抽油泵系统故障分类模型及其可视化终端的搭建_邢鑫.pdf

基金项目：国家自然基金青年科学基金项目（编号：51405385）；陕西省科技厅科技攻关项目（编号：2014K07-20）收稿日期：20221123抽油泵系统故障分类模型及其可视化终端的搭建*邢鑫，吴伟，魏航信，李博（西安石油大学 机械工程学院，西安710065）摘要：在石油开采行业中，及时掌握抽油泵系统的运行状态可以有效提高系统的运行效率和设备安全性。但是由于油井区域分布广泛且道路不便，所以油井的管理、维护成本高企。示功图作为抽油泵系统运行状态的直观表达，利用示功图图像作为样本构建的抽油泵系统故障分类模型是当前的主要研究方向。利用Pytorch搭建卷积神经网络模型实现示功图图像的分类，最终模型对抽油泵系统主要故障的分类准确率达97.92%。此外，处于不同区域的油井的当前运行状态通过4G模块将信息传输到由第三方开源库Kivy搭建的可视化终端进行显示。同时将该数据保存到MySQL数据库中，为后期抽油泵系统的管理和维修提供数据支撑。提出的抽油泵系统故障分类模型和可视化终端的设计方案可以有效地实现油井的实时监控、远程管理和高效维护，对后续构建智慧化油田有一定的借鉴和指导意义。关键词：抽油泵系统；示功图；卷积神经网络；4G；Kivy中图分类号：TE933文献标志码：A文章编号：10099492(2023)02002905The Construction of Fault Classification Model and Visual Terminal of Pump SystemXing Xin，Wu Wei，Wei Hangxin，Li Bo（School of Mechanical Engineering,Xian Shiyou University,Xian 710065,China）Abstract:In the oil extraction industry,keeping track of the operating status of the pumping system can effectively improve the operatingefficiency and equipment safety of the system.However,due to the extensive distribution of oil wells and incommodious roads,the managementand maintenance costs of oil wells are high.As a visual representation of the operating status of the pumping system,a fault classification modelof the pumping system using the indicator diagrams as the sample is the main research direction at present.The Pytorch was usd to build aconvolutional neural network model for classifying indicator diagrams,finally,the model had a classification accuracy of 97.92%for the mainfaults of the pump system.In addition,the current operating status of oil wells in various regions was transmitted to a visualization terminalbuilt by a third-party open-source library Kivy through a 4G module for revealing the information.The data was also saved to a MySQLdatabase to provide data support for later management and maintenance of the pumping system.The fault classification model of the pumpingsystem and the design of the visualization terminal proposed could effectively realize real-time monitoring,remote management and efficientmaintenance of oil wells,which could be a reference and guidance for the subsequent construction of intelligent oil fields.Key words:pumping system;indicator diagram;convolutional neural network;4G;Kivy2023年02月第52卷第02期Feb.2023Vol.52No.02机电工程技术MECHANICAL&ELECTRICAL ENGINEERING TECHNOLOGYDOI:10.3969/j.issn.1009-9492.2023.02.007邢鑫，吴伟，魏航信，等.抽油泵系统故障分类模型及其可视化终端的搭建 J.机电工程技术，2023，52（02）：29-33.0引言在石油开采行业中，抽油泵系统起着举足轻重的作用。然而，恶劣的井下工作环境和复杂的工况使得抽油泵系统时常发生各种故障。此外，由于油井区域零散分布以及油井间的道路不便，使得油井的管理和维护成本高企。快速、高效、扁平的故障分类模型和可视化终端的搭建显得尤为重要。示功图是由功率计测得的抽油泵系统关于“位移-载荷”的二维曲线，示功图的不同形状可以简单直观地反映抽油泵系统当前的运行状态1-3。因而，利用示功图作为样本构建抽油泵系统故障分类模型是当前主要的研究方向。图 1 所示为抽油泵系统典型工况的示功图。图1（a）为理论示功图，理论示功图曲线为平行四边形。图1（b）为供液不足故障的典型示功图。供液不图1抽油泵系统典型工况的示功图 29足是抽油泵的沉没度不足，从而在一定时间内泵入油泵的液体无法充盈泵筒，或者是油质稠密使得液体泵入缓慢而导致的一种常见的故障。供液不足的典型特征是示功图的右下角迅速变化。图 1（c）为正常工况的示功图，其典型特征为示功图曲线近似为平行四边形。图1（d）为抽油杆断裂的典型示功图。由于抽油杆断裂后，功率计只能检测断裂点以上的抽油杆柱在重力和摩擦力作用下产生的载荷，所以示功图曲线会失去正常工况示功图所占据的范围和形状而变为平棍状4。图1（e）为碰泵故障，柱塞与游动阀发生碰撞使得示功图曲线右上角死点位置出现针状。图1（f）为漏失故障。众多学者利用示功图中冲程载荷等一系列参数进行抽油泵系统故障分类。钟张起等5对示功图加卸比与供液能力以及泵效进行相关性定量分析；钟张起等6利用示功图载荷比表征油井当前的结蜡程度；朱春梅等7利用分形盒维数对抽油泵系统示功图进行故障分类；钟张起等8通过研究确定示功图载荷比作为评价抽油泵系统当前结蜡程度的指标。Jiang等9使用速度、电压、电流、油压、动液面深度、产油量等参数输入到随机森林模型进行抽油泵系统故障分类；Jiang等10将示功图典型参数输入BP神经网络模型实现了抽油泵系统故障分类；Lv等11建立有杆泵的数学模型，从而得到模拟示功图，再利用模拟示功图训练增量支持向量机模型从而实现分类；Han等12用Freeman链编码作为示功图的特征，使用脑风暴算法优化聚类实现抽油泵系统故障分类。此外，部分学者直接利用示功图图像实现抽油泵系统故障分类。段友祥等13利用Alexnet模型实现示功图的分类；仲志丹等14利用卷积神经网络（CNN）提取示功图中的特征，然后使用支持向量机（SVM）实现示功图分类；刘宝军等15将200口典型的抽油机示功图作为训练样本输入到卷积神经网络模型（CNN），该模型对常见故障的识别准确率89.3%。杜娟等16在深度分离卷积模型中引入正则化注意力模块，使得模型在降低存储空间的同时提高模型分类准确率，该模型的故障诊断准确率为95.1%；檀朝东等17使用残差卷积神经网络模型提取结蜡故障示功图中的特征，然后使用长短时记忆神经网络进行结蜡程度的定量预测。本文使用Pytorch搭建卷积神经网络模型实现示功图的分类，然后通过4G模块将不同区域油井的信息传输到由第三方开源库kivy搭建的可视化终端实现油井状态、故障类型以及处理措施等信息的显示。同时将相关数据保存到MySQL数据库中，以便开展后续工作。1卷积神经网络模型原理卷积神经网络（CNN）模型架构如图2所示，卷积神经网络模型共分为卷积层、归一化层和池化层以及全连接层3个部分，预测结果中，ILS代表供液不足故障，NOC代表正常工况，SRB代表抽油杆断裂故障，SPB代表碰泵故障，CST代表漏失故障。下面将具体介绍各个部分的数学基础。1.1卷积层尺寸为dWdL的示功图图像Di作为卷积神经网络的输入。卷积层是使用尺寸不一的卷积核与 Di进行卷积运算从而实现从 Di中提取可以有效识别 Di所属类别的特征。激活函数是将卷积运算得到的特征非线性化，从而进一步提升整个模型的非线性性和模型的泛化能力。图像 Di通过卷积层和激活函数的过程可以由下式表示：H=(Di Wdk dk 1+b)（1）式中：H为图像Di经过卷积层和激活函数后输出的结果；为激活函数；W为尺寸为dkdk1卷积核对于输入图像描绘的权重系数；b为偏置大小。1.2归一化层和池化层由于不同的图像 Di样本中尺寸、特征分布大相径庭。为了模型不受其影响，通常在卷积层后加入归一化层从而实现结果H的归一化。本文使用的是局部响应归一化进行H的归一化。工程中，由于设备的计算能力有限，同时为了节省计算资源，模型在卷积层和归一化层后会加入池化层对H进行下采样，从而大幅降低模型计算成本。尺寸为dHdH的图像经过尺寸为dPdP的池化层后，输出图像尺寸变为(dH/dP)(dH/dP)。输入图像Di依次经过卷积、归一化、池化运算后，最终获得Q个尺寸为dOdO，可以有效表征图像Di的特征图。特征图经过特征平铺组成尺寸为（QdOdO）1的向量VD。1.3全连接网络图像Di经过多层的卷积运算后，获得可以表征Di的高维特征VD。VD通过全连接层进行特征融合，同时为了降低模型的过拟合概率以及提升模型的泛化能力，本文在全连接层中加入随机失活层。最终全连接层的5个输出oi再经过Softmax函数输出模型对输入Di属于各类故障的概率。该过程的数学表达为：图2卷积神经网络（CNN）模型架构示意图2023年02月机 电 工 程 技 术第52卷第02期 30i=eoii5eoi（2）式中：i为卷积神经网络模型判断输入图像Di为第i类故障的概率；oi为全连接网络第i个节点的输出值。2实验验证2.1数据来源及损失函数本文从西北某油田获取的包含正常工况、供液不足故障、漏失故障、碰泵故障、抽油杆断裂故障5种故障共1 000余张示功图。按照7030的比例将示功图样本划分为训练集和测试集进行模型的训练和模型分类性能的测试。在该数据集中，供液不足故障和正常工况的样本数量占据数据集的主体地位。而抽油杆断裂故障、碰泵故障、漏失故障的样本数小于数据集总样本数的20%。为了模型对所有故障分类准确率的稳定，本文使用由Lin等186提出的针对长尾分布数据集的损失函数。损失函数F（pi）由下式表示：F(pi)=-i5(1-pi)logpi（3）式中：为超参数，本文中最佳的值为2.3；pi为输入示功图属于第i类故障的概率，pi由式（4）可得：piti=11-pi其他