王紹平 李永平 李廣輝 劉繼紅 向東奎

（長(zhǎng)慶油田分公司第二采油廠 甘肅慶陽(yáng) 745100）

0 引言

長(zhǎng)慶油田第二采油廠管理著馬嶺、華池、城壕、西峰等11個(gè)油田，近年來(lái)隨著開(kāi)發(fā)規(guī)模的擴(kuò)大，油水井的井?dāng)?shù)日漸增多。在人工智能、大數(shù)據(jù)及物聯(lián)網(wǎng)等新興技術(shù)發(fā)展的今天，借助智能傳感器、知識(shí)庫(kù)管理及數(shù)據(jù)互聯(lián)等手段，通過(guò)計(jì)算機(jī)代替人工分析降低人工成本、提高管理效率已成為流行解決方案之一。

1 油水井工況系統(tǒng)應(yīng)用現(xiàn)狀及存在問(wèn)題

第二采油廠數(shù)字化建設(shè)從2003年開(kāi)始，經(jīng)歷西峰油田先導(dǎo)性試驗(yàn)、老油田數(shù)字化升級(jí)改造、功能拓展深化應(yīng)用三個(gè)階段，單井?dāng)?shù)字化裝配配套已趨于完善：油井已經(jīng)實(shí)現(xiàn)了功圖遙測(cè)、功圖計(jì)量、電參數(shù)控制等功能，水井已經(jīng)實(shí)現(xiàn)了穩(wěn)流配水、壓力、流量參數(shù)遠(yuǎn)程監(jiān)控，同時(shí)建立了油水井工況系統(tǒng)，對(duì)參數(shù)進(jìn)行遠(yuǎn)程監(jiān)控和分析，用于輔助油水井管理，取得了良好的應(yīng)用效果。但隨著近年來(lái)油田生產(chǎn)行業(yè)發(fā)展和變化，在用系統(tǒng)無(wú)法完全滿足目前及未來(lái)的生產(chǎn)需求，主要體現(xiàn)在三個(gè)方面：一是現(xiàn)有系統(tǒng)智能化程度不高，無(wú)法代替人工分析降低人工成本；二是現(xiàn)有系統(tǒng)未建立油水井閉環(huán)管理流程，不能滿足精細(xì)化管理需求；三是現(xiàn)有系統(tǒng)使用的技術(shù)老舊，系統(tǒng)性能無(wú)法滿足現(xiàn)有生產(chǎn)規(guī)模。

2 油水井智能診斷優(yōu)化系統(tǒng)設(shè)計(jì)

基于解決以上問(wèn)題的目的，2017年第二采油廠設(shè)計(jì)了油水井智能診斷優(yōu)化系統(tǒng)，該系統(tǒng)在當(dāng)前數(shù)字化前端設(shè)備基礎(chǔ)上適當(dāng)增加新傳感設(shè)備，通過(guò)建立完善各類單井問(wèn)題診斷模型庫(kù)、知識(shí)庫(kù)，系統(tǒng)參與到單井的診斷、預(yù)警、措施制定、生產(chǎn)預(yù)測(cè)、優(yōu)化等各個(gè)環(huán)節(jié)。通過(guò)建立問(wèn)題消息推送機(jī)制，實(shí)現(xiàn)問(wèn)題井的定人、定責(zé)與限期處理，并對(duì)實(shí)施情況進(jìn)行跟蹤監(jiān)控、統(tǒng)計(jì)分析，最終將單井的人工管理情況、單井治理效果反饋至知識(shí)庫(kù)，為后期單井管理提供參考，形成問(wèn)題井閉環(huán)管理。

3 油水井智能診斷優(yōu)化系統(tǒng)框架

為滿足油水井的日常管理需求，系統(tǒng)共分7個(gè)模塊進(jìn)行設(shè)計(jì)（圖1），每個(gè)模塊的主要功能如下：

（1）智能診斷：應(yīng)用系統(tǒng)診斷算法模型、知識(shí)庫(kù)，對(duì)單井生產(chǎn)數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)進(jìn)行油水井智能診斷（目前診斷間隔設(shè)定為30min），同時(shí)對(duì)診斷問(wèn)題報(bào)警并提供處置措施建議。

