抽油泵系統(tǒng)故障分類模型及其可視化終端的搭建*

邢 鑫，吳 偉，魏航信，李 博

（西安石油大學(xué)機(jī)械工程學(xué)院，西安 710065）

0 引言

在石油開采行業(yè)中，抽油泵系統(tǒng)起著舉足輕重的作用。然而，惡劣的井下工作環(huán)境和復(fù)雜的工況使得抽油泵系統(tǒng)時(shí)常發(fā)生各種故障。此外，由于油井區(qū)域零散分布以及油井間的道路不便，使得油井的管理和維護(hù)成本高企?？焖?、高效、扁平的故障分類模型和可視化終端的搭建顯得尤為重要。

示功圖是由功率計(jì)測(cè)得的抽油泵系統(tǒng)關(guān)于“位移-載荷”的二維曲線，示功圖的不同形狀可以簡(jiǎn)單直觀地反映抽油泵系統(tǒng)當(dāng)前的運(yùn)行狀態(tài)[1-3]。因而，利用示功圖作為樣本構(gòu)建抽油泵系統(tǒng)故障分類模型是當(dāng)前主要的研究方向。圖1 所示為抽油泵系統(tǒng)典型工況的示功圖。

圖1 抽油泵系統(tǒng)典型工況的示功圖

圖1（a）為理論示功圖，理論示功圖曲線為平行四邊形。圖1（b）為供液不足故障的典型示功圖。供液不足是抽油泵的沉沒度不足，從而在一定時(shí)間內(nèi)泵入油泵的液體無法充盈泵筒，或者是油質(zhì)稠密使得液體泵入緩慢而導(dǎo)致的一種常見的故障。供液不足的典型特征是示功圖的右下角迅速變化。圖1（c）為正常工況的示功圖，其典型特征為示功圖曲線近似為平行四邊形。圖1（d）為抽油桿斷裂的典型示功圖。由于抽油桿斷裂后，功率計(jì)只能檢測(cè)斷裂點(diǎn)以上的抽油桿柱在重力和摩擦力作用下產(chǎn)生的載荷，所以示功圖曲線會(huì)失去正常工況示功圖所占據(jù)的范圍和形狀而變?yōu)槠焦鳡頪4]。圖1（e）為碰泵故障，柱塞與游動(dòng)閥發(fā)生碰撞使得示功圖曲線右上角死點(diǎn)位置出現(xiàn)針狀。圖1（f）為漏失故障。

眾多學(xué)者利用示功圖中沖程載荷等一系列參數(shù)進(jìn)行抽油泵系統(tǒng)故障分類。鐘張起等[5]對(duì)示功圖加卸比與供液能力以及泵效進(jìn)行相關(guān)性定量分析；鐘張起等[6]利用示功圖載荷比表征油井當(dāng)前的結(jié)蠟程度；朱春梅等[7]利用分形盒維數(shù)對(duì)抽油泵系統(tǒng)示功圖進(jìn)行故障分類；鐘張起等[8]通過研究確定示功圖載荷比作為評(píng)價(jià)抽油泵系統(tǒng)當(dāng)前結(jié)蠟程度的指標(biāo)。Jiang等[9]使用速度、電壓、電流、油壓、動(dòng)液面深度、產(chǎn)油量等參數(shù)輸入到隨機(jī)森林模型進(jìn)行抽油泵系統(tǒng)故障分類；Jiang 等[10]將示功圖典型參數(shù)輸入BP 神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了抽油泵系統(tǒng)故障分類；Lv等[11]建立有桿泵的數(shù)學(xué)模型，從而得到模擬示功圖，再利用模擬示功圖訓(xùn)練增量支持向量機(jī)模型從而實(shí)現(xiàn)分類；Han等[12]用Freeman鏈編碼作為示功圖的特征，使用腦風(fēng)暴算法優(yōu)化聚類實(shí)現(xiàn)抽油泵系統(tǒng)故障分類。

