基于機(jī)器學(xué)習(xí)的抽油機(jī)診斷優(yōu)化控制技術(shù)研究進(jìn)展

李欣倫，檀朝東*，王再興，楊若谷

?

基于機(jī)器學(xué)習(xí)的抽油機(jī)診斷優(yōu)化控制技術(shù)研究進(jìn)展

李欣倫1，檀朝東1*，王再興2，楊若谷3

（1.中國石油大學(xué)（北京），北京昌平，102249；2.中國石油華北油田公司，河北任丘，062500；3.北京雅丹石油技術(shù)開發(fā)有限公司，北京昌平，102200）

抽油機(jī)井在后期的生產(chǎn)中存在效率低下，耗能較高等問題。準(zhǔn)確地對抽油機(jī)井生產(chǎn)工況進(jìn)行診斷和對抽汲參數(shù)的優(yōu)化控制對于油田生產(chǎn)穩(wěn)定和節(jié)能意義重大。本文綜述了現(xiàn)階段主要的抽油生產(chǎn)工況的診斷技術(shù)方法，對其中涉及到的機(jī)器學(xué)習(xí)方法進(jìn)行了分類總結(jié)，同時(shí)對抽油機(jī)井生產(chǎn)優(yōu)化控制相關(guān)的研究進(jìn)展進(jìn)行了調(diào)研和歸納。

抽油機(jī)；機(jī)器學(xué)習(xí)；診斷；優(yōu)化；控制

引言

在當(dāng)前世界石油生產(chǎn)中，特別是在油田開發(fā)的中后期，有桿泵采油方式占有很大比例。抽油機(jī)采油方式存在設(shè)備故障率較高的問題，由于抽油泵一般放置在井下數(shù)百米至數(shù)千米，工作環(huán)境十分惡劣，受到周圍砂、蠟、氣、水的影響，工況非常復(fù)雜，尤其是進(jìn)入中后期的油田，高含水、高凝、高粘等復(fù)雜的井下介質(zhì)使得抽油機(jī)工況愈發(fā)復(fù)雜，故障率明顯上升。因此，準(zhǔn)確的掌握抽油機(jī)井下工況，及時(shí)診斷故障做出決策，能夠保障油井的正常生產(chǎn)、避免重大事故的發(fā)生。在油井經(jīng)作業(yè)投產(chǎn)后，能夠調(diào)節(jié)的工作參數(shù)只有沖程和沖次，長沖程有利于節(jié)能和降低設(shè)備損耗，一般把沖程調(diào)節(jié)到較大值后不再變更，沖次就成為唯一能夠調(diào)節(jié)的工作參數(shù)。對于工況診斷中被確定為低產(chǎn)井、供液不足的油井，傳統(tǒng)調(diào)整沖次的方法不能有效及時(shí)準(zhǔn)確的做出調(diào)整，所以抽油機(jī)井雖然進(jìn)行了抽汲參數(shù)調(diào)整，但仍然存在效率低下，耗能較高等問題。

在進(jìn)行抽油機(jī)工況診斷過程中，所提取的示功圖特征參數(shù)能否準(zhǔn)確表征圖形曲線的特征對于診斷結(jié)果有著重要作用。通過選取適用于工況診斷的示功圖特征提取算法對示功圖進(jìn)行特征提取，再利用機(jī)器學(xué)習(xí)算法進(jìn)行學(xué)習(xí)，及時(shí)準(zhǔn)確地判斷故障類型，從而針對性的調(diào)整生產(chǎn)措施，對抽汲參數(shù)精心優(yōu)化控制，這對提高原油生產(chǎn)效率以及油田經(jīng)濟(jì)效益都有著非常重要的意義[1]。

近些年來，隨著人工智能技術(shù)的不斷進(jìn)步，對于游梁式抽油機(jī)采油系統(tǒng)診斷優(yōu)化控制方法的研究，正在向機(jī)器學(xué)習(xí)的方向不斷發(fā)展，利用計(jì)算機(jī)取代人的工作，借鑒人的經(jīng)驗(yàn)和思維方式來處理油田生產(chǎn)問題，從而提高生產(chǎn)效率。

