斷，診斷正確率為94.4%，基本達(dá)到生產(chǎn)要求。

4 結(jié)語

針對(duì)油田生產(chǎn)中人工分析井下工況的不足，本文采用8方向鏈碼提取7個(gè)示功圖特征向量，然后根據(jù)kNN算法進(jìn)行分類，能夠達(dá)到計(jì)算機(jī)診斷的準(zhǔn)確率要求。

[1]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.

[2]李琨.基于示功圖的游梁式抽油機(jī)井下故障診斷方法研究[D].東北大學(xué)，2013.

[3]牟曉偉，劉寒梅.基于KNN的Deep Web數(shù)據(jù)源分類研究[J].信息通信，2015(1):19-21.