CN112031748B - 一种基于示功图特征的抽油机井异常工况诊断方法 - Google Patents
一种基于示功图特征的抽油机井异常工况诊断方法 Download PDFInfo
- Publication number
- CN112031748B CN112031748B CN202010958617.XA CN202010958617A CN112031748B CN 112031748 B CN112031748 B CN 112031748B CN 202010958617 A CN202010958617 A CN 202010958617A CN 112031748 B CN112031748 B CN 112031748B
- Authority
- CN
- China
- Prior art keywords
- pumping unit
- data
- indicator diagram
- point
- fault
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于示功图特征的抽油机井异常工况诊断方法,该方法首先通过分析抽油机悬点采集的示功图数据的曲线轮廓特征,利用初始点、载荷最大点、位移最大点及载荷最小点四个特征点将示功图数据分为加载、上行程、卸载、下行程四段;然后采用最小二乘法求取上下行程拟合直线斜率、标准误差平方和等特征值,对加载、负载段曲线数据求端点连线与数据点作差得到加载、卸载段特征值;最后结合标定的特征值边界误差阈值建立出抽油机井的异常工况诊断模型,根据该模型进行抽油机的多故障现场诊断。该方法可以实时、高效地管控抽油工程现场,达到自动诊断、提高安全生产性的目的。
Description
技术领域
本发明涉及油田工况诊断领域,具体而言,是通过提取抽油机示功图曲线轮廓特征,诊断抽油机井异常工况的方法。
背景技术
石油作为一种重要的能源和化工原料,在当前油田资源有限的情况下,开发采油工况故障诊断***对于管控油田采油作业的安全高效进行具有重要意义。
作为采油工程中的关键设备,抽油机通过电机高速旋转带动多级连杆摆动,实现井下活塞作上下、垂直的往复运动,将油抽出井筒。抽油机的安全运行直接影响了油田产量及生产状况,但由于国内各大油田的工况复杂,抽油机出现气体影响、供液不足、活塞上下碰泵等故障的概率很高,图1~4展示了正常、气体影响、供液不足及平衡块过重四类典型工况下的示功图。
在采油过程中,仅凭人工观察采集所得憋压曲线或示功图进行故障诊断,或采用声测仪器进行故障判定,从效率和经济性上来说都有待提升。因此,企业需要合适的方法对抽油机井故障进行实时诊断,发现油井问题并及时制定措施,稳定生产。目前国内外采油工程领域内,针对抽油机异常工况的诊断方法实时性和经济性总体偏低。
发明内容
针对上述缺陷,本发明提供一种抽油机井示功图异常诊断方法,通过分析抽油机悬点采集的实时示功图数据的曲线轮廓特征,以诊断抽油机异常工况类型,从而实时、经济、高效地管控抽油工程现场,达到自动诊断、安全生产的目的。
本发明提出一种抽油机井示功图异常诊断方法,具有如下步骤:
根据历史示功图特征数据建立抽油机井异常工况诊断模型,实时获取单冲次内抽油机示功图数据并提取曲线故障特征,通过诊断模型进行多故障特征诊断与工况分类。
进一步地,所述抽油机井异常工况诊断模型的建立步骤如下:
(1)获取抽油机历史工况记录的单冲次内n次采样得到的加速度、载荷二维悬点数据;
(2)对二维悬点数据进行预处理生成示功图;
(3)根据抽油机单冲次示功图加载、卸载曲线分段提取故障特征;
(4)建立曲线特征到故障类型的映射模型。
建立异常工况诊断模型后,使用该模型进行所述实时多故障特征诊断与工况分类的步骤如下:
(1)实时采集抽油机悬点示功图数据;
(2)采用前述方法对示功图数据进行预处理;
(3)使用诊断模型进行多故障特征诊断与工况分类;
(4)针对故障类型给出操作指导方案。
进一步地,所述对二维悬点数据进行预处理的步骤如下:
(1)采用五点三次平滑方法对二维数据进行滤波;
(2)对加速度信号进行二次积分运算获得位移数据;
(3)进行线性归一化处理,得到单冲次位移数据集合X={xi|i=1,2,...,n}及对应载荷数据集合Y={yi|i=1,2,...,n}。
进一步地,所述示功图加载、卸载曲线分段提取故障特征的步骤如下:
(2-1)从示功图数据中确定初始点PA(x1,y1)、载荷最大点PB(xb,yb),yb=max{Yi}、位移最大点PC(xc,yc),xc=max{Xi}以及载荷最小点PD(xd,yd),yd=min{Yi},其中1<b<c<d<n;
(2-2)依据步骤(1)的四个特征点将示功图曲线划分为四个数据集合:
(2-3)对于UAB和UCD,得到端点连线直线方程yAB(x)和yCD(x):
求出原始加载、卸载特征值集合σup={σi|i=1,2,...,b}及σdown={σk|k=c+1,c+2,...,d},其中:
