基于机器学习的抽油机诊断优化控制技术研究进展

李欣伦，檀朝东*，王再兴，杨若谷



基于机器学习的抽油机诊断优化控制技术研究进展

李欣伦1，檀朝东1*，王再兴2，杨若谷3

（1.中国石油大学（北京），北京昌平，102249；2.中国石油华北油田公司，河北任丘，062500；3.北京雅丹石油技术开发有限公司，北京昌平，102200）

抽油机井在后期的生产中存在效率低下，耗能较高等问题。准确地对抽油机井生产工况进行诊断和对抽汲参数的优化控制对于油田生产稳定和节能意义重大。本文综述了现阶段主要的抽油生产工况的诊断技术方法，对其中涉及到的机器学习方法进行了分类总结，同时对抽油机井生产优化控制相关的研究进展进行了调研和归纳。

抽油机；机器学习；诊断；优化；控制

引言

在当前世界石油生产中，特别是在油田开发的中后期，有杆泵采油方式占有很大比例。抽油机采油方式存在设备故障率较高的问题，由于抽油泵一般放置在井下数百米至数千米，工作环境十分恶劣，受到周围砂、蜡、气、水的影响，工况非常复杂，尤其是进入中后期的油田，高含水、高凝、高粘等复杂的井下介质使得抽油机工况愈发复杂，故障率明显上升。因此，准确的掌握抽油机井下工况，及时诊断故障做出决策，能够保障油井的正常生产、避免重大事故的发生。在油井经作业投产后，能够调节的工作参数只有冲程和冲次，长冲程有利于节能和降低设备损耗，一般把冲程调节到较大值后不再变更，冲次就成为唯一能够调节的工作参数。对于工况诊断中被确定为低产井、供液不足的油井，传统调整冲次的方法不能有效及时准确的做出调整，所以抽油机井虽然进行了抽汲参数调整，但仍然存在效率低下，耗能较高等问题。

在进行抽油机工况诊断过程中，所提取的示功图特征参数能否准确表征图形曲线的特征对于诊断结果有着重要作用。通过选取适用于工况诊断的示功图特征提取算法对示功图进行特征提取，再利用机器学习算法进行学习，及时准确地判断故障类型，从而针对性的调整生产措施，对抽汲参数精心优化控制，这对提高原油生产效率以及油田经济效益都有着非常重要的意义[1]。

近些年来，随着人工智能技术的不断进步，对于游梁式抽油机采油系统诊断优化控制方法的研究，正在向机器学习的方向不断发展，利用计算机取代人的工作，借鉴人的经验和思维方式来处理油田生产问题，从而提高生产效率。

1 抽油生产工况诊断技术研究现状

在有杆抽油系统中, 油井示功图是反映抽油系统工作状态的有效方法。通过识别示功图可以对有杆抽油系统的工作状态进行有效诊断。

1.1 示功图特征提取方法研究现状

当前，示功图诊断研究主要集中在故障类型智能诊断的方法上，利用图像识别领域中特征提取的方法提取示功图有效特征的研究相对较少，且都停留在只提取单一特征进行识别的阶段。由于示功图诊断是根据示功图曲线的形状来判断故障类型，所以只涉及到形状特征。常用的形状特征有轮廓特征和区域特征。现阶段对形状特征提取的研究主要分为单一特征提取和多特征融合提取两种方法。

1.1.1 单一特征提取方法

图像的区域特征可以从局部上反映目标的细节。由于某些矩特征对于平移、旋转、尺度等几何变换具有不变性，因此，基于矩的区域特征在物体分类与识别方面具有重要意义，一直是图像识别领域研究的热点。在抽油机示功图识别上，大多数研究都提取了区域特征来进行故障诊断，取得了一定成果。如2009年中国石油大学的王科科[2]根据Hu不变矩理论提取示功图的七个不变矩，建立了抽油机井典型工况的特征参数样本库；2013年东北石油大学的丛蕊、乔磊[3]等研究了基于图像识别的示功图诊断方法，该方法同样将不变矩特征提取技术应用到抽油机和往复式压缩机的示功图智能诊断上，并通过核主成分分析优化提取到的特征量，缩短了示功图诊断的时间。