（2）預(yù)警報(bào)警：分層級(jí)統(tǒng)計(jì)單井問(wèn)題報(bào)警、預(yù)警信息及處理情況。根據(jù)單井所屬組織架構(gòu)、區(qū)塊層系、預(yù)報(bào)警時(shí)間等條件分類匯總，并以數(shù)據(jù)表格、GIS方式展示。

（3）措施跟蹤：對(duì)預(yù)報(bào)警問(wèn)題的處置措施進(jìn)行分類匯總統(tǒng)計(jì)，提供措施變更、審核、發(fā)布功能。借助智能調(diào)度系統(tǒng)對(duì)措施分發(fā)、進(jìn)度跟蹤，在統(tǒng)計(jì)分析模塊進(jìn)行效果評(píng)價(jià)。形成措施安排→跟蹤反饋→效果評(píng)價(jià)的閉環(huán)管理。

（4）預(yù)測(cè)優(yōu)化：分析單井歷史生產(chǎn)數(shù)據(jù)規(guī)律，結(jié)合預(yù)測(cè)優(yōu)化算法對(duì)單井周期性問(wèn)題進(jìn)行預(yù)測(cè)。

（5）統(tǒng)計(jì)分析：統(tǒng)計(jì)系統(tǒng)相關(guān)數(shù)據(jù)，并分析得出直觀指標(biāo)，便于用戶應(yīng)用考核及系統(tǒng)后期持續(xù)優(yōu)化內(nèi)容做參考。

（6）知識(shí)庫(kù)：管理系統(tǒng)的算法模型及知識(shí)模型，并為系統(tǒng)的診斷提供依據(jù)。重點(diǎn)包括功圖特征庫(kù)、診斷算法庫(kù)及措施處置庫(kù)。

圖1 油水井智能診斷優(yōu)化系統(tǒng)功能模塊設(shè)計(jì)

（7）用戶管理：通過(guò)崗位管理實(shí)現(xiàn)系統(tǒng)模塊、操作、審核權(quán)限按崗位配置，系統(tǒng)將根據(jù)員工所在崗位自動(dòng)分配訪問(wèn)權(quán)限。

4 油水井智能診斷優(yōu)化系統(tǒng)應(yīng)用技術(shù)

系統(tǒng)通過(guò)建立專家診斷經(jīng)驗(yàn)知識(shí)庫(kù)、故障樣本特征庫(kù)，對(duì)油水井常見(jiàn)故障建模，采用模型匹配、決策樹(shù)等技術(shù)實(shí)現(xiàn)油水井故障智能診斷。

4.1 專家診斷經(jīng)驗(yàn)知識(shí)庫(kù)

按照油水井故障類別，從工程、工況、地質(zhì)三個(gè)方面建立故障診斷知識(shí)庫(kù)[1]。系統(tǒng)設(shè)計(jì)了知識(shí)庫(kù)管理模塊，方便對(duì)專家診斷知識(shí)進(jìn)行維護(hù)和更新。知識(shí)庫(kù)內(nèi)容建設(shè)由系統(tǒng)開(kāi)發(fā)人員與工藝所、地質(zhì)所專家組成專家算法項(xiàng)目組。針對(duì)每一項(xiàng)油水井單井故障，歸納整理單井參數(shù)變化特征、確定故障判定參數(shù)經(jīng)驗(yàn)值和算法，作為程序診斷的邏輯條件和參數(shù)。

表1 專家診斷算法示例

比如油井工況故障診斷知識(shí)庫(kù)，通過(guò)與工況分析技術(shù)專家深入對(duì)接，針對(duì)易混淆的示功圖工況類別，制定15種專家診斷算法（表1），其中的算法參數(shù)都是專家經(jīng)驗(yàn)參數(shù)，不同油田和不同區(qū)塊的參數(shù)都需要根據(jù)實(shí)際情況進(jìn)行設(shè)定。

