徐文江 牛洪彬 吳 剛 鄭 毅 李 強 姜維東 李郭敏 林志勇

(1. 中國海洋石油有限公司開發(fā)生產(chǎn)部 北京 100010； 2. 中海油能源發(fā)展股份有限公司工程技術(shù)分公司 天津 300452；3. 中國海洋石油集團有限公司科技信息部 北京 100010； 4. 未必然數(shù)據(jù)科技(北京)有限公司 北京 100089； 5. 中海石油(中國)有限公司天津分公司 天津 300452)

電潛泵(ESP)作為一種適用范圍廣、效率高的人工舉升設(shè)備，具有排量大、功率高、能量傳遞方式簡單及管理方便等優(yōu)點[1-2]，在海上油田得到了廣泛應(yīng)用。電潛泵的井下工作環(huán)境復(fù)雜多樣，運行異常乃至故障停機將極大影響油井的正常生產(chǎn)。如何降低電潛泵故障率和減少躺井時間，是提高采油井效率，保證油田穩(wěn)產(chǎn)的關(guān)鍵，也是油田數(shù)字化轉(zhuǎn)型和智能分析的著眼點之一。

2015—2019年，通過在機組質(zhì)量提升、選泵設(shè)計優(yōu)化、加強施工質(zhì)量控制和生產(chǎn)運維管理等方面的努力，海上油田機采井故障率已由13.2%降低至8.2%，如圖1所示。但從2019年開始，現(xiàn)有技術(shù)和管理努力進一步降低機采井故障率的效果已經(jīng)很有限，原因是當(dāng)前的電流卡片診斷、井口憋壓診斷、機組振動分析、電潛泵工況診斷儀、生產(chǎn)參數(shù)綜合分析等技術(shù)手段，在油田井況變化和生產(chǎn)參數(shù)變化下，難以快速協(xié)同診斷而容易錯失機采井處置的最佳時機，難以滿足進一步降低機采井故障率的需要[3-9]。在油田數(shù)字化大環(huán)境的背景下，建立在線監(jiān)測診斷系統(tǒng)，將大數(shù)據(jù)分析和AI機器學(xué)習(xí)下的深度學(xué)習(xí)技術(shù)與電潛泵的運維管理相結(jié)合，提高診斷效率與準(zhǔn)確率，及時改善機組運行工況，并將油井故障管理從事后處理變?yōu)槭虑邦A(yù)警，及時做好修井準(zhǔn)備，從而減少躺井時間，是機采井技術(shù)升級的重要方向。本文從降低電泵機采井故障率和減少躺井時間等方面開展研究，應(yīng)用大數(shù)據(jù)分析挖掘與機器學(xué)習(xí)技術(shù)，取得了電潛泵健康度模型、故障診斷模型，壽命預(yù)測模型等研究成果，為電泵機采井智能監(jiān)控、科學(xué)研判分析、調(diào)整和管理提供了高效的技術(shù)手段，可指導(dǎo)海上油田生產(chǎn)的檢泵修井措施制訂與實施。

圖1 近5年國內(nèi)海上機采井故障率統(tǒng)計Fig.1 Fault rate statistics of offshore mechanical wells in recent 5 years

1 海上機采井故障預(yù)警方法

海上智能采油系統(tǒng)以電潛泵井?dāng)?shù)字化和智能分析平臺為手段，創(chuàng)新性的將海上一線人員與陸地技術(shù)專家、靜態(tài)數(shù)據(jù)與動態(tài)數(shù)據(jù)統(tǒng)一在同一個平臺上，應(yīng)用大數(shù)據(jù)分析挖掘及深度學(xué)習(xí)技術(shù)完成智能分析模型的構(gòu)建。區(qū)別于傳統(tǒng)方式下由技術(shù)人員進行逐項參數(shù)人工對比分析，使用智能分析模型可實時計算機采井健康度，有針對性地進行電泵故障預(yù)測，對已顯露的電泵機組異常和有潛在故障的油井自動預(yù)警，預(yù)測故障發(fā)生時間，同時給出診斷意見并提出處置措施建議。在持續(xù)應(yīng)用智能模型的過程中，智能分析模型可以持續(xù)學(xué)習(xí)、自我進化，通過系統(tǒng)運行，持續(xù)、逐步豐富電泵異常及故障案例庫，采集異常及故障特征，使故障診斷及異常處置措施推薦越來越精準(zhǔn)，根據(jù)預(yù)測結(jié)果，可實現(xiàn)對機采井不同異常程度分級處置的量化管理新模式。