1.1.2 多特征提取方法

在图像识别系统中，由于图像不可避免的存在噪声，而噪声和目标信息会出现重叠，因此，使用单一特征识别图像往往存在一定误差，为了提高识别的准确率，可以将图像的多个特征融合起来进行识别，克服单一特征识别时误差的影响。目前，多特征融合在图像识别的研究比较少，主要集中在军事、医学、农业和交通上，2013年中国科学技术大学的张洁[4]提出了基于多特征融合的农作物害虫图像识别诊断方法，该方法以四种农作物的34种害虫为实验数据，通过使用Fisher线性判别法计算各特征权值，并通过多种特征组合方式分别进行实验，验证了多特征融合比单一特征的识别率更高。吉林大学的高海华[5]也研究了基于多特征融合方法的交通警告标志的识别，以上研究均获得了比传统方法更好的识别效果。

1.2 智能诊断方法研究现状

在基于示功图分析的游梁式抽油机井故障诊断方法的不断发展中，有一些方法通过间接测量来得到示功图，通过油管受力图转化以及通过测量减速箱的输出轴扭矩、电机的输出功率、电机的转速、电机的输出转矩等参数，然后通过数学模型公式推导来间接获得示功图。

目前，对于示功图的智能诊断方法主要有:最小二乘法分类、专家系统、模糊理论、粗糙集理论、灰色理论、人工神经网络、支持向量机等。

（1）最小二乘法自动分类

利用最小二乘相似度可以对油田抽油机井的海量示功图进行有效的整理分类。中国石油大学的檀朝东等[6]提出将最小二乘相似度作为示功图特征的定量描述参数，其基本定义是：把任意两个示功图的位移均分为n份，由于示功图的闭合性，在均分的位移点上将对应得到2n份载荷值，计算2n份载荷值对应位置处的载荷差值的平方和，此平方和就是所谓最小二乘相似度。由此可以假设：任意两个示功图的最小二乘相似度的值越小，这二者越相似。利用最小二乘相似度可以进行示功图的完全分类和自动诊断。

（2）专家系统

1988年，Derek等[7]在走访许多著名专家后研制出有杆抽油井故障诊断专家系统，它是将地面实测的示功图转换成井下示功图，然后与标准示功图进行比较以判断故障类型。宫建村[8]针对抽油机故障诊断的特点，建立了基于产生式和框架式相结合的专家系统知识库，采用参数判断和专家系统提问相结合的推理方式，能够充分的利用数据和现象，提高诊断可信度。

目前已开发出的故障诊断专家系统虽然取得了一定的效果，但其仅能处理单一领域知识范畴的符号推理，其知识表达方式和推理策略相对单一，难于充分和正确表达诊断知识领域，诊断效果不够理想，因此限制了它的广泛使用。

（3）模糊理论

许多被诊断对象的故障状态是模糊的，诊断这类故障的一个有效的方法是应用模糊数学的理论。

2001年，周宁宁等[9]提出把泵功图的缺损面积和对应的增载行程作为隶属变量，然后根据缺损面积与泵功图外切矩形面积的1/4之比以及增载行程和泵行程的比值来建立相应的隶属函数，通过隶属度计算，根据最大隶属原则来判断当时的工作状态。采用图形的面积作为特征向量只能对一些工况简单的油井做出有效的判断和监控。2012年，张建河[10]等利用模糊模式识别算法中的择近原则，计算输入示功图特征向量与基准库中每种模糊模式的贴进度，从而确定输入示功图特征向量的归属模式。

（4）粗糙集理论

2008年，Wang等[11]基于粗糙集理论设计了一种粗糙集分类器，首先提取振动信号的谱特征作为学习样本的属性，然后执行属性约减从而产生决策规则来对目标状态进行分类。2012年，钟峥[12]给出了基于粗糙集理论的抽油故障诊断方案，将反映系统状态的数据建构决策表，对五种典型的故障类别进行识别。