此外，部分學(xué)者直接利用示功圖圖像實(shí)現(xiàn)抽油泵系統(tǒng)故障分類。段友祥等[13]利用Alexnet 模型實(shí)現(xiàn)示功圖的分類；仲志丹等[14]利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取示功圖中的特征，然后使用支持向量機(jī)（SVM）實(shí)現(xiàn)示功圖分類；劉寶軍等[15]將200 口典型的抽油機(jī)示功圖作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)模型（CNN），該模型對(duì)常見故障的識(shí)別準(zhǔn)確率89.3%。杜娟等[16]在深度分離卷積模型中引入正則化注意力模塊，使得模型在降低存儲(chǔ)空間的同時(shí)提高模型分類準(zhǔn)確率，該模型的故障診斷準(zhǔn)確率為95.1%；檀朝東等[17]使用殘差卷積神經(jīng)網(wǎng)絡(luò)模型提取結(jié)蠟故障示功圖中的特征，然后使用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)蠟程度的定量預(yù)測(cè)。

本文使用Pytorch 搭建卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)示功圖的分類，然后通過4G模塊將不同區(qū)域油井的信息傳輸?shù)接傻谌介_源庫kivy 搭建的可視化終端實(shí)現(xiàn)油井狀態(tài)、故障類型以及處理措施等信息的顯示。同時(shí)將相關(guān)數(shù)據(jù)保存到MySQL數(shù)據(jù)庫中，以便開展后續(xù)工作。

1 卷積神經(jīng)網(wǎng)絡(luò)模型原理

卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型架構(gòu)如圖2 所示，卷積神經(jīng)網(wǎng)絡(luò)模型共分為卷積層、歸一化層和池化層以及全連接層3 個(gè)部分，預(yù)測(cè)結(jié)果中，ILS 代表供液不足故障，NOC 代表正常工況，SRB 代表抽油桿斷裂故障，SPB 代表碰泵故障，CST代表漏失故障。下面將具體介紹各個(gè)部分的數(shù)學(xué)基礎(chǔ)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型架構(gòu)示意圖

1.1 卷積層

尺寸為dW×dL的示功圖圖像Di作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。卷積層是使用尺寸不一的卷積核與Di進(jìn)行卷積運(yùn)算從而實(shí)現(xiàn)從Di中提取可以有效識(shí)別Di所屬類別的特征。激活函數(shù)是將卷積運(yùn)算得到的特征非線性化，從而進(jìn)一步提升整個(gè)模型的非線性性和模型的泛化能力。圖像Di通過卷積層和激活函數(shù)的過程可以由下式表示：

式中：H為圖像Di經(jīng)過卷積層和激活函數(shù)后輸出的結(jié)果；Ψ為激活函數(shù)；W為尺寸為dk×dk×1 卷積核對(duì)于輸入圖像描繪的權(quán)重系數(shù)；b為偏置大小。

1.2 歸一化層和池化層

由于不同的圖像Di樣本中尺寸、特征分布大相徑庭。為了模型不受其影響，通常在卷積層后加入歸一化層從而實(shí)現(xiàn)結(jié)果H的歸一化。本文使用的是局部響應(yīng)歸一化進(jìn)行H的歸一化。

工程中，由于設(shè)備的計(jì)算能力有限，同時(shí)為了節(jié)省計(jì)算資源，模型在卷積層和歸一化層后會(huì)加入池化層對(duì)H進(jìn)行下采樣，從而大幅降低模型計(jì)算成本。尺寸為dH×dH的圖像經(jīng)過尺寸為dP×dP的池化層后，輸出圖像尺寸變?yōu)?dH/dP)×(dH/dP)。輸入圖像Di依次經(jīng)過卷積、歸一化、池化運(yùn)算后，最終獲得Q個(gè)尺寸為dO×dO，可以有效表征圖像Di的特征圖。特征圖經(jīng)過特征平鋪組成尺寸為（Q×dO×dO）×1的向量VD。

1.3 全連接網(wǎng)絡(luò)

圖像Di經(jīng)過多層的卷積運(yùn)算后，獲得可以表征Di的高維特征VD。VD通過全連接層進(jìn)行特征融合，同時(shí)為了降低模型的過擬合概率以及提升模型的泛化能力，本文在全連接層中加入隨機(jī)失活層。最終全連接層的5 個(gè)輸出oi再經(jīng)過Softmax 函數(shù)輸出模型對(duì)輸入Di屬于各類故障的概率。該過程的數(shù)學(xué)表達(dá)為：

式中：αi為卷積神經(jīng)網(wǎng)絡(luò)模型判斷輸入圖像Di為第i類故障的概率；oi為全連接網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的輸出值。