依据抽油机示功图误差分布规律标定加载特征值边界误差阈值ThA、ThB和卸载特征值边界误差阈值ThC、ThD,并对特征值集合进行取整截取,得到:
(2-4)对于UBC和UDA,采用最小二乘法得到拟合直线yBC(x)和yDA(x):
计算标准误差平方和eBC、eDA:
进一步地,所述曲线特征到故障类型的映射关系如下:
(7-1)抽油机泵内气体影响产生的故障会导致下冲程卸载缓慢,在示功图卸载段形成一条圆弧线,对应的曲线特征表示为:
(7-2)抽油机泵内供液不足会导致下冲程直到活塞碰到液面时才开始卸载,在示功图卸载线形成一个明显拐点,出现刀把现象,对应曲线特征表示为:
(7-3)抽油机冲程内由于振动或机械磨损产生的故障,表现为示功图上下行程具有一定程度的波纹,且上下形成波纹度较为接近,对应曲线特征表示为上下行程曲线的标准误差平方和大于振动阈值Thabrase且平衡误差特征值小于平衡阈值Thbalance:
(7-4)抽油机平衡问题会导致变速箱输出转速产生滞后。其中,平衡块过轻会导致下行程变速箱输出转速产生滞后,表现为下行程产生大幅度波动,对应曲线特征表示为:
eDA-eBC≥Thbalance
反之,平衡块过重会导致上行程变速箱输出转速产生滞后,表现为上行程产生大幅度波动,对应曲线特征表示为:
eBC-eDA≥Thbalance
(7-5)惯性因素导致的抽油机故障在示功图上表现为逆时针旋转,且旋转角度一般不超过α,对应曲线特征表示为:
(7-6)当抽油机由于冲程损失、管线堵塞或阀门未开等因素出现加载困难时,对应曲线特征表示为:
(7-7)当抽油机由于活塞与泵筒间隔漏损或游动凡尔漏损等因素出现漏损时,对应曲线特征表示为位移最大点PC的载荷小于载荷最大点PB与载荷最小点PD之和与漏损阈值Thleak的乘积,定义漏损特征值如下:
优选的,所述通过诊断模型进行的故障特征诊断与工况分类具有如下步骤:
(9-1)实时采集抽油机悬点示功图数据;
(9-2)对示功图数据进行预处理;
(9-3)使用诊断模型进行多故障特征诊断与工况分类。
有益效果
本发明采用上述技术方案,公开了一种基于示功图特征的抽油机井异常工况诊断方法,具有以下有益效果:充分利用抽油机悬点采集的实时示功图数据的曲线轮廓特征,实时、经济、高效地诊断抽油机异常工况类型。相较于传统的诊断方法,该方法具有实时性强、自动化程度高、经济性好等优点,能现场及时反馈抽油机井工作状态,这对于管控抽油机安全生产、提高原油产量具有十分重要的意义。
附图说明
图1为典型工况下(正常)的示功图
图2为典型工况下(气体影响)的示功图
图3为典型工况下(供液不足)的示功图
图4为典型工况下(平衡块过重)的示功图
图5为本发明的基于示功图特征的抽油机井异常工况诊断***流程框图;
图6为本发明的***流程框图中特征提取流程的子框图;
图7为本发明的***流程框图中故障诊断流程的子框图。
具体实施过程
下面结合附图以及具体的算例,由具体的操作流程说明本方法在抽油机井故障诊断的实施效果。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
选取某原油开采企业八台抽油机井历史3个月的生产资料,标记400张包含供液不足、气体影响、惯性影响、平衡块过重、机械磨损振动、漏损、加载困难7种工况中一种或一种以上的历史示功图,以此标定阈值并建立诊断模型,使用40张实时采集处理所获得的示功图来验证本发明基于示功图特征诊断抽油机异常工况的可行性。本发明的总体***流程图如图5所示,其中示功图特征提取子流程如图6所示,故障诊断子流程如图7所示,具体实施步骤如下:
(1)对400组样本示功图数据进行五点三次平滑滤波预处理,并对加速度数据进行二次积分运算,得到400组归一化后的载荷-位移示功图数据,每组数据数量为200点;
(2)根据抽油机单冲次示功图加载、卸载曲线分段提取故障特征;
(3)根据抽油机生产参数及工程经验对加载与卸载特征值边界误差阈值、振动阈值、平衡阈值、漏损阈值等数值进行标定,由此构建出诊断模型,其中各阈值数据如下:
表1各阈值
阈值 | ThA | ThB | ThC | ThD | Thabrase | Thbalance | Thleak | α |
标定值 | 0.1 | 0.1 | 0.3 | 0.1 | 1.0 | 1.2 | 0.5 | 24° |
(4)对40组测试示功图进行五点三次平滑滤波及归一化处理,每组测试数据量也为200点;
(5)根据抽油机单冲次示功图加载、卸载曲线分段提取故障特征,使用上述模型对40组测试示功图数据进行诊断,以2020年6月19日14时左右的一张示功图为例分析特征提取及故障诊断过程:
首先,确定初始点PA(0,33.160)、载荷最大点PB(0.139,44.110)、位移最大点PC(4.661,38.240)以及载荷最小点PD(0.993,28.080),并依据四个特征点将200个数据点分为四个数据段:
根据四个特征点坐标,可求得漏损特征值
对于加载段数据集合UAB,求出特征点PAPB确定的直线:
并求出加载特征值集合σup={σi|i=1,2,...,12},其中得到初始加载特征值集合σup={0,1,1,1,1,1,1,1,1,1,1,0};同理,对卸载段数据集合对卸载段数据集合UCD进行相同处理,得到PCPD:yCD(x)=2.770·x+25.330,σdown={0,0,0,...,1,1,0};
根据加载特征值边界误差阈值ThA、ThB对特征值集合进行取整截取:
同理对卸载段数据集合UCD进行相同处理,得到σdown={σk|k=21,...,62},此时对加载、卸载特征值进行求和运算可得
对于上行程数据集合UBC,采用最小二乘法得到拟合直线:
PBPC:yBC(x)=-0.326·x+42.407
则kBC=-0.326,依据yBC求出标准误差平方和eBC:
对下行程数据集合UDA作相同处理,得到PDPA:yDA(x)=-1.108·x+29.994,下行程特征值如下:
根据上下行程标准误差平方和eBC和eDA可求出平衡特征值:
根据曲线特征到故障类型的映射规则,该时刻的示功图满足气体影响故障对应规则:
类似地,对40张实时采集处理的示功图进行诊断,具体特征值与诊断结果如下:
表2各示功图加载及负载特征值
表3各示功图上下行程及漏损特征值
表4各示功图诊断结果
注:1代表符合,0代表不符合
由上述分析可知,本发明的抽油机井异常工况诊断方法具备多故障诊断功能,不仅能诊断供液不足、气体影响、惯性影响、平衡块过重、机械磨损振动、活塞与泵筒间隔漏损、加载困难7种工况,还能实现复合故障诊断,准确率达到90.83%。
可见,通过本发明可以实现快速、经济、高效的抽油机井故障诊断,从而避免在采油工业生产过程中抽油机突发或渐进性故障导致的原油产量下降,甚至威胁抽油现场的安全生产,同时能够有效地降低施工人员劳动强度,提高工程自动化水平。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例,都属于本发明所保护的范围。
Claims (3)
1.一种基于示功图特征的抽油机井异常工况诊断方法,其特征在于包括以下步骤:
(1)获取抽油机历史工况记录的单冲次内采样得到的加速度、载荷二维悬点数据;
(2)对二维悬点数据进行预处理,得到单冲次位移数据集合X={xi|i=1,2,...,n}及对应载荷数据集合Y={yi|i=1,2,...,n};
(3)根据抽油机单冲次示功图曲线数据分段提取故障特征,从示功图数据中确定四个特征点:初始点PA(x1,y1)、载荷最大点PB(xb,yb),yb=max{Yi}、位移最大点PC(xc,yc),xc=max{Xi}以及载荷最小点PD(xd,yd),yd=min{Yi},其中1<b<c<d<n;
(4)依据步骤(3)的四个特征点将示功图曲线数据划分为加载段数据集合UAB、上行程数据集合UBC、卸载段数据集合UCD、下行程数据集合UDA四个:
式中,ui(xi,yi)表示加载段数据集的点,共b个,i表示第i个;uj(xj,yj)表示上行程数据集的点,共c-b个,j表示第j-b个;uk(xk,yk)表示卸载段数据集的点,共d-c个,k表示第k-c个;ul(xl,yl)表示下行程数据集的点,共n-d个,l表示第l-d个;
(5)对于步骤(4)的加载段数据集合UAB,根据特征点PA、PB确定的直线求得加载特征值集合σup={σi|i=1,2,...,b},其中:
式中,yi表示加载段数据集合UAB中第i个点的纵坐标,yAB(xi)表示直线PAPB在xi处的纵坐标;依据抽油机示功图误差分布规律标定加载特征值边界误差阈值ThA、ThB,对特征值集合进行取整截取,得到σup={σi|i=[b·ThA],...,[b·(1-ThB)]};对卸载段数据集合UCD进行相同处理,得到σdown={σk|k=[(d-c)ThC],...,[(d-c)(1-ThD)]},其中ThC、ThD为卸载特征值边界误差阈值,且
式中,yk表示卸载段数据集合UCD在第k个点处的纵坐标,yCD(xk)表示直线PCPD在xk处的纵坐标;
(6)对于步骤(4)的上行程数据集合UBC,采用最小二乘法得到拟合直线PBPC,求出上行程拟合直线斜率kBC及标准误差平方和eBC作为上行程特征值:
式中,kBC为直线PCPD的斜率,bBC为直线PCPD的截距;
对下行程数据集合UDA作相同处理,得到下行程拟合直线斜率kDA及标准误差平方和eDA:
式中,kDA为直线PDPA的斜率,bDA为直线PDPA的截距;
(7)建立曲线特征到故障类型的映射模型;
所述映射模型中的故障类型包括气体影响、供液不足、磨损、平衡问题、惯性因素、加载困难、漏损共7种抽油机工况状态类型;根据曲线特征能够确定抽油机异常工况情况,对应到7种工况状态类型的一种或复合故障,具体映射关系如下:
(7-1)气体影响:
(7-2)供液不足:
(7-3)振动或机械磨损:其中Thabrase为标定所得振动阈值,Thbalance为标定所得平衡阈值;ebalance为平衡特征值,abs()为绝对值函数;
(7-4)平衡问题:平衡块过轻为eDA-eBC≥Thbalance,平衡块过重则为eBC-eDA≥Thbalance;
(7-5)惯性因素:
式中,α为惯性因素导致的抽油机故障在示功图上表现出的逆时针旋转角度阈值;
(7-6)加载困难:
(7-7)漏损:其中Thleak为标定所得漏损阈值;
(8)实时获取单冲次内抽油机示功图数据并提取曲线故障特征;
(9)通过诊断模型进行多故障特征诊断与工况分类。
2.根据权利要求1所述的一种基于示功图特征的抽油机井异常工况诊断方法,其特征在于,数据预处理具有如下步骤:
(2-1)采用五点三次平滑方法对二维数据进行滤波;
(2-2)对加速度信号进行二次积分运算获得位移数据;
(2-3)进行线性归一化处理,得到单冲次位移数据集合X={xi|i=1,2,...,n}及对应载荷数据集合Y={yi|i=1,2,...,n}。
3.根据权利要求1所述的一种基于示功图特征的抽油机井异常工况诊断方法,其特征在于,所述通过诊断模型进行的故障特征诊断与工况分类具有如下步骤:
(9-1)实时采集抽油机悬点示功图数据;
(9-2)对示功图数据进行预处理;
(9-3)使用诊断模型进行多故障特征诊断与工况分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958617.XA CN112031748B (zh) | 2020-09-14 | 2020-09-14 | 一种基于示功图特征的抽油机井异常工况诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958617.XA CN112031748B (zh) | 2020-09-14 | 2020-09-14 | 一种基于示功图特征的抽油机井异常工况诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112031748A CN112031748A (zh) | 2020-12-04 |
CN112031748B true CN112031748B (zh) | 2023-09-01 |
Family
ID=73589111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958617.XA Active CN112031748B (zh) | 2020-09-14 | 2020-09-14 | 一种基于示功图特征的抽油机井异常工况诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112031748B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766301B (zh) * | 2020-12-11 | 2024-04-12 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
CN115434690B (zh) * | 2021-06-04 | 2024-05-14 | 中国科学院沈阳自动化研究所 | 基于贝叶斯的抽油机无监督在线突变点检测及融合方法 |
CN113445991B (zh) * | 2021-06-24 | 2022-09-16 | 中油智采(天津)科技有限公司 | 一种人工智能单机多井抽油机监测方法、***和存储介质 |
CN114810037B (zh) * | 2022-01-25 | 2023-04-07 | 上海达坦能源科技股份有限公司 | 一种基于数据驱动的抽油机井故障判别方法 |
CN114581686B (zh) * | 2022-01-26 | 2023-04-07 | 南京富岛油气智控科技有限公司 | 一种基于示功图哈希查找的抽油工况融合推理识别方法 |
CN114444620B (zh) * | 2022-04-08 | 2022-07-22 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
CN116838323B (zh) * | 2023-08-04 | 2023-12-05 | 大庆石油管理局有限公司 | 一种塔架式抽油机安全防护方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101285463A (zh) * | 2008-05-30 | 2008-10-15 | 华中科技大学 | 一种有杆泵抽油机抽油控制方法及其*** |
CN102011576A (zh) * | 2010-11-24 | 2011-04-13 | 河海大学 | 基于示功图的有杆抽油***故障递阶诊断方法 |