（5）灰色理论

2011年，袁震[13]提出基于二维傅立叶变换和BP神经网络分类器的示功图识别算法。根据吉布斯方程计算井下泵功图，排除了抽油杆等诸多因素的影响。将井下泵功图数据点的信息转化为灰度矩阵，对灰度矩阵进行二维傅立叶变换，采用变换后的系数作为反映示功图形状信息的特征。2012年，李训铭等[14]提取出灰度矩阵特征向量，运用BP神经网络对有杆抽油油田典型故障进行诊断。

（6）人工神经网络

人工神经网络以其强有力的学习和并行处理能力为故障诊断提供了全新的理论方法和实现手段。神经网络通过对经验样本的学习，将知识以权值和阈值的形式存储在网络中。网络的输入是被诊断对象的征兆即特征值，输出则表示发生故障的可能性。文必龙等[15]在模糊神经网络中引入黄金分割法的变步长BP算法,通过模糊神经网络与示功图特征综合评判其故障生成诊断方案用来实现从不同维度解决抽油机故障方面的问题,验证了该理论的可行性.任伟建等[16]将改进的CS算法用于BP神经网络的训练中，快了收敛速度并提高了抽油机的故障诊断精度,有实际的应用价值。

（7）支持向量机

2011年，王晓菡[17]选用3种算法对示功图进行特征提取，使用支持向量机对样本集进行分类识别，并对三种特征提取方法的性能进行了比较。2014年，魏军[18]建立了基于支持向量机的抽油机故障诊断模型,有效地解决抽油机故障诊断不及时,准确性不高等问题。

2 抽油井生产优化控制研究现状

随着油井供液能力的降低，相当数量的抽油机井经常处于泵效较低或空泵的状态运行，过剩的抽油能力令抽油机的无功抽取时间增加，负荷降低。而抽油机一旦在低负荷下运行，造成的后果是功率因数降低，电能浪费加大，同时增加了机械的损耗。造成游梁式抽油机能耗过高的主要原因是:采油初期井下供液充足，抽油机主电机的装机功率较大。随着开采时间的延续，各大油田逐渐进入石油开采的中后期，井下供液逐渐不足，泵效逐渐降低，“半抽”和“空抽”现象严重，加之平衡度调节不合理，使机、井参数失配，造成“大马拉小车”的现象。

针对这一问题，油田目前主要存在以下几种解决办法。一是采用间歇启停的方法，当出现液击或泵空的情况时，采取停井措施；待井下供液能力恢复，再次开井。但是如果长时间停机的话，轻则会影响产油量，重则会使油井无法再次开启。二是通过更换电动机输出轴皮带轮，机械地改变减速比，进而改变冲次，使之能够与井下供液能力相匹配，此种方法仅能实现有级调速且人工劳动强度大。三是将变频控制技术应用到油田设备上，它不仅能够提高功率因数，真正实现“软启动”，且在一定程度上提高了油田自动化程度，能够在较宽调速范围内实现无级调速。采油是包括抽油、注水、地质等的复杂过程，现场有经验的操作人员会依据油井实际的运行工况，在保证产液量的前提下，改变变频器的输出频率，调节冲次。综上所述，油田针对抽油机的实际控制方式仍然是以人工经验为主，简单的开环控制，智能化程度不高。

对抽油机系统抽汲参数进行优化调整，特别是通过冲次的调整，油井能耗[19]使抽油机抽汲能力能与地层供液能力协调，可以提高抽油机系统效率，降低油田开发成本。对于低产低效井，通过研究油井生产工况与冲次之间的关系，建立一种利用变频器自动调节冲次来改善油井工况的生产模式具有重要的意义。

2.1 变频调速控制研究现状

交流变频调速技术的优越性主要体现在两个方面:一是节约电能。特别是在水泵、风机、抽油等设备的节能运行中，节能效果十分显著。二是良好的调速性能，可以满足许多工业条件对调速的要求，提高了产品的质量和产量，提高了自动化水平。

