彭科翔

(長江大學(xué) 石油工程學(xué)院，湖北 武漢 430100)

?

基于BP神經(jīng)網(wǎng)絡(luò)的潛油電泵故障診斷

彭科翔

(長江大學(xué) 石油工程學(xué)院，湖北 武漢 430100)

電流卡片是電潛泵井故障診斷的主要依據(jù)，目前主要由技術(shù)人員人工完成對電泵井的診斷，難以實(shí)現(xiàn)快速大批量診斷；且診斷結(jié)果受工程師技術(shù)水平影響較大。因此提出了應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電潛泵故障的診斷，首先大量收集不同泵況的電流卡片，建立樣本庫;然后提取樣本庫中不同泵況電流卡片的特征值，按照一定的訓(xùn)練原則進(jìn)行訓(xùn)練。訓(xùn)練完成后得到所需的權(quán)值矩陣，將要診斷的電流卡片特征值與權(quán)值矩陣進(jìn)行計算得出相似度。通過計算機(jī)編程應(yīng)用，證明該方法可以準(zhǔn)確、快速地進(jìn)行電泵診斷。

潛油電泵；電流卡片；BP神經(jīng)網(wǎng)絡(luò)；特征值；工況診斷

潛油電泵采油技術(shù)，因其排量大、功率高、能量傳遞方式簡單以及管理方便等優(yōu)點(diǎn)得到了現(xiàn)場的廣泛應(yīng)用。但由于潛油電泵結(jié)構(gòu)較為復(fù)雜，井下工作條件惡劣，在油田開采過程中綜合故障率較高。如何通過地面信息(如電流卡片)對潛油電泵進(jìn)行工況診斷，判斷分析故障原因。

目前潛油電泵技術(shù)主要分為以下3種：專家系統(tǒng)、模糊理論以及BP神經(jīng)網(wǎng)絡(luò)。專家系統(tǒng)的研究起步最早[1-5]，模糊理論由于具有處理不確定信息的能力，因此通常與專家系統(tǒng)聯(lián)合，作為前處理和后處理。本文采用的BP神經(jīng)網(wǎng)絡(luò)技術(shù)在電潛泵故障診斷中應(yīng)用較晚[6-10]，但是它具有強(qiáng)大的并行計算能力模式識別，因此作者應(yīng)用此方法基于電流卡片對電潛泵進(jìn)行診斷。

1　BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)前饋式多層神經(jīng)網(wǎng)絡(luò)模型和誤差反向傳播梯度下降法來修正算法。對于每一個輸入的模式樣本，其均方誤差為Ep[11-13]：

(1)

式中：tpk為期望輸出值；opk為實(shí)際輸出值。

而對所有的學(xué)習(xí)樣本，網(wǎng)絡(luò)的均方誤差E為：

(2)

式中：N為輸入模式樣本總數(shù)。

確定了電流卡片的特征值數(shù)量，神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目也就確定了。神經(jīng)網(wǎng)絡(luò)識別的泵況種類決定了輸出層神經(jīng)元的數(shù)目。在輸入層和輸出層數(shù)目確定的情況下，神經(jīng)網(wǎng)絡(luò)的性能在一定程度上由隱含層單元數(shù)來決定，同一種類型的特征值曲線相似只是幅度略有不同，不同故障類型的特征曲線形態(tài)差別明顯，保證了神經(jīng)網(wǎng)絡(luò)能夠有效識別。每個故障取4個樣本分別使用以上得到的隱藏單元數(shù)來建立網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后建立24個樣本的檢驗樣本庫，通過判斷的準(zhǔn)確率來檢驗訓(xùn)練。

2　基于BP神經(jīng)網(wǎng)絡(luò)的電潛泵故障診斷的實(shí)現(xiàn)

基于BP神經(jīng)網(wǎng)絡(luò)的電潛泵故障診斷過程如圖1所示。

圖1　BP神經(jīng)網(wǎng)絡(luò)診斷過程結(jié)構(gòu)圖

2.1樣本庫的建立

樣本庫由以下兩種方法建立：① 現(xiàn)場收集。盡可能收集到所有故障類型的電流卡片，不同故障類型的電流卡片數(shù)量要大致一樣。② 人工設(shè)計電流卡片?，F(xiàn)場電流卡片故障類型有可能不全，如果沒有收集到典型的電流卡片，可認(rèn)為設(shè)計所需的電流卡片類型，補(bǔ)全電流卡片庫。筆者收集到10種典型電潛泵故障的電流卡片：正常泵況、電泵氣塞、不合理啟動、泵抽空、欠電流停泵、頻繁運(yùn)行、電泵延時太短、欠載失靈、過載停泵、手動強(qiáng)制再啟動，每種故障樣本18張，建立了總數(shù)量為180的樣本庫。

訓(xùn)練完成后得到所需的權(quán)值矩陣，將要診斷的電流卡片特征值與權(quán)值矩陣進(jìn)行計算得出相似度。在網(wǎng)絡(luò)的學(xué)習(xí)過程中，首先要確定網(wǎng)絡(luò)的學(xué)習(xí)原則，以便于有目的的組織訓(xùn)練，具體的樣本訓(xùn)練規(guī)則。

2.2樣本特征值的提取

電潛泵井故障診斷的基礎(chǔ)和關(guān)鍵核心問題是電流卡片的模式識別問題。而對于一個模式識別問題，它的的研究內(nèi)容是對模式(識別對象)的特征的描述。神經(jīng)網(wǎng)絡(luò)識別的泵況種類決定了輸出層神經(jīng)元的數(shù)目。

模式識別的主要依據(jù)是特征量，根據(jù)電流卡片的特征提取了4類電流卡片的特征量，分別是電流波動特征量、電流變化特征量、停機(jī)特征量、開關(guān)機(jī)特征量。

2.2.1電流波動特征量

(1) 電流波動歸一化時間

在一個周期中每次電流波動起始時間和終止時間之差相加除以周期運(yùn)行的總時間。

(3)

(2) 電流波動大小差值歸一化

波動時刻最大波動電流值與最小波動電流值之差除以最大電流：

(4)

式中：Imax為電流波動時最大電流，A；Imin為電流波動時最小電流，A；I為最大電流與最小電流差值歸一化。

2.2.2電流變化特征量

(1) 4 h內(nèi)電泵正常運(yùn)行歸一化時間

4 h內(nèi)電泵正常運(yùn)行的時間與4 h之比(一周運(yùn)行24 h，所以該特征值提取6個)。

(5)

式中：T正為4 h內(nèi)電流正常運(yùn)行時間，min。

(2) 一周內(nèi)電流歸一化總和

運(yùn)行一周時間內(nèi)電流數(shù)值總和與一周內(nèi)按最大電流運(yùn)行數(shù)值之比：

(6)

2.2.3停機(jī)特征量

(1) 欠載停泵歸一化時間總和

從每次欠載到停泵時刻時間之差與一周總時間之比：

(7)

(2) 欠載停泵平均歸一化時間

欠載停泵歸一化時間總和與欠載停泵次數(shù)的比值：

(8)

(3) 過載停泵歸一化時間總和

從每次欠載到停泵時刻時間之差與一周總時間之比：

(9)

(4) 過載停泵平均歸一化時間

過載停泵歸一化時間總和與過載停泵次數(shù)的比值：

(10)

2.2.4開關(guān)機(jī)特征量

① 提取開機(jī)次數(shù)

② 提取開機(jī)失敗次數(shù)

③ 開機(jī)到關(guān)機(jī)之間歸一化時間總和

(11)

④ 開機(jī)到關(guān)機(jī)之間平均歸一化時間

(12)

⑤ 關(guān)機(jī)到開機(jī)之間歸一化時間總和

(13)

⑥ 關(guān)機(jī)到開機(jī)之間平均歸一化時間

(14)

式中：n為開關(guān)機(jī)次數(shù)；T為關(guān)機(jī)到開機(jī)之間歸一化時間總和。

2.3BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

2.3.1隱含層的確定確定了電流卡片的特征值數(shù)量，神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)目也就確定了。而神經(jīng)網(wǎng)絡(luò)識別的泵況種類決定了輸出層神經(jīng)元的數(shù)目。在輸入層和輸出層數(shù)目確定的情況下，神經(jīng)網(wǎng)絡(luò)的性能在一定程度上由隱含層單元數(shù)來決定。目前3種隱含層單位數(shù)j的計算方法如下[14-16]：

(15)

(16)

(17)

式中：k為樣本數(shù)；i為輸入層單元數(shù)；o為輸出層單元數(shù)；a為常數(shù)1～10；j為中間層單元數(shù)。

已知，k=180、i=19、o=10分別代入式(15)、(16)、(17)，式(15)結(jié)果>7、式(16)結(jié)果為j∈(7,16]，式(17)計算結(jié)果為j=5。神經(jīng)網(wǎng)絡(luò)的性能在一定程度上由隱含層單元數(shù)來決定同一種類型的特征值曲線相似只是幅度略有不同，不同故障類型的特征曲線形態(tài)差別明顯取泵抽空后不合理運(yùn)行、頻繁短啟動周期、欠電流、保護(hù)失靈、過載停泵、油位控制電泵延時太短6種故障，每個故障取4個樣本分別使用以上得到的隱藏單元數(shù)來建立網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后建立24個樣本的檢驗樣本庫，通過判斷的準(zhǔn)確率來檢驗訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的性能，結(jié)果見圖2。

圖2　不同隱含層的識別率

由圖2可以得出，當(dāng)隱含層單元數(shù)為10時，樣本的識別率最高。所以，此神經(jīng)網(wǎng)絡(luò)中間層單元數(shù)為10。

2.3.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程在網(wǎng)絡(luò)的學(xué)習(xí)過程中，首先要確定網(wǎng)絡(luò)的學(xué)習(xí)原則，以便于有目的的組織訓(xùn)練，具體的樣本訓(xùn)練規(guī)則如下：

(1) 采取直到型循環(huán)，權(quán)值矩陣經(jīng)所有樣本一次調(diào)整完成后再進(jìn)行第二輪訓(xùn)練。

(2) 在一輪訓(xùn)練中，一種電流卡片類型的樣本集中訓(xùn)練。

(3) 在訓(xùn)練中，相似類型或區(qū)別不明顯的樣本類型盡量遠(yuǎn)離。

3　實(shí)際檢驗

采用VB編程的方法實(shí)現(xiàn)了上述算法，為了檢驗本模型的應(yīng)用BP神經(jīng)以及的網(wǎng)絡(luò)方法診斷電潛泵井下故障的準(zhǔn)確性。建立了一個新的檢驗樣本數(shù)據(jù)庫，樣本容量為50個。用上面得到的權(quán)值矩陣進(jìn)行判斷識別率達(dá)92%。

4　結(jié)論

提出了應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電潛泵故障的診斷，基于不同泵況的電流卡片，建立樣本庫。經(jīng)實(shí)際樣本檢驗，樣本的識別率達(dá)92%。說明該方法可滿足現(xiàn)場快速、準(zhǔn)確、智能工況診斷需求，減少電潛泵在不正常工況下的工作時間，有效提高電潛泵井的經(jīng)濟(jì)效益。

[1]馮定, 朱宏武, 薛敦松. 基于系統(tǒng)分析的潛油電泵機(jī)組綜合診斷模型[J]. 石油學(xué)報, 2007,28(1):127-130.

Feng Ding, Zhu Hongwu, Xue Dunsong. Synthetic diagnos is model for electric submers ible pump unit based on system analysis[J]. Acta Petrolei Sinica, 2007,28(1):127-130.

[2]王賀林, 孫軍, 劉柏良，等. 關(guān)家堡油田電泵井在線診斷技術(shù)研究[J]. 中國石油和化工, 2007(12):40-43.

[3]馮定. 潛油電泵機(jī)組綜合診斷關(guān)鍵技術(shù)研究[D]. 北京：中國石油大學(xué)(北京), 2006.

[4]姚亦華. 海上油田潛油電泵生產(chǎn)系統(tǒng)優(yōu)化設(shè)計與工況診斷[D]. 南充：西南石油學(xué)院, 2002.

[5]姚誠, 劉廣孚, 李忠國，等. 基于小波系數(shù)功率譜的潛油電泵偏磨故障診斷[J]. 儀器儀表學(xué)報, 2011, 32(8):1757-1762.

Yao Cheng, Liu Guangfu, Li Zhongguo, et al. Partial friction fault diagnosis of electric submersible pump based on power spectra of wavelet coefficients[J]. Chinese Journal of Scientific Instrumen, 2011, 32(8):1757-1762.

[6]姚誠. 潛油電泵井工況監(jiān)測理論與診斷技術(shù)研究[D]. 青島：中國石油大學(xué)(華東), 2011.

[7]徐長航, 楊其俊, 陳國明，等. 潛油電泵機(jī)組振動檢測與故障診斷系統(tǒng)[J]. 石油礦場機(jī)械, 2003, 32(1):14-16.

Xu Changhang, Yang Qijun, Chen Guoming, et al. Vibration detection and fault diagnosis system of electric submersible pump[J]. Oil Field Equipment, 2003, 32(1):14-16.

[8]余繼華, 馮定, 盧運(yùn)嬌，等. 基于神經(jīng)網(wǎng)絡(luò)的潛油電泵診斷研究[J]. 機(jī)械, 2005, 32(5):54-56.

[9]李剛, 宋福根. 基于BP神經(jīng)網(wǎng)絡(luò)的潛油電泵故障診斷知識管理研究[J]. 中國制造業(yè)信息化, 2008, 37(1):73-75.

Li Gang, Song Fugen. The fault diagnosis knowledge management of electrical submersible pump (ESP)based on BP neural network[J]. Manufacture Information Engineering of China, 2008, 37(1):73-75.

[10]黃丹, 黃采倫. 基于BP神經(jīng)網(wǎng)絡(luò)模型的電機(jī)故障診斷專家系統(tǒng)[J]. 自動化儀表, 2003, 24(3):15-17.

Huang Dan, Huang Cailun. BP neural network model based expert system of fault diagnostic of electrical machinery[J]. Process Automation Instrumentation, 2003, 24(3):15-17.

[11]鄢玉, 楊潔明. BP神經(jīng)網(wǎng)絡(luò)算法探討[J]. 科技情報開發(fā)與經(jīng)濟(jì), 2006, 16(3):241-242.

Yan Yu, Yang Jieming. Probe into BP neural networks algorithm[J]. Sci-Tech Information Development & Economy, 2006, 16(3):241-242.

[12]王青海. BP神經(jīng)網(wǎng)絡(luò)算法的一種改進(jìn)[J]. 青海大學(xué)學(xué)報(自然科學(xué)版), 2004, 22(3):82-84.

Wang Qinghai. Improvement on BP algorithm in artificial neural network[J]. Journal of Qinghai University(Natural Science Edition), 2004, 22(3):82-84.

[13]王贇松, 許洪國. 快速收斂的BP神經(jīng)網(wǎng)絡(luò)算法[J]. 吉林大學(xué)學(xué)報(工學(xué)版), 2003, 33(4):79-84.

Wang Yunsong, Xu Hongguo. Fast convergent algorithm-BP for trainning neural network[J]. Journal of Jilin University (Engineering and Technology Edition), 2003, 33(4):79-84.

[14]劉晉鋼, 韓燮, 李華玲. BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的應(yīng)用[J]. 華北工學(xué)院學(xué)報, 2002, 23(6):449-451.

Liu Jingang, Han Xie, Li Hualing. Application of an improved arithmetic on BP neural networks[J]. Journal of North China Institute of Technology, 2002, 23(6):449-451.

[15]王耀南.智能信息處理技術(shù)[M].北京：高等教育出版社，2003:130-132.

[16]靳蕃.神經(jīng)計算智能基礎(chǔ)原理方法[M].成都：西南交通大學(xué)出版社，2000:132-137.

(編輯宋官龍)

Fault Diagnosis of Electric Submersible Pump Based on BP Neural Network

Peng Kexiang

(CollegeofPetroleumEngineering,YangtzeUniversity,WuhanHubei430100,China)

Current card is the main basis of electric submersible pump well fault diagnosis. At present, the diagnosis of electric pumping wells is mainly completed by technical workers. It is difficult to achieve rapid mass diagnosis, and the diagnosis results are greatly influenced by engineer technology level. Therefore the application of BP neural network for fault diagnosis of electric submersible pump is put forward. First of all, different pump current cards are collected, and sample library is established. The eigenvalues of the different pump current card are gathered and trained according to certain principles. After completion of training a weight matrix is got, and the current card characteristic values and weights matrix of similarity is calculated. Through computer programming application, the method can be proved to make electric pump diagnosis accurately and rapidly.

Electric submersible pump; Current card; BP neural network; Eigenvalue; Working condition diagnosis

1006-396X(2016)01-0076-04

投稿網(wǎng)址：http://journal.lnpu.edu.cn

2015-10-29

2015-12-11

彭科翔(1990-)，男，碩士研究生，從事油氣田開發(fā)工程、油氣開采理論與應(yīng)用技術(shù)研究；E-mail：541081111@qq.com。

TE933+.3

Adoi:10.3969/j.issn.1006-396X.2016.01.015