一种有杆泵抽油井故障诊断方法
【专利摘要】本发明涉及一种有杆泵抽油井故障诊断方法，获取已知和待诊断有杆泵抽油井地面示功图，将有杆泵抽油井地面示功图转化为有杆泵抽油井泵示功图，采用16方向链码对归一化处理后的泵示功图进行边界链码重画，将边界链码重画后的泵示功图进行区域划分，并提取各区域的特征向量，利用基于粒子群优化的谱聚类算法对量化后的泵示功图特征向量进行聚类，完成有杆泵抽油井故障诊断，本发明采用16方向链码的数量对各个泵示功图特征向量进行量化能够有效、细致地描述图形特征，有杆泵抽油井故障诊断是利用基于粒子群优化的谱聚类算法对量化后的泵示功图特征向量进行聚类，不依赖训练样本，可以提高诊断的性能。
【专利说明】-种有杆累抽油井故障诊断方法
【技术领域】
[0001] 本发明属于抽油井故障诊断领域，特别设及一种有杆累抽油井故障诊断方法。
【背景技术】
[0002] 有杆累抽油井累示功图在油田生产中具有十分重要的作用，它是判断抽油系统井 下工作状态的主要依据。累示功图可W用来进行井下生产状况的故障诊断，也可W用来计 算井口的出液量，还可W用来计算井下动液面的位置。传统生产中，一般依靠技术人员对采 集的累示功图进行人工分析，从而判断抽油系统的实际工作状况。该种人工方式工作周期 长，受主观因素影响较大，越来越无法满足企业不断提高生产效率的需求。
[0003] 随着计算机、通信、电子技术等领域的不断进步，利用计算机取代人力劳动方式已 成为国内外油田生产的发展趋势。鉴于累示功图在生产中的重要性，采用计算机进行计算 和分析已成为该领域研究的重点和难点。利用计算机处理累示功图，关键在于提取其显著 的特征，识别越准确，计算越正确。目前，对于累示功图的特征提取方法，主要有面积法、匹 配法、网格法、矢量法等。但是该些方法都不能很好地结合实际生产过程的特点，从而使得 到的特征向量不能准确、细致地反映不同过程的显著特征。
[0004] 有杆累抽油井的抽油累一般工作在数千米的地下，生产环境恶劣，故障发生率很 高，采用计算机实现诊断是很有意义的。现有的诊断方法主要W有监督学习为主，根据生产 经验得到不同故障类型的训练样本集，然后由该些训练样本训练出不同故障类型的训练集 模型，从而实现待诊断样本的诊断。该种有监督学习方法主要存在W下两方面问题；一是诊 断的准确率很大程度上取决于所构成训练样本集的样本特征向量是否能够准确反映样本 的典型特征；二是该种有监督方式主要依靠人为划分训练样本集，容易受到主观因素的影 响。
【发明内容】
[0005] 针对现有技术的不足，本发明提供一种有杆累抽油井故障诊断方法。
[0006] 本发明的技术方案是：
[0007] 一种有杆累抽油井故障诊断方法，包括W下步骤：
[000引步骤1 ;获取M个已知故障类型的有杆累抽油井地面示功图和1个待诊断故障类 型的有杆累抽油井地面示功图；
[0009] 步骤2 ;将M+1个有杆累抽油井地面示功图转化为有杆累抽油井累示功图，并对有 杆累抽油井累示功图进行归一化处理，得到归一化处理后的累示功图；
