馮寧，張乃祿

1.西安石油大學 電子工程學院（陜西 西安 710065）2.陜西省油氣井測控技術(shù)重點實驗室（陜西 西安 710065）

0 引言

油井動液面監(jiān)測系統(tǒng)為獲得實時數(shù)據(jù)，長期運行，會導致元器件故障，采集的動液面波形圖出現(xiàn)異常。因此，對油井動液面監(jiān)測系統(tǒng)的故障診斷是必不可少的一項工作。王麗華等[1]采集電機故障信號作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，進行電機的故障診斷，杜小磊等[2]應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對軸承進行故障診斷，但油井動液面監(jiān)測系統(tǒng)故障診斷報道較少。

針對油井動液面監(jiān)測系統(tǒng)的故障特點，分析系統(tǒng)運行過程中的動液面波形圖，提出基于改進卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型。采用全局平均池化技術(shù)代替全連接層對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進行改進，采集系統(tǒng)運行過程中不同故障下的動液面波形圖作為模型輸入進行仿真訓練，實現(xiàn)對油井動液面監(jiān)測系統(tǒng)的故障診斷，保證系統(tǒng)安全可靠運行。

1 油井動液面監(jiān)測系統(tǒng)與故障分析

1.1 油井動液面監(jiān)測系統(tǒng)構(gòu)成及故障特點分析

油井動液面監(jiān)測系統(tǒng)由數(shù)據(jù)采集層、數(shù)據(jù)傳輸層及動液面監(jiān)測中心構(gòu)成。數(shù)據(jù)采集層包括井口監(jiān)測裝置和控制柜，井口監(jiān)測裝置由12V/24V電磁閥、微音器、壓力傳感器、儲氣罐組成，控制柜由氣泵、開關(guān)電源等組成；數(shù)據(jù)傳輸層采用GPRS/WIFI無線傳輸；動液面監(jiān)測中心包括服務(wù)器、監(jiān)控主機及遠程客戶端。系統(tǒng)構(gòu)成如圖1所示。

圖1 油井動液面監(jiān)測系統(tǒng)構(gòu)成

1.2 油井動液面監(jiān)測系統(tǒng)故障波形圖分析

油井動液面監(jiān)測系統(tǒng)常見的故障有24V電磁閥故障、12V電磁閥故障、微音器故障、球閥故障、加藥閥故障、氣泵故障、氣管故障、井況異常、液面太淺以及傳輸故障。不同故障下的動液面波形圖差異明顯，見表1。

表1 不同故障下的動液面波形

2 改進卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法

2.1 改進卷積神經(jīng)網(wǎng)絡(luò)模型

油井動液面監(jiān)測系統(tǒng)在不同故障下，測量的動液面波形特征差異明顯，因此選擇卷積神經(jīng)網(wǎng)絡(luò)建立模型進行故障診斷。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層、全連接層以及輸出層組成。但全連接層會使訓練參數(shù)增多，導致模型過擬合[3-4]；太多的計算資源會使測試時間太長，不適用于快速診斷和實時在線監(jiān)測；并且全連接層在測試過程大大減少了特征位置對分類帶來的影響，導致輸入的特征參數(shù)位置發(fā)生改變，診斷結(jié)果未發(fā)生改變。因此提出改進卷積神經(jīng)網(wǎng)路，采用全局平均池化技術(shù)代替全連接層。改進卷積神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 改進卷積神經(jīng)網(wǎng)絡(luò)模型

改進卷積神經(jīng)網(wǎng)絡(luò)的輸入是系統(tǒng)正常運行以及不同故障下的動液面波形圖，故障類型包括24V電磁閥故障、球閥故障、12V電磁閥故障、氣泵故障、加藥閥故障、微音器故障、氣管損壞、液面太淺、井況異常、傳輸故障等。隱藏層經(jīng)過2次卷積2次最大池化，提取動液面波形圖的波形特征。全局平均池化以隱藏層輸出的每個動液面波形特征圖為單位，累加特征圖上的特征值再進行平均，直接得到輸出節(jié)點。輸出層再采用Softmax進行邏輯回歸分類，輸出系統(tǒng)故障類型。