1 抽油生產(chǎn)工況診斷技術(shù)研究現(xiàn)狀

在有桿抽油系統(tǒng)中, 油井示功圖是反映抽油系統(tǒng)工作狀態(tài)的有效方法。通過識別示功圖可以對有桿抽油系統(tǒng)的工作狀態(tài)進(jìn)行有效診斷。

1.1 示功圖特征提取方法研究現(xiàn)狀

當(dāng)前，示功圖診斷研究主要集中在故障類型智能診斷的方法上，利用圖像識別領(lǐng)域中特征提取的方法提取示功圖有效特征的研究相對較少，且都停留在只提取單一特征進(jìn)行識別的階段。由于示功圖診斷是根據(jù)示功圖曲線的形狀來判斷故障類型，所以只涉及到形狀特征。常用的形狀特征有輪廓特征和區(qū)域特征。現(xiàn)階段對形狀特征提取的研究主要分為單一特征提取和多特征融合提取兩種方法。

1.1.1 單一特征提取方法

圖像的區(qū)域特征可以從局部上反映目標(biāo)的細(xì)節(jié)。由于某些矩特征對于平移、旋轉(zhuǎn)、尺度等幾何變換具有不變性，因此，基于矩的區(qū)域特征在物體分類與識別方面具有重要意義，一直是圖像識別領(lǐng)域研究的熱點(diǎn)。在抽油機(jī)示功圖識別上，大多數(shù)研究都提取了區(qū)域特征來進(jìn)行故障診斷，取得了一定成果。如2009年中國石油大學(xué)的王科科[2]根據(jù)Hu不變矩理論提取示功圖的七個(gè)不變矩，建立了抽油機(jī)井典型工況的特征參數(shù)樣本庫；2013年東北石油大學(xué)的叢蕊、喬磊[3]等研究了基于圖像識別的示功圖診斷方法，該方法同樣將不變矩特征提取技術(shù)應(yīng)用到抽油機(jī)和往復(fù)式壓縮機(jī)的示功圖智能診斷上，并通過核主成分分析優(yōu)化提取到的特征量，縮短了示功圖診斷的時(shí)間。

1.1.2 多特征提取方法

在圖像識別系統(tǒng)中，由于圖像不可避免的存在噪聲，而噪聲和目標(biāo)信息會出現(xiàn)重疊，因此，使用單一特征識別圖像往往存在一定誤差，為了提高識別的準(zhǔn)確率，可以將圖像的多個(gè)特征融合起來進(jìn)行識別，克服單一特征識別時(shí)誤差的影響。目前，多特征融合在圖像識別的研究比較少，主要集中在軍事、醫(yī)學(xué)、農(nóng)業(yè)和交通上，2013年中國科學(xué)技術(shù)大學(xué)的張潔[4]提出了基于多特征融合的農(nóng)作物害蟲圖像識別診斷方法，該方法以四種農(nóng)作物的34種害蟲為實(shí)驗(yàn)數(shù)據(jù)，通過使用Fisher線性判別法計(jì)算各特征權(quán)值，并通過多種特征組合方式分別進(jìn)行實(shí)驗(yàn)，驗(yàn)證了多特征融合比單一特征的識別率更高。吉林大學(xué)的高海華[5]也研究了基于多特征融合方法的交通警告標(biāo)志的識別，以上研究均獲得了比傳統(tǒng)方法更好的識別效果。

1.2 智能診斷方法研究現(xiàn)狀

在基于示功圖分析的游梁式抽油機(jī)井故障診斷方法的不斷發(fā)展中，有一些方法通過間接測量來得到示功圖，通過油管受力圖轉(zhuǎn)化以及通過測量減速箱的輸出軸扭矩、電機(jī)的輸出功率、電機(jī)的轉(zhuǎn)速、電機(jī)的輸出轉(zhuǎn)矩等參數(shù)，然后通過數(shù)學(xué)模型公式推導(dǎo)來間接獲得示功圖。

目前，對于示功圖的智能診斷方法主要有:最小二乘法分類、專家系統(tǒng)、模糊理論、粗糙集理論、灰色理論、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。