[0010] 步骤3 ;采用16方向链码对归一化处理后的累示功图进行边界链码重画，得到边 界链码重画后的累示功图，其中，边界链码的类型由Zt表示，t = 1、2、--?16，NUMt表示边界 链码类型为zt的边界链码个数，NUM表示边界链码重画后的累示功图的边界链码总数； [ocm] 步骤4;将边界链码重画后的累示功图进行区域划分，并提取各区域的特征向量， 各特征向量W 16方向链码形式表示；划分的区域包括；左上区、右上区、左下区和右下区； 所述的特征向量包括：左上区欠缺程度特征向量、左上区快速加载程度特征向量、右上区突 出程度特征向量、右上区欠缺程度特征向量、右上区快速卸载程度特征向量、左下区突出程 度特征向量、左下区欠缺程度特征向量、右下区欠缺程度特征向量和右下区快速卸载程度 特征向量；
[0012] 步骤4. 1 ;确定有杆累抽油井累示功图的上冲程和下冲程；将有杆累抽油井累示 功图曲线的横坐标最大的点作为上冲程的结束点，则有杆累抽油井累示功图的上冲程为有 杆累抽油井累示功图曲线第一个数据点到上冲程结束的数据点，有杆累抽油井累示功图的 下冲程为有杆累抽油井累示功图曲线上冲程结束点的下一个数据点到最后一个数据点；
[0013] 步骤4.2 ;提取有杆累抽油井累示功图各区域的累示功图特征向量，包括左上区 欠缺程度特征向量、左上区快速加载程度特征向量、右上区突出程度特征向量、右上区欠缺 程度特征向量、右上区快速卸载程度特征向量、左下区突出程度特征向量、左下区欠缺程度 特征向量、右下区欠缺程度特征向量和右下区快速卸载程度特征向量；
[0014] 左上区欠缺程度特征向量表示为：
[0015] ，
[0016] 左上区快速加载程度特征向量表示为：
[0017]
【权利要求】
1. 一种有杆泵抽油井故障诊断方法，其特征在于，包括以下步骤： 步骤1 :获取M个已知故障类型的有杆泵抽油井地面示功图和1个待诊断故障类型的 有杆泵抽油井地面示功图； 步骤2 :将M+1个有杆泵抽油井地面示功图转化为有杆泵抽油井泵示功图，并对有杆泵 抽油井泵示功图进行归一化处理，得到归一化处理后的泵示功图； 步骤3 :采用16方向链码对归一化处理后的泵示功图进行边界链码重画，得到边界链 码重画后的泵示功图，其中，边界链码的类型由zt表示，t= 1、2、--?16，NUMt表示边界链码 类型为zt的边界链码个数，NUM表示边界链码重画后的泵示功图的边界链码总数； 步骤4 :将边界链码重画后的泵示功图进行区域划分，并提取各区域的特征向量，各特 征向量以16方向链码形式表示；划分的区域包括：左上区、右上区、左下区和右下区；所述 的特征向量包括：左上区欠缺程度特征向量、左上区快速加载程度特征向量、右上区突出程 度特征向量、右上区欠缺程度特征向量、右上区快速卸载程度特征向量、左下区突出程度特 征向量、左下区欠缺程度特征向量、右下区欠缺程度特征向量和右下区快速卸载程度特征 向量； 步骤4. 1 :确定有杆泵抽油井泵示功图的上冲程和下冲程：将有杆泵抽油井泵示功图 曲线的横坐标最大的点作为上冲程的结束点，则有杆泵抽油井泵示功图的上冲程为有杆泵 抽油井泵示功图曲线第一个数据点到上冲程结束的数据点，有杆泵抽油井泵示功图的下冲 程为有杆泵抽油井泵示功图曲线上冲程结束点的下一个数据点到最后一个数据点； 步骤4. 2 :提取有杆泵抽油井泵示功图各区域的泵示功图特征向量，包括左上区欠缺 程度特征向量、左上区快速加载程度特征向量、右上区突出程度特征向量、右上区欠缺程度 特征向量、右上区快速卸载程度特征向量、左下区突出程度特征向量、左下区欠缺程度特征 向量、右下区欠缺程度特征向量和右下区快速卸载程度特征向量；
其中，^为有杆泵抽油井泵示功图的上冲程数据点纵坐标的平均值，^为边界 链码的类型为z3、24和z5的边界链码重画后的泵示功图的数据点纵坐标的平均值； 右上区欠缺程度特征向量表示为：
