基于抽油機工況的特征提取與建立和全域故障識別

關鍵詞：抽油機；示功圖；特征提取；故障識別；閥門

中圖分類號：TE933 DOI： 10. 16579/j. issn. 1001. 9669. 2025. 01. 002

0引言

石油是我國重要的戰略資源，抽油機井在石油開采中具有重要地位。準確了解油井采油狀況對于抽油機工況診斷和油田整體經濟效益的提升具有重要意義［1-4］。示功圖是判斷抽油機工作狀況的主要依據，如若不能準確及時識別抽油機故障類型，就會影響油田的安全高效生產，甚至造成生產安全事故［5］。因此，亟需對抽油機工況進行特征提取和全域故障識別。

不同抽油機故障導致不同形狀的示功圖，而每個故障的示功圖都具有獨有的特征。具體表現為閥門開閉點位置變化、油桿的運動狀況、載荷的變化等。對于示功圖的診斷識別方法研究，主要有人工診斷識別方法和計算機智能診斷識別方法兩種。人工診斷識別方法是根據油田專業技術人員多年的經驗，通過對實測示功圖的判斷和識別，從而判別抽油機的故障類型。計算機智能診斷識別方法［6］主要是通過提取圖形特征作為分類器的分類依據來判斷工況類別。示功圖特征提取的方法主要包括傅里葉變換［7］343-355［8］、差分曲線法［9］96-98、網格法［10］1265-1268、Freeman鏈碼法［11］4788-4796［12-13］、神經網絡算法［14］2559-2573［15-18］等。LI等［ 7］343-355將示功圖的傅里葉描述子作為特征與圖形特征進行融合，增強了診斷模型的有效性；于泳澎［9］96-98提出了一種結合幾何參數法、差分曲線法和生產參數的方法，用于抽油機井故障的診斷；許廣繁等［10］1265-1268將網格法和灰色理論相結合，建立了示功圖的６個特征值用來識別抽油機的工況種類；周斌等［11］4788-4796使用八方向鏈碼來提取示功圖的輪廓特征，精確識別了閥門的開閉點；YE等［14］2559-2573將卷積神經網絡算法改進和簡化，使得示功圖判斷及時準確。以上方法都是從圖形的角度出發，沒有與抽油機的工作原理相結合，未能直接反映出在抽油機工作過程中閥門、抽油泵、抽油桿等之間的關系，因此只能對某一部分故障有效識別，對全域故障沒有普適性。

為解決上述問題，在示功圖上獲取能夠真實反映工況的特征。本文首次提出通過機制方式提取特征，先對抽油桿進行工作原理和受力分析，并加入增載、卸載和上下沖程階段閥門開合對載荷的影響，確定了閥門開合過程中載荷特征和變化趨勢；然后對圖形處理獲取閥門開合位置和各階段載荷變化，獲取到全新的54個特征，建立全域故障特征庫；最后利用決策樹、Logistic回歸和支持向量機驗證提取特征的準確性和有效性，并評估不同故障的工況特征指標。

1機制描述

1. 1抽油機工作原理

抽油機抽油泵的工作過程如圖1所示。在上沖程階段（A→C 段），柱塞和液柱在抽油桿的作用下向上運動，抽油桿受力沿軸線方向向上，抽油桿彈性伸長，載荷增加，固定閥打開，到達上死點后關閉，對應圖2的C點（上死點），AB段為抽油桿彈性伸長階段，BC段為柱塞上行程階段；在下沖程階段（C→A 段），除了抽油桿的自重之外，其他力都朝著軸線方向向上。因此，上部分的桿柱受拉力，而下部分的桿柱受壓力。在這個過程中，抽油桿會發生彈性收縮，從而導致載荷降低。同時，游動閥會打開，然后在達到下死點后關閉，對應圖2的A 點（下死點），CD段為抽油桿彈性收縮階段，DA段為柱塞下行程階段，如此周期運行。示功圖是了解油井工作狀況的主要方法，通過定量分析可以促進抽油機的故障診斷和特征分類識別。由圖2可以看出，示功圖的圖形表現為一標準的平行四邊形，但實際現場工作過程中，由于作業地理環境等的因素十分復雜，固定閥、游動閥受到水、蠟、砂、氣和慣性、振動、沖擊載荷等的影響，其打開和關閉的時間會出現差錯、程度也會受到影響，此時B、D點的位置就會發生變化，加之抽油桿在上下運動中又會受到摩擦力的作用，就會出現各種各樣的異常情況，BC段和DA段會出現不同程度的波動。最終，桿的影響因素、泵故障以及原油因素等多種影響因素耦合起來聯合反饋到懸點載荷中。

