CN106761668B - 油井故障智能化分析决策***及方法 - Google Patents
油井故障智能化分析决策***及方法 Download PDFInfo
- Publication number
- CN106761668B CN106761668B CN201611029035.3A CN201611029035A CN106761668B CN 106761668 B CN106761668 B CN 106761668B CN 201611029035 A CN201611029035 A CN 201611029035A CN 106761668 B CN106761668 B CN 106761668B
- Authority
- CN
- China
- Prior art keywords
- module
- unit
- library
- database
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000003129 oil well Substances 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 238000003745 diagnosis Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 100
- 238000007726 management method Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 230000007257 malfunction Effects 0.000 claims description 22
- 239000007789 gas Substances 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005086 pumping Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 206010001557 Albinism Diseases 0.000 claims description 3
- 230000005483 Hooke's law Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 239000012530 fluid Substances 0.000 claims 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 239000000567 combustion gas Substances 0.000 claims 1
- 238000013461 design Methods 0.000 claims 1
- 239000002737 fuel gas Substances 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
- E21B47/009—Monitoring of walking-beam pump systems
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/04—Measuring depth or liquid level
- E21B47/047—Liquid level
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
- E21B47/07—Temperature
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及油田监测技术领域,是一种油井故障智能化分析决策***及方法,包括数据采集模块、远程测控模块、服务器、数据库连接模块和功能模块,数据采集模块包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪,电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器仪均与远程测控模块通信连接,服务器内设有生产数据库和专家数据库,生产数据库与数据采集模块单向通信连接,专家数据库与数据库连接模块双向通信连接。本发明通过建立油田智能化分析与决策专家***,对油井的生产参数进行实时监控、分析、故障诊断和预测,对油田节约成本,节省人力物力。
Description
技术领域
本发明涉及油田监测技术领域,是一种油井故障智能化分析决策***及诊断、预测、决策方案使用方法,即油井故障智能化分析决策***及方法。
背景技术
目前,在油田日常生产管理中大多需要人工巡井,主要依靠值班工人定时、定点去轮巡,靠眼睛、耳朵的感官去发现运行设备的异常。巡视工作量与路线长度、地理环境和气候的变化都有很大的关系。当设备因故障在两次巡视之间停止运行,值班人员就无法及时发现,造成了生产的不安全因素增加。
现在对抽油井进行工况分析时,人工不能直接监测到地下杆式泵的工作状况,对于能反映井下抽油泵运行状况的示功图一个月测试一至两次,不能实时看到抽油机井的示功图、电流图,传统的示功图测试技术已经不能满足工作人员的需求。在采集到设备信息数据后,还需现场技术人员花费时间进行故障分析判断,判断出故障之后还需花费大量时间和精力去寻求解决方案,增加了人力、物力、财力。同时,在生产设备管理上,故障预测等方面,各大油田还没有相应的软件***,对设备进行统一的分类管理,准确查找到每一个设备的型号、生产厂家、性能参数、安装厂家、检修周期等信息,对设备的维护及安装提供参考信息,实现对设备故障进行预测,提前预知抽油机故障,工作人员及时采取相应措施,避免不必要的损失。
发明内容
本发明提供了一种油井故障智能化分析决策***及诊断、预测、决策方案使用的方法,克服了上述现有技术之不足,其能有效解决现有技术中存在的不能对油井井下故障实时监测,存在安全隐患以及出现故障后寻找解决方案费时费力,造成工作效率低的问题。
本发明的技术方案之一是通过以下措施来实现的:一种油井故障智能化分析决策***,包括数据采集模块、远程测控模块、服务器、数据库连接模块和功能模块,数据采集模块包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪,所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪均与远程测控模块通信连接,所述服务器内设有生产数据库和专家数据库,远程测控模块与生产数据库通信连接,生产数据库与数据采集模块单向通信连接,专家数据库与数据库连接模块双向通信连接,所述功能模块包括登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块,登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块均与数据库连接模块双向电连接。