（1）最小二乘法自動(dòng)分類

利用最小二乘相似度可以對油田抽油機(jī)井的海量示功圖進(jìn)行有效的整理分類。中國石油大學(xué)的檀朝東等[6]提出將最小二乘相似度作為示功圖特征的定量描述參數(shù)，其基本定義是：把任意兩個(gè)示功圖的位移均分為n份，由于示功圖的閉合性，在均分的位移點(diǎn)上將對應(yīng)得到2n份載荷值，計(jì)算2n份載荷值對應(yīng)位置處的載荷差值的平方和，此平方和就是所謂最小二乘相似度。由此可以假設(shè)：任意兩個(gè)示功圖的最小二乘相似度的值越小，這二者越相似。利用最小二乘相似度可以進(jìn)行示功圖的完全分類和自動(dòng)診斷。

（2）專家系統(tǒng)

1988年，Derek等[7]在走訪許多著名專家后研制出有桿抽油井故障診斷專家系統(tǒng)，它是將地面實(shí)測的示功圖轉(zhuǎn)換成井下示功圖，然后與標(biāo)準(zhǔn)示功圖進(jìn)行比較以判斷故障類型。宮建村[8]針對抽油機(jī)故障診斷的特點(diǎn)，建立了基于產(chǎn)生式和框架式相結(jié)合的專家系統(tǒng)知識庫，采用參數(shù)判斷和專家系統(tǒng)提問相結(jié)合的推理方式，能夠充分的利用數(shù)據(jù)和現(xiàn)象，提高診斷可信度。

目前已開發(fā)出的故障診斷專家系統(tǒng)雖然取得了一定的效果，但其僅能處理單一領(lǐng)域知識范疇的符號推理，其知識表達(dá)方式和推理策略相對單一，難于充分和正確表達(dá)診斷知識領(lǐng)域，診斷效果不夠理想，因此限制了它的廣泛使用。

（3）模糊理論

許多被診斷對象的故障狀態(tài)是模糊的，診斷這類故障的一個(gè)有效的方法是應(yīng)用模糊數(shù)學(xué)的理論。

2001年，周寧寧等[9]提出把泵功圖的缺損面積和對應(yīng)的增載行程作為隸屬變量，然后根據(jù)缺損面積與泵功圖外切矩形面積的1/4之比以及增載行程和泵行程的比值來建立相應(yīng)的隸屬函數(shù)，通過隸屬度計(jì)算，根據(jù)最大隸屬原則來判斷當(dāng)時(shí)的工作狀態(tài)。采用圖形的面積作為特征向量只能對一些工況簡單的油井做出有效的判斷和監(jiān)控。2012年，張建河[10]等利用模糊模式識別算法中的擇近原則，計(jì)算輸入示功圖特征向量與基準(zhǔn)庫中每種模糊模式的貼進(jìn)度，從而確定輸入示功圖特征向量的歸屬模式。

（4）粗糙集理論

2008年，Wang等[11]基于粗糙集理論設(shè)計(jì)了一種粗糙集分類器，首先提取振動(dòng)信號的譜特征作為學(xué)習(xí)樣本的屬性，然后執(zhí)行屬性約減從而產(chǎn)生決策規(guī)則來對目標(biāo)狀態(tài)進(jìn)行分類。2012年，鐘崢[12]給出了基于粗糙集理論的抽油故障診斷方案，將反映系統(tǒng)狀態(tài)的數(shù)據(jù)建構(gòu)決策表，對五種典型的故障類別進(jìn)行識別。

（5）灰色理論

2011年，袁震[13]提出基于二維傅立葉變換和BP神經(jīng)網(wǎng)絡(luò)分類器的示功圖識別算法。根據(jù)吉布斯方程計(jì)算井下泵功圖，排除了抽油桿等諸多因素的影響。將井下泵功圖數(shù)據(jù)點(diǎn)的信息轉(zhuǎn)化為灰度矩陣，對灰度矩陣進(jìn)行二維傅立葉變換，采用變換后的系數(shù)作為反映示功圖形狀信息的特征。2012年，李訓(xùn)銘等[14]提取出灰度矩陣特征向量，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對有桿抽油油田典型故障進(jìn)行診斷。

