劉廣孚, 杜玉龍, 郭 亮, 石二勇, 王 震, 鄢志丹

(1.中國石油大學(華東)控制科學與工程學院,山東青島 266580; 2.中國石油大學(華東)海洋與空間信息學院, 山東青島 266580; 3.中國石化勝利油田分公司河口采油廠,山東東營 257200)

超過90%的生產(chǎn)油井需要某種形式的人工舉升來進行油氣開采[1]。潛油電機和電動潛油離心泵組成的潛油電泵機組因為其顯著優(yōu)點廣泛應用于高產(chǎn)井、含水井及斜井中,是各油田重要的采油設備[2]。但是由于潛油電泵機組結構復雜,關聯(lián)性強,再加上復雜多變的地質結構和井況條件,導致潛油電泵機組的故障率較高[3],且故障類型復雜多樣。一直以來,國內外對于潛油電泵機組的故障或工況診斷研究從未間斷過[4]。潛油電機是一種三相異步電動機,在電網(wǎng)電壓一定時,其電磁轉矩與電機電流具有特定的非線性關系,即電機電流的變化可以反映負載轉矩的變化。所以,傳統(tǒng)的工況診斷方法主要為電流卡片[5-8],但電流卡片記錄的信息量有限,且時效性較低,逐漸被油田淘汰。在“數(shù)字化”油田時代,國內外學者針對潛油電泵機組不同類型的故障或工況,分析其對應的相關參數(shù)數(shù)據(jù),實現(xiàn)對故障及工況的識別。Li等[9]通過分析9種不同工況下氣體產(chǎn)量、液體產(chǎn)量、油氣比、電壓、電流和油壓參數(shù)的變化情況,區(qū)別不同類型的工況或故障。Gupta[10]提出了一種數(shù)據(jù)驅動的分析解決方案,使用多變量統(tǒng)計方法來主動監(jiān)控與潛油電泵性能相關的壽命統(tǒng)計數(shù)據(jù),通過降維和模式識別實現(xiàn)對故障的預警和診斷。上述兩種方法是建立在統(tǒng)計數(shù)據(jù)的基礎上的,但實際生產(chǎn)中故障數(shù)據(jù)缺乏,在實際應用中受到一定的限制。國內各大油田也在積極開展?jié)撚碗姳脵C組異常工況分析,力求降低故障率[11-12],但更多的是基于現(xiàn)場處置經(jīng)驗,數(shù)據(jù)的科學性不足。潛油電泵機組運行狀態(tài)監(jiān)測及故障預警對油田生產(chǎn)具有重要的意義。但由于油田數(shù)字化建設時間較短,而且正常運行數(shù)據(jù)量遠高于故障數(shù)據(jù)量,并且潛油電泵工況及故障類型復雜多樣,所收集的不同故障類型的樣本數(shù)據(jù)難以達到深度學習訓練及驗證的要求。筆者僅依托潛油電泵井正常運行數(shù)據(jù)建立單分類支持向量機模型,通過對電流數(shù)據(jù)進行清洗、篩選、分析及特征提取,訓練單分類支持向量機模型獲得區(qū)分潛油電泵井正常運行狀態(tài)和異常運行狀態(tài)的能力,實現(xiàn)對潛油電泵井異常工況的判別及預警。

1 單分類支持向量機

支持向量機(support vector machine, SVM)[13-14]是針對二分類問題提出的,需要用兩種數(shù)量相對均衡的樣本建立訓練數(shù)據(jù)集。但是在工業(yè)生產(chǎn)中,面臨一個較為普遍的問題,即正常狀態(tài)數(shù)據(jù)多,異常狀態(tài)數(shù)據(jù)少,甚至沒有數(shù)據(jù)樣本,對工業(yè)故障診斷造成一定困擾。當遇到只有一種類型的數(shù)據(jù)即單分類問題時,SVM演變出了基于單分類的支持向量機[15-17]。單分類支持向量機(one-class support vector machine, OCSVM)是基于支持向量機的一種單類分類算法[18],與傳統(tǒng)支持向量機思想類似,將數(shù)據(jù)映射到與內核相對應的特征空間,在特征空間中求解最優(yōu)超平面(圖1),最大化樣本與原點之間的間隔[19]。

圖1 單分類支持向量機的最優(yōu)超平面Fig.1 Optimal hyperplane of one-class support vector machine

(1)

利用對偶算法的思想,求得上述問題的最優(yōu)解。對于式(1),構造上述模型的拉格朗日方程,得到原優(yōu)化問題的對偶問題:

(2)

其中

Qij=K(xi,xj)=φ(xi)φ(xj).