下面是对上述发明技术方案的进一步优化或/和改进:
上述所述专家数据库可包括***库、数据监测库、用户信息库、设备信息库、专家知识库、案例库和模板库;所述登录模块设有登陆管理单元和数据库连接管理单元,所述运行监控模块设有监控生产数据库单元和更新专家数据库单元,所述状态预警模块设有故障监测预警单元,所述故障分析模块设有故障查询***单元、故障诊断***单元和模板库管理单元,故障预测模块设有故障预测单元,所述决策方案模块设有故障管理***单元和决策方案***单元,所述设备信息模块设有设备信息管理单元和设备维护***单元,监控生产数据库单元输出端与更新专家数据库单元输入端相连接,更新专家数据库单元第一输出端与故障监测预警单元输入端相连接,故障诊断***单元输出端与故障监测预警单元输入端相连接,更新专家数据库单元第二输出端与故障诊断***单元输入端相连接;所述登录管理单元与用户信息库相连接,数据库连接管理单元与***库相连接,所述监控生产数据库单元、更新专家数据库单元、故障监测预警单元、故障查询***单元、故障预测单元、故障管理***单元均与数据监测库相连接,故障诊断***单元、模板库管理单元均与模板库相连接,决策方案***单元分别与专家知识库和案例库相连接,设备信息管理单元和设备维护***单元均与设备信息库相连接。
上述所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪分别采集现场的电机电流和功率参数、油温参数、油管压力参数和套管压力参数、动液面深度、抽油机载荷功图和角位移功图并通过无线通信传输至远程测控模块,流量传感器和可燃气体检测仪分别采集现场的油田产液量和可燃气体浓度并通过有线通信传输至远程测控模块;或/和,所述远程测控模块为RTU远程测控终端。
本发明的技术方案之二是通过以下措施来实现的:一种油井故障智能化分析决策***的故障诊断方法,包括以下步骤:
第一步,功图转化,数据采集模块将采集得到设备参数传输至运行监控模块,更新专家数据库后由故障诊断***单元将地面测的示功图转换为井下有杆泵示功图,完成功图转换,步骤如下:
建立波动方程,公式如下:
式中:u(x,t)为抽油杆柱在x深度处的横截面在t时刻的位移;x为深度;t为时间;a为应力在抽油杆柱上的传播速度;c为阻尼系数;
其上、下边界条件的傅里叶级数表示及初始条件公式如下:
其中:f(x,t)为柱塞在位移x、时刻t时的载荷;D(t)为悬点在t时刻的位移;U(t)为光杆在时刻t时的位移;σn、τn、vn、δn为傅里叶系数;
通过分离变量及傅里叶变换可以求出u(x,t):
根据胡克定律,可以求得
式中:
On(x)=(knchβnx+δnshβnx)sinαnx+(unchβnx+vnshβnx)cosαnx (5)
Pn(x)=(knchβnx+δnchβnx)cosαnx+(μnchβnx+vnshβnx)sinαnx (6)
根据波动方程的解u(x,t),f(x,t)及其边界条件将井上获取的地面示功图转换为井下泵功图;
第二步,对明显特征功图进行分类为需要神经网络分析和不需要神经网络分析,需要神经网络分析的功图进入第三步,不需要神经网络分析的功图进入第四步;
第三步,根据不同故障功图变化,需要神经网络分析的功图分别采用几何法、网格法和傅立叶描述子法对功图特征值进行提取,之后进入第五步;
第四步,根据不同故障功图变化,不需要神经网络分析的功图采用灰度矩阵对功图特征值进行提取,之后进入第六步;
第五步,根据数据采集模块采集的生产数据结合第三步提取的功图特征值,调用单井模板库和区块模板库对故障进行诊断分析,之后进入第七步;
第六步,根据数据采集模块采集的生产数据结合第三步提取的功图特征值,运用欧式距离分类进行诊断分析,之后进入第七步;
第七步,得出故障诊断结果,对故障诊断结果进行现场验证,若现场验证正确,则将相应故障诊断结果统计数自动加1次;若现场验证错误,则修正故障诊断结果并将该单井功图作为模板存入相应的单井模版库中。
上述在第三步中,几何法特征值提取是基于泵功图进行几何操作获取特征值,对所述泵功图提取的几何特征值为:上冲程始点A、左下面积A1、左上面积A2、右上面积A3、右下面积A4、上行变形结束点B、下行变形结束点D、上死点C、曲线质心G、最小载荷Fmax和最小载荷Fmin。
上述在第三步中,所述的网格特征值提取法,对功图图像进行网格化处理,将示功图分解成若干个形状、大小相同的网格,对有示功图穿过的网格赋值“1”,对于其它网格,以功图穿过的网格为中心,当其位于功图外部时,每远离一格,灰度值减去1,当位于功图内部时,每远离一格,灰度值增加1,计算灰度矩阵的灰度均值、灰度方差、灰度偏差、灰度峰度、灰度能量、灰度熵六个特征参数,公式如下:
灰度均值:
灰度方差:
灰度偏差:
灰度峰度:
灰度能量:
灰度熵:
以此作为特征值与标准特征值进行比较。
上述在第三步中,傅立叶描述子法特征值提取是对功图进行傅立叶级数展开表征功图形状,即沿示功图轮廓线的一个动点P(l)的坐标变化是一个以功图周长为周期的周期函数,该函数可以用傅里叶级数表示,其系数a(k)称为傅里叶描述子,表达式如下:
进行归一化后公式:
式中是对傅里叶系数a(k)取模;由于变换后的高频系数较小,因此,通常只选取低频系数作为特征值,根据对功图的傅里叶变换可知,当k>20时,傅里叶描述子变得十分小,故选取k=20。
本发明的技术方案之三是通过以下措施来实现的:一种油井故障智能化分析决策***的故障预测方法,包括以下步骤:
第一步,提取单井近期的5组正常示功图的特征值,之后进入第二步;
第二步,将单井近期5组正常示功图的特征值与模板库中正常示功图进行对比,计算相似度,之后进入第三步;
第三步,建立数据的动态模型,即GM(h,n)模型,其微分方程是时间域的连续函数,h为方程阶数,n为变量个数,微分方程如下公式所示:
则微分方程的系数向量为:
采用最小二乘法求解,结果为:
式中为A组成的分块矩阵,之后进入第四步;
第四步,当发现特征值与正常示功图匹配的越来越低时,对下一组示功图数据进行预测,判断其是否会发生故障;若满足偏离界限,立即通过故障监测预警单元进行预警。
上述在第三步中,GM(1,1)模型的建模原理为:
(1)设原始序列为X(0),有:
X(0)=[x(0)(1),x(0)(2),...,x(0)(n)] (22)
对原始序列X(0)进行一次累加生成序列X(1),得到:
X(1)=[x(1)(1),x(1)(2),...,x(1)(n)] (23)
原始序列X(0)与一次累加生成序列X(1)中的对应数据之间的关系为:
(2)建立GM(1,1)模型的白化微分方程为:
GM(1,1)模型的灰微分方程为:
x(0)(k)+az(1)(k)=b k=1,2,..,n (26)
公式(26)中,a为发展系数,b为灰作用量,均为待辨识的参数,x(0)(k)为灰导数,z(1)(k)为背景值,背景值的计算公式如式(27):
(3)设待求参数Y=[x(0)(2),x(0)(3),...,x(0)(n)]T
根据最小二乘原理,计算微分方程的解为:
(4)令x(1)(0)=x(0)(0),则原始序列的预测公式为:
式(30)中:为x(0)(k)的拟合值,为第k+1个预测值。
本发明的技术方案之四是通过以下措施来实现的:一种油井故障智能化分析决策***的决策方案使用方法,包括以下步骤:
第一步,在进行故障诊断结果之后,根据故障类型进行问题描述,在案例库中进行案例检索,之后进入第二步;
第二步,通过决策方案模块查找该故障解决方案是否在数据库中,若数据库中有解决方案,则得到存在解决方案的结论之后进入第三步,如果未找到对应的解决方案,用户针对诊断结果分析后添加相应的解决方案,补充数据库,结束;
第三步,判断解决方案中是否存在满意的解决方案,若没有满意的解决方案用户自行设计适合的解决方案,并将解决结果以案例形式添加到案例库,结束;如寻找到满意的解决方案,之后进入第四步;
第四步,如果有满意的方案,根据用户的选择,将该解决方案采纳次数自动加1,在下次寻找方案时,优先显示采纳次数最多的方案,之后结束。
本发明通过建立油田智能化分析与决策专家***,对油井的生产参数进行实时监控、实时分析、实时故障诊断、实时预测,同时还对油田的各类生产设备进行分类管理,从而真正意义上的实现了油田的数字化、智能化,对油田节约成本,节省人力物力。油井逐渐趋于数字化、智能化,采用准确、高效、实时的抽油机井工况自动监控技术,实现实时生产数据采集、生产环境实时监控、设备运行状态实时监控、实时故障诊断、业务单元预警分析、智能决策及自动生产解决方案,可以降低无功消耗及设备故障率,提高开井时效。
附图说明
附图1为本发明实施例1的整体结构框图。
附图2为本发明实施例1的数据库与功能模块的关系框图。
附图3为本发明实施例2的故障诊断流程图。
附图4为本发明实施例2的功图转化示意图。
附图5为本发明实施例2的示功图几何特征值提取示意图。
附图6为本发明实施例2的正常示功图的灰度矩阵示意图。
附图7为本发明实施例2的BP神经网络训练结果图。
附图8为本发明实施例3油井故障预测方法流程图。
附图9为本发明实施例3功图异常预测示意图。
附图10为本发明实施例4决策方案流程图。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述:
实施例1:如附图1、2所示,油井故障智能化分析决策***包括数据采集模块、远程测控模块、服务器、数据库连接模块和功能模块,数据采集模块包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪,所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪均与远程测控模块通信连接,所述服务器内设有生产数据库和专家数据库,远程测控模块与生产数据库通信连接,生产数据库与数据采集模块单向通信连接,专家数据库与数据库连接模块双向通信连接,所述功能模块包括登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块,登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块均与数据库连接模块双向电连接。
这里的登录模块在运行时,首先会检测是否与服务器内的专家数据库和生产数据库连接,当连接成功时,用户才能登录,否则提示用户修改数据库连接;运行监控模块能实时显示油井的检测数据,包括:油井常规参数及近期数据变化信息,按照一定的时间间隔循环显示不同油井的设备数据信息,也可以根据个人需求查看单井信息。本发明通过建立油田智能化分析与决策专家***,对油井的生产参数进行实时监控、实时分析、实时故障诊断、实时预测,同时还对油田的各类生产设备进行分类管理,从而真正意义上的实现了油田的数字化、智能化,对油田节约成本,节省人力物力。油井逐渐趋于数字化、智能化,采用准确、高效、实时的抽油机井工况自动监控技术,实现实时生产数据采集、生产环境实时监控、设备运行状态实时监控、实时故障诊断、业务单元预警分析、智能决策及自动生产解决方案,可以降低无功消耗及设备故障率,提高开井时效。
可根据实际需要,对上述油井故障智能化分析决策***作进一步优化或/和改进:
如附图1、2所示,所述专家数据库包括***库、数据监测库、用户信息库、设备信息库、专家知识库、案例库和模板库;所述登录模块设有登陆管理单元和数据库连接管理单元,所述运行监控模块设有监控生产数据库单元和更新专家数据库单元,所述状态预警模块设有故障监测预警单元,所述故障分析模块设有故障查询***单元、故障诊断***单元和模板库管理单元,故障预测模块设有故障预测单元,所述决策方案模块设有故障管理***单元和决策方案***单元,所述设备信息模块设有设备信息管理单元和设备维护***单元,监控生产数据库单元输出端与更新专家数据库单元输入端相连接,更新专家数据库单元第一输出端与故障监测预警单元输入端相连接,故障诊断***单元输出端与故障监测预警单元输入端相连接,更新专家数据库单元第二输出端与故障诊断***单元输入端相连接;所述登录管理单元与用户信息库相连接,数据库连接管理单元与***库相连接,所述监控生产数据库单元、更新专家数据库单元、故障监测预警单元、故障查询***单元、故障预测单元、故障管理***单元均与数据监测库相连接,故障诊断***单元、模板库管理单元均与模板库相连接,决策方案***单元分别与专家知识库和案例库相连接,设备信息管理单元和设备维护***单元均与设备信息库相连接。
如附图1、2所示,所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪分别采集现场的电机电流和功率参数、油温参数、油管压力参数和套管压力参数、动液面深度、抽油机载荷功图和角位移功图并通过无线通信传输至远程测控模块,流量传感器和可燃气体检测仪分别采集现场的油田产液量和可燃气体浓度并通过有线通信传输至远程测控模块;或/和,所述远程测控模块为RTU远程测控终端。这里的RTU远程控制终端提供了多个与现场测试端的接口,可分别采集各生产数据,并进行数据转换后存储在临时寄存器中,再通过无线接口发送给远端的无线服务器。这里的无线通信传输采用ZigBee通信,有线通信传输采用RS485有线通信。
实施例2:如附图1、2、3、4、5、6、7所示,一种上述油井故障智能化分析决策***的故障诊断方法,包括以下步骤:
第一步,功图转化,数据采集模块将采集得到设备参数传输至运行监控模块,更新专家数据库后由故障诊断***单元将地面测的示功图转换为井下有杆泵示功图,完成功图转换,步骤如下:
建立波动方程,公式如下:
式中:u(x,t)为抽油杆柱在x深度处的横截面在t时刻的位移;x为深度;t为时间;a为应力在抽油杆柱上的传播速度;c为阻尼系数;
其上、下边界条件的傅里叶级数表示及初始条件公式如下:
其中:f(x,t)为柱塞在位移x、时刻t时的载荷;D(t)为悬点在t时刻的位移;U(t)为光杆在时刻t时的位移;σn、τn、vn、δn为傅里叶系数;
通过分离变量及傅里叶变换可以求出u(x,t):
根据胡克定律,可以求得
式中:
On(x)=(knchβnx+δnshβnx)sinαnx+(unchβnx+vnshβnx)cosαnx (5)
Pn(x)=(knchβnx+δnchβnx)cosαnx+(μnchβnx+vnshβnx)sinαnx (6)
根据波动方程的解u(x,t),f(x,t)及其边界条件将井上获取的地面示功图转换为井下泵功图;这里转化之后,对功图进行特征值提取、识别,识别结果显示示功图经过转化之后,识别率大大提高。
第二步,对明显特征功图进行分类为需要神经网络分析和不需要神经网络分析,需要神经网络分析的功图进入第三步,不需要神经网络分析的功图进入第四步;
第三步,根据不同故障功图变化,需要神经网络分析的功图分别采用几何法、网格法和傅立叶描述子法对功图特征值进行提取,之后进入第五步;对于需要神经网络分析故障如“结蜡、气体影响、供液不足、稠油影响、砂卡、漏失、气锁”等故障结合所有的特征值相关参数以及生产数据(如产液量、动液面、理论最大最小载荷)、模版库,通过BP神经网络算法实现复杂功图的自动诊断。
第四步,根据不同故障功图变化,不需要神经网络分析的功图采用灰度矩阵对功图特征值进行提取,之后进入第六步;
第五步,根据数据采集模块采集的生产数据结合第三步提取的功图特征值,调用单井模板库和区块模板库对故障进行诊断分析,之后进入第七步;这里的第五步采用BP神经网络算法对故障进行诊断分析,使用三层神经网络来实现,BP神经网络的输入层为29个特征值点;BP神经网络隐含层选择Sigmoid型函数进行内部学习及处理;输出节点设为7个,如设置正常功图对应的输出为[000 0001],碰泵功图对应的输出为[000 0010],供液不足功图对应输出为[000 0100],气体影响功图对应输出为[000 1000]。在实验时,选取现场搜集的500幅功图数据作为训练数据,网络训练好之后,选取部分数据进行测试,训练结果如附图7所示。
第六步,根据数据采集模块采集的生产数据结合第三步提取的功图特征值,运用欧式距离分类进行诊断分析,之后进入第七步;对于不需要神经网络分析故障如“抽油杆断脱、泵卡、连抽带喷、活塞出泵筒”等故障直接结合生产数据(如产液量、动液面、理论最大最小载荷等)使用欧式距离分类方法实现故障诊断。
第七步,得出故障诊断结果,对故障诊断结果进行现场验证,若现场验证正确,则将相应故障诊断结果统计数自动加1次;若现场验证错误,则修正故障诊断结果并将该单井功图作为模板存入相应的单井模版库中。
如附图1、2、3、4、5、6、7、表1所示,在第三步中,几何法特征值提取是基于泵功图进行几何操作获取特征值,对所述泵功图提取的几何特征值为:上冲程始点A、左下面积A1、左上面积A2、右上面积A3、右下面积A4、上行变形结束点B、下行变形结束点D、上死点C、曲线质心G、最小载荷Fmax和最小载荷Fmin。
如附图1、2、3、4、5、6、7所示,在第三步中,所述的网格特征值提取法,对功图图像进行网格化处理,将示功图分解成若干个形状、大小相同的网格,对有示功图穿过的网格赋值“1”,对于其它网格,以功图穿过的网格为中心,当其位于功图外部时,每远离一格,灰度值减去1,当位于功图内部时,每远离一格,灰度值增加1,计算灰度矩阵的灰度均值、灰度方差、灰度偏差、灰度峰度、灰度能量、灰度熵六个特征参数,公式如下:
灰度均值:
灰度方差:
灰度偏差:
灰度峰度:
灰度能量:
灰度熵:
以此作为特征值与标准特征值进行比较;该网格法得到的特征值具有较低的维数,只能识别特征较为明显的示功图。
如附图1、2、3、4、5、6、7所示,在第三步中,傅立叶描述子法特征值提取是对功图进行傅立叶级数展开表征功图形状,即沿示功图轮廓线的一个动点P(l)的坐标变化是一个以功图周长为周期的周期函数,该函数可以用傅里叶级数表示,其系数a(k)称为傅里叶描述子,表达式如下:
进行归一化后公式:
式中是对傅里叶系数a(k)取模;由于变换后的高频系数较小,因此,通常只选取低频系数作为特征值,根据对功图的傅里叶变换可知,当k>20时,傅里叶描述子变得十分小,故选取k=20。为了使傅里叶描述子与功图的旋转、平移和尺度无关,所以对a(k)进行归一化计算,该方法能对功图的细节特征进行描述,能识别较为复杂的功图。
实施例3:如附图1、2、8、9所示,一种上述油井故障智能化分析决策***的故障预测方法,包括以下步骤:
第一步,提取单井近期的5组正常示功图的特征值,之后进入第二步;
第二步,将单井近期5组正常示功图的特征值与模板库中正常示功图进行对比,计算相似度,之后进入第三步;
第三步,建立数据的动态模型,即GM(h,n)模型,其微分方程是时间域的连续函数,h为方程阶数,n为变量个数,微分方程如下公式所示:
则微分方程的系数向量为:
采用最小二乘法求解,结果为:
式中为A组成的分块矩阵,之后进入第四步;
第四步,当发现特征值与正常示功图匹配的越来越低时,对下一组示功图数据进行预测,判断其是否会发生故障;若满足偏离界限,立即通过故障监测预警单元进行预警。
如附图1、2、8、9所示,上述第三步中,GM(1,1)模型的建模原理为:
(1)设原始序列为X(0),有:
X(0)=[x(0)(1),x(0)(2),...,x(0)(n)] (22)
对原始序列X(0)进行一次累加生成序列X(1),得到:
X(1)=[x(1)(1),x(1)(2),...,x(1)(n)] (23)
原始序列X(0)与一次累加生成序列X(1)中的对应数据之间的关系为:
(2)建立GM(1,1)模型的白化微分方程为:
GM(1,1)模型的灰微分方程为:
x(0)(k)+az(1)(k)=b k=1,2,..,n (26)
公式(26)中,a为发展系数,b为灰作用量,均为待辨识的参数,x(0)(k)为灰导数,z(1)(k)为背景值,背景值的计算公式如式(27):
(3)设待求参数Y=[x(0)(2),x(0)(3),...,x(0)(n)]T
根据最小二乘原理,计算微分方程的解为:
(4)令x(1)(0)=x(0)(0),则原始序列的预测公式为:
式(30)中:为x(0)(k)的拟合值,为第k+1个预测值。
实施例4:如附图1、2、10所示,一种油井故障智能化分析决策***的决策方案使用方法,包括以下步骤:
第一步,在进行故障诊断结果之后,根据故障类型进行问题描述,在案例库中进行案例检索,之后进入第二步;
