基于示功图分析的有杆泵抽油井故障诊断方法研究

论文摘要

在油田开采中,由于抽油泵等采油设备大多是野外作业,数目较多且地理位置分散,周边环境恶劣,人工检测比较困难,而且抽油泵的井下工况复杂,导致抽油泵经常发生故障,影响到油田的产量和效益,因此,及时了解和掌握采油系统的工作状况,实现采油系统的自动监控和科学管理,是石油行业迫切需要解决的一个重大课题。目前国内外各大油田在进行抽油井工况诊断时主要以示功图分析为主,由有经验的技术人员对现场采集到的示功图进行人工分析。由于人工判断受到各种主观因素的影响,因此在诊断结果上不可避免的会存在各种干扰因素,不能保证分析结果的准确性和稳定性。另外,对于油田实际生产中抽油井的集群化作业现状,技术人员的任务量非常大,进行大量示功图的人工分析不仅浪费了人力物力财力,还影响了生产效率。本文进行基于示功图分析的有杆泵抽油井故障诊断方法的研究,实现了大量抽油井参数的实时采集及其自动化管理,利用计算机代替人工作业方式,将先进的人工智能方法应用于抽油井工况的诊断中,不仅提高了故障诊断的准确率,还提高了油田作业的生产效率和自动化水平,利用最少的资源实现最大的工作效率。论文主要工作如下：(1)在介绍抽油井故障诊断系统的发展以及当今国内外研究现状的基础上,论述了抽油井的工作原理,并对抽油井的主要故障及原因作了阐述。由于示功图包含了抽油井工作状况的丰富信息,因此着重研究了示功图的概念和示功图的形成过程。(2)通过对抽油杆柱进行动力学分析,建立了以吉布斯波动方程为主的抽油井工况诊断的数学模型,并运用分离变量法对模型进行了求解,实现了由地面示功图到井下泵示功图的转换。由于转换过程中消除了抽油杆柱变形及振动载荷和惯性载荷的影响,井下泵示功图将能更加真实地反映泵的工作状况,为后续的泵示功图特征提取奠定了基础。(3)通过对不变矩理论的研究,并借鉴油田专家在诊断中常用的“四点法”,本文提出了基于曲线矩的泵示功图特征提取方法。该方法首先根据泵示功图的形成过程,将闭合图形划分成四部分,然后运用曲线矩对每一部分提取7个不变量,共计28个,并将此作为描述抽油井工况的特征参数。(4)运用了支持向量机作为故障诊断中的模式分类器,在惩罚因子C以及径向基核函数参数g的选择上,分别用交叉验证和粒子群寻优的方法进行对比分析,并通过LibSVM进行了仿真实验。实验结果表明,采用粒子群优化算法选择出的C和g作为支持向量机的参数可以提高分类的准确率。理论分析和仿真实验表明本文所提出的方法切实可行,对于有杆泵抽油井故障诊断的方法研究具有重要的理论意义和实践价值。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景和研究意义
• 1.2 故障诊断
• 1.2.1 故障诊断技术
• 1.2.2 有杆泵井故障诊断技术的发展
• 1.3 抽油井故障诊断技术国内外研究现状
• 1.4 本文的研究思路
• 1.5 论文的组织安排
• 第2章 有杆泵抽油井故障诊断原理介绍
• 2.1 油田采油方式
• 2.2 抽油泵工作原理
• 2.3 有杆泵抽油井的主要故障
• 2.4 示功图的相关知识
• 2.4.1 示功图的定义
• 2.4.2 理论示功图的形成
• 2.4.3 实测示功图
• 2.4.4 数字示功图的采集
• 2.5 本章小结
• 第3章 抽油井工况诊断数学模型的建立与求解
• 3.1 抽油杆柱动力学分析
• 3.2 抽油井工况诊断的数学模型
• 3.3 工况诊断数学模型的求解
• 3.3.1 理论推导
• 3.3.2 计算地下示功图的程序设计
• 3.4 仿真验证
• 3.5 本章小结
• 第4章 基于曲线矩的泵示功图特征提取
• 4.1 不变矩理论
• 4.1.1 区域矩（Hu不变矩）
• 4.1.2 轮廓矩（Chen不变矩）
• 4.1.3 曲线矩
• 4.2 基于曲线矩的泵示功图特征提取
• 4.2.1 分区
• 4.2.2 泵示功图的特征提取
• 4.3 抽油井典型工况示功图的分析
• 4.3.1 泵正常工作
• 4.3.2 气体影响
• 4.3.3 供液不足
• 4.3.4 抽油杆断落
• 4.3.5 油稠
• 4.3.6 游动凡尔漏失
• 4.3.7 泵上碰
• 4.3.8 泵下碰
• 4.3.9 固定凡尔漏失
• 4.3.10 油井出砂
• 4.4 抽油井典型工况特征参数的提取
• 4.4.1 特征参数提取的原则
• 4.4.2 典型工况特征参数的提取
• 4.4.3 特征参数的预处理
• 4.5 本章小结
• 第5章 基于支持向量机的泵示功图模式分类
• 5.1 支持向量机
• 5.1.1 理论介绍
• 5.1.2 支持向量机的多值分类
• 5.2 仿真软件LibSVM工具箱介绍
• 5.2.1 工具箱主要函数介绍
• 5.2.2 使用步骤
• 5.3 惩罚因子C和核函数参数g的选择
• 5.3.1 基于CV的参数C和g的选择方法
• 5.3.2 基于PSO的参数C和g的选择方法
• 5.4 仿真验证
• 5.5 本章小结
• 第6章 总结与展望
• 参考文献
• 致谢