改進卷積神經(jīng)網(wǎng)絡(luò)模型在故障診斷過程中無需手動提取特征，將動液面波形圖可直接作為模型輸入，且全局平均池化技術(shù)使得訓練參數(shù)大大減少，提高了模型訓練效率[5]。改進卷積神經(jīng)網(wǎng)絡(luò)模型基本流程如圖3所示。

圖3 改進卷積神經(jīng)網(wǎng)絡(luò)模型基本流程

對輸入模型的動液面波形圖進行預處理，再分割為訓練集、驗證集以及測試集。訓練集及驗證集進行模型訓練，得到改進卷積神經(jīng)網(wǎng)絡(luò)模型，測試集輸入訓練好的模型，得到系統(tǒng)故障診斷的結(jié)果。

2.2 改進卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)

改進卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置要保證較高的分類率以及模型訓練速率，影響模型訓練速率的是卷積層參數(shù)和激活函數(shù)。

2.2.1 卷積層參數(shù)

卷積層參數(shù)包括卷積層數(shù)、卷積核的數(shù)目及大小。在卷積過程中，為了避免位置信息發(fā)生偏移，卷積核大小設(shè)置為奇數(shù)，根據(jù)經(jīng)驗，卷積核數(shù)目設(shè)置為16的倍數(shù)，將卷積層C1和C2的卷積核數(shù)目及大小作為變量，取值范圍如下所示：

{‘C1卷積核數(shù)目’：16，32，64，128；‘C2卷積核數(shù)目’：16，32，64，128；‘卷積核大小’：3×3，5×5，7×7}

將以上參數(shù)以遍歷的方式進行組合，分別對模型進行訓練，得到訓練結(jié)果，使用Socre=Accuary/（Loss×Time）對模型進行評估。其中Accuary為識別模型輸入的動液面波形圖的準確率；Loss為損失函數(shù)值，反應(yīng)了模型輸出的預測值與真實值之間的差別程度；Time為模型訓練及識別時間[6]。模型訓練過程中損失函數(shù)值與訓練時間越小，準確率越大，Score值越大，模型越優(yōu)，因此選擇Score最大的值作為卷積層參數(shù)。經(jīng)過測試，卷積核數(shù)目分別為16、32，大小分別為3×3、5×5時Score值最大，模型最優(yōu)。

2.2.2 激活函數(shù)選擇

模型訓練中，常用的激活函數(shù)有Sigmoid函數(shù)、tanh函數(shù)、ReLU函數(shù)。Sigmoid函數(shù)和tanh函數(shù)由于軟飽和性，易出現(xiàn)梯度消失和梯度爆炸問題[7]。ReLU函數(shù)有很好的擬合能力和稀疏性，能夠有效地緩解梯度消失和過擬合問題，因此激勵函數(shù)選擇為ReLU函數(shù)，ReLU函數(shù)圖像如圖4所示。

圖4 ReLU函數(shù)圖像

根據(jù)以上卷積層參數(shù)以及激活函數(shù)的選擇，改進卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置見表2。

表2 改進卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)值設(shè)置

3 實驗仿真

3.1 系統(tǒng)故障數(shù)據(jù)集

油井動液面監(jiān)測系統(tǒng)采用改進卷積神經(jīng)網(wǎng)絡(luò)模型進行故障診斷，系統(tǒng)不同故障下的動液面波形圖差異明顯，以不同故障下的動液面波形圖作為改進卷積神經(jīng)網(wǎng)路的輸入，輸出為系統(tǒng)的故障類型[8]。分別采集24V電磁閥故障、12V電磁閥故障、微音器故障、球閥故障、加藥閥故障、氣泵故障、氣管故障、井況異常、液面太淺、傳輸故障等10種故障以及系統(tǒng)正常運行下得到的動液面波形圖20組作為實驗用數(shù)據(jù)集輸入模型，見表3。隨機選取數(shù)據(jù)集的80%進行模型訓練，20%進行模型測試。

