基于物理模型去噪的获取游梁抽油机冲程和冲次的方法

本发明属于信号处理技术领域，具体地说是基于物理模型去噪的获取游梁抽油机冲程和冲次的方法。

背景技术：

在采油油田环境中，游梁抽油机采油在目前抽油机中所占的比重较大，游梁抽油机在抽油过程中监管的好坏，关系到了油田整体资源花费成本的高低。如果要做好对游梁抽油机的监管工作，必须要取准取全各项生产资料，并结合油田的现状，不断进行分析，适应不断变化的油藏动态，加强并提高抽油机井的日常管理水平。

其中，对示功图的分析是直接了解深井泵工作状况好坏的一个主要手段。示功图是由专门的仪器测出，画在坐标图上，被封闭的线段所围成的面积表示驴头在一次往复运动中抽油机所做的功的图纸。示功图的横坐标为行程，纵坐标为载荷，所以需要对载荷和行程进行测量。

目前，油田测量行程量普遍采用角位移和死点开关两种方式，其中，角位移的测量采用角位移传感器，安装在抽油机游梁上，以角位移传感器测得的角度改变量作为角度，以抽油机中轴到抽油杆的距离作为半径，角度与半径的乘积所得的弧长即为光杆位移，根据角位移传感器测得角度变化的周期，即可求得冲次。死点开关采用霍尔非接触接近开关(探头)，磁场触发，是一种位置信号发送器。死点开关装在抽油机光杆下死点位置，依据光杆一个冲程周期t测量的数据间接测量光杆位移，根据周期可以求得冲次。以上方案中，实际采集的数据大多含有较多的噪声，导致油田现有算法的计算结果的误差较大。对于含有较多噪声得数据，采用简单滤波方法时，因为滤波之后也会引入滤波误差，而且在采集数据过程中，也会出现部分数据缺失的现象，这些将导致无法准确求得冲程和冲次，或者求得的冲程和冲次不稳定。

技术实现要素：

针对上面这些问题，本发明的目的在于提供基于物理模型去噪的获取游梁抽油机冲程和冲次的方法，该方法提出采集游梁抽油机悬点处加速度传感器数据，结合游梁抽油机的加速度的理论表达式使用遗传算法求取理论加速度数据，从而得到游梁抽油机理论上的冲程和冲次，降低了因数据采集丢失以及滤波带来的滤波误差而导致的冲程和冲次的计算误差。

本发明为实现上述目的所采用的技术方案是：基于物理模型去噪的获取游梁抽油机冲程和冲次的方法，包括以下步骤：

1)通过加速度传感器采集游梁抽油机设备悬点处加速度数据；并通过wia-pa芯片对加速度数据进行处理，得到处理后的加速度数据；

2)对处理后的加速度数据中异常数据进行数据处理，并将处理后的加速度数据通过低通滤波器进行滤波，经过小波分解重构提取滤波后加速度数据的低频信号特征，即重构数据；

3)将重构数据转化为真实的加速度值，并获取加速度的单个周期数据；

4)根据游梁抽油机的机械参数及曲柄转速，对游梁抽油机进行建模，得到游梁抽油机的加速度物理模型；

5)通过遗传算法结合单周期加速度数据和游梁抽油机的加速度物理模型，对游梁抽油机的加速度物理模型进行去噪，得到游梁抽油机的机械参数及曲柄转速数据；

6)根据得到游梁抽油机的机械参数及曲柄转速数据，得到当前理论加速度数据的冲程及其冲次，即所测数据对应的真实冲程和冲次。

所述步骤3)，包括以下步骤：

(1)根据加速度转化公式，得到真实的加速度数据值；

(2)通过寻找加速度值中的极大值点，对极大值点进行筛选，去除错误极大值点，得到筛选后的极大值点及其位置信息；

(3)根据极大值点的位置对加速度值进行切分，切分得到的每段加速度数据即单个周期加速度数据。

所述步骤(2)，具体为：

对整个加速度数据求取均值作为最大极值点的最小高度阈值；

对整个加速度数据通过傅里叶变换获取能量最大值对应的信号频率，作为对应周期的估计值，把对应周期的0.5倍值作为最大极值点的最小距离阈值；

根据极大值点的最小高度阈值以及相邻极大值点的最小距离阈值进行筛选，得到加速度值的极大值点及其位置信息。

所述对于数据离散傅里叶变换：

其中f(x)为时域信号，m为信号每周期对应的取样次数，u为频率变量，x为时间，选取最大幅值对应的频率，即该频率对应的周期为真实加速度的估计周期，f(u)为时域信号f(x)在u频率下得到的频域信号，e为复变函数，即e^-jx＝cos(x)+jsin(x)。