1.1 健康度的分析方法

健康度是表征電潛泵健康程度的核心量化指標(biāo)，也是故障預(yù)警、壽命預(yù)測的重要依據(jù)，健康度值的高低反映了電潛泵的性能參數(shù)相較于歷史上正常運行的情況下差異，差異越大健康值越低。健康度計算是基于機器學(xué)習(xí)歷史電泵吸入口壓力、出口壓力、井下電泵吸入口井液溫度、電機溫度、電流和井口溫度等參數(shù)，構(gòu)建分析模型并計算各參數(shù)的預(yù)測值，對比電泵運行的實際值和預(yù)測值，計算偏離度。將關(guān)鍵參數(shù)的偏離度加權(quán)平均計算得到總體偏離度，最終轉(zhuǎn)換為機采井健康度值作為直觀表征。如圖2所示,計算數(shù)據(jù)共20個參數(shù)，預(yù)測某個參數(shù)時，其余參數(shù)作輸入條件。

電潛泵健康度計算過程分為3步，首先通過深度學(xué)習(xí)模型對影響電潛泵的關(guān)鍵參數(shù)取值進行預(yù)估；其次計算各關(guān)鍵參數(shù)當(dāng)前值和預(yù)估值之間的偏離度，并計算各關(guān)鍵參數(shù)匯總后的綜合偏離度；最后通過非線性函數(shù)將綜合偏離度映射到健康度上，具體實現(xiàn)過程見圖2。

1.1.1電潛泵關(guān)鍵參數(shù)預(yù)估

對電潛泵機組可監(jiān)測參數(shù)包括井下泵工況、地面變頻器、井口計量等3個類型，均參與到電潛泵健康度的計算，將變頻器、井口和泵工況中的部分參數(shù)作為關(guān)鍵參數(shù)直接參與計算，其綜合偏離度決定了健康度的值。上述關(guān)鍵參數(shù)的預(yù)估實現(xiàn)需要2個步驟，第一步構(gòu)建深度學(xué)習(xí)模型；第二步利用電潛泵歷史上良好的運行記錄對深度學(xué)習(xí)模型進行訓(xùn)練并保存訓(xùn)練結(jié)果，最終采用循環(huán)剔除關(guān)鍵參數(shù)的方式獲取模型的輸入?yún)?shù)，并估算被剔除關(guān)鍵參數(shù)的值。

圖2 健康度計算原理圖Fig.2 Schematic diagram of health calculation

1) 深度學(xué)習(xí)模型構(gòu)建。

(1)

σ(z)=max(0,z)

(2)

(3)

(4)

(5)

圖3 深度網(wǎng)絡(luò)模型架構(gòu)Fig.3 Deep neural network architecture

簡化為

zl=wlal-1

(6)

則第l層經(jīng)過神經(jīng)元激活函數(shù)非線性變換輸出向量al-1為

(7)

模型的最終輸出向量aL為

aL=σ(zL)=σ(wLaL-1)

(8)

利用正則化的思想構(gòu)造新的損失函數(shù)C：

(9)

式(9)中：前一部分是均方誤差的表達(dá)式，其中y為訓(xùn)練數(shù)據(jù)對中的期望向量，增加了對權(quán)重系數(shù)矩陣W的L2正則化表達(dá)式，其目的在于降低過擬合現(xiàn)象；M為訓(xùn)練數(shù)據(jù)對的個數(shù)(訓(xùn)練數(shù)據(jù)對(x(j),y(j))，j=1,2,…,M)；λ為一個大于0的常數(shù)，且權(quán)重系數(shù)矩陣W為

W=[W2,W3,…,WL]

(10)

最小化損失函數(shù)Cmin為

(11)

模型轉(zhuǎn)化為一個關(guān)于參數(shù)矩陣W的無約束極值問題。

2) 利用深度學(xué)習(xí)模型循環(huán)估算關(guān)鍵參數(shù)。

電潛泵運行參數(shù)構(gòu)成的向量X：

n

(12)