（6）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)以其強(qiáng)有力的學(xué)習(xí)和并行處理能力為故障診斷提供了全新的理論方法和實(shí)現(xiàn)手段。神經(jīng)網(wǎng)絡(luò)通過對經(jīng)驗(yàn)樣本的學(xué)習(xí)，將知識以權(quán)值和閾值的形式存儲在網(wǎng)絡(luò)中。網(wǎng)絡(luò)的輸入是被診斷對象的征兆即特征值，輸出則表示發(fā)生故障的可能性。文必龍等[15]在模糊神經(jīng)網(wǎng)絡(luò)中引入黃金分割法的變步長BP算法,通過模糊神經(jīng)網(wǎng)絡(luò)與示功圖特征綜合評判其故障生成診斷方案用來實(shí)現(xiàn)從不同維度解決抽油機(jī)故障方面的問題,驗(yàn)證了該理論的可行性.任偉建等[16]將改進(jìn)的CS算法用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，快了收斂速度并提高了抽油機(jī)的故障診斷精度,有實(shí)際的應(yīng)用價(jià)值。

（7）支持向量機(jī)

2011年，王曉菡[17]選用3種算法對示功圖進(jìn)行特征提取，使用支持向量機(jī)對樣本集進(jìn)行分類識別，并對三種特征提取方法的性能進(jìn)行了比較。2014年，魏軍[18]建立了基于支持向量機(jī)的抽油機(jī)故障診斷模型,有效地解決抽油機(jī)故障診斷不及時(shí),準(zhǔn)確性不高等問題。

2 抽油井生產(chǎn)優(yōu)化控制研究現(xiàn)狀

隨著油井供液能力的降低，相當(dāng)數(shù)量的抽油機(jī)井經(jīng)常處于泵效較低或空泵的狀態(tài)運(yùn)行，過剩的抽油能力令抽油機(jī)的無功抽取時(shí)間增加，負(fù)荷降低。而抽油機(jī)一旦在低負(fù)荷下運(yùn)行，造成的后果是功率因數(shù)降低，電能浪費(fèi)加大，同時(shí)增加了機(jī)械的損耗。造成游梁式抽油機(jī)能耗過高的主要原因是:采油初期井下供液充足，抽油機(jī)主電機(jī)的裝機(jī)功率較大。隨著開采時(shí)間的延續(xù)，各大油田逐漸進(jìn)入石油開采的中后期，井下供液逐漸不足，泵效逐漸降低，“半抽”和“空抽”現(xiàn)象嚴(yán)重，加之平衡度調(diào)節(jié)不合理，使機(jī)、井參數(shù)失配，造成“大馬拉小車”的現(xiàn)象。

針對這一問題，油田目前主要存在以下幾種解決辦法。一是采用間歇啟停的方法，當(dāng)出現(xiàn)液擊或泵空的情況時(shí)，采取停井措施；待井下供液能力恢復(fù)，再次開井。但是如果長時(shí)間停機(jī)的話，輕則會影響產(chǎn)油量，重則會使油井無法再次開啟。二是通過更換電動(dòng)機(jī)輸出軸皮帶輪，機(jī)械地改變減速比，進(jìn)而改變沖次，使之能夠與井下供液能力相匹配，此種方法僅能實(shí)現(xiàn)有級調(diào)速且人工勞動(dòng)強(qiáng)度大。三是將變頻控制技術(shù)應(yīng)用到油田設(shè)備上，它不僅能夠提高功率因數(shù)，真正實(shí)現(xiàn)“軟啟動(dòng)”，且在一定程度上提高了油田自動(dòng)化程度，能夠在較寬調(diào)速范圍內(nèi)實(shí)現(xiàn)無級調(diào)速。采油是包括抽油、注水、地質(zhì)等的復(fù)雜過程，現(xiàn)場有經(jīng)驗(yàn)的操作人員會依據(jù)油井實(shí)際的運(yùn)行工況，在保證產(chǎn)液量的前提下，改變變頻器的輸出頻率，調(diào)節(jié)沖次。綜上所述，油田針對抽油機(jī)的實(shí)際控制方式仍然是以人工經(jīng)驗(yàn)為主，簡單的開環(huán)控制，智能化程度不高。