4.2 故障工況SVM模型庫(kù)

本系統(tǒng)中示功圖底層采用SVM圖形識(shí)別。首先搜集歷史故障樣本工況，提取樣本圖形特征建立SVM模型庫(kù)。本系統(tǒng)采取HOG+SVM方法進(jìn)行特征提取、訓(xùn)練和檢測(cè)，利用OpenCV[2]開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)實(shí)現(xiàn)。具體算法流程有以下三個(gè)方面。

4.2.1 HOG特征提取

HOG特征[3]的核心思想是利用物體的像素梯度以及邊緣方向分布來(lái)描述該物體的appearance 和shape。具體提取步驟為：①提取故障示功圖并歸一化處理為灰度圖像；②計(jì)算每個(gè)像素梯度的大小和方向；將圖像劃分成小cells；③統(tǒng)計(jì)每個(gè)cell的梯度直方圖；④將2x2cell或者3x3cell或者更多組成一個(gè)block，一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來(lái)便得到該block的HOG特征descriptor。再將圖像內(nèi)的所有block的HOG特征descriptor串聯(lián)起來(lái)就可以得到該圖像的HOG特征descriptor。

在OpenCV框架中，HOG特征提取方法已經(jīng)封裝在HOGDescriptor類庫(kù)中，首先創(chuàng)建HOGDescriptor類實(shí)例，指定winSize、blockSize、blockStride、cellSize、nbins如下圖：

圖2 OpenCV中HOGDescriptor 類構(gòu)造參數(shù)

然后調(diào)用HOGDescriptor.compute（src,descriptors,Size（8,8））方法，即可計(jì)算源圖像src的描述子，步長(zhǎng)設(shè)定為（8,8）。

4.2.2 SVM分類訓(xùn)練學(xué)習(xí)

SVM模型[4]是一種二類分類模型，其基本模型定義為特征空間上的間隔最大的線性分類器，其學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題的求解。

在OpenCV中，可以通過(guò)CvSVM類來(lái)進(jìn)行分類訓(xùn)練：①設(shè)置訓(xùn)練樣本集。準(zhǔn)備兩組數(shù)據(jù)，一組是故障的類別，一組故障的HOG特征向量信息。②設(shè)置SVM參數(shù)。利用CvSVMParams類實(shí)現(xiàn)類內(nèi)的成員變量進(jìn)行設(shè)置，其中Cvalue為損失函數(shù)。③訓(xùn)練SVM。調(diào)用CvSVM：：train函數(shù)建立SVM模型，調(diào)用函數(shù)CvSVM：：predict實(shí)現(xiàn)分類。最后將訓(xùn)練好的SVM模型保存為xml文件(圖3),使用時(shí)加載模型數(shù)據(jù)進(jìn)行檢測(cè)即可實(shí)現(xiàn)示功圖故障自動(dòng)識(shí)別（圖4）。

圖3 故障樣本SVM分類模型數(shù)據(jù)

圖4 SVM模型故障檢測(cè)結(jié)果

4.3 智能診斷算法模型

在實(shí)際生產(chǎn)應(yīng)用中，油水井的工況非常復(fù)雜，依靠單一診斷算法無(wú)法準(zhǔn)確得到診斷結(jié)果（表2）。本系統(tǒng)通過(guò)組合多種診斷算法建立診斷算法模型來(lái)提高診斷準(zhǔn)確率。例如系統(tǒng)的工況診斷算法模型就是由圖形SVM模型識(shí)別、專家診斷經(jīng)驗(yàn)知識(shí)庫(kù)、功圖關(guān)鍵參數(shù)趨勢(shì)分析[5]及特殊工況診斷算法4種診斷算法構(gòu)成（圖5）。