所述步骤4)中，得到游梁抽油机的加速度物理模型，具体为：

游梁抽油机的加速度物理模型的理论加速度表达式α如下：

其中：

θ4＝atan((h-g)/i)

a1＝2rpsinθ-2pkcosθ4

a2＝2ckcosθ4-2rcsinθ

b1＝2rpcosθ-2pksinθ4

b2＝2cksinθ4-2rccosθ

c1＝r²+p²+k²-c²-2rksin(θ+θ4)

c2＝r²-p²+k²+c²-2rksin(θ+θ4)

ωbd＝-ωrcos(θ+θ3)/p/sin(θ2-θ3)

其中，a为游梁前臂长度，c为游梁后臂长度，bd为游梁抽油机的连杆，p为连杆长度，r为曲柄长度，k为极距，h为游梁支撑中心与地面之间的距离，i为电机轴中心到游梁支撑中心在水平方向的距离，j为曲柄销轴承中心到游梁支撑中心的距离，g为电机轴中心到底座底部的高度，θ为曲柄角，ω为曲柄角速度，ωbd是连杆bd绕b转动角速度，是连杆ab绕o1的转动角速度，θ1为曲柄与水平方向逆时针转动的夹角，θ2为连杆bd与水平方向逆时针绕d转动的夹角，θ3为杆o1b与水平方向逆时针绕o1转动的夹角，θ4为o1和o的连线与水平方向的夹角。

所述步骤5)具体为：

步骤5.1选取遗传算法的对象参数：

选取游梁前臂长度a，游梁后臂长度c，连杆长度p，曲柄长度r，游梁支撑中心与地面之间的距离h，电机轴中心到游梁支撑中心在水平方向的距离i，电机轴中心到底座底部的高度g，以及曲柄的角速度w，作为遗传算法进行筛选的对象参数；

步骤5.2确定遗传算法的约束条件：

根据游梁抽油机运转的条件，将这八个参数的范围设置如下：a：2.2～4.5，c：3.3～4.5，p：3.6～5.5，r：0.7～1.2，h：7.1～8.2，i：0.7～2.3，g：2.3～3.1，ω＝pi/7～pi/2；

步骤5.3对采集的单周期加速度数据的长度和理论加速度数据的长度进行统一化，构建遗传算法的优化目标；

步骤5.4根据遗传算法的对象参数、遗传算法的约束条件以及遗传算法的优化目标通过遗传算法，确定游梁抽油机的机械参数和曲柄转速。

所述步骤5.3，具体为：

采用线性插值法，对采集的单周期加速度数据的长度和理论加速度数据的长度进行统一化，使得采集的单周期加速度数据的长度和理论加速度数据的长度线性插值到400个采样点长度；

插值后得到采集的单周期加速度数据减去插值前采集的单周期加速度数据的均值，得到数据x400；插值后得到理论的单周期加速度数据减去插值前理论的单周期加速度数据的均值，得到为xrel400，构建遗传算法的优化目标为：

min((xrel400-x400)²)。

所述步骤6)，包括以下步骤：

a.根据获得的游梁抽油机的机械结构参数和曲柄转速，获得加速度数据；

b.对加速度数据进行线性插值，插值的目标长度x400，为在进行线性插值之前的长度，xrel400经过插值之后的理论单周期加速度数据，记作xrel；

c.对插值之后的数据xrel进行二次积分求取游梁抽油机的冲程，并根据筛选出的曲柄角速度ω，求取抽油机的冲次。

所述步骤c中，对插值之后的数据xrel进行二次积分求取游梁抽油机的冲程，具体为：

理论单周期加速度数据：

xrel＝(x1,x2,...,xn)

对xrel进行一次积分，获得速度数据：

其中，xi代表理论单周期加速度数据中的某一个数据点，i＝1～n；vi为的速度数据，s1、s2分别为一个周期内的前半周期和后半周期内的冲程，n为一个周期内所有数据的个数，n1为一个周期中前半周期和后半周期的分界点；