開運算可以去除示功圖中由于載荷波動而形成的孤立小點和毛刺，閉運算可以填補示功圖中的小孔并彌合裂縫。本文選用形狀分別為3×3、5×5和7×7的正方形作為結構元素，以正方形的中點作為結構元素的中心，用3種不同大小的結構元素分別對示功圖進行開運算和閉運算操作。利用式（6）、式（7），以上沖程為例，使用3種不同大小的結構元素進行開運算和閉運算處理，得到最終處理后的圖形，處理結果可分別去除阻力和流速、波動以及振動影響，如圖3所示。

2. 2閥門屬性特征的獲取

閥門屬性特征的獲取首先要找出B、D 點，在進行B、D點獲取之前要給出理論密度和實際密度的定義。如圖4所示，以最左點和最右點形成的直線作為最上層，最低點所在的縱坐標為最下層，得出理論密度；以原始圖形的曲線作為最上層，最低點所在的縱坐標為最下層，得出實際密度。

分別對3種不同結構元素消除載荷影響后的圖形進行如下操作，如圖5所示（以上沖程為例）。

通過圖5的方式將最右點載荷作為最上基準，最低點作為最下基準對下沖程的圖形進行處理，可以得到D 點。A 點和C 點機制上對應示功圖最左端和最右端的點，最終我們可以獲得A、B、C、D點的具體數據信息。圖6是得到A、B、C、D 四點的示功圖圖形（以3種類型示功圖為例）。

2. 3載荷變化屬性特征的獲取

針對AB、BC、CD、DA 段之間的線段進行微小載荷波動過濾處理，步驟與第2. 1節相同，對獲取的線段進行如下處理：

步驟一：對A、B、C、D形成的4段線中每段按點的順序依次計算相鄰兩點之間的斜率［式（8）］和斜率的增量［式（9）］。

步驟二：根據相鄰點斜率和相鄰斜率增量的各自比較，以15°為界，對線段進行分類和比較，定義出9種曲線類型（表1）。

步驟三：每段線內從第一個數據開始，按照步驟一的方法計算斜率和斜率增量，按照步驟二的方法判斷線型，并且記錄每段線的長度、起始點、方向以及線型。

步驟四：對每段線的數據進行如下操作。

1）過濾。將所有長高比大于5的曲線重新定義為直線。

2）合并。若直線與直線斜率之差小于0. 3，重新合并為一條直線；若直線長度與曲線長度之差小于0. 1，則重新合并為一條曲線。

3）重復。將相鄰線依次進行合并，直至每段的最后一條線。

步驟五：將AB、BC、CD、DA每段線總的線條數合并為3個，若線型的數量超過3個，將最短那條線取消，直至數量為3；如不夠3條，在此段線的最后補數據均為0的線型，直至補齊3個。圖7所示為經過線條合并后所得到的圖形（以3種類型示功圖為例）。

2. 4抽油機工況特征庫的建立

由于抽油機在工作過程中作業環境的復雜，閥門打開和關閉的時間會受到影響，B、D 點的位置也會發生變化，加之抽油桿在上下運動中又會受到摩擦力的作用，就會出現各種各樣的異常情況，這些都會反映在位移-載荷圖像中。依據第2. 1～2. 3節中所得到的A、B、C、D 四點在機制上對應載荷的最大點和最小點，閥門打開和關閉的點，這四點不同的位置可以形成不同的四邊形，并且在相同的四邊形中邊長、角度也會有所不同，可以得到不同的信息；相鄰的每3個點可構成對應邊長、角度大小不一的角，不同故障所形成角的大小、邊長都有所不同，AB 反映增載情況，CD 反映卸載情況，BC、DA 反映抽油桿在運動過程中的力學特征對應軌跡，角度的大小反映了閥門的打開程度，不同故障對應的角度具有不同的屬性；相鄰每兩點之間形成的線型包含了抽油桿波動的影響，經過第2. 1節的操作可以獲得最真實的加載和卸載特征，這3類信息可以描述出抽油機采油過程中所有變化的屬性特征（圖8）。