圖5 工況診斷算法模型

算法模型建立之后，還需要根據(jù)故障類別特征、各種算法的特性建立診斷決策樹(shù)，來(lái)提高診斷速度及準(zhǔn)確度（表2）。

表2 應(yīng)用診斷決策樹(shù)提高診斷速度與精度

下圖為斷脫類工況圖形故障診斷決策樹(shù)（圖6）。

圖6 桿斷類工況特征診斷決策樹(shù)

最終系統(tǒng)工況智能診斷效果見(jiàn)圖7。

圖7 系統(tǒng)工況智能診斷實(shí)例

圖8 系統(tǒng)運(yùn)行流程設(shè)計(jì)

5 油水井智能診斷優(yōu)化系統(tǒng)運(yùn)行流程

5.1 系統(tǒng)整體運(yùn)行流程

油水井智能診斷優(yōu)化系統(tǒng)是一套完整的油水井日常管理解決方案，系統(tǒng)設(shè)計(jì)的7個(gè)功能模塊互相交融、緊密聯(lián)系。其中知識(shí)庫(kù)及權(quán)限管理兩個(gè)模塊用于系統(tǒng)后臺(tái)服務(wù)，為用戶的使用及系統(tǒng)智能分析提供技術(shù)支持。其余5個(gè)模塊（智能診斷、預(yù)警報(bào)警、預(yù)測(cè)優(yōu)化、措施跟蹤、統(tǒng)計(jì)分析）構(gòu)建了油水井從發(fā)現(xiàn)問(wèn)題→預(yù)警問(wèn)題→處置問(wèn)題→效果評(píng)價(jià)→預(yù)測(cè)優(yōu)化整個(gè)閉環(huán)管理流程。（圖8）。

5.2 用戶問(wèn)題處置流程

對(duì)于系統(tǒng)的最終用戶（基層技術(shù)管理人員），系統(tǒng)報(bào)警處置異常簡(jiǎn)單，系統(tǒng)總體設(shè)計(jì)兩級(jí)人員參與，包括了問(wèn)題處置及審核兩個(gè)環(huán)節(jié)，一個(gè)問(wèn)題的處置最多3步即可完成（圖9）。

圖9 系統(tǒng)問(wèn)題處置流程設(shè)計(jì)

6 系統(tǒng)應(yīng)用效果及結(jié)論

系統(tǒng)自2017年投入研發(fā)，截止目前完成7大模塊、25項(xiàng)功能的開(kāi)發(fā)，目前有特征功圖1300張、診斷算法36項(xiàng)，可診斷常見(jiàn)油水井故障63種，內(nèi)置對(duì)應(yīng)處置措施44項(xiàng)。2018年3月，系統(tǒng)投入生產(chǎn)使用，診斷準(zhǔn)確率達(dá)到85%，診斷速度5000口/分鐘，系統(tǒng)漏報(bào)率0.5%，基本達(dá)到預(yù)期設(shè)計(jì)目的。

通過(guò)該系統(tǒng)的使用，目前達(dá)到了以下幾個(gè)應(yīng)用目標(biāo)：

（1）提高生產(chǎn)效率：對(duì)油水井的生產(chǎn)動(dòng)態(tài)分析由人工分析轉(zhuǎn)向智能分析，把廣大技術(shù)人員從日常的分析統(tǒng)計(jì)工作中解放出來(lái)，大大提高工作效率；

（2）提高管理效率：建立了從問(wèn)題發(fā)現(xiàn)->措施安排->落實(shí)監(jiān)控->效果評(píng)價(jià)的管理流程，實(shí)現(xiàn)了閉環(huán)透明管理，提升了管理效率；

（3）保障生產(chǎn)時(shí)率：通過(guò)智能分析診斷及時(shí)發(fā)現(xiàn)油水井及生產(chǎn)管理中的各類問(wèn)題，有效消減對(duì)產(chǎn)量的影響，提升異常問(wèn)題的恢復(fù)效率。預(yù)計(jì)降低損失1831t，按照目前油價(jià)2925元/噸計(jì)算，折算經(jīng)濟(jì)效益536萬(wàn)元。