1、神經網絡法識別抽油機井示功圖的研究及應用高永亮1檀朝東2趙海濤3(1.中國石油長慶油田采油六廠，陜西定邊，718600;2.中國石油大學(北京),北京昌平102200;3.北京雅丹石油技術開發有限公司，北京昌平102200摘要示功圖是判斷油井生產狀況的重要依據。神經網絡能夠反映任意非線性的映射關系，從而可以應用于圖形識別。本文主要依據BP神經網絡判定示功圖類型的實現過程，闡述了BP神經網絡的基本原理，建立了模式識別系統，并給出了部分應用實例。關鍵詞示功圖神經網絡故障診斷1引言抽油機井故障診斷技術一直是國內外采油工程技術人員的一個重要研究課題，經過幾十年研究實踐，抽油機井故障的分析與診斷技術有了

2、相當大的發展。其中，地面示功圖分析法是抽油系統故障診斷的一種有效方法1-20示功圖是抽油機懸點位移、載荷隨時間變化構成的曲線，是分析抽油機生產狀況的重要資料。迄今為止，示功圖的類型識別主要依靠經驗，還沒有成熟完善的體系作為指導3o由于人工神經網絡(ArtificialNeuralNetwork)能夠反映任意非線性的映射關系，可應用于圖形識別，而且具有自組織、自學習及容錯特性，在漢字識別方面已取得了顯著成效。因此，神經網絡的應用有望促進示功圖識別技術的發展。2人工神經網絡的基本原理目前應用最為廣泛的一種神經網絡一前饋式多層神經網絡模型和誤差反向傳播BP網絡算法，它的基本結構如圖1所示。誤差反向傳

3、播網絡模型的核心是誤差反向傳播(簡稱BP學習算法，有時也稱BP模型。BP學習算法的主要思路是，如果求出誤差E對各個神經之輸出的偏導數，就可以算出誤差E對所有連接權值的偏導數，從而可以利用梯度下降法(梯度下降法的迭代方向是由迭代點的負梯度構成的.由于負梯度方向是函數值下降的最快的方向，故此法也稱最速下降法)來修改各個連接權值。BP網絡的訓練學習是一種監督的學習，要求每一個輸入模式矢量與表示所期望的輸出模式矢量必須配對。一般來說，網絡輸出值pkO與期望的輸出值pkt是不相等的。對于每一個輸入的模式樣本，其均方誤差為pE為E-=kpkpkpOtE(21(1)而對所有的學習樣本，網絡的均方誤差E為EE

4、E-=pkpkpkppOtpEpE2(211(2)這里p為輸入模式樣本總數出矢蠟人矢圖1神經網絡系統示意圖對于圖1所示的網絡，其訓練學習的過程由兩部分組成：一部分是網絡內部的前向計算，另一部分是誤差的反向傳播計算。其主要目的就是通過逐步調整網絡的內部連接權，使網絡按均方誤差減小的方向進行，以達到要求。網絡內部連接權值調整，都是采用推廣的6規則來完成的403示功圖模式識別系統的建立模式識別系統由模式轉換(預處理器、信息選擇器(特征提取、識別處理(分類器組成。3.1數據預處理塊首先對示功圖原始數據點進行歸一化處理。(Xminmaxminxxxx-=(3)(Yminmaxminyyyy-=(4)由于

5、示功圖點數不一，所以需要對數據點進行規整化，使原始數據點相同。具體做法是計算示功圖的周長，然后平均分成144份，求取每個端點的坐標，共有144個點。這樣就把點數不一的示功圖，變成都具有144個點的數據集了。3.2示功圖的特征提取取預處理后的數據組成向量0na,其中就包含288個數，即:。1441442211,yxyxyxanL=3.3構造神經網絡結構流程圖如下：出矢，圖2神經網絡系統流程示意圖根據常見故障類型，可以隨意設置結點，見下表：表1示功圖類型和期望輸出對應表示功圖類型期望輸出正常1xxxxxxxx下碰x1xxxxxxx固定凡爾漏失xx1xxxxxx氣影響xxx1xxxxx雙漏xxxx1

6、xxxx供液不足xxxxx1xxx游動凡爾漏失xxxxxx1xx柱塞脫出工作筒xxxxxxx1x稠油xxxxxxxx1構建好BP神經網絡結構以后，通過選擇準確的功圖，正確的分類，以及足夠的樣本，對編寫程序進行訓練，從而達到識別功圖的要求。4應用實例北京雅丹石油技術開發有限公司應用神經網絡方法編寫程序，經過了對不同工況的功圖訓練之后，應用于抽油機井示功圖的智能識別與工況診斷，對抽油機井工況的識別與診斷及時準確，達到了工程實際的要求，顯示了很好的效果。由圖3為XX油田港199井2007年7月2日19點的地面示功圖，通過圖形可以看出示功圖的右下方缺失，而且卸載過程比較緩慢，分析可知下沖程由于泵筒內氣

7、體壓縮，泵筒內壓力緩慢上升，游動凡爾打開時間也就滯后，光桿卸載變緩，卸載線成一圓弧狀，其曲率半徑越大，泵效越低，通過程序識別該井為氣體影響，通過表2對對港199井地面示功圖輸出結果進行分析可以看出該井氣體影響與供液不足情況的數據最為接近1,即該井不但氣體影響，而且供液不足現象也很明顯。24圖3港199井地面示功圖表2對港199井地面示功圖分析結果輸出節點結論123 456789氣體影響1.2811.0881.0401.0131.3250.9641.2641.1701.149根據圖4XX油田西46-4-2井2007年7月2日18點19分的地面示功圖，可以看出該井功圖反映凡爾有漏失現象，其中固定凡

8、爾漏失尤為嚴重，通過程序識別該井為固定凡爾漏失，通過表3對西46-4-2井地面示功圖輸出結果進行分析可以看出，該井有雙漏嫌疑，該井的游動凡爾漏失的數據也很接近1。At一F11上匚“T*西467T井地面示功圖我面kN)2007-7-218:19:00402400,81.62,43,24沖程：3口8m沖次：705/min位移W)最大載荷：2T.50RM最小載荷：15.50kH圖4西46-4-2井地面示功圖表3對西46-4-2井地面示功圖分析結果輸出節點結論13456789固定凡爾漏失1.3501.0931.0001.1261.0141.4031.3451.1691.1225總結與展望通過算例測試證

9、明：BP神經網絡可成功應用于示功圖類型識別。神經網絡以其較強的模式識別能力及獨特優勢，在故障診斷中得到了愈來愈廣泛地應用。由于現場難以系統地收集到各種故障類型的不同形狀的示功圖，因而給示功圖地識別帶來較大困難。本文采用BP算法完成故障診斷系統軟件設計，很好地實現了示功圖神經網絡識別訓練集(各種類型及同種類型中各種形狀的示功圖，就診斷結果來看，識別結果與實際測試結果相吻合，該方法有很強的工程應用價值。參考文獻1陳剛等.超稠油標準示功圖識別與分析.特種油氣藏.2002,9(6):60-65.2張海云.塔河油田典型示功圖分析.油氣井測試.2003,12(2):40-43.3DRumelhart&JMcCelland.Paralleldistributedprocessingexplorationsinthemicrostructureofcognition.Cambridge:Bra