油井工況智能監測與風險防控技術研究

王 勇

（北京交通大學國家經濟安全研究院，北京 100044）

有桿抽油是采油中最常用的方法［1］，實時監控抽油機的工作狀態對于避免低效生產、防控生產隱患具有重要意義［2-4］，其中工況診斷是其中重要的內容之一，而工況診斷主要利用抽油井的示功圖進行［5］. 近年來，隨著油田信息化建設的不斷完善，在井內安裝了實時傳感器，傳感器按照一定的頻率進行數據采集，實現示功圖實時測量、數據實時采集，形成了龐大的數據量. 傳統的示功圖識別方法無法實時處理如此大的工作量，同時現場工程師的經驗和知識會影響到識別的準確性［6-8］. 隨著智能技術的發展，示功圖的自動識別方法逐漸形成，例如決策樹法［9］、灰色關聯分析法［10］、模式識別法［11］等，但這些方法精度較低［12］. 為了解決這些問題，引入了卷積神經網絡模型，進而利用監督誤差反向傳播算法對基于卷積神經網絡模型的示功圖識別模型進行了訓練和測試，實現工況的智能監測與風險防范.

1 卷積神經網絡

1.1 卷積神經網絡結構

人工神經網絡［13-15］是近年來熱度較高的智能方法之一，在多個領域得到了廣泛應用，其中卷積神經網絡［16］（Convolutional Neural Networks，CNN）由于處理速度快、精度高，應用更為廣泛. 卷積神經網絡是一種前饋人工神經網絡，通過模擬動物視覺皮層組織建立神經元的連接模式，實現了多層感知器的變異，從而避免了顯式特征的提取過程，大大提高了視覺識別的準確性，目前CNN已在圖像和視頻識別［17］、推薦系……