對抽油機(jī)系統(tǒng)抽汲參數(shù)進(jìn)行優(yōu)化調(diào)整，特別是通過沖次的調(diào)整，油井能耗[19]使抽油機(jī)抽汲能力能與地層供液能力協(xié)調(diào)，可以提高抽油機(jī)系統(tǒng)效率，降低油田開發(fā)成本。對于低產(chǎn)低效井，通過研究油井生產(chǎn)工況與沖次之間的關(guān)系，建立一種利用變頻器自動(dòng)調(diào)節(jié)沖次來改善油井工況的生產(chǎn)模式具有重要的意義。

2.1 變頻調(diào)速控制研究現(xiàn)狀

交流變頻調(diào)速技術(shù)的優(yōu)越性主要體現(xiàn)在兩個(gè)方面:一是節(jié)約電能。特別是在水泵、風(fēng)機(jī)、抽油等設(shè)備的節(jié)能運(yùn)行中，節(jié)能效果十分顯著。二是良好的調(diào)速性能，可以滿足許多工業(yè)條件對調(diào)速的要求，提高了產(chǎn)品的質(zhì)量和產(chǎn)量，提高了自動(dòng)化水平。

因此，對抽油機(jī)進(jìn)行變頻器改造有以下幾個(gè)好處[20]：

（1）實(shí)現(xiàn)真正的軟起動(dòng)，避免了對電動(dòng)機(jī)、變速箱、抽油機(jī)等過大的機(jī)械沖擊，從而延長了設(shè)備的使用壽命，減少了停機(jī)時(shí)間，提高了采油效率。

（2）根據(jù)油井的實(shí)際供液能力，動(dòng)態(tài)調(diào)節(jié)沖次，使抽汲能力與實(shí)際情況匹配，達(dá)到節(jié)能效果。

（3）提高功率因數(shù)，降低了線損，減輕了電網(wǎng)及變壓器的負(fù)擔(dān)，挖掘出大量的“擴(kuò)容”潛力。

實(shí)踐證明，應(yīng)用變頻控制技術(shù)能使采油系統(tǒng)效率提高，勞動(dòng)強(qiáng)度隆低，自動(dòng)化程度提高，綜合效益顯著。李憲英[21]針對游梁式抽油機(jī)存在的能量浪費(fèi)現(xiàn)象，提出三種機(jī)械平衡方式節(jié)能，并在此基礎(chǔ)上，采用PID控制器設(shè)計(jì)了抽油機(jī)基于變頻調(diào)速的閉環(huán)節(jié)能控制系統(tǒng)。周好斌[22]等根據(jù)現(xiàn)有的游梁式抽油機(jī)，基于先進(jìn)技術(shù)和方法，提出了具有自適應(yīng)功能的智能變頻控制系統(tǒng)。該控制系統(tǒng)采集電動(dòng)機(jī)的運(yùn)行參數(shù)和動(dòng)液位信息，經(jīng)過算法處理，通過變頻器控制采液速率以保證抽汲能力和供液能力的平衡。夏振華等人[23]依據(jù)由泵功圖得到的有效沖程，動(dòng)態(tài)調(diào)節(jié)變頻器運(yùn)行的頻率，從而調(diào)節(jié)抽油機(jī)的沖次，實(shí)現(xiàn)在不影響產(chǎn)液量的情況下，達(dá)到節(jié)能的目的。

2.2 抽油機(jī)優(yōu)化控制研究現(xiàn)狀

隨著現(xiàn)代科學(xué)技術(shù)的快速發(fā)展，控制工程所面臨的問題越來越復(fù)雜，像采油這種非線性、時(shí)變、不確定的系統(tǒng)，傳統(tǒng)控制理論在應(yīng)用于此類系統(tǒng)時(shí)，主要面臨以下幾種問題：

（1）傳統(tǒng)控制系統(tǒng)的分析與設(shè)計(jì)需要遵循一定的理想假設(shè)條件，但這常常與實(shí)際條件不完全相符合;

（2）傳統(tǒng)控制需要把實(shí)際情況加以簡化以建立數(shù)學(xué)模型，但這種分析只是實(shí)際過程是近似的，其近似程度取決于數(shù)學(xué)模型的簡化程度;即傳統(tǒng)控制是簡化控制，對于復(fù)雜系統(tǒng)往往難以得到理想的效果。