则游梁抽油机的冲程值为：s＝(s1+s2)/2。

所述步骤c中，根据筛选出的曲柄加速度ω，求取抽油机的冲次，具体为：

经遗传算法筛选出的曲柄角速度ω，则游梁抽油机的冲次计算如下：

t＝2π/ω

p＝60/t

其中，t为曲柄的旋转周期，即抽油机一次冲程所需的时间，p为所求的冲次。

本发明具有以下有益效果及优点：

1、本发明提出采集游梁抽油机悬点处加速度传感器数据，通过对加速度数据进行预处理和小波分解重构，获得单周期加速度数据，算法简洁且有效滤除了大量噪声，有效降低了噪声的干扰。

2、本发明的游梁抽油机的加速度理论表达式和采集的数据进行融合，使得根据采集得到的加速度数据来计算抽油机的冲程和冲次得到了理论上的支持，避开了因采集数据的丢失和滤波带来的滤波误差而导致的无法精准求得冲程和冲次这一问题。

3、本发明中根据遗传算法对根据抽油机的理论加速度表达式对游梁抽油机的机械结构参数和曲柄角速度进行了筛选，可以大大提升参数筛选的速率。

附图说明

图1为本发明的方法的流程图；

图2为本发明的加速度物理模型示意图；

图3为本发明提供的本实施例中实地测量的数据使用此方案求取的冲程和冲次结果图；

图4为本发明提供的随机获取的原始数据图；

图5为本发明的随机单周期数据和该周期数据的理论数据对比图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

以下结合附图和具体实施方式对本发明进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

如图1为本发明的方法的流程图，本发明提供了基于物理模型去噪的获取游梁抽油机冲程和冲次的方法，具体包括以下步骤：

1)通过加速度传感器采集游梁抽油机设备悬点处加速度数据；并通过wia-pa芯片对加速度数据进行处理，得到处理后的加速度数据；

2)对处理后的加速度数据中异常数据进行数据处理，并将处理后的加速度数据通过低通滤波器进行滤波，经过小波分解重构提取滤波后加速度数据的低频信号特征，即重构数据；

3)将重构数据转化为真实的加速度值，并获取加速度的单个周期数据；

4)根据游梁抽油机的机械参数及曲柄转速，对游梁抽油机进行建模，得到游梁抽油机的加速度物理模型；

5)使用遗传算法结合单周期加速度数据和抽油机的加速度理论表达式来筛选抽油机的机械结构参数及曲柄转速，使得具有该机械结构参数和曲柄转速的游梁抽油机的单周期加速度数据与测量得到的单周期加速度数据的平方差之和最小；

6)求取该理论加速度数据的冲程及其冲次，即为该所测数据对应的真实冲程和冲次。

其中，步骤2)中对采集到的加速度数据中异常数据进行数据处理，具体为：

所述数据处理包括：数据剔除与数据插补；

所述数据剔除采用阈值处理，包括直接对原始加速度数据设定阈值，剔除大于阈值的数据，以及对相邻数据差值设定阈值，对于大于该阈值的数据，进行剔除操作，并通过插值处理剔除的数据。对采集到的原始数据做异常值的处理操作，把大于3800的数据视为异常数据，或者相邻数据差值超过闸值170视为异常数据，并对上述异常数据的相邻数据进行剔除操作，插值处理剔除的数据；

通过低通滤波和小波分解重构提取预处理后的低频信号特征，其中低通滤波器为巴特沃斯iir数字低通滤波器，滤波器的归一化截止频率为0.09。再通过小波四层分解重构提取预处理后的信号低频特征。具体的，在本实施例中，小波分解重构是对信号进行四层分解，选取第四层的低频信号对数据进行重构，排除高频噪声的干扰。

步骤3)具体为：

其中，小波分解重构是对加速度数据中的时域信号进行四层分解，选取第四层的低频信号对数据进行重构，其中第四层分解得到的低频信号，来自于第三层的低频信号，第一层的低频信号分解为第二层的低频和高频信号；