2 實(shí)驗(yàn)驗(yàn)證

2.1 數(shù)據(jù)來源及損失函數(shù)

本文從西北某油田獲取的包含正常工況、供液不足故障、漏失故障、碰泵故障、抽油桿斷裂故障5 種故障共1 000 余張示功圖。按照70∶30 的比例將示功圖樣本劃分為訓(xùn)練集和測(cè)試集進(jìn)行模型的訓(xùn)練和模型分類性能的測(cè)試。

在該數(shù)據(jù)集中，供液不足故障和正常工況的樣本數(shù)量占據(jù)數(shù)據(jù)集的主體地位。而抽油桿斷裂故障、碰泵故障、漏失故障的樣本數(shù)小于數(shù)據(jù)集總樣本數(shù)的20%。為了模型對(duì)所有故障分類準(zhǔn)確率的穩(wěn)定，本文使用由Lin等[186]提出的針對(duì)長(zhǎng)尾分布數(shù)據(jù)集的損失函數(shù)。損失函數(shù)F（pi）由下式表示：

式中：γ為超參數(shù)，本文中最佳的γ值為2.3；pi為輸入示功圖屬于第i類故障的概率，pi由式（4）可得：

式中：ti為輸入示功圖的真實(shí)故障分類。

2.2 實(shí)驗(yàn)結(jié)果

卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)過5 次獨(dú)立重復(fù)實(shí)驗(yàn)，最終抽油泵系統(tǒng)對(duì)各類故障的分類準(zhǔn)確率的混淆矩陣如圖3 所示，圖中，ILS 代表供液不足故障，NOC 代表正常工況，SRB代表抽油桿斷裂故障，SPB代表碰泵故障，CST為漏失故障。由圖可知，卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)抽油泵系統(tǒng)供液不足故障的分類準(zhǔn)確率為97.92%，對(duì)正常工況示功圖的分類準(zhǔn)確率為84.82%，對(duì)抽油桿斷裂故障的分類準(zhǔn)確率為74.29%，對(duì)碰泵故障的分類準(zhǔn)確率為75.0%，對(duì)漏失故障的分類準(zhǔn)確率為83.75%。

圖3 卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)抽油泵系統(tǒng)故障分類混淆矩陣

3 4G模塊及MySQL數(shù)據(jù)庫

作為萬物互聯(lián)的核心器件，4G 網(wǎng)絡(luò)模塊的使用已經(jīng)遍及各行各業(yè)。此外，我國(guó)抽油井具有分布廣、油藏分布零散、產(chǎn)量不高、油井周圍環(huán)境差、開采成本高等特點(diǎn)。這就使得油井管理成本和維護(hù)成本高企。因此，分布在各地的抽油井的運(yùn)行狀態(tài)通過傳感器進(jìn)行數(shù)據(jù)采集，然后4G模塊將數(shù)據(jù)實(shí)時(shí)上傳到控制終端。工程師可以遠(yuǎn)程監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)抽油泵系統(tǒng)存在的問題，從而實(shí)現(xiàn)快速、高效、便捷、扁平的抽油泵監(jiān)測(cè)維護(hù)，進(jìn)而提高抽油井生產(chǎn)效率、降低石油開采和設(shè)備維護(hù)成本。

4G 通信具有通信速度高、兼容性好等特點(diǎn)，其最高通信速度達(dá)100 Mb/s。本文使用的是正點(diǎn)原子的4G 模塊ATK-IDM750C。該4G 模塊供電電壓為12 V，通過通用異步收發(fā)傳輸器（UART）與單片機(jī)進(jìn)行串口波特率為9 600 bit/s 的串口通信。4G 模塊參數(shù)配置如表1 所示。抽油泵系統(tǒng)的數(shù)據(jù)傳輸過程如圖4 所示。抽油泵系統(tǒng)中功率計(jì)等傳感器通過I2C通信將數(shù)據(jù)傳輸給單片機(jī)，單片機(jī)與4G 模塊進(jìn)行UART 通信。單片機(jī)根據(jù)控制平臺(tái)的命令將數(shù)據(jù)通過4G模塊上傳到正點(diǎn)原子設(shè)計(jì)的原子云平臺(tái)，再通過TCP協(xié)議將數(shù)據(jù)下載到本地的數(shù)據(jù)庫進(jìn)行保存。