表3 實驗用數(shù)據(jù)集

3.2 數(shù)據(jù)預處理

不同故障下的動液面波形圖在輸入改進卷積神經(jīng)網(wǎng)絡(luò)之前，要進行統(tǒng)一預處理，主要分為以下幾步：

1）圖片大小處理。應(yīng)用MATLAB的imresize函數(shù)將模型輸入的動液面波形圖像素面積統(tǒng)一處理為256×256×3。

2）灰度化處理。圖片像素點的顏色變化是由紅（R）、綠（G）、藍（B）3個通道相互疊加決定的，圖片灰度化將每一個像素點都滿足R=G=B的關(guān)系，采用MATLAB的rgb2gray函數(shù)對動模型輸入的液面波形圖進行灰度化處理。

3）二值化處理。將圖片的每個像素點的灰度值設(shè)為0（黑色）或者225（白色），讓整個圖片只呈現(xiàn)黑白效果。采用MATLAB的imbinarize函數(shù)對模型輸入的動液面波形圖進行二值化處理。

因此，不同故障下的動液面波形圖預處理后大小均為256×256×1，作為改進卷積神經(jīng)網(wǎng)絡(luò)的輸入。

3.3 仿真結(jié)果與分析

油井動液面監(jiān)測系統(tǒng)故障診斷的改進卷積神經(jīng)網(wǎng)絡(luò)模型使用matlab的deep learning toolbox進行訓練，將采集的故障數(shù)據(jù)集輸入到模型中，設(shè)置訓練迭代周期為30次。訓練結(jié)果準確率變化曲線及l(fā)oss函數(shù)變化曲線如圖5所示。

圖5 準確率變化曲線及l(fā)oss函數(shù)變化曲線

準確率函數(shù)反應(yīng)的是模型訓練過程中對動液面波形圖識別的準確率，loss函數(shù)是度量模型輸出的預測值與實際值之間的差距，差距越大，模型對油井動液面監(jiān)測系統(tǒng)的故障分類性能越差。圖5中隨著訓練次數(shù)的增加，準確率曲線逐漸上升，損失函數(shù)曲線逐漸下降，迭代到第6個周期時，準確率為100%，損失函數(shù)為0，說明該模型有快速的學習能力。

為了進一步驗證改進卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，將采集的實驗用數(shù)據(jù)集輸入傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練，將訓練結(jié)果與改進卷積神經(jīng)網(wǎng)絡(luò)模型訓練結(jié)果進行對比見表4。

從表4可知，模型訓練過程中，改進卷積神經(jīng)網(wǎng)絡(luò)訓練時間快于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)訓練時間11.1075 s，傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)訓練集準確度為93.45%，改進卷積神經(jīng)網(wǎng)絡(luò)訓練集準確度為100%，遠高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)，因此，改進卷積神經(jīng)網(wǎng)絡(luò)模型更加優(yōu)化。

表4 改進型與傳統(tǒng)型卷積神經(jīng)網(wǎng)絡(luò)訓練結(jié)果對比

4 應(yīng)用效果分析

油井動液面監(jiān)測系統(tǒng)運行時，改進卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型調(diào)用系統(tǒng)上傳至后臺的動液面波形圖作為模型輸入。

選取5組長慶油田現(xiàn)場動液面監(jiān)測系統(tǒng)的故障診斷結(jié)果，見表5。夠可靠的實現(xiàn)對油井動液面監(jiān)測系統(tǒng)的故障診斷。

表5 系統(tǒng)故障診斷結(jié)果

5 結(jié)論

1）針對油井動液面監(jiān)測系統(tǒng)的構(gòu)成及故障特點，提出了基于改進卷積神經(jīng)網(wǎng)絡(luò)的故障診斷模型。輸入不同故障下動液面波形圖進行模型訓練與仿真，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進行對比，改進卷積神經(jīng)網(wǎng)絡(luò)模型相對于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型訓練集準確率提高6.55 %，訓練時間增快11.1075 s。

2）應(yīng)用結(jié)果表明，該模型實現(xiàn)了對油井動液面監(jiān)測系統(tǒng)的故障診斷，對系統(tǒng)安全可靠的運行具有典型的應(yīng)用價值。