式中,K(xi,xj)為核函數(shù)。普遍使用的核函數(shù)是高斯徑向基核函數(shù)(radial basis function,RBF),其函數(shù)表達式[21-22]為

(3)

式中,σ為核寬度系數(shù)。由式(2)求解出α,得到?jīng)Q策函數(shù)為

(4)

2 潛油電泵工況及故障診斷模型

2.1 整體思路

針對電泵井實際生產(chǎn)中所面臨的正常狀態(tài)數(shù)據(jù)多、異常狀態(tài)數(shù)據(jù)少而無法完成模型訓練及驗證的問題,本文中將單分類支持向量機模型引入到潛油電泵工況及故障診斷中,利用單分類支持向量機的特殊優(yōu)勢,僅依靠潛油電泵在正常狀態(tài)下的電流數(shù)據(jù)就可以識別異常狀態(tài),實現(xiàn)對潛油電泵故障及異常工況的精準識別。

圖2 潛油電泵工況及故障診斷流程Fig.2 Operating condition and fault diagnosis flow chart of electric submersible pump

2.2 數(shù)據(jù)準備

本文中所有數(shù)據(jù)均采集于中國石化勝利油田下屬某采油廠,該采油廠信息化程度較高,生產(chǎn)指揮系統(tǒng)平臺可實時獲取潛油電泵機組的三相電壓、三相電流、油壓、井口溫度、瞬時流量等工作參數(shù)及環(huán)境參數(shù),采集間隔為1 min。選取50口電泵井(1～50號電泵井)在正常狀態(tài)下的三相歷史電流數(shù)據(jù)構建訓練集,每口井選擇106min的三相電流數(shù)據(jù),并且將每500 min的三相時序電流數(shù)據(jù)劃分為3個數(shù)據(jù)樣本,即A相、B相、C相分別構成一個樣本。A相電流選取2 000個訓練樣本,B相電流選取2 000個訓練樣本,C相電流選取2 000個訓練樣本,每口井共選取6 000個訓練樣本,故訓練集中共包含3×105個樣本。另外選擇2口含故障數(shù)據(jù)的潛油電泵井(51號和52號電泵井),將其故障期間的A相電流數(shù)據(jù)作為測試集,每口井選取2 500 min的A相電流數(shù)據(jù),以500 min為時間窗口、1 min為滑動步長劃分測試樣本,每口井選取2 000個測試樣本。圖3為訓練樣本中4口不同電泵井在正常狀態(tài)下的運行電流數(shù)據(jù)樣本。從圖中可以看出,此時運行電流平穩(wěn),波動幅度小。

2.3 模型搭建

利用OCSVM模型構建潛油電泵工況及故障診斷模型,通過學習正常狀態(tài)數(shù)據(jù)樣本,獲得區(qū)分異常樣本的能力。構建工況及故障診斷模型主要包括3部分。

2.3.1 特征提取

首先對潛油電泵井正常狀態(tài)下的電流數(shù)據(jù)進行特征提取,假設其中某一正常狀態(tài)下的時序電流數(shù)據(jù)為L={l1,l2,l3,…,lt},其中本文中t取500。提取以下6個特征值,構建特征集。

(1)t分鐘內的波動幅度(A)為

A=maxL-minL.

(5)

(2)t分鐘內的變化斜率(G)為

(6)

(3)標準差(S)為

(7)

(4)最大值和最小值的差值占均值的百分比(D)為

(8)

(5)兩點間正、負斜率樣本數(shù)各占總樣本的比例。假設電流數(shù)據(jù)L中每兩點間的斜率集合為M={m1,m2,m3,…,mt-1},統(tǒng)計M中正斜率樣本數(shù)(mi>0.1)和負斜率樣本數(shù)(mi<-0.1)各占斜率樣本總數(shù)的比例,以此表現(xiàn)電流數(shù)據(jù)的波動性。以下面兩段電流數(shù)據(jù)樣本為例,正常工況下相鄰兩點電流間正、負斜率樣本數(shù)各占斜率樣本4%(圖4);而氣干擾工況下兩者的比例分別為47.29%、49.5%(圖5)。因此該特征可以很好地表現(xiàn)電流數(shù)據(jù)的波動性。

為了提高模型精度和收斂速度,在將數(shù)據(jù)樣本送入網(wǎng)絡之前,需要對數(shù)據(jù)進行歸一化處理,將數(shù)據(jù)映射到[0,1]之間。

圖3 不同電泵井正常狀態(tài)下三相電流數(shù)據(jù)樣本Fig.3 Three-phase current data samples of different electric pump wells under normal conditions

圖4 正常工況下相鄰兩點電流間斜率分布Fig.4 Distribution of slope of two adjacent current values under normal conditions

2.3.2 建立OVSVM模型

選取高斯徑向基核函數(shù)建立OCSVM分類模型,其誤差懲罰系數(shù)設置為0.1。利用提取的特征值進行模型的訓練及優(yōu)化,保存最優(yōu)模型。最后,將潛油電泵機組測試數(shù)據(jù)樣本提取相應特征值后,輸入OCSVM模型中進行正常狀態(tài)和異常狀態(tài)的判斷。通過利用OCSVM模型,可以準確識別異常狀態(tài)數(shù)據(jù),也包括未知的異常狀態(tài)類型。

圖5 氣干擾工況下相鄰兩點電流間斜率分布Fig.5 Distribution of slope of two adjacent current values under interference conditions

2.3.3 模型評估

為了更好地評估模型的分類效果,采用精確率(P)和召回率(R)兩個分類指標。其定義為

(9)

(10)

式中,NTP為正類數(shù)據(jù)被識別為正類的樣本數(shù);NFP為正類數(shù)據(jù)被識別為負類的樣本數(shù);NFN為負類數(shù)據(jù)被識別為正類的樣本數(shù)。

3 試驗驗證及分析

利用OCSVM模型對另外50口潛油電泵井(51～100號電泵井)近兩年的運行狀態(tài)進行了判別,并進行了結果驗證。針對不同運行狀態(tài),本文中選取了其中較典型的2口潛油電泵井分別進行詳細分析。結果表明,故障識別準確度較高,誤差較低。

以51號潛油電泵井為例,該井在2019年12月19日4時8分因為異物卡泵造成潛油電泵機組負載增大,11時49分過載停機,選擇該井數(shù)據(jù)進行運行狀態(tài)識別及驗證試驗,運行電流如圖6(a)所示。將圖6(a)測試數(shù)據(jù)以500 min為時間窗口進行數(shù)據(jù)劃分及特征提取,輸入模型中進行狀態(tài)識別。在4時10分,潛油電泵井電流上升幅度達到4.7 A,斜率為0.008 8,標準差為25.16, 最大值和最小值的差值占均值的百分比為17.9%,超出正常狀態(tài)范圍,OCSVM模型判別此時潛油電泵井進入異常狀態(tài);并且故障發(fā)生后,電流兩點間正、負斜率樣本數(shù)各占總樣本的比例分別從20%、21%變?yōu)?2%、48%,更加確定潛油電泵井運行狀態(tài)異常。但按照之前的閾值報警模式,該狀況并不會觸發(fā)預警系統(tǒng)或停機動作,導致潛油電泵井故障運行,從而造成機組損壞嚴重。通過此模型,可以在第一時間監(jiān)測到潛油電泵井的異常狀態(tài),提前采取停井作業(yè)等措施可以降低機組的損壞程度,降低維修成本,實現(xiàn)故障預警功能。

圖6 51號潛油電泵井運行電流及識別結果Fig.6 Operating current and identification results of No.51 electric submersible pump well

以52號潛油電泵井為例,該井在2019年6月29日7時2分因負載增大造成電流增大,6月30日0時48分潛油電泵過載停機且泵軸斷裂,故障停機前期的運行電流如圖7(a)所示,選取其為測試樣本。從電流數(shù)據(jù)變化中可以看出,在泵軸斷裂前期,有比較明顯的故障特征,長達1 000 min,如果能夠及時監(jiān)測到異常狀態(tài),可以避免發(fā)生泵軸斷等嚴重損壞設備的現(xiàn)象。

在6月29日7時10分,電流上升幅度達到1.3 A,斜率從0增大為0.001 2,標準差從0變?yōu)?,并持續(xù)增大,D從0變?yōu)?.5%,故障發(fā)生后電流兩點間正、負斜率樣本數(shù)各占總樣本的比例分別從0變?yōu)?0%、29%,所以認為潛油電泵井進入異常運行狀態(tài)。由圖7(b)可以看出,OCSVM模型可以比較精準地識別異常狀態(tài),從而發(fā)出預警信息,避免潛油電泵在故障下持續(xù)運行,可以提前采取停井檢修等措施,避免泵軸發(fā)生斷裂。

圖7 52號潛油電泵井運行電流及識別結果Fig.7 Operating current and identification results of No.52 electric submersible pump well

表1 51號和52號潛油電泵井識別準確度

4 結束語

提出利用OCSVM模型代替原有的閾值報警模式,通過借助大量正常數(shù)據(jù)樣本區(qū)分多樣化的異常數(shù)據(jù),其中也包括未知的故障類型,提升了針對異常數(shù)據(jù)的識別能力,解決了油田生產(chǎn)中故障樣本少難以實現(xiàn)故障精準識別的問題,對油田生產(chǎn)具有一定的實際應用意義。利用OCSVM模型對潛油電泵井近兩年的電流數(shù)據(jù)進行了測試和驗證,通過試驗證明,判別準確度比較高,誤差在可控范圍內,泛化能力強,可以實現(xiàn)精準報警。通過提前采取預防措施,可以避免更嚴重故障的發(fā)生。同時,針對工業(yè)故障診斷中異常狀態(tài)數(shù)據(jù)缺乏的問題提供了理論思路。