在每次分解之后，获得的数据长度是上一层数据长度的1/2，对数据进行重构，恢复与原始数据相同的长度。

所述步骤4)中将重构数据转化为真实的加速度值，加速度x′转化公式如下：

x′＝-(m·x-h)*9.8

其中，x为经过低通滤波器滤波、小波分解重构后的重构数据，x′为加速度值，g为重力加速度g取9.8n/m²，m和h为设备自身的属性值。

具体的，m和h为设备自身的属性值，本实施例中m取0.000217653301838，h取1.42668178026，所述的加速度转化通过公式：

x′＝-(0.000217653301838·x-1.426681782026)*9.8

加速度值按周期切分，得到游梁抽油机的冲程和冲次，具体为：

通过寻找加速度值中的极值点，根据极值点的位置对加速度值进行切分。

寻找加速度值中的极值点，具体为：

利用matlab寻找极大值点的函数，获取加速度值中的极值点；找寻过程中存在信号的波动导致求得的极大值点有错误；

当求得的极大值，低于信号数据的均值，或者求得的两个极大值点a和b的横坐标之间的距离，若a和b的横坐标之间的距离小于周期的一半距离时，即判断为错误，则删去极值点b，保留极值点a；

通过设置极大值点的最小高度阈值以及相邻极值点的最小距离阈值，得到加速度值的极大值点及其位置信息。

其中，通过设置极值点的最小高度阈值和相邻极值点的最小距离阈值，对数据的极值点进行筛选：即把所有的错误的极值点，都删除之后，得到筛选后的极值点。

通过设置极值点的最小高度阈值和相邻极值点的最小距离阈值，具体为：

对整个加速度数据求取均值作为最大极值点的最小高度阈值；对加速度信号的周期进行估计，把估计周期的0.5倍值作为最大极值点的最小距离阈值。

其中，对于周期估计，为通过傅里叶变换，获取能量最大值对应的信号频率，获取对应周期的估计值；

对于数据离散傅里叶变换：

其中，f(x)为时域信号，m为信号每周期对应的取样次数，u为频率变量，x为时间，选取最大幅值对应的频率，即该频率对应的周期为真实加速度的估计周期，f(u)为时域信号f(x)在u频率下得到的频域信号，e为复变函数，即e^-jx＝cos(x)+jsin(x)。

如图2所示，为本发明的加速度物理模型示意图，其中，游梁抽油机的加速度物理模型的理论加速度表达式α如下：

其中：

θ4＝atan((h-g)/i)

a1＝2rpsinθ-2pkcosθ4

a2＝2ckcosθ4-2rcsinθ

b1＝2rpcosθ-2pksinθ4

b2＝2cksinθ4-2rccosθ

c1＝r²+p²+k²-c²-2rksin(θ+θ4)

c2＝r²-p²+k²+c²-2rksin(θ+θ4)

ωbd＝-ωrcos(θ+θ3)/p/sin(θ2-θ3)

其中，a为游梁前臂长度，c为游梁后臂长度，bd为游梁抽油机的连杆，p为连杆长度，r为曲柄长度，k为极距，h为游梁支撑中心与地面之间的距离，i为电机轴中心到游梁支撑中心在水平方向的距离，j为曲柄销轴承中心到游梁支撑中心的距离，g为电机轴中心到底座底部的高度，θ为曲柄角，ω为曲柄角速度，ωbd是连杆bd绕b转动角速度，是连杆ab绕o1的转动角速度，θ1为曲柄与水平方向逆时针转动的夹角，θ2为连杆bd与水平方向逆时针绕d转动的夹角，θ3为杆o1b与水平方向逆时针绕o1转动的夹角，θ4为o1和o的连线与水平方向的夹角。

进一步的，使用遗传算法结合单周期加速度数据和抽油机的加速度理论表达式来筛选抽油机的机械结构参数及曲柄转速，使得具有该机械结构参数和曲柄转速的游梁抽油机的单周期加速度数据与测量得到的单周期加速度数据的平方差之和最小；

首先，选取遗传算法的对象参数：

选取游梁前臂长度a，游梁后臂长度c，连杆长度p，曲柄长度r，游梁支撑中心与地面之间的距离h，电机轴中心到游梁支撑中心在水平方向的距离i，电机轴中心到底座底部的高度g，以及曲柄的角速度w，作为遗传算法进行筛选的对象参数；

其次，确定遗传算法的约束条件：

根据游梁抽油机运转的条件，将这八个参数的范围设置如下：a：2.2～4.5，c：3.3～4.5，p：3.6～5.5，r：0.7～1.2，h：7.1～8.2，i：0.7～2.3，g：2.3～3.1，ω＝pi/7～pi/2；