（3）為提高控制精度，或者需要花高成本建模，或者使系統(tǒng)在實(shí)現(xiàn)時(shí)也許很復(fù)雜。

（4）基于數(shù)學(xué)模型的傳統(tǒng)控制系統(tǒng)當(dāng)外部環(huán)境改變時(shí)，系統(tǒng)的模型或不再有效;或者一部分發(fā)生故障，有可能導(dǎo)致整個(gè)控制系統(tǒng)失效。

傳統(tǒng)的控制方法對這些復(fù)雜系統(tǒng)顯得無能為力，而智能控制是針對系統(tǒng)的復(fù)雜性、非線性、不確定性等問題提出來的。我們發(fā)現(xiàn)，經(jīng)驗(yàn)豐富的采油專家可以根據(jù)抽油機(jī)的示功圖數(shù)據(jù)、聲音、電流、載荷等因素判斷抽油機(jī)的工作狀態(tài)，然后對采油系統(tǒng)進(jìn)行控制，使抽油機(jī)井連續(xù)、穩(wěn)定地生產(chǎn)。于是，人們想到使用人工智能的控制方法對復(fù)雜的采油系統(tǒng)進(jìn)行控制，使機(jī)一桿一泵整個(gè)系統(tǒng)達(dá)到較好的配合，提高系統(tǒng)效率。近年來，對油田抽油機(jī)智能控制的研究已經(jīng)成為熱點(diǎn)。

Da Rocha等人[24]設(shè)計(jì)了基于模糊推理和神經(jīng)網(wǎng)絡(luò)的控制器，實(shí)現(xiàn)了沙漠、森林、海上等偏遠(yuǎn)油井的遠(yuǎn)程控制。王彩云，李英等[25]結(jié)合改進(jìn)的非線性同倫算法，采用BP神經(jīng)網(wǎng)絡(luò)辨識采油控制系統(tǒng)的采油模型，然后用遺傳算法優(yōu)化停機(jī)時(shí)間，確定合理的間歇控制時(shí)間，取得了較好的實(shí)驗(yàn)效果。丁寶等人[26]將基于規(guī)則自調(diào)節(jié)的RL(Rule self-Regulating)模糊神經(jīng)網(wǎng)絡(luò)模型的控制方法應(yīng)用于抽油機(jī)采油控制系統(tǒng)，實(shí)現(xiàn)了抽油機(jī)采油控制的自動(dòng)化和智能化。齊維貴等人[27]采用模糊神經(jīng)網(wǎng)絡(luò)解決抽油機(jī)節(jié)電的停機(jī)時(shí)間問題，用T-S模糊系統(tǒng)構(gòu)造FNN框架，并做了改進(jìn)和簡化。李敏等人[28]提出采用專家智能控制進(jìn)行抽油機(jī)間歇控制的節(jié)能方案，采用基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)推理機(jī)來構(gòu)造專家控制器，該系統(tǒng)己成功應(yīng)用于抽油機(jī)的間歇啟停控制，節(jié)能效果明顯。

3 抽油機(jī)診斷優(yōu)化控制研究展望

近些年來，隨著示功圖采集技術(shù)的不斷成熟，出現(xiàn)了一體化無線示功儀，將加速度傳感器和載荷傳感器集成在一起，安裝于懸繩器的平衡鐵上，同時(shí)采用無線的方式傳輸數(shù)據(jù)。通過這種方式可以實(shí)現(xiàn)示功圖的自動(dòng)采集和傳輸。隨著人工智能技術(shù)的不斷進(jìn)步，對于游梁式抽油機(jī)采油系統(tǒng)故障診斷方法的研究，正在向機(jī)器學(xué)習(xí)的方向不斷發(fā)展，利用計(jì)算機(jī)取代人的工作，借鑒人的經(jīng)驗(yàn)和思維方式對示功圖進(jìn)行分析，從而提高生產(chǎn)效率。