第二步,通过决策方案模块查找该故障解决方案是否在数据库中,若数据库中有解决方案,则得到存在解决方案的结论之后进入第三步,如果未找到对应的解决方案,用户针对诊断结果分析后添加相应的解决方案,补充数据库,结束;
第三步,判断解决方案中是否存在满意的解决方案,若没有满意的解决方案用户自行设计适合的解决方案,并将解决结果以案例形式添加到案例库,结束;如寻找到满意的解决方案,之后进入第四步;
第四步,如果有满意的方案,根据用户的选择,将该解决方案采纳次数自动加1,在下次寻找方案时,优先显示采纳次数最多的方案,之后结束。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
表1几何特征值
上冲程始点(A) | 上行变形结束点(B) | 上死点(C) |
左下面积(A1) | 下行变形结束点(D) | 曲线质心(G) |
左上面积(A2) | 右上面积(A3) | 左下面积(A4) |
最小载荷(Fmax) | 最小载荷(Fmin) |
Claims (10)
1.一种油井故障智能化分析决策***的故障诊断方法,其特征在于包括以下步骤:
第一步,功图转化,数据采集模块将采集得到设备参数传输至运行监控模块,更新专家数据库后由故障诊断***单元将地面测的示功图转换为井下有杆泵示功图,完成功图转换,步骤如下:
建立波动方程,公式如下:
式中:u(x,t)为抽油杆柱在x深度处的横截面在t时刻的位移;x为深度;t为时间;a为应力在抽油杆柱上的传播速度;c为阻尼系数;
其上、下边界条件的傅里叶级数表示及初始条件公式如下:
其中:f(x,t)为柱塞在位移x、时刻t时的载荷;D(t)为悬点在t时刻的位移;U(t)为光杆在时刻t时的位移;σn、τn、vn、δn为傅里叶系数;
通过分离变量及傅里叶变换可以求出u(x,t):
根据胡克定律,可以求得
式中:
On(x)=(knchβnx+δnshβnx)sinαnx+(unchβnx+vnshβnx)cosαnx (5)
Pn(x)=(knchβnx+δnchβnx)cosαnx+(μnchβnx+vnshβnx)sinαnx (6)
根据波动方程的解u(x,t),f(x,t)及其边界条件将井上获取的地面示功图转换为井下泵功图;
第二步,对明显特征功图进行分类为需要神经网络分析和不需要神经网络分析,需要神经网络分析的功图进入第三步,不需要神经网络分析的功图进入第四步;
第三步,根据不同故障功图变化,需要神经网络分析的功图分别采用几何法、网格法和傅里叶描述子法对功图特征值进行提取,之后进入第五步;
第四步,根据不同故障功图变化,不需要神经网络分析的功图采用灰度矩阵对功图特征值进行提取,之后进入第六步;
第五步,根据数据采集模块采集的生产数据结合第三步提取的功图特征值,调用单井模板库和区块模板库对故障进行诊断分析,之后进入第七步;
第六步,根据数据采集模块采集的生产数据结合第四步提取的功图特征值,运用欧式距离分类进行诊断分析,之后进入第七步;
第七步,得出故障诊断结果,对故障诊断结果进行现场验证,若现场验证正确,则将相应故障诊断结果统计数自动加1次;若现场验证错误,则修正故障诊断结果并将该单井功图作为模板存入相应的单井模版库中;
其中:
所述油井故障智能化分析决策***包括数据采集模块、远程测控模块、服务器、数据库连接模块和功能模块,数据采集模块包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪,所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪均与远程测控模块通信连接,所述服务器内设有生产数据库和专家数据库,远程测控模块与生产数据库通信连接,生产数据库与数据采集模块单向通信连接,专家数据库与数据库连接模块双向通信连接,所述功能模块包括登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块,登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块均与数据库连接模块双向电连接;所述专家数据库包括***库、数据监测库、用户信息库、设备信息库、专家知识库、案例库和模板库;所述登录模块设有登陆管理单元和数据库连接管理单元,所述运行监控模块设有监控生产数据库单元和更新专家数据库单元,所述状态预警模块设有故障监测预警单元,所述故障分析模块设有故障查询***单元、故障诊断***单元和模板库管理单元,故障预测模块设有故障预测单元,所述决策方案模块设有故障管理***单元和决策方案***单元,所述设备信息模块设有设备信息管理单元和设备维护***单元,监控生产数据库单元输出端与更新专家数据库单元输入端相连接,更新专家数据库单元第一输出端与故障监测预警单元输入端相连接,故障诊断***单元输出端与故障监测预警单元输入端相连接,更新专家数据库单元第二输出端与故障诊断***单元输入端相连接;所述登录管理单元与用户信息库相连接,数据库连接管理单元与***库相连接,所述监控生产数据库单元、更新专家数据库单元、故障监测预警单元、故障查询***单元、故障预测单元、故障管理***单元均与数据监测库相连接,故障诊断***单元、模板库管理单元均与模板库相连接,决策方案***单元分别与专家知识库和案例库相连接,设备信息管理单元和设备维护***单元均与设备信息库相连接。
2.根据权利要求1所述的油井故障智能化分析决策***的故障诊断方法,其特征在于在第三步中,几何法特征值提取是基于泵功图进行几何操作获取特征值,对所述泵功图提取的几何特征值为:上冲程始点A、左下面积A1、左上面积A2、右上面积A3、右下面积A4、上行变形结束点B、下行变形结束点D、上死点C、曲线质心G、最小载荷Fmax和最小载荷Fmin。
3.根据权利要求1所述的油井故障智能化分析决策***的故障诊断方法,其特征在于在第三步中,所述的网格法特征值提取,对功图图像进行网格化处理,将示功图分解成若干个形状、大小相同的网格,对有示功图穿过的网格赋值“1”,对于其它网格,以功图穿过的网格为中心,当其位于功图外部时,每远离一格,灰度值减去1,当位于功图内部时,每远离一格,灰度值增加1,计算灰度矩阵的灰度均值、灰度方差、灰度偏差、灰度峰度、灰度能量、灰度熵六个特征参数,公式如下:
灰度均值:
灰度方差:
灰度偏差:
灰度峰度:
灰度能量:
灰度熵:
以此作为特征值与标准特征值进行比较。
4.根据权利要求1所述的油井故障智能化分析决策***的故障诊断方法,其特征在于在第三步中,傅里叶描述子法特征值提取是对功图进行傅里叶级数展开表征功图形状,即沿示功图轮廓线的一个动点P(l)的坐标变化是一个以功图周长为周期的周期函数,该函数可以用傅里叶级数表示,其系数a(k)称为傅里叶描述子,表达式如下:
进行归一化后公式:
式中是对傅里叶系数a(k)取模;由于变换后的高频系数较小,因此,通常只选取低频系数作为特征值,根据对功图的傅里叶变换可知,当k>20时,傅里叶描述子变得十分小,故选取k=20。