遗传算法在每个参数值的可选范围内参选出一个较优的值，如参数a在2.2～4.5范围内使用遗传算法筛选出一个值3.0，作为参数a的值，其他参数同理，最终所有参数都确定各自的值，这样最终可以根据不同的θ得到加速度曲线。

再次，对采集的单周期加速度数据的长度和理论加速度数据的长度进行统一化，构建遗传算法的优化目标；

最后，根据遗传算法的对象参数、遗传算法的约束条件以及遗传算法的优化目标通过遗传算法，确定游梁抽油机的机械参数和曲柄转速。

如图5所示，为本发明随机单周期数据和该周期数据的理论数据对比图，其中，构建遗传算法的优化目标，具体为：

采用线性插值法，对采集的单周期加速度数据的长度和理论加速度数据的长度进行统一化，使得采集的单周期加速度数据的长度和理论加速度数据的长度线性插值到400个采样点长度；

插值后得到采集的单周期加速度数据减去插值前采集的单周期加速度数据的均值，得到数据x400；插值后得到理论的单周期加速度数据减去插值前理论的单周期加速度数据的均值，得到为xrel400，构建遗传算法的优化目标为：

min((xrel400-x400)²)。

理论加速度数据xrel400为上述理论加速度表达式在400个不同的θ值唯一确定，该400个θ值均匀分布在0～2π中，即曲柄旋转一周得到的游梁抽油机加速度数据。

使用遗传算法，使得得到的两者加速度数据的差值的平方和最小，最终得到确定的游梁冲程的机械结构参数和曲柄的角速度。

如图4所示，为本发明提供的本实施例中实地测量的数据使用此方案求取的冲程和冲次结果图(经线性插值到400长度的数据)；为求取该理论加速度数据的冲程及其冲次，作为该所测数据对应的真实冲程和冲次，具体为：

包括以下步骤：

a.根据获得的游梁抽油机的机械结构参数和曲柄转速，获得加速度数据；

b.对加速度数据进行线性插值，插值的目标长度x400，为在进行线性插值之前的长度，xrel400经过插值之后的理论单周期加速度数据，记作xrel；

c.对插值之后的数据xrel进行二次积分求取游梁抽油机的冲程，并根据筛选出的曲柄角速度ω，求取抽油机的冲次。

所述的对该xrel进行二次积分求取游梁抽油机的冲程，具体为：

理论单周期加速度数据：

xrel＝(x1,x2,...,xn)

其中xi代表单周期加速度数据中的某一个数据点，i＝1～n。对xrel进行一次积分，获得速度数据：

上式中，为了能够消弱偏移误差带来的计算上的影响，对求得的速度上减去速度均值，得到较为理想的速度数值。求冲程s1和s2的式子中，1＜n1＜n，；n1为一个周期中前半周期和后半周期的分界点，s1、s2分别为一个周期内的前半周期和后半周期内的冲程，n为一个周期内所有数据的个数；

得到游梁抽油机的冲程值为：s＝(s1+s2)/2。

所述的根据筛选出的曲柄加速度ω，求取抽油机的冲次，具体为：

经遗传算法筛选出的曲柄角速度ω，则真实的冲次计算如下：

t＝2π/ω

p＝60/t

其中，t为曲柄的旋转周期，即抽油机一次冲程所需的时间，p为所求的冲次。

参考图3～5，为了体现文本提出的方法的有效性，对13组实地采集的数据进行测试，并随机取出一组单周期数据，得到该单周期数据和其理论数据的对比图。

本发明提供一种游梁抽油机设备基于遗传算法计算抽油机冲程和冲次的计算方法，提出采集游梁抽油机悬点处加速度传感器数据，根据加速度的理论表达式，使用遗传算法筛选表达式中的参数，求取抽油机冲程，降低数据采集误差和滤波误差带来的影响，提高了计算的准确度。

本发明的数据预处理，解决了采集到的数据异常问题，有效地降低了冲程计算过程中，异常值对结果影响较大的问题。

本发明的小波分解重构方法，在提取含噪信号的低频有效信息方面，效果显著，为后期周期信号切分选取单周期加速度数据打下坚实基础。

本发明的遗传算法融合了采样加速度数据与理论加速度表达式，从一种新颖的角度避免了部分采集数据丢失以及因滤波带来的滤波误差而导致的计算不准确的问题。

以上所述仅为本发明的实施方式，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进、扩展等，均包含在本发明的保护范围内。