抽油機(jī)優(yōu)化控制在變頻技術(shù)廣泛應(yīng)用的基礎(chǔ)上，將抽油機(jī)、油井通過監(jiān)控設(shè)備構(gòu)成閉環(huán)控制系統(tǒng)，實(shí)現(xiàn)根據(jù)不同油井狀況改變抽油機(jī)的工作制度，采油工藝等。理想的控制方案是根據(jù)井下實(shí)時(shí)變化智能調(diào)整相應(yīng)的工作制度、診斷抽油機(jī)故障、執(zhí)行保護(hù)措施。完善的診斷和控制系統(tǒng)自動(dòng)保護(hù)制度可以有效降低抽油機(jī)事故發(fā)生率。抽油機(jī)在下沖程中會產(chǎn)生負(fù)功率，這些負(fù)功率一般都通過制動(dòng)電阻消耗掉，這在一定程度上浪費(fèi)了大量的能量，因此把各井通過電網(wǎng)聯(lián)系在一起，怎樣達(dá)到整個(gè)抽油系統(tǒng)的最優(yōu)運(yùn)行狀態(tài)將今后的研究熱點(diǎn)。

[1] 王鴻勛, 張琪. 采油工藝原理[M]. 北京: 石油工業(yè)出版社, 1985: 1-89.

[2] 王科科. 遠(yuǎn)程監(jiān)測抽油機(jī)井工況智能診斷技術(shù)[D]. 中國石油大學(xué), 2009.

[3] 叢蕊, 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(jī)械, 2013, 40(03): 285-288+308.

[4] 張潔. 基于圖像識別的農(nóng)作物害蟲診斷技術(shù)研究與應(yīng)用[D]. 中國科學(xué)技術(shù)大學(xué), 2014.

[5] 王桂花. 多特征融合技術(shù)的研究及其在醫(yī)學(xué)圖像識別中的應(yīng)用[D]. 西安科技大學(xué), 2013.

[6] 檀朝東, 曾霞光, 等. 利用最小二乘法對抽油機(jī)井示功圖自動(dòng)分類及故障診斷[J]. 數(shù)據(jù)采集與處理, 2010, 25(12)S1: 157-159.

[7] Derek HJ, Jennings JW, Morgan SM. Sucker rod pumping unit diagnostics using an expert system. InPermian Basin Oil and Gas Recovery Conference 1988 Jan 1. Society of Petroleum Engineers.

[8] 宮建村. 基于專家系統(tǒng)的抽油井故障診斷系統(tǒng)[D]. 中國石油大學(xué), 2007.

[9] 周寧寧, 黃國方. 油井集散控制系統(tǒng)泵工況的模糊綜合診斷[J]. 上海海運(yùn)學(xué)院學(xué)報(bào), 2001, (03): 324-328.

[10] 張建河, 楊靖, 許新蓉. 基于模糊模式識別的抽油井示功圖判別算法研究[J]. 計(jì)算機(jī)與現(xiàn)代化, 2012, (07): 58-60+67.

[11] Wang J, Bao Z. Study on Pump Fault Diagnosis based on Rough Sets Theory. InInnovative Computing Information and Control, 2008. ICICIC'08. 3rd International Conference on 2008 Jun 18 (pp. 288-288). IEEE.

[12] 鐘崢. 基于粗糙集的石油開采故障診斷方法[J]. 制造業(yè)自動(dòng)化, 2012, 34(08): 56-58.

[13] 袁震. 抽油井在線自動(dòng)診斷技術(shù)的研究與實(shí)現(xiàn)[D]. 中國石油大學(xué), 2011.

[14] 李訓(xùn)銘, 周志權(quán). 基于BP神經(jīng)網(wǎng)絡(luò)和灰色理論的示功圖故障診斷[J]. 電子設(shè)計(jì)工程, 2012, 20(17): 23-25+31.

[15] 文必龍, 汪志群, 金宗澤, 等. 示功圖與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的抽油機(jī)故障診斷[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2016, 25(01): 121-125.

[16] 任偉建, 田野岑, 朱永波. 基于CS的神經(jīng)網(wǎng)絡(luò)在抽油機(jī)故障診斷中的應(yīng)用[J]. 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版), 2017, 35(03): 324-332.

[17] 王曉菡. 用于工況診斷的示功圖特征提取方法研究[D]. 中國石油大學(xué), 2011.

[18] 魏軍. 基于支持向量機(jī)的抽油機(jī)井故障診斷模型研究[J]. 計(jì)算機(jī)與數(shù)字工程, 2014, 42(11): 2094-2098.

[19] 俞伯炎, 吳照云, 孫德剛. 石油工業(yè)節(jié)能技術(shù)[M]. 北京: 石油工業(yè)出版社, 2000.

[20] 孫守淵, 李亞軍, 王艷麗. 變頻技術(shù)對抽油機(jī)的節(jié)能影響[J]. 中國高新技術(shù)企業(yè), 2008, (02): 73+79.

[21] 李憲英. 游梁式抽油機(jī)節(jié)能控制的研究[D]. 東北大學(xué), 2012.

[22] Xiangqian X, Haobin Z, Mao L. Research on intelligent frequency conversion control system of pumping unit with auto-Adapted function. InElectronic and Mechanical Engineering and Information Technology (EMEIT), 2011 International Conference on 2011 Aug 12 (Vol. 5, pp. 2246-2248). IEEE.

[23] 夏振華, 蔡昌新, 王曉爽. 基于有效沖程的抽油機(jī)節(jié)能控制系統(tǒng)[J]. 電機(jī)與控制應(yīng)用, 2010, 37(08): 47-50.

[24] Da Rocha AE, Morooka CK, Alegre L. Smart oil recovery. Ieee Spectrum. 1996 Jul; 33(7): 48-51.

[25] 王彩云, 李英, 李元春. 采油控制系統(tǒng)神經(jīng)網(wǎng)絡(luò)建模和優(yōu)化算法設(shè)計(jì)[J]. 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版), 2006, (02): 164-171.

[26] 丁寶, 張延麗, 孫立峰. RL模糊神經(jīng)網(wǎng)絡(luò)及其在采油控制中的應(yīng)用[J]. 控制工程, 2002, (06): 57-59.

[27] 齊維貴, 朱學(xué)莉, 張延麗. 抽油機(jī)節(jié)能的模糊神經(jīng)網(wǎng)絡(luò)控制研究[J]. 中國電機(jī)工程學(xué)報(bào), 2004, (06): 141-144.

[28] 李敏, 何平, 孟臣. 基于模糊神經(jīng)網(wǎng)絡(luò)的抽油機(jī)節(jié)能專家控制器設(shè)計(jì)[J]. 計(jì)算技術(shù)與自動(dòng)化, 2009, 28(04): 56-58.

Research Progress in the Diagnosis and Optimization Control of Pumping Unit Based on Machine Learning

LI Xinlun1, TAN Chaodong1*, WANG Zaixing2, YANG Ruogu3

(1.China University of Petroleum (Beijing), Beijing Changping, 102249, China; 2. PetroChina Huabei Oilfield Company, Hebei Renqiu, 062500, China; 3.Beijing Yandan Petroleum Technology Development Co, Ltd, Beijing Changping, 102200, China)

Pumping unit wells emerges low efficiency, high energy consumption and other issues in the late production period. Accurate diagnosis of pump conditions and optimal control of pumping parameters are of great significance for the stable and efficient production of oilfields. This paper summarizes the main technical methods of diagnosing oil production condition at the present stage, summarizes the related machine learning methods, investigates the research related to the optimization of the production of pumping wells, and summarizes the main optimization control method.

pumping unit well; machine learning; diagnosis; optimization; control

10.19551/j.cnki.issn1672-9129.2018.01.026

TP183

A

1672-9129(2018)01-0067-03

李欣倫, 檀朝東, 王再興, 等. 基于機(jī)器學(xué)習(xí)的抽油機(jī)診斷優(yōu)化控制技術(shù)研究進(jìn)展[J]. 數(shù)碼設(shè)計(jì), 2018, 7(1): 67-69.

LI Xinlun, TAN Chaodong, WANG Zaixing, et al. Research Progress in the Diagnosis and Optimization Control of Pumping Unit Based on Machine Learning[J]. Peak Data Science, 2018, 7(1): 67-69.

2017-10-27；

2017-12-10。

檀朝東(1968-)，男，安徽，副研究員，博士，采油工程，智能油田。E-mail:704877300@qq.com