右上区快速卸载程度特征向量表示为：
其中，为有杆泵抽油井泵示功图的下冲程数据点纵坐标的平均值，&._?"18为 边界链码的类型为211、212、213、 214、215和216的边界链码重画后的泵示功图的数据点纵坐标 的平均值；
步骤4. 3 :将各区域的泵示功图特征向量进行量化，得到量化后的泵示功图特征向量； 步骤5 :利用基于粒子群优化的谱聚类算法对量化后的泵示功图特征向量进行聚类， 完成有杆栗抽油井故障诊断； 步骤5.1:设将M+1个泵示功图特征向量聚类为k类，〇为尺度参数，其中，k<y/M+l ,〇G [〇，1]; 步骤5. 2:将聚类数k和尺度参数〇作为粒子进行聚类优化，得到最优的聚类数k和 最优的尺度参数〇 ; 步骤5. 3:利用最优的聚类数k和最优的尺度参数〇进行聚类优化，得到最优的聚类 中心； 步骤5. 4 :根据最优的聚类中心将M+1个泵示功图特征向量聚类为k类，得到最终的聚 类结果：氏、H2?Hk，若待诊断故障类型的泵示功图特征向量与某知故障类型的泵示功图特 征向量聚为一类，则两者为同类故障，即得到有杆泵抽油井故障诊断结果，若待诊断故障类 型的泵示功图特征向量单独聚为一类，则该待诊断故障类型为新故障类型，对该故障类型 的泵示功图特征向量进行保存。
2.根据权利要求1所述的一种有杆泵抽油井故障诊断方法，其特征在于，所述的步骤 5. 2按以下步骤执行： 步骤5.2. 1 :将聚类数k和尺度参数〇作为粒子，随机产生若干个粒子，初始化粒子的 速度和位置； 步骤5. 2. 2 :M+1个量化后的泵示功图特征向量由屯、d2?dM+1表示，由高斯函数s(dp， dq) =exp(-| |dp-dq| |V(2〇2))计算任意两个量化后的泵示功图特征向量的相似度，各相 似度值构成相似度矩阵sGRWXW，其中，p、q= 1、2…M+1 ; 步骤5. 2. 3 :将每个量化后的泵示功图特征向量看作顶点V，根据量化后的泵示功图特 征向量间的相似度对各顶点间的边E赋权重值W，得到一个基于量化后的泵示功图特征向 量相似度的无向加权图G= (V，E); 步骤5. 2. 4 :将相似度矩阵S的每行元素相加，即得到对应顶点的度，以所有顶点的度 作为对角元素构成的对角矩阵，即度矩阵D; 步骤5. 2. 5 :根据度矩阵、各顶点间的边的权重及单位矩阵，建立拉普拉斯矩阵L"=hTw，其中，I为单位矩阵； 步骤5. 2. 6 :计算拉普拉斯矩阵1^前k个最小的特征值对应的特征向量，k个特征向 量组成特征向量矩阵U; 步骤5. 2. 7 :将特征向量矩阵U的第g行向量（eg)g = 1>2, ...,M+1作为聚类数据集； 步骤5. 2. 8 :用CritC指标函数的倒数作为各个粒子的适应度值； 步骤5. 2. 9 :若当前粒子的适应度值小于其历史适应度值，则将当前粒子的适应度值 作为其历史适应度值； 步骤5. 2. 10 :设定粒子的适应度值终止条件，若当前粒子的适应度值小于其终止条 件，则当前的聚类数k和尺度参数〇为最优的聚类数k和最优的尺度参数〇,当前的聚类 数据集为优化后的聚类数据集，否则，更新粒子的速度和位 置，返回步骤5. 2. 3。
【文档编号】E21B44/00GK104481496SQ201410473163
【公开日】2015年4月1日 申请日期:2014年9月16日 优先权日:2014年9月16日
【发明者】李琨, 韩莹 申请人:渤海大学