基于CNN卷积神经网络的示功图诊断技术

Ａｂｓｔｒａｃｔ：Ｔｈｅｉｎｄｉｃａｔｏｒｄｉａｇｒａｍ ｏｆｏｉｌｐｕｍｐｉｎｇｗｅｌｌｃａｎｄｉｒｅｃｔｌｙｒｅｆｌｅｃｔｔｈｅｏｐｅｒａｔｉｏｎｓｉｔｕａｔｉｏｎｏｆｔｈｅｗｅｌｌ，ａｎｄｔｈｅａｎａｌｙｓｉｓａｎｄｒｅ ｓｅａｒｃｈｏｆｉｔｉｓｔｈｅｍｏｓｔｄｉｒｅｃｔａｎｄｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｆｏｒｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎａｎｄｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｏｆｔｈｅｏｉｌｗｅｌｌ． Ｔｈｒｏｕｇｈｔｈｅｄｉｇｉｔａｌｄｅｓｃｒｉｐｔｉｏｎｏｆｔｈｅｏｉｌｗｅｌｌｐａｒａｍｅｔｅｒｓａｎｄｉｎｄｉｃａｔｏｒｄｉａｇｒａｍ，ｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏ ｇｙ，ｔｈｅｉｎｄｉｃａｔｏｒｄｉａｇｒａｍ ｄｉａｇｎｏｓｉｓｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄ，ａｎｄｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｓｏｆｔｗａｒｅｐｒｏｇｒａｍ ｗａｓｄｅｖｅｌｏｐｅｄｔｏｒｅａｌｉｚｅｔｈｅｉｎｔｅｌｌｉ ｇｅｎｔｄｉａｇｎｏｓｉｓｏｆｔｈｅｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｏｆｏｉｌｐｕｍｐｉｎｇｗｅｌｌ．Ｔｈｅａｐｐｌｉｃａｔｉｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｄｉａｇｎｏｓｔｉｃａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｉｓ８９． ３％ ｆｏｒｔｈｅｃｏｍｍｏｎｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ，ｓｕｃｈａｓｉｎｓｕｆｆｉｃｉｅｎｔｌｉｑｕｉｄｓｕｐｐｌｙ，ｇａｓｉｎｆｌｕｅｎｃｅ，ｅｃｃｅｎｔｒｉｃｗｅａｒ，ｐａｃｋｉｎｇｔｉｇｈｔ，ｅｔｃ．Ｔｈｅｍｏｄｅｌ ｈａｓｂｅｃｏｍｅａｎｅｆｆｅｃｔｉｖｅｔｅｃｈｎｉｃａｌｍｅａｎｓｆｏｒｏｉｌｗｅｌｌｃｏｎｄｉｔｉｏｎａｎａｌｙｓｉｓａｎｄｐｒｏｄｕｃｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：ｏｉｌｐｕｍｐｉｎｇｕｎｉｔ；ｄｉａｇｎｏｓｉｓｏｆｉｎｄｉｃａｔｏｒｄｉａｇｒａｍ；ｆｅａｔｕｒｅｒｅｃｏｇｎｉｔｉｏｎ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｃｏｎｖｏｌｕｔｉｏｎ
１ 基于卷积神经网络的功图诊断模型
１．１ 功图特征抽取及生产参数特征数字化
２０１８年 ９月 第 ３３卷第 ５期
西安石油大学学报（自然科学版） ＪｏｕｒｎａｌｏｆＸｉ′ａｎＳｈｉｙｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３－０６４Ｘ．２０１８．０５．０１０ 文章编号：１６７３－０６４Ｘ（２０１８）０５－００７０－０６
刘宝军．基于 ＣＮＮ卷积神经网络的示功图诊断技术研究［Ｊ］．西安石油大学学报（自然科学版），２０１８，３３（５）：７０７５，８２． ＬＩＵＢａｏｊｕｎ．ＲｅｓｅａｒｃｈｏｎｄｉａｇｎｏｓｔｉｃｔｅｃｈｎｉｑｕｅｏｆｉｎｄｉｃａｔｏｒｄｉａｇｒａｍｂａｓｅｄｏｎＣＮＮｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＸｉ＇ａｎＳｈｉｙ ｏｕＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１８，３３（５）：７０７５，８２．
ＲｅｓｅａｒｃｈｏｎＤｉａｇｎｏｓｔｉｃＴｅｃｈｎｉｑｕｅｏｆＩｎｄｉｃａｔｏｒＤｉａｇｒａｍ ＢａｓｅｄｏｎＣＮＮ ＣｏｎｖｏｌｕｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ
ＬＩＵＢａｏｊｕｎ （ＩｎｆｏｒｍａｔｉｏｎＭａｎａｇｅｍｅｎｔＣｅｎｔｅｒ，ＳｈｅｎｇｌｉＯｉｌｆｉｅｌｄＢｒａｎｃｈｏｆＳｉｎｏｐｅｃ，Ｄｏｎｇｙｉｎｇ２５７００１，Ｓｈａｎｄｏｎｇ，Ｃｈｉｎａ）
— ７１—
引 言
抽油机因其结构简单、管理维护简便、运行成本 相对较低而在国内应用广泛，一直占据着有杆泵采 油的主导地位，确保抽油机井正常平稳生产运行是 确保油田 产 量 和 经 济 效 益 的 重 中 之 重［１］。 目 前 抽 油机井示功图诊断方面绝大多数采用功图灰度特 征、位移 ／载荷特征、几何不变矩等方法，在进行计算 时需要引入工程修正系数或业务专家经验，降低了 特征的敏感性，对于功图之间细微的差异性表征不 明显，存在进一步提升的空间。
收稿日期：２０１７１２１０ 基金项目：山东省重大专项“采油生产智能管控和决策关键技术研究”（２０１５ＺＤＸＸ０２０１Ａ０１） 作者简介：刘宝军（１９７３），男，硕士，研究方向：油田信息化规划与应用。Ｅｍａｉｌ：ｌｉｕｂａｏｊｕｎ．ｓｌｙｔ＠ｓｉｎｏｐｅｃ．ｃｏｍ
刘宝军：基于 ＣＮＮ卷积神经网络的示功图诊断技术
中图分类号：ＴＥ９３８ 文献标识码：Ａ
ቤተ መጻሕፍቲ ባይዱ
Ｓｅｐ．２０１８ Ｖｏｌ．３３Ｎｏ．５
基于 ＣＮＮ卷积神经网络的示功图诊断技术
刘宝军
（中国石化股份有限公司胜利油田分公司 信息化管理中心，山东 东营 ２５７００１）
摘要：抽油机井示功图能够直接反映油井生产运行的情况，对其进行分析和研究是进行油井工况分析、参数 优化最直接、最有效的手段。通过对油井参数及示功图进行数字化描述，结合卷积神经网络技术，建立示功 图诊断模型并开发计算程序，实现对抽油机井工况的智能诊断。测试结果表明，该模型对供液不足、气体影 响、偏磨、盘根紧等常见工况的诊断识别正确率达到 ８９．３％，具有较高的诊断精度，为油井工况分析和生产 优化的有效技术手段。 关键词：抽油机；功图诊断；特征识别；神经网络；卷积
在目前大数据背景下，卷积神经网络在图像的 分类识别领域取得成功，尤其是在手写体识别、人脸 识别等图 形 识 别 领 域 具 有 良 好 的 识 别 效 果［２］。 作 为神经网络领域的一个重要分支，卷积神经网络的 特点在于其每一层的特征都由上一层的局部区域通 过共享权值的卷积核激励取得。这一特点使得卷积 神经网络相比于其他神经网络方法更适合应用于图 像特征的学习与表达［３］。结合目前主流的 ＣＮＮ卷 积神经网络技术，通过将油井生产参数图形化，并结 合地面、井下功图散点图形，建立示功图诊断模型， 实现单井功图自动诊断、异常报警，能够更加准确高 效地识别油井工况问题，更有针对性地采取优化措 施。