5.根据权利要求1或2或3或4所述的油井故障智能化分析决策***的故障诊断方法,其特征在于所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪分别采集现场的电机电流和功率参数、油温参数、油管压力参数和套管压力参数、动液面深度、抽油机载荷功图和角位移功图并通过无线通信传输至远程测控模块,流量传感器和可燃气体检测仪分别采集现场的油井产液量和可燃气体浓度并通过有线通信传输至远程测控模块;或/和,所述远程测控模块为RTU远程测控终端。
6.一种油井故障智能化分析决策***的故障预测方法,其特征在于包括以下步骤:
第一步,提取单井近期的5组正常示功图的特征值,之后进入第二步;
第二步,将单井近期5组正常示功图的特征值与模板库中正常示功图进行对比,计算相似度,之后进入第三步;
第三步,建立数据的动态模型,即GM(h,n)模型,其微分方程是时间域的连续函数,h为方程阶数,n为变量个数,微分方程如下公式所示:
则微分方程的系数向量为:
采用最小二乘法求解,结果为:
式中为A组成的分块矩阵,之后进入第四步;
第四步,当发现特征值与正常示功图匹配的越来越低时,对下一组示功图数据进行预测,判断其是否会发生故障;若满足偏离界限,立即通过故障监测预警单元进行预警;
其中:
所述油井故障智能化分析决策***包括数据采集模块、远程测控模块、服务器、数据库连接模块和功能模块,数据采集模块包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪,所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪均与远程测控模块通信连接,所述服务器内设有生产数据库和专家数据库,远程测控模块与生产数据库通信连接,生产数据库与数据采集模块单向通信连接,专家数据库与数据库连接模块双向通信连接,所述功能模块包括登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块,登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块均与数据库连接模块双向电连接;所述专家数据库包括***库、数据监测库、用户信息库、设备信息库、专家知识库、案例库和模板库;所述登录模块设有登陆管理单元和数据库连接管理单元,所述运行监控模块设有监控生产数据库单元和更新专家数据库单元,所述状态预警模块设有故障监测预警单元,所述故障分析模块设有故障查询***单元、故障诊断***单元和模板库管理单元,故障预测模块设有故障预测单元,所述决策方案模块设有故障管理***单元和决策方案***单元,所述设备信息模块设有设备信息管理单元和设备维护***单元,监控生产数据库单元输出端与更新专家数据库单元输入端相连接,更新专家数据库单元第一输出端与故障监测预警单元输入端相连接,故障诊断***单元输出端与故障监测预警单元输入端相连接,更新专家数据库单元第二输出端与故障诊断***单元输入端相连接;所述登录管理单元与用户信息库相连接,数据库连接管理单元与***库相连接,所述监控生产数据库单元、更新专家数据库单元、故障监测预警单元、故障查询***单元、故障预测单元、故障管理***单元均与数据监测库相连接,故障诊断***单元、模板库管理单元均与模板库相连接,决策方案***单元分别与专家知识库和案例库相连接,设备信息管理单元和设备维护***单元均与设备信息库相连接。
7.根据权利要求6所述的油井故障智能化分析决策***的故障预测方法,其特征在于第三步中,GM(1,1)模型的建模原理为:
(1)设原始序列为X(0),有:
X(0)=[x(0)(1),x(0)(2),...,x(0)(n)] (22)
对原始序列X(0)进行一次累加生成序列X(1),得到:
X(1)=[x(1)(1),x(1)(2),...,x(1)(n)] (23)
原始序列X(0)与一次累加生成序列X(1)中的对应数据之间的关系为:
(2)建立GM(1,1)模型的白化微分方程为:
GM(1,1)模型的灰微分方程为:
x(0)(k)+az(1)(k)=b k=1,2,..,n (26)
公式(26)中,a为发展系数,b为灰作用量,均为待辨识的参数,x(0)(k)为灰导数,z(1)(k)为背景值,背景值的计算公式如式(27):
(3)设待求参数Y=[x(0)(2),x(0)(3),...,x(0)(n)]T
根据最小二乘原理,计算微分方程的解为:
(4)令x(1)(0)=x(0)(0),则原始序列的预测公式为:
式(30)中:为x(0)(k)的拟合值,为第k+1个预测值。
8.根据权利要求6或7所述的油井故障智能化分析决策***的故障预测方法,其特征在于所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪分别采集现场的电机电流和功率参数、油温参数、油管压力参数和套管压力参数、动液面深度、抽油机载荷功图和角位移功图并通过无线通信传输至远程测控模块,流量传感器和可燃气体检测仪分别采集现场的油井产液量和可燃气体浓度并通过有线通信传输至远程测控模块;或/和,所述远程测控模块为RTU远程测控终端。
9.一种油井故障智能化分析决策***的决策方案使用方法,特征在于包括以下步骤:
第一步,在进行故障诊断结果之后,根据故障类型进行问题描述,在案例库中进行案例检索,之后进入第二步;
第二步,通过决策方案模块查找该故障解决方案是否在数据库中,若数据库中有解决方案,则得到存在解决方案的结论之后进入第三步,如果未找到对应的解决方案,用户针对诊断结果分析后添加相应的解决方案,补充数据库,结束;
第三步,判断解决方案中是否存在满意的解决方案,若没有满意的解决方案用户可自行设计适合的解决方案,并将解决结果以案例形式添加到案例库,结束;如寻找到满意的解决方案,之后进入第四步;
第四步,如果有满意的方案,根据用户的选择,将该解决方案采纳次数自动加1,在下次寻找方案时,优先显示采纳次数最多的方案,之后结束;
其中:
所述油井故障智能化分析决策***包括数据采集模块、远程测控模块、服务器、数据库连接模块和功能模块,数据采集模块包括电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪,所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪、流量传感器和可燃气体检测仪均与远程测控模块通信连接,所述服务器内设有生产数据库和专家数据库,远程测控模块与生产数据库通信连接,生产数据库与数据采集模块单向通信连接,专家数据库与数据库连接模块双向通信连接,所述功能模块包括登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块,登录模块、运行监控模块、状态预警模块、故障分析模块、故障预测模块、决策方案模块和设备信息模块均与数据库连接模块双向电连接;所述专家数据库包括***库、数据监测库、用户信息库、设备信息库、专家知识库、案例库和模板库;所述登录模块设有登陆管理单元和数据库连接管理单元,所述运行监控模块设有监控生产数据库单元和更新专家数据库单元,所述状态预警模块设有故障监测预警单元,所述故障分析模块设有故障查询***单元、故障诊断***单元和模板库管理单元,故障预测模块设有故障预测单元,所述决策方案模块设有故障管理***单元和决策方案***单元,所述设备信息模块设有设备信息管理单元和设备维护***单元,监控生产数据库单元输出端与更新专家数据库单元输入端相连接,更新专家数据库单元第一输出端与故障监测预警单元输入端相连接,故障诊断***单元输出端与故障监测预警单元输入端相连接,更新专家数据库单元第二输出端与故障诊断***单元输入端相连接;所述登录管理单元与用户信息库相连接,数据库连接管理单元与***库相连接,所述监控生产数据库单元、更新专家数据库单元、故障监测预警单元、故障查询***单元、故障预测单元、故障管理***单元均与数据监测库相连接,故障诊断***单元、模板库管理单元均与模板库相连接,决策方案***单元分别与专家知识库和案例库相连接,设备信息管理单元和设备维护***单元均与设备信息库相连接。
10.根据权利要求9所述的油井故障智能化分析决策***的决策方案使用方法,其特征在于所述电参数采集模块、温度传感器、压力传感器、动液面测量仪、一体化示功仪分别采集现场的电机电流和功率参数、油温参数、油管压力参数和套管压力参数、动液面深度、抽油机载荷功图和角位移功图并通过无线通信传输至远程测控模块,流量传感器和可燃气体检测仪分别采集现场的油井产液量和可燃气体浓度并通过有线通信传输至远程测控模块;或/和,所述远程测控模块为RTU远程测控终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611029035.3A CN106761668B (zh) | 2016-11-19 | 2016-11-19 | 油井故障智能化分析决策***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611029035.3A CN106761668B (zh) | 2016-11-19 | 2016-11-19 | 油井故障智能化分析决策***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106761668A CN106761668A (zh) | 2017-05-31 |
CN106761668B true CN106761668B (zh) | 2019-11-26 |
Family
ID=58971535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611029035.3A Active CN106761668B (zh) | 2016-11-19 | 2016-11-19 | 油井故障智能化分析决策***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106761668B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
CN108386182B (zh) * | 2018-01-16 | 2021-08-13 | 中国海洋石油集团有限公司 | 一种基于spc控制图和加权决策树的油井生产异常预警方法 |
CN108729902B (zh) * | 2018-05-03 | 2021-09-10 | 西安永瑞自动化有限公司 | 抽油机在线故障诊断***及其诊断方法 |
CN108412482A (zh) * | 2018-05-23 | 2018-08-17 | 大庆市亿动科技有限公司 | 基于lora技术的油井综合参数测控*** |
CN108952673B (zh) * | 2018-06-22 | 2023-09-26 | 中国石油天然气股份有限公司 | 抽油机井工况检查方法及装置 |
CN108915668A (zh) * | 2018-07-17 | 2018-11-30 | 东北大学 | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 |
CN109491341B (zh) * | 2018-11-28 | 2021-04-13 | 北京迈斯康特测控技术有限公司 | 用于油田作业设备的监控与数据分析*** |
CN109507924B (zh) * | 2018-11-28 | 2021-06-29 | 北京迈斯康特测控技术有限公司 | 用于油田作业设备的远程监控*** |
CN109977156A (zh) * | 2019-03-22 | 2019-07-05 | 常州大学 | 一种可增强学习的油井工况实时分析管理***及管理方法 |
CN110552685B (zh) * | 2019-08-19 | 2022-08-19 | 大庆油田有限责任公司 | 一种结蜡井利用地面功图计算油井动液面的方法 |
CA3060937C (en) * | 2019-11-05 | 2023-06-13 | Weatherford Technology Holdings, Llc | System and method for controlling artificial lift units |
CN111520114B (zh) * | 2020-03-27 | 2022-07-08 | 上海复泉工程技术有限公司 | 泵效调整油田智能管理*** |
CN111594146A (zh) * | 2020-05-28 | 2020-08-28 | 中国石油集团渤海钻探工程有限公司 | 一种钻井用液面监测预警*** |
US20220010668A1 (en) * | 2020-07-10 | 2022-01-13 | Halliburton Energy Services, Inc. | Wellbore isolation barrier monitoring |
CN112508105B (zh) * | 2020-12-11 | 2024-03-19 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
CN112878989A (zh) * | 2021-02-04 | 2021-06-01 | 东北大学 | 基于电功率的有杆泵抽油井热洗过程实时监测方法及*** |
CN113112639A (zh) * | 2021-05-20 | 2021-07-13 | 宏华油气工程技术服务有限公司 | 一种适用于石油钻井的参数记录***及其方法 |