式(12)中：x1,x2,…xn表示電潛泵的不同運行參數(shù)；i∈[1,2,…,m]，m為關(guān)鍵參數(shù)的數(shù)量。

采用m次循環(huán)，逐一剔除m個關(guān)鍵參數(shù)的方式從X中獲取m組Xpi向量：

n-1

(13)

式(13)中：Xpi為模型輸入向量，其n-1個元素對應(yīng)電潛泵的n-1個輸入?yún)?shù)，Xpi是X中不包含xpi的輸入向量，其中X是由所有元素構(gòu)成的向量，其元素個數(shù)為n，待預(yù)估關(guān)鍵參數(shù)的個數(shù)為m，m≤n。

利用深度學(xué)習(xí)模型逐一計算出被剔除關(guān)鍵參數(shù)的預(yù)估值，表達(dá)式為

(14)

m

(15)

1.1.2各參數(shù)偏離度匯總

電潛泵m個關(guān)鍵參數(shù)的預(yù)估值是通過深度學(xué)習(xí)模型計算得到的，其計算結(jié)果與實際值存在偏離，每個參數(shù)的偏離量反映了該參數(shù)偏離最佳值的程度，為了反映電潛泵整體的偏離程度，需匯總各參數(shù)的偏離，公式為

(16)

1.1.3偏離度映射到健康度

電潛泵的健康狀況可以通過偏離度(e)大小來體現(xiàn)，偏離度越大，健康程度越差，但偏離度的值域為大于0，不便于定性健康度的好壞，于是通過數(shù)學(xué)方法將偏離度映射到閾值為0～100的區(qū)間范圍內(nèi)，并將這一映射值稱之為健康度，映射公式為

(17)

式(17)中：hx為總體偏離度為x時映射的健康度值；p為偏離度分界值，即總體偏離度大于p時，映射健康度小于60，否則大于等于60。偏離度到健康度的映射曲線如圖4所示。

圖4 偏離度到健康度的映射曲線Fig.4 Mapping curve from deviation to health index

建立模型難點是電潛泵在大部分的時間里都是正常運轉(zhuǎn)，因此積累的歷史數(shù)據(jù)中絕大部分?jǐn)?shù)據(jù)為正常數(shù)據(jù)，故障數(shù)據(jù)占比非常少，屬于嚴(yán)重的樣本不平衡問題，這樣將無法直接建立有效的故障分類模型。解決方法是，基于目前的數(shù)據(jù)現(xiàn)狀，利用已有的大量正常數(shù)據(jù)建立模型，找到數(shù)據(jù)背后隱藏的各個參數(shù)之間在的相關(guān)關(guān)系。具體實現(xiàn)思路如下：將所有能夠反映電潛泵性能的監(jiān)測參數(shù)作為輸入，選取電潛泵非故障階段的數(shù)據(jù)作為訓(xùn)練樣本，基于訓(xùn)練樣本擬合電潛泵正常運轉(zhuǎn)下的模型，模型預(yù)測值為當(dāng)前狀態(tài)和正常運轉(zhuǎn)狀態(tài)下的偏離，再將偏離轉(zhuǎn)化為健康度。

健康度模型通過深度神經(jīng)網(wǎng)絡(luò)等大數(shù)據(jù)分析技術(shù)，提取測點數(shù)據(jù)的信息，將電潛泵的整體運行狀況進行量化，計算電潛泵的健康度得分。電潛泵健康度可以幫助業(yè)務(wù)人員對電潛泵的整體運行情況有一個較好的認(rèn)知。同時，健康度得分的趨勢變化也可以成為電潛泵故障預(yù)警和壽命預(yù)測的重要依據(jù)。

1.2 故障預(yù)警的分析方法

電潛泵健康度值越高且趨勢平穩(wěn)說明其運行狀態(tài)越接近理想狀態(tài)，反之說明狀態(tài)不佳，通過監(jiān)控健康度變化可以進行預(yù)警。

1) 故障診斷。

由于電潛泵故障數(shù)據(jù)不足，無法直接建立故障分類模型。因此，需要通過實時監(jiān)測各個關(guān)鍵參數(shù)的變化情況，將參數(shù)表現(xiàn)出的異?，F(xiàn)象組合與故障案例庫進行匹配，實現(xiàn)故障診斷。對電潛泵運行參數(shù)的異常檢測有兩種方式：①閾值報警，即當(dāng)參數(shù)值溢出閾值外時觸發(fā)單參數(shù)閾值告警；②趨勢報警，為區(qū)分電潛泵在運行過程中各參數(shù)的波動是否正常，采用SPC判異準(zhǔn)則對每個運行參數(shù)連續(xù)一段時間內(nèi)的運行狀態(tài)進行診斷，評估這段時間內(nèi)波動狀態(tài)是否正常，評估依據(jù)是事先選定的SPC準(zhǔn)則在這段時間內(nèi)是否被觸發(fā)，詳見表1。

表1 故障診斷規(guī)則表Table 1 Fault diagnosis rules

2) 故障類型及處置分析。

將電潛泵各個參數(shù)的實際變化趨勢與案例庫中各參數(shù)的變化趨勢進行實時自動匹配，從而診斷出電潛泵故障類型以及故障原因和處置措施。海上油田智能采油系統(tǒng)案例庫包括3個部分，一是電潛泵發(fā)生故障時各運行參數(shù)的趨勢特征，二是故障類型，三是對相應(yīng)故障的處置措施。實際應(yīng)用中，系統(tǒng)通過利用SPC準(zhǔn)則，判斷出相應(yīng)參數(shù)的趨勢特征，自動和案例庫進行匹配，推薦處置建議，供機采工程師和技術(shù)專家參考。案例庫伴隨系統(tǒng)的不斷學(xué)習(xí)和積累而不斷豐富，使用過程中通過捕捉并歸檔系統(tǒng)內(nèi)的故障及異常，形成新案例。隨著系統(tǒng)運行時間增加，案例逐漸豐富，故障及異常處置建議功能也會越來越精準(zhǔn)。

1.3 壽命預(yù)測的分析方法

根據(jù)電潛泵健康度模型的實時計算結(jié)果，可以對電潛泵的實時狀態(tài)進行數(shù)學(xué)描述，但是無法實現(xiàn)對電潛泵的壽命進行預(yù)測，故需要通過建立趨勢預(yù)測模型。趨熱預(yù)測模型可采用AR模型(自回歸模型)、MA模型(滑動平均模型)和ARMA模型(自回歸滑動平均模型)算法，根據(jù)電潛泵運行參數(shù)近期變化重于歷史遠(yuǎn)期變化的特點，選取了ARMA模型(自回歸滑動平均模型)。與此同時，結(jié)合試點油田的歷史電潛泵故障時的健康度數(shù)據(jù)統(tǒng)計，選取了60分作為電潛泵壽命終結(jié)的底線分。

2 海上智能采油系統(tǒng)構(gòu)建

海上智能采油系統(tǒng)包括數(shù)據(jù)采集、故障預(yù)警、故障診斷、壽命預(yù)測等子系統(tǒng)。系統(tǒng)通過電潛泵實時健康度計算、日度健康度計算、單參數(shù)異常預(yù)警、故障預(yù)警和診斷、壽命預(yù)測等模型建設(shè)，實現(xiàn)通過預(yù)測電潛泵故障隱患并推薦處置措施，減少故障率，通過預(yù)測機采井躺井時間，提早啟動修井計劃，減少躺井時間的功能。

智能采油系統(tǒng)的算法應(yīng)用分為訓(xùn)練階段和應(yīng)用階段，在訓(xùn)練階段基于訓(xùn)練數(shù)據(jù)完成數(shù)據(jù)清洗和探索、訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)劃分、特征設(shè)計、特征篩選和模型訓(xùn)練。在應(yīng)用階段，系統(tǒng)利用已保存的訓(xùn)練模型進行健康度計算，并利用ARMA模型實現(xiàn)壽命預(yù)測，同時，系統(tǒng)利用SPC算法對電泵井運行中的各個單參數(shù)和計算的健康度進行趨勢預(yù)警和閾值預(yù)警，實現(xiàn)故障預(yù)警功能。系統(tǒng)還可以將單參數(shù)的異常趨勢進行組合后與故障案例庫進行匹配，實現(xiàn)故障診斷功能。詳細(xì)的應(yīng)用流程如圖5所示。

圖5 智能采油系統(tǒng)算法應(yīng)用流程Fig.5 Intelligent oil production system algorithm application flow

2.1 數(shù)據(jù)采集和遠(yuǎn)程傳輸

油井?dāng)?shù)據(jù)資料很多，涵蓋油藏資料、管柱資料、機組數(shù)據(jù)、井史資料、生產(chǎn)數(shù)據(jù)等多個方面，特別是電潛泵采油系統(tǒng)的實時運轉(zhuǎn)情況，需要通過傳感器和數(shù)模轉(zhuǎn)換，完成模擬信號向數(shù)字信號的轉(zhuǎn)變，并采集進入采油平臺的中控系統(tǒng)，進而通過平臺上的服務(wù)器遠(yuǎn)程傳輸回陸地，與其他重要數(shù)據(jù)一起參與智能分析。海上油田機采井的實時數(shù)據(jù)記錄包括泵出入口壓力、井液溫度、電機溫度、電機振動、漏電流、運行頻率、運行電壓與電流、油壓、套壓等。

海上智能采油系統(tǒng)建設(shè)以數(shù)據(jù)采集為基礎(chǔ)，根據(jù)數(shù)據(jù)的頻率和完整性，將20種數(shù)據(jù)分成A、B、C、D 4類數(shù)據(jù)進行管理利用，進而支持系統(tǒng)各功能模塊的計算。A類數(shù)據(jù)為全量實時數(shù)據(jù)，B類數(shù)據(jù)為泵工況日度數(shù)據(jù)，C類數(shù)據(jù)為井口控制柜日度數(shù)據(jù)，D類數(shù)據(jù)為井口計量日度數(shù)據(jù)。A類數(shù)據(jù)更新采集頻率最高，采用秒級更新，支持工況實時監(jiān)測，B、C、D類數(shù)據(jù)采用日度更新。

2.2 故障診斷和壽命預(yù)測

電泵的故障診斷主要以電泵的生產(chǎn)參數(shù)、油層參數(shù)、原油物性參數(shù)、油井參數(shù)、井筒狀況、環(huán)境參數(shù)、電泵井作業(yè)情況以及電流卡片等為依據(jù)[3]，結(jié)合故障診斷經(jīng)驗，對各項參數(shù)進行系統(tǒng)、全面分析，從而準(zhǔn)確地診斷出電潛泵故障原因。

海上油田智能采油系統(tǒng)實現(xiàn)了故障診斷和壽命預(yù)測功能，對機采井分3個層級進行優(yōu)化管理和處置。系統(tǒng)針對機采井20余項數(shù)據(jù)，采用軟件代替人工進行批量診斷分析，提高了診斷分析效率和診斷符合率。系統(tǒng)自動識別關(guān)鍵數(shù)據(jù)，將電潛泵的運行判斷定量化，用健康度進行直觀表征。實現(xiàn)對電潛泵異常及時告警，故障自動分析判定，對異常工況通過案例庫匹配處置建議，并通過特殊算法對變化趨勢進行判斷，將油井管理從事后處理變?yōu)槭虑邦A(yù)警。

2.3 海上機采井運維數(shù)字化轉(zhuǎn)型

通過海上智能采油系統(tǒng)在曹妃甸作業(yè)公司示范應(yīng)用，與其電泵井運行維護生產(chǎn)與管理過程深度融合，有效推動了海上機采井運營管理的數(shù)字化轉(zhuǎn)型。

在電泵井?dāng)?shù)字化運行維護過程(圖6)中，智能采油系統(tǒng)從數(shù)值異常、通訊異常、工況異常等角度進行分類并自動定位異常原因，作業(yè)人員對異常情況進行排查，系統(tǒng)對結(jié)果進行記錄與跟蹤并實時推送信息至相關(guān)用戶，通過健康度變化與告警提示電潛泵實時狀態(tài)，實現(xiàn)處理流程與跟蹤過程的透明化與數(shù)字化。系統(tǒng)每日對運行情況進行統(tǒng)計，對生產(chǎn)變化情況與異常處置進展情況，以郵件形式每日推送至相關(guān)用戶，以實現(xiàn)支持用戶指揮決策前移、智能化輔助的工作模式。

圖6 機采井?dāng)?shù)字化運維示意圖Fig.6 Schematic diagram of digital operation and maintenance of mechanical production well

3 上線運行情況

海上油田智能采油系統(tǒng)已在渤海A油田部署上線運行，實施范圍涵蓋8個生產(chǎn)平臺，226口電潛泵采油井。運行期間對智能分析模型和系統(tǒng)功能持續(xù)進行驗證與優(yōu)化，截至2021年2月底，在一年的運行時間內(nèi)，共準(zhǔn)確預(yù)測電潛泵故障躺井事件12井次，準(zhǔn)確率達(dá)到80%以上，平均提前28.5天，為提前做好修井準(zhǔn)備創(chuàng)造了有利條件；同時，共發(fā)現(xiàn)工況異常45井次，涉及絕緣故障、地層供液不足、吸入口堵塞、乳化、出砂、通訊異常、傳感器故障等異常情況，通過生產(chǎn)現(xiàn)場及時采取措施，電泵井恢復(fù)了平穩(wěn)運行，有效降低了電泵故障率，并延長電泵壽命。

3.1 減少故障率分析

以A油田A1井為例(圖7)，2020年1月9日系統(tǒng)預(yù)警該井健康度下降至70.69，識別參數(shù)異常為“油壓、氣油比的值溢出閾值外，氣油比波動較大”，系統(tǒng)及時捕捉到這一異常，陸地技術(shù)專家查看詳細(xì)參數(shù)并分析后，確認(rèn)了該電泵處于高含氣率這一異常工況，如長期處于該工況，會產(chǎn)生如振動偏大、泵舉升效能下降等問題，對電泵壽命造成影響。隨后，海上操作人員對該井生產(chǎn)進行調(diào)參，降低電泵運行頻率，最終消除了故障隱患，該井健康度恢復(fù)至96.14，避免了未來故障造成的躺井。

圖7 A油田A1井避免電泵故障案例Fig.7 Preventing ESP failure case of Well A1 in A oilfield

3.2 減少躺井時間分析

以A油田A3井為例(圖8)，2020年3月7—9日連續(xù)3天預(yù)警該井健康度下降，系統(tǒng)預(yù)測2020年3月28日躺井，因及時捕捉到機采井異常，實際提前20天預(yù)測到故障時間，使得該井作業(yè)安排更加主動，躺井后即刻安排修井復(fù)產(chǎn)，有效減少了躺井時間。

圖8 A油田A3井計劃修井案例Fig.8 Planned workover case of Well A3 in A oilfield

4 結(jié)論與建議

1) 在海上A油田試點了機采井?dāng)?shù)字化轉(zhuǎn)型和智能采油系統(tǒng)，驗證了通過提前預(yù)測電潛泵故障和壽命時間，及時處置電潛泵問題并提前安排檢泵修井，有利于降低機采井故障率和躺井時間，提高生產(chǎn)時效，節(jié)約修井投資，具有很好的推廣應(yīng)用前景。

2) 基于油田歷史數(shù)據(jù)建立的電潛泵健康度模型、故障診斷模型，壽命預(yù)測模型，結(jié)合電潛泵系統(tǒng)實時數(shù)據(jù)和生產(chǎn)日度數(shù)據(jù)，可以應(yīng)用于未來機采井運行管理，但在上線運行中發(fā)現(xiàn)數(shù)據(jù)完整性和數(shù)據(jù)質(zhì)量是提高故障和壽命預(yù)測準(zhǔn)確性的基礎(chǔ)，智能分析模型的算法和訓(xùn)練是提高準(zhǔn)確率的關(guān)鍵，盡管試點項目應(yīng)用取得了效果，但這兩方面均需持續(xù)優(yōu)化和改進。

3) 通過在海上機采井運維數(shù)字化轉(zhuǎn)型和智能分析實踐，啟發(fā)了數(shù)字化轉(zhuǎn)型在更多領(lǐng)域的應(yīng)用潛力，建議通過功能升級并接入更多數(shù)據(jù)，可以實現(xiàn)采油井生產(chǎn)潛能分析、注水優(yōu)化潛力分析、低產(chǎn)低效井治理潛力分析等功能。