CN102094626A (zh) * | 2010-12-20 | 2011-06-15 | 中国石油天然气股份有限公司 | 油井故障实时预警方法和*** |
CN103541723A (zh) * | 2013-11-12 | 2014-01-29 | 丁涛 | 基于地面示功图面积变化的抽油机井实时工况诊断方法 |
AU2012348346A1 (en) * | 2011-10-28 | 2014-05-22 | Victoria M. Pons | Fluid load line calculation, concavity test, and iterations on damping factor for downhole pump card |
WO2015143626A1 (zh) * | 2014-03-25 | 2015-10-01 | 中国石油天然气股份有限公司 | 一种基于示功图的二流量试井分析的方法及*** |
CN105649602A (zh) * | 2015-12-31 | 2016-06-08 | 山东天工石油装备有限公司 | 一种基于地面示功图实现油井工况诊断的方法 |
WO2016107591A1 (zh) * | 2014-12-31 | 2016-07-07 | 新疆维吾尔自治区第三机床厂 | 功率平衡数字化自动控制抽油方法和采油机器人 |
CN106884644A (zh) * | 2017-04-26 | 2017-06-23 | 中国石油大学(华东) | 基于时序地面示功图的抽油机井实时工况诊断方法 |
EP3315775A1 (en) * | 2012-11-19 | 2018-05-02 | Lufkin Industries, LLC | Real-time pump diagnositc algorithms and application thereof |
CN108979623A (zh) * | 2018-06-20 | 2018-12-11 | 陕西安控科技有限公司 | 一种异常示功图的识别方法 |
CN110363337A (zh) * | 2019-06-27 | 2019-10-22 | 中国石油大学(北京) | 一种基于数据驱动的抽油机量油方法及*** |
WO2020019681A1 (zh) * | 2018-07-25 | 2020-01-30 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
CN111199090A (zh) * | 2018-10-31 | 2020-05-26 | 北京国双科技有限公司 | 一种故障识别方法及相关设备 |
-
2020
- 2020-09-14 CN CN202010958617.XA patent/CN112031748B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101285463A (zh) * | 2008-05-30 | 2008-10-15 | 华中科技大学 | 一种有杆泵抽油机抽油控制方法及其*** |
CN102011576A (zh) * | 2010-11-24 | 2011-04-13 | 河海大学 | 基于示功图的有杆抽油***故障递阶诊断方法 |
CN102094626A (zh) * | 2010-12-20 | 2011-06-15 | 中国石油天然气股份有限公司 | 油井故障实时预警方法和*** |
AU2012348346A1 (en) * | 2011-10-28 | 2014-05-22 | Victoria M. Pons | Fluid load line calculation, concavity test, and iterations on damping factor for downhole pump card |
EP3315775A1 (en) * | 2012-11-19 | 2018-05-02 | Lufkin Industries, LLC | Real-time pump diagnositc algorithms and application thereof |
CN103541723A (zh) * | 2013-11-12 | 2014-01-29 | 丁涛 | 基于地面示功图面积变化的抽油机井实时工况诊断方法 |
WO2015143626A1 (zh) * | 2014-03-25 | 2015-10-01 | 中国石油天然气股份有限公司 | 一种基于示功图的二流量试井分析的方法及*** |
WO2016107591A1 (zh) * | 2014-12-31 | 2016-07-07 | 新疆维吾尔自治区第三机床厂 | 功率平衡数字化自动控制抽油方法和采油机器人 |
CN105649602A (zh) * | 2015-12-31 | 2016-06-08 | 山东天工石油装备有限公司 | 一种基于地面示功图实现油井工况诊断的方法 |
CN106884644A (zh) * | 2017-04-26 | 2017-06-23 | 中国石油大学(华东) | 基于时序地面示功图的抽油机井实时工况诊断方法 |
CN108979623A (zh) * | 2018-06-20 | 2018-12-11 | 陕西安控科技有限公司 | 一种异常示功图的识别方法 |
WO2020019681A1 (zh) * | 2018-07-25 | 2020-01-30 | 北京国双科技有限公司 | 采油设备故障诊断方法及装置 |
CN111199090A (zh) * | 2018-10-31 | 2020-05-26 | 北京国双科技有限公司 | 一种故障识别方法及相关设备 |
CN110363337A (zh) * | 2019-06-27 | 2019-10-22 | 中国石油大学(北京) | 一种基于数据驱动的抽油机量油方法及*** |
Non-Patent Citations (1)
Title |
---|
自平衡智能抽油机的研制;胡航行;《中国优秀硕士论文全文库工程科技I辑》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112031748A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112031748B (zh) | 一种基于示功图特征的抽油机井异常工况诊断方法 | |
CN112832999B (zh) | 一种基于多传感器数据融合的电泵井工况诊断***及方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN107727333A (zh) | 一种用于液压缸泄漏分析的诊断方法 | |
CN113508215A (zh) | 用于使用极坐标分析来评估往复井下泵数据的***和方法 | |
CN107159964A (zh) | 卧式内拉床智能拉削单元 | |
CN110794806A (zh) | 一种基于模糊理论的故障树底事件失效概率计算方法 | |
CN111946329A (zh) | 一种油井动液面求取方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN106501369A (zh) | 一种风机叶片裂纹位置确定方法 | |
CN114912372B (zh) | 一种基于人工智能算法的高精度充填管路故障预警方法 | |
Zheglova et al. | Numerical and analytical evaluation of service life of the details of axial piston hydraulic machines with complicated configuration under cyclic loading | |
CN109139443B (zh) | 一种基于位移信号的活塞杆故障诊断方法 | |
CN107991200B (zh) | 一种钛合金叶轮的疲劳寿命预测方法 | |
CN116595440A (zh) | 一种井下工况故障诊断方法及装置 | |
CN116257747A (zh) | 融合峭度和卷积自编码器的转子***早期异常检测方法 | |
CN107679330B (zh) | 一种tbm刀盘***破岩性能损耗程度的实时评价方法 | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
Milovzorov et al. | Diagnostics of the condition of sucker-rod pumping units after the analysis of dynamogram cards | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
CN113537804A (zh) | 基于雷诺平均湍流模型的叶轮机复杂流动模拟评价方法 | |
Wengang et al. | Application of rough set theory to fault diagnosis of check valves in reciprocating pumps | |
CN113158562A (zh) | 基于物理约束与数据挖掘的tbm岩机映射构建方法及*** | |
CN111639711B (zh) | 一种基于压力监测时序数据的输油管线泄漏监测方法 | |
CN111753258B (zh) | 基于实时数据监测的机械设备剩余寿命预测方法 |
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 |