因此，对抽油机进行变频器改造有以下几个好处[20]：

（1）实现真正的软起动，避免了对电动机、变速箱、抽油机等过大的机械冲击，从而延长了设备的使用寿命，减少了停机时间，提高了采油效率。

（2）根据油井的实际供液能力，动态调节冲次，使抽汲能力与实际情况匹配，达到节能效果。

（3）提高功率因数，降低了线损，减轻了电网及变压器的负担，挖掘出大量的“扩容”潜力。

实践证明，应用变频控制技术能使采油系统效率提高，劳动强度隆低，自动化程度提高，综合效益显著。李宪英[21]针对游梁式抽油机存在的能量浪费现象，提出三种机械平衡方式节能，并在此基础上，采用PID控制器设计了抽油机基于变频调速的闭环节能控制系统。周好斌[22]等根据现有的游梁式抽油机，基于先进技术和方法，提出了具有自适应功能的智能变频控制系统。该控制系统采集电动机的运行参数和动液位信息，经过算法处理，通过变频器控制采液速率以保证抽汲能力和供液能力的平衡。夏振华等人[23]依据由泵功图得到的有效冲程，动态调节变频器运行的频率，从而调节抽油机的冲次，实现在不影响产液量的情况下，达到节能的目的。

2.2 抽油机优化控制研究现状

随着现代科学技术的快速发展，控制工程所面临的问题越来越复杂，像采油这种非线性、时变、不确定的系统，传统控制理论在应用于此类系统时，主要面临以下几种问题：

（1）传统控制系统的分析与设计需要遵循一定的理想假设条件，但这常常与实际条件不完全相符合;

（2）传统控制需要把实际情况加以简化以建立数学模型，但这种分析只是实际过程是近似的，其近似程度取决于数学模型的简化程度;即传统控制是简化控制，对于复杂系统往往难以得到理想的效果。

（3）为提高控制精度，或者需要花高成本建模，或者使系统在实现时也许很复杂。

（4）基于数学模型的传统控制系统当外部环境改变时，系统的模型或不再有效;或者一部分发生故障，有可能导致整个控制系统失效。

传统的控制方法对这些复杂系统显得无能为力，而智能控制是针对系统的复杂性、非线性、不确定性等问题提出来的。我们发现，经验丰富的采油专家可以根据抽油机的示功图数据、声音、电流、载荷等因素判断抽油机的工作状态，然后对采油系统进行控制，使抽油机井连续、稳定地生产。于是，人们想到使用人工智能的控制方法对复杂的采油系统进行控制，使机一杆一泵整个系统达到较好的配合，提高系统效率。近年来，对油田抽油机智能控制的研究已经成为热点。

Da Rocha等人[24]设计了基于模糊推理和神经网络的控制器，实现了沙漠、森林、海上等偏远油井的远程控制。王彩云，李英等[25]结合改进的非线性同伦算法，采用BP神经网络辨识采油控制系统的采油模型，然后用遗传算法优化停机时间，确定合理的间歇控制时间，取得了较好的实验效果。丁宝等人[26]将基于规则自调节的RL(Rule self-Regulating)模糊神经网络模型的控制方法应用于抽油机采油控制系统，实现了抽油机采油控制的自动化和智能化。齐维贵等人[27]采用模糊神经网络解决抽油机节电的停机时间问题，用T-S模糊系统构造FNN框架，并做了改进和简化。李敏等人[28]提出采用专家智能控制进行抽油机间歇控制的节能方案，采用基于遗传算法的模糊神经网络推理机来构造专家控制器，该系统己成功应用于抽油机的间歇启停控制，节能效果明显。

3 抽油机诊断优化控制研究展望

近些年来，随着示功图采集技术的不断成熟，出现了一体化无线示功仪，将加速度传感器和载荷传感器集成在一起，安装于悬绳器的平衡铁上，同时采用无线的方式传输数据。通过这种方式可以实现示功图的自动采集和传输。随着人工智能技术的不断进步，对于游梁式抽油机采油系统故障诊断方法的研究，正在向机器学习的方向不断发展，利用计算机取代人的工作，借鉴人的经验和思维方式对示功图进行分析，从而提高生产效率。

抽油机优化控制在变频技术广泛应用的基础上，将抽油机、油井通过监控设备构成闭环控制系统，实现根据不同油井状况改变抽油机的工作制度，采油工艺等。理想的控制方案是根据井下实时变化智能调整相应的工作制度、诊断抽油机故障、执行保护措施。完善的诊断和控制系统自动保护制度可以有效降低抽油机事故发生率。抽油机在下冲程中会产生负功率，这些负功率一般都通过制动电阻消耗掉，这在一定程度上浪费了大量的能量，因此把各井通过电网联系在一起，怎样达到整个抽油系统的最优运行状态将今后的研究热点。

[1] 王鸿勋, 张琪. 采油工艺原理[M]. 北京: 石油工业出版社, 1985: 1-89.