CN115434669A (zh) * | 2021-06-02 | 2022-12-06 | 中国石油化工股份有限公司 | 抽油机井口智能闭环控制变频***及方法 |
CN113279812B (zh) * | 2021-07-05 | 2024-04-09 | 太原科技大学 | 一种矿井主排水设备状态监测与剩余寿命预测方法及*** |
CN114263458B (zh) * | 2021-12-27 | 2023-04-07 | 西安健尚智能科技有限公司 | 一种油井工况全感知智能诊断自动处理的方法和*** |
CN114459766B (zh) * | 2022-01-13 | 2024-06-11 | 武汉理工大学 | 一种海洋平台原油发电机组油头工作状态监测方法 |
CN114837654A (zh) * | 2022-05-30 | 2022-08-02 | 杭州瑞利超声科技有限公司 | 基于物联网及云平台的油井动液面多端监测*** |
CN117173434B (zh) * | 2023-09-05 | 2024-05-14 | 大庆石油管理局有限公司 | 基于塔架机电参示功图的综合工况数据处理方法及*** |
CN117449833B (zh) * | 2023-12-07 | 2024-05-10 | 北京华晖恒泰能源科技有限公司 | 一种油田抽油泵运行状态分析监测*** |
CN117404072B (zh) * | 2023-12-15 | 2024-02-23 | 山东新云鹏电气有限公司 | 一种基于人工智能的钻场管理*** |
CN117722173B (zh) * | 2024-02-06 | 2024-04-30 | 灵知科技(大庆)有限公司 | 一种监测多场景动态参数的智能诊断测控***及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6751555B2 (en) * | 2001-10-17 | 2004-06-15 | Schlumberger Technology Corporation | Method and system for display of well log data and data ancillary to its recording and interpretation |
CN102184414B (zh) * | 2011-05-16 | 2013-03-13 | 中国石油天然气股份有限公司 | 泵示功图的识别和判断方法及其*** |
CN103806893B (zh) * | 2012-11-14 | 2016-07-06 | 中国石油天然气股份有限公司 | 智能检测方法、装置及检测*** |
CN103953328A (zh) * | 2014-04-18 | 2014-07-30 | 中国石油天然气股份有限公司 | 油井测试与分析*** |
CN104731079A (zh) * | 2015-04-09 | 2015-06-24 | 沈阳日明自动化工程***有限公司 | 一种油田数据监测***及方法 |
-
2016
- 2016-11-19 CN CN201611029035.3A patent/CN106761668B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106761668A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106761668B (zh) | 油井故障智能化分析决策***及方法 | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN106321072B (zh) | 一种基于泵功图的抽油井故障诊断方法 | |
CN107288617A (zh) | 一种提高抽油机井示功图量油精度的方法及*** | |
CN102705078B (zh) | 基于灰色模型的柴油机故障预测方法 | |
CN107272644B (zh) | 潜油往复抽油机的dbn网络故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN109630095B (zh) | 一种基于多视角学习的抽油机井工况识别方法及*** | |
CN105487530B (zh) | 柴油机排温低故障预测***及方法 | |
CN101059130A (zh) | 往复压缩机在线远程状态监测与故障分析诊断*** | |
MX2015001105A (es) | Monitoreo, diagnostico y optimizacion de operaciones de bomba sumergible electrica. | |
CN111861211A (zh) | 一种具有双层反窃电模型的*** | |
CN106682815A (zh) | 一种抽油井监控***及监控方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
KR102368396B1 (ko) | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 | |
CN105466693A (zh) | 基于灰色模型的柴油机燃油***故障预诊断方法 | |
Abdalla et al. | Identification of downhole conditions in sucker rod pumped wells using deep neural networks and genetic algorithms (includes associated discussion) | |
US12045021B2 (en) | System and method for managing wellsite event detection | |
CN105388884A (zh) | 一种基于由数据驱动的识别算法检测供热管网泄漏故障的报警***及方法 | |
CN115510926B (zh) | 跨机型的柴油机燃烧室故障诊断方法及*** | |
CN106404443B (zh) | 混合动力起重装置故障预示平台及其数据样本获取方法 | |
CN113496302A (zh) | 一种对钻井风险进行智能识别预警的方法与*** | |
CN108804796A (zh) | 基于频谱特征的环冷机漏风率检测方法 | |
CN106647563B (zh) | 一种采油现场安全监控装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |