基于神经网络的潜油电泵诊断研究
ˇ54ˇ 检 测 机械 2005年第5期 总第32卷
基于神经网络的潜油电泵诊断研究
余继华，冯定
1
1,2
，卢运娇，张小俊
11
（1.长江大学,湖北 荆州 434023；2.石油大学，北京 102249）
摘要：潜油电泵诊断在油田生产中对于保证设备有效工作、节约生产成本有着重要意义。本文将神经网络模式识别的方法用于潜油电泵诊断，可进行运行模式辨别，得到电泵的行为图和特性轨迹图，最后以提取电流卡片特征的方式进行工况诊断，并形成电流卡片特征知识库。本方法是传统诊断方法的延伸，可以较大提高潜油电泵的诊断范围和诊断精度。 关键词：神经网络；潜油电泵；模式识别；诊断
中图分类号：TH165.3 文献标识码：A 文章编号：1006－0316(2005)05－0054－03
+
潜油电泵采油技术是近几十年发展起来的一种新的采油技术，因其排量大、功率高、地面设备和井下传递能量方式简单、管理方便等优点得到了越来越广泛的应用。潜油电泵结构较为复杂，工作环境恶劣，在使用过程中有较高的综合故障率。如何对潜油电泵进行诊断，判断分析故障原因是挖掘油井潜力、保证设备有效工作、延长检泵周期、提高油田生产整体经济效益的重要课题[1]。
使用神经网络技术进行电泵诊断是最近十几年兴起的一种新颖的故障诊断方法。它立足于当代高速发展的计算机软硬件技术，强调诊断手段的信息化、智能化。与传统的诊断方法比较，这种方法诊断精度更高，诊断范围更广。本文提出了一种应用神经网络构造的软件，该软件可自动进行潜油电泵的运行状态模式识别，构建运行行为图，并可通过电流卡片的特征提取识别进行诊断，从而形成一个综合的潜油电泵诊断系统。
一个直接的处理模型的情况下，根据所输入数据调整拓扑单元使之更适于在杂乱和不确定的环境中解决问题。
输出层 隐层 输入层
图1 神经网络结构 图2 潜油电泵运行状态识别
模式识别包含一个广泛的信息处理问题，这些用人工也可以几乎不费力气解决，但是应用计算机方法的时候往往非常困难，比如声音和文字的特征识别。模式识别问题分成两大类：一是分类，或者说是在一些离散的数之间指定输入值；二是回归，这里输出值代表连续变量。在这里，我们主要是对潜油电泵运行状况进行分类。
1 神经网络及模式识别
神经网络是一种并行信息处理系统，它由一些被称为“神经元”的简单处理单元构成，这些单元根据其所要实现的功能以不同的拓扑方式进行排列和联结。其基本结构如图1所示[2]。
神经网络之所以适合用于故障诊断，是因为它具有分布并行信息处理、联想记忆、自适应、自学习、容错性和处理复杂模式等功能，它可以在没有
——————————————— 收稿日期：2004－12－09
2 应用神经网络模式识别进行潜油电泵现场诊断
2.1 使用SOM 进行潜油电泵运行模式辨别[2]
根据自组织映射（SOM ）理论建立者Teuvo Kohonen 的观点，一个SOM 就是一种定义了弹性网络概念的运算法则，它采用空间输入特征以一种命
机械 2005年第5期 总第32卷 检 测 ˇ55ˇ
令方式简化其密度函数。SOM 在进行某种具体算法（如U-matrix 算法）的时候是非常有用的，它使用一种通常的二维图形代替高维关系，并在数据拓扑关系不变时揭示其相互关系。
我们这里设计了一个二层SOM 网络，它包含一个输入层和一个由六边形组成的拓扑竞争层。将潜油电泵的三个运行状态（通常状态、空载及气锁）的数据别输入网络，其分析结果如图2所示：观察图示，结果数据块（图中黑区）在图中形成，这些块与网络中表示的不同的运行状态是一致的，而且它被表示低密度点的亮“边界线”区域分开。值得一提的是，在图片上的气锁区网络显示有两种不同的块而不是一种。一个可能的解释是网络识别出了目前的诊断手段（如电流卡片）无法感知的规律，所以有必要跟进一步的分析处理其中的某些变量，以便进一步深化我们对潜油电泵运行状态的综合。
2.2 潜油电泵行为图（BC ）[3]
前面提到，已经有应用软件使用神经网络来分析和诊断潜油电泵系统。但是，这些软件仅仅使用一个变量（马达电流），那么很有可能在进行诊断时很多影响系统运行的因素没有被考虑在内。委内瑞拉国家石油公司（PDVSA ）开发了一种新的潜油电泵系统运行状态解释工具——行为图，这种图表用相关的处理变量去得到一个近似值，但是它比电流卡片或者任何其他单独的变化趋势图表提供更多的信息。行为图是用一种独特的被称之为“循环神经网络（RNR ）”的管理网络的方式建立的。在潜油电泵系统欠载时定义的一个行为图，由基于欠载潜油电泵系统现场数据训练的神经网络产生的行为图，分别如图3、图4所示。
图3 ESP欠载时的行为图 图4 ESP欠载时的特性轨迹
循环神经网络是具有“记忆”能力的内部反馈连接网络，它使得他们的输出不仅仅依靠他们原本输入的参数，而且跟它们过去处理的历史有关。反
馈连接的动态导入让循环神经网络训练更加复杂。值得一提的是，循环神经网络处理过程状态的能力要求它在适时应用时仅仅用一个处理变量的瞬时值作为网络的输入。如果没有记忆功能，就必须通过过去的历史记忆得到瞬时值的变化趋势去进行网络的训练。
潜油电泵升举方法的行为图的产生过程如图5所示，它是上面所描述的模式辨别行为的一个自然延伸。
图5 行为图产生过程
2.3 ESP电流卡片特征提取工况诊断
电流卡片是管理人员管理潜油电泵井，分析井下机组工作状况的主要依据之一。不同的工况下电流卡片上电流曲线不同，即不同电流曲线对应不同工况，所以电流曲线可以反映潜油电泵系统的大多数故障，它是诊断分析电泵井工况的一项最可靠的资料。这里我们使用时序模型的方法进行特征提取。
从标准的电流卡片上我们可以得出：不同的工况下，电流值的大小和电流波动程度是不同的。在标准电流卡片上建立适当的坐标系，然后根据精度的要求在电流卡片上选取适当的点。电流卡片上电流的总体值的大小即可对应不同工况，这里用电流值的平方和作为代表点，以距离作为判别函数进行分类[4，5]。
M =∑n
I 2i i =1，2，3，4．
．．．．． i =1式中：M 为电流值的平方和，A 2；I 为电流值，A ；
n 为电流曲线上所取点的个数。
图6即一副读取的过来的标准电流卡片，图上粗线记录的是潜油电泵运行的情况，即电流曲线。然后把电流曲线通过图像处理的方法从电流卡片上提取出来，结果如图7所示。
然后通过读取曲线上象素对应的坐标值，得出每种工况下的特征值M 。再将这个特征值与标准电
ˇ56ˇ 检 测 机械 2005年第5期 总第32卷 流卡片数据库里的各工况特征值的阈值相比较，从而确定该卡片的工况。
标准电流卡片数据库为开放式，我们可以把现场生产中出现较为频繁的工况输入其中定为标准，或者将已有的标准细化，从而使得数据库不断的丰富，诊断精度不断的提高。
图6 读取电流卡片 图7 电流曲线提取结果
0θ
ρ
（1）介绍了应用神经网络进行潜油电泵运行状态模式识别的全面结构，并使用行为图（BC ）对处理过程进行补充和描述，包括瞬时的状况（行为图）和适时演变（特性轨迹）。
（2）使用电流卡片特征提取、识别的方法进行潜油电泵工况的诊断，并建立工况诊断开放式数据库。
参考文献：
[1]黄晓，石步乾，范喜群，等．潜油电泵油井井下工况诊断技术简介[J]，油气井测试，2000，9（4）：59－61.
[2]冯定，周迪勋．BP 网络的快速学习算法研究[J]．计算机工程，1996，22（6）：445－451.
[3]Leonardo Ocanto, Alexander Rojas．Artificial-Lift Systems Pattern
3 结论
本文提出了一种应用神经网络模式识别进行潜油电泵工况诊断的方法，并使之应用于现场生产实践。主要完成以下工作：
Recognition Using Neural Networks．SPE ，69405.
[4]熊沈蜀，等．基于非线性时序模型的神经网络图形识别方法[J]．自动化学报，1999，25（4）：467－475.
[5]陈治国，冯定，等．基于模式识别的电流卡片特征提取方法研究[J]．石油机械，2004，32（2）：38－41.
（上接第48页）
比较，吸取两种方案中的优点，综合设计出一种新的工艺方案，即：拉刀挤拉内孔、磨外形法。
其工艺步骤为：先粗车外形—热处理消除应力—预钻穿丝孔—线切割内孔留余量—拉刀反复挤拉内孔到尺寸—配制芯轴—以内孔定位穿芯轴精车外形留余量—磨外形到尺寸（采用中软磨料黑色碳化硅Ø400×50×203外圆磨以保证精度）。
质较硬的40Cr 钢，加工前需进行调质处理减小切削应力，在磨定位外圆和两刀口外圆前，必须进行淬火处理，提高其硬度，耐磨性，利于反复拉挤加工。
3 方案比较和改进
按照上述两种方案加工此细长波导管的过程中，遇到如下一些问题。
（1）线切割内孔法
由于孔细长，实际切割距离较长，导致切出的孔口有小锥度，不能保证孔径一致，但同轴度较好，而且除孔口外其余部分孔径直线度较好。
（2）拉刀拉制内孔法
由于孔细长，实际钻孔深度较长，不能完全保证直线度，但拉刀拉出的光洁度较好。
以上两种方案都采用了最后精车外形，虽然为减少变形选择了合适的装夹和车削方法以及适当的刀具，但加工时一方面由于内孔的影响，另一方面要达到µ级精度，加工很难完全保证。于是进行分析、
4 结论
通过采用新的方案拉刀挤拉内孔、磨外形法加工出的细长波导管，经检测发现零件尺寸公差和形位公差均满足图纸要求。从作为波导管的使用考虑，要求传导性能优良，采用此方案即为最佳工艺方案，而且此方案已成为我所加工此类零件的典型工艺方案。另外，此工艺步骤和加工方法对同类零件的加工也起到了一个参考作用，它可以有效的保证零件精度，避免返修、报废情况的发生，提高工作效率，节约生产成本。