表1 4G模塊參數(shù)配置

圖4 抽油泵系統(tǒng)數(shù)據(jù)傳輸過程圖示

本文使用數(shù)據(jù)庫為MySQL 數(shù)據(jù)庫。MySQL 屬于關(guān)系型數(shù)據(jù)庫管理系統(tǒng)，它將數(shù)據(jù)保存到不同的表中，從而提高數(shù)據(jù)庫的快捷性和靈活性。

在Python 中操作MySQL 數(shù)據(jù)庫需要使用第三方庫pymysql。具體的操作流程如下。

（1）創(chuàng)建數(shù)據(jù)庫。用戶輸入主服務(wù)器的域名、端口名、用戶名和密碼等信息后，利用cursor.execute（"CREATE DATABASE IF NOT EXISTS xx"）函數(shù)創(chuàng)建數(shù)據(jù)庫，然后使用db.select＿db（"xx"）函數(shù)連接創(chuàng)建好的數(shù)據(jù)庫。

（2）創(chuàng)建表。在已經(jīng)創(chuàng)建好的數(shù)據(jù)庫中創(chuàng)建表。本文數(shù)據(jù)庫中的表包含以下信息：①抽油井井號(hào)，使用VARCHAR 類型存入數(shù)據(jù)庫；②示功圖采樣時(shí)間，使用DATE 類型存入數(shù)據(jù)庫，油井井號(hào)和采樣時(shí)間的存儲(chǔ)是為了方便后續(xù)的數(shù)據(jù)直觀查詢；③示功圖的沖程序列，由于繪制一張示功圖所包含的沖程序列數(shù)據(jù)點(diǎn)較多，所以使用TEXT類型存入數(shù)據(jù)庫；④示功圖的載荷序列，同樣使用TEXT類型存入數(shù)據(jù)庫；⑤最大最小載荷、沖程、沖次等示功圖直接獲取的參數(shù)，這些參數(shù)合并為一個(gè)TEXT類型存入數(shù)據(jù)庫；⑥示功圖曲線包圍的面積以及示功圖重心分割后各個(gè)子區(qū)域的面積；⑦載荷比，示功圖AC兩點(diǎn)連線與x軸的夾角，BD兩點(diǎn)與x軸的夾角，示功圖固定閥和游動(dòng)閥的工作位移，加載沖程及卸載沖程；⑧示功圖AB段曲線、BC段曲線、CD段曲線、DA段曲線的信息熵，參數(shù)f、g、h、i、j、k合并為一個(gè)TEXT 類型存入數(shù)據(jù)庫；⑨示功圖圖像，使用BLOB 類型存入數(shù)據(jù)庫；⑩示功圖及其頻域圖的疊加圖像，該圖像由于數(shù)據(jù)量較大，所以使用MEDIUMBLOB類型存入數(shù)據(jù)庫。

（3）讀取示功圖，計(jì)算相關(guān)參數(shù)，并使用cursor.execute（"INSERT INTO func＿name VALUES value"）函數(shù)將相關(guān)數(shù)據(jù)插入數(shù)據(jù)庫。

（4）后續(xù)需要使用數(shù)據(jù)庫中數(shù)據(jù)時(shí)，使用cursor.execute（"SELECT func＿name FROM table"）函數(shù)查詢table表中的func＿name 數(shù)據(jù)。然后使用cursor.fetchall（）函數(shù)將查詢到的數(shù)據(jù)進(jìn)行保存，以便使用。

4 可視化終端的搭建

本文使用Python 的開源庫Kivy 搭建抽油泵系統(tǒng)的監(jiān)測(cè)終端。Kivy 是一種面向自然用戶界面的開發(fā)庫，它可以實(shí)現(xiàn)多點(diǎn)觸控應(yīng)用的開發(fā)。具有簡(jiǎn)單、高效、快捷、成本低等特點(diǎn)，其開發(fā)的程序可以在安卓、Linux、IOS、Windows 等多平臺(tái)運(yùn)行。本文使用Kivy 中的函數(shù)如表2所示。

表2 Kivy開源庫部分函數(shù)說明

當(dāng)用戶終端向控制平臺(tái)請(qǐng)求訪問抽油井的信息時(shí)，控制平臺(tái)在用戶信息合法的前提下通過TCP 協(xié)議向用戶終端發(fā)送相關(guān)抽油井的信息。首先用戶需要在登錄界面輸入自己的用戶名和用戶密碼。在用戶點(diǎn)擊登錄按鍵后，用戶輸入的數(shù)據(jù)將和數(shù)據(jù)庫中存儲(chǔ)的用戶數(shù)據(jù)進(jìn)行比對(duì)。輸入的數(shù)據(jù)錯(cuò)誤時(shí)，界面提醒相關(guān)信息輸入錯(cuò)誤，并提醒用戶重新輸入信息。當(dāng)輸入信息合法時(shí)，監(jiān)測(cè)終端進(jìn)入如圖5（a）所示的系統(tǒng)首頁。系統(tǒng)首頁顯示控制平臺(tái)當(dāng)前的時(shí)間、可以訪問的抽油井的井號(hào)以及當(dāng)前與控制平臺(tái)未連接的抽油井井號(hào)。用戶僅可以點(diǎn)擊可以訪問的抽油井的相關(guān)信息。在用戶點(diǎn)擊某一油井井號(hào)按鍵后，系統(tǒng)向控制平臺(tái)發(fā)送數(shù)據(jù)傳輸請(qǐng)求信號(hào)，控制平臺(tái)將對(duì)用戶權(quán)限進(jìn)行審核。當(dāng)用戶權(quán)限不滿足要求時(shí)，監(jiān)測(cè)系統(tǒng)顯示提示信息；當(dāng)用戶權(quán)限滿足要求時(shí)，控制平臺(tái)向該油井發(fā)送數(shù)據(jù)查詢命令。油井段單片機(jī)在接收到命令后，將傳感器采集到的示功圖信息通過4G 網(wǎng)絡(luò)進(jìn)行上傳。控制平臺(tái)將示功圖輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中預(yù)測(cè)抽油泵系統(tǒng)的故障分類，并根據(jù)分類結(jié)果在數(shù)據(jù)庫中查詢對(duì)應(yīng)的處理措施。

圖5 抽油泵系統(tǒng)監(jiān)測(cè)終端界面

上述過程完成后，控制平臺(tái)通過TCP 協(xié)議將油井的示功圖信息發(fā)送到用戶終端。圖5（b）顯示油井井號(hào)為1-1，工況為正常工況的處理意見。圖5（c）顯示油井井號(hào)為1-2，工況為供液不足,處理處理意見為建議該井進(jìn)行油層改造，改善抽油泵沉沒度從而提高泵效。圖5（d）顯示油井井號(hào)為2-1，工況為抽油桿斷裂，處理意見為及時(shí)更換抽油桿。圖5（e）顯示油井井號(hào)為2-2，工況為碰泵故障，處理意見為適當(dāng)調(diào)整抽油泵的防沖距離。圖5（f）顯示油井井號(hào)為3-3，工況為閥門漏失，處理意見為進(jìn)一步改善閥門密封性能。用戶將所有信息瀏覽完畢后，可以點(diǎn)擊返回按鍵返回系統(tǒng)主頁面繼續(xù)后續(xù)操作。

5 結(jié)束語

本文使用卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)抽油泵系統(tǒng)故障分類。該模型對(duì)供液不足故障的分類準(zhǔn)確率為97.92%，對(duì)正常工況示功圖的分類準(zhǔn)確率為84.82%，對(duì)抽油桿斷裂故障的分類準(zhǔn)確率為74.29%，對(duì)碰泵故障的分類準(zhǔn)確率為75.0%，對(duì)漏失故障的分類準(zhǔn)確率為83.75%。油井示功圖信息以及模型輸出的故障分類結(jié)果通過4G模塊上傳到云端，并且使用Kivy 庫和MySQL 數(shù)據(jù)庫搭建了本地的可視化的用戶監(jiān)測(cè)終端和數(shù)據(jù)存儲(chǔ)平臺(tái)。本文使用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障分類、Kivy 用戶終端平臺(tái)構(gòu)建可視化界面以及MySQL 數(shù)據(jù)庫進(jìn)行數(shù)據(jù)存儲(chǔ)的綜合方案對(duì)后續(xù)智慧油田建設(shè)有借鑒和指導(dǎo)意義。