根據屬性特征，從定性和定量兩個角度分析，最終建立全域故障的所有特征（54個全新特征），如圖9所示。

3屬性特征的有效性驗證

3. 1屬性數據獲取

本文使用來自新疆克拉瑪依油田的兩個采油區塊約120口井2019年3月底到2020年3月底的示功圖以及由示功圖分析所對應工況類型作為數據來源，其包含的工況主要有正常示功圖、上碰泵、供液不足、下碰泵、氣體影響、固定凡爾漏失、出砂、游動凡爾漏失、油稠、油井結蠟，雙凡爾漏失等11種。原始示功圖成圖數據按日期存放于單獨的文件中，每條數據均由120個坐標點構成。每條數據都經過第2. 1、2. 2和2. 3節算法的處理，最終形成圖9所對應特征庫里的每條特征數值。

針對上述11種工況，通過Logistic回歸、決策樹和支持向量機對每種工況進行二分類，驗證本文建立屬性特征的全局意義和有效性，并評判每種工況不同特征在故障識別過程中的權重。將數據的70%作為訓練集樣本，得到二分法模型，并利用訓練得到的結果對30%測試集樣本進行二分類，驗證特征的有效性以及分類的精確度。具體流程如圖10所示。

3. 2實驗驗證及結果

3. 2. 1分類模型

1）將連續數據采用ordinal編碼離散化，用分位數把所表現的特征進行四等分，每個特征中每個箱內的樣本數量都相同。

2）決策樹開始時根節點包含數據集中的所有樣例數據，計算每個特征信息熵，計算數據集中每個特征的信息增益，確定模型的根節點。根據根節點的劃分，再依次計算每個決策屬性的信息增益，選擇最佳節點和最佳的分枝方法，對每一個分枝進行進一步的劃分。根據對數據集各特征屬性信息熵的計算，生成故障二分類識別的決策樹模型。

3）Logistic回歸由線性回歸衍生而來，可以解決離散數據的分類問題，其中引入了Sigmoid激活函數將所有計算結果映射到［0，1］，以0. 5為界，實現對故障的二分類。

4）支持向量機將特征映射到一個更高維的空間里找到樣本數據之間最優的劃分超平面，完成對故障的二分類。

3. 2. 3不同故障模型性能評估

利用第3. 1節所得到的屬性數據集在3種算法模型上的評估結果如表2所示。

由表2可知，在分別對11種不同的故障數據集進行測試時，所確定出的特征屬性在3種算法運行后都有較高精度指數，實驗結果證明，本文建立的全域特征庫具有合理性和正確性。

3. 2. 4工況私有規則庫的建立

通過3種算法對本文第2章所述方法建立的全域特征庫進行特征重要性計算及特征選擇，分別建立屬于上述11種故障的私有規則庫。以供液不足故障為例，經過多次實驗分析，從全域特征庫54個特征中選擇了14個特征建立供液不足私有規則庫的特征公共集，具體特征重要性如圖11所示。

4結論

針對抽油機故障特征分類難且故障識別率低的問題，基于抽油機工況建立了示功圖全域故障識別特征集，通過應用機器學習算法，對不同特征在不同故障類型中的影響差異進行了深入的對比分析，得出以下結論：

1）抽油機的每一種故障對全域特征集中的某些特征具有較高敏感度，通過對特征重要性的展示和特征的選擇，可以建立針對每種故障的私有規則庫。

2）通過抽油機工況建立的示功圖全域故障識別特征集，可為實際生產提供通用的抽油機故障識別工具，且具有較高的準確性。

3）該特征集可有效地為抽油機各類故障識別提供有效特征，為抽油機生產運行和維護提供了重要的參考依據。