[2] 王科科. 远程监测抽油机井工况智能诊断技术[D]. 中国石油大学, 2009.

[3] 丛蕊, 乔磊, 张威. 基于傅里叶描述子的示功图诊断方法研究[J]. 化工机械, 2013, 40(03): 285-288+308.

[4] 张洁. 基于图像识别的农作物害虫诊断技术研究与应用[D]. 中国科学技术大学, 2014.

[5] 王桂花. 多特征融合技术的研究及其在医学图像识别中的应用[D]. 西安科技大学, 2013.

[6] 檀朝东, 曾霞光, 等. 利用最小二乘法对抽油机井示功图自动分类及故障诊断[J]. 数据采集与处理, 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] 宫建村. 基于专家系统的抽油井故障诊断系统[D]. 中国石油大学, 2007.

[9] 周宁宁, 黄国方. 油井集散控制系统泵工况的模糊综合诊断[J]. 上海海运学院学报, 2001, (03): 324-328.

[10] 张建河, 杨靖, 许新蓉. 基于模糊模式识别的抽油井示功图判别算法研究[J]. 计算机与现代化, 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] 钟峥. 基于粗糙集的石油开采故障诊断方法[J]. 制造业自动化, 2012, 34(08): 56-58.

[13] 袁震. 抽油井在线自动诊断技术的研究与实现[D]. 中国石油大学, 2011.

[14] 李训铭, 周志权. 基于BP神经网络和灰色理论的示功图故障诊断[J]. 电子设计工程, 2012, 20(17): 23-25+31.

[15] 文必龙, 汪志群, 金宗泽, 等. 示功图与模糊神经网络结合的抽油机故障诊断[J]. 计算机系统应用, 2016, 25(01): 121-125.

[16] 任伟建, 田野岑, 朱永波. 基于CS的神经网络在抽油机故障诊断中的应用[J]. 吉林大学学报(信息科学版), 2017, 35(03): 324-332.

[17] 王晓菡. 用于工况诊断的示功图特征提取方法研究[D]. 中国石油大学, 2011.

[18] 魏军. 基于支持向量机的抽油机井故障诊断模型研究[J]. 计算机与数字工程, 2014, 42(11): 2094-2098.

[19] 俞伯炎, 吴照云, 孙德刚. 石油工业节能技术[M]. 北京: 石油工业出版社, 2000.

[20] 孙守渊, 李亚军, 王艳丽. 变频技术对抽油机的节能影响[J]. 中国高新技术企业, 2008, (02): 73+79.

[21] 李宪英. 游梁式抽油机节能控制的研究[D]. 东北大学, 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] 夏振华, 蔡昌新, 王晓爽. 基于有效冲程的抽油机节能控制系统[J]. 电机与控制应用, 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. 采油控制系统神经网络建模和优化算法设计[J]. 吉林大学学报(信息科学版), 2006, (02): 164-171.

[26] 丁宝, 张延丽, 孙立峰. RL模糊神经网络及其在采油控制中的应用[J]. 控制工程, 2002, (06): 57-59.

[27] 齐维贵, 朱学莉, 张延丽. 抽油机节能的模糊神经网络控制研究[J]. 中国电机工程学报, 2004, (06): 141-144.

[28] 李敏, 何平, 孟臣. 基于模糊神经网络的抽油机节能专家控制器设计[J]. 计算技术与自动化, 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

李欣伦, 檀朝东, 王再兴, 等. 基于机器学习的抽油机诊断优化控制技术研究进展[J]. 数码设计, 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。

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