本發(fā)明屬于抽油井故障診斷領域，特別涉及一種有桿泵抽油井故障分離方法。

背景技術：

在實際有桿泵抽油機采油過程中，泵示功圖包含了抽油井工況的大量信息。因此，分析泵示功圖已成為確定油井工況的最可靠手段之一，傳統(tǒng)采油過程中一般的故障診斷方法是依靠專家和現(xiàn)場技術工作人員對泵示功圖進行分析，這種方式診斷周期過長，對復雜功圖的診斷往往無法滿足生產(chǎn)的需求。

在現(xiàn)代科學技術發(fā)展的基礎上，很多基于泵示功圖的計算機分析方法越來越受到該領域專家學者的重視，通過計算機提取泵示功圖特征參數(shù)，鑒于不變矩的平移、旋轉及尺度不變性，讓其成為使用比較普遍的特征提取方法，但是對泵示功圖分區(qū)分塊以及全局的提取特征向量的不變矩有著計算量復雜，受噪聲干擾影響大等缺點，所以在細微差別上分辨率低，而小波矩就可以克服以上缺點，采用小波矩提取泵示功圖特征量，不僅能得到示功圖的全局特征，還可以得到局部特征，有著更高的分辨率。

實際有桿泵抽油井生產(chǎn)過程中會采集到大量未被標記的(專家和技術人員未識別標記的)泵示功圖，能否充分地實時地利用這些泵示功圖的數(shù)據(jù)，是該領域的技術重點和難點。

技術實現(xiàn)要素：

針對現(xiàn)有技術的不足，本發(fā)明提出了一種有桿泵抽油井故障分離方法。

本發(fā)明的技術方案是：

一種有桿泵抽油井故障分離方法，包括以下步驟：

步驟1：采集l個已知故障類型的有桿泵抽油井地面示功圖和u個未知故障類型的有桿泵抽油井地面示功圖；

步驟2：將l+u個有桿泵抽油井地面示功圖轉化為井下泵示功圖；

步驟3：采用小波矩的特征提取方法對有桿泵抽油井井下的泵示功圖進行特征提??；

步驟3.1：對l+u個有桿泵抽油井井下泵示功圖進行歸一化處理。

步驟3.2：對歸一化后的懸點載荷位移進行極坐標變換。

步驟3.3：通過對θ積分來計算徑向函數(shù)sq(r)，所述計算式為：

sq(r)＝∫f(r，θ)e^jqθdθ

步驟3.4：計算泵示功圖的小波矩wm,n,q，所述計算式為：

wm,n,q＝||∫sq(r)ψm,n(r)rdr||

步驟4：采用基于流形正則化的半監(jiān)督核極限學習機算法對提取的標記和未標記泵示功圖特征向量進行分類，完成有桿泵抽油井的故障分離；

步驟4.1：對于少部分已知故障類型和正常工況的泵示功圖特征向量，通過專家和現(xiàn)場工人的經(jīng)驗進行標記，使其具有類標簽，這類特征數(shù)據(jù)表示為：

而大部分直接采集到的未經(jīng)過標記的泵示功圖的特征向量表示為：

式中，l和u為標記和未標記的樣本個數(shù)，ti∈{1,2,...,s},i＝1,...,l，其中s是故障類型。

步驟4.2：確定核函數(shù)映射κ(xi,xj)，極限學習機隱層節(jié)點n，并隨機生成隱層節(jié)點的參數(shù)(ai,bi),i＝1,2,...,n；

步驟4.3：計算核矩陣kelm＝hh^t，h表示隱層輸出矩陣，具體形式如下：

步驟4.4：計算拉普拉斯矩陣l，所述計算式如下：

l＝d-w

式中，d是對角矩陣表示為：邊緣權矩陣wij采用高斯核映射：

步驟4.5：計算輸出權重β，所述計算式如下：

步驟4.5.1：表示出(l+u)×c訓練目標矩陣所述計算式如下：

為標記數(shù)據(jù)集的目標矩陣，為加入未標記數(shù)據(jù)之后的訓練目標矩陣。

步驟4.5.2：考慮到平衡經(jīng)驗風險和學習函數(shù)f(x)的復雜性之間的關系，訓練誤差最小化為：

式中，λ是懲罰系數(shù)，tr是正則化矩陣f的跡。

步驟4.5.3：將網(wǎng)絡輸出的表達式f＝hβ代入上式，得到：

式中，j是用來區(qū)分標記數(shù)據(jù)和未標記數(shù)據(jù)的懲罰系數(shù)矩陣，所述表達式為：

j(i,i)＝1,i＝1,2,...,n,j(i,j)＝0,i≠j

步驟4.5.4：問題變?yōu)闊o約束優(yōu)化問題之后，就可以計算出網(wǎng)絡的輸出權重β。

步驟4.6：計算半監(jiān)督核極限學習機的網(wǎng)絡輸出f(x)，所述計算式如下：

步驟5：根據(jù)最優(yōu)解f(x)來確定該示功圖的故障信息：

式中，fi為樣本點xi的預測類標簽。

本發(fā)明的優(yōu)點是：

本發(fā)明不把泵示功圖分開區(qū)域，提取整體的特征信息，采用小波矩的特征提取方法能夠提取高分辨率下的功圖特征，同時具有很強的抗噪聲干擾性。充分的利用大量未標記泵示功圖提取的特征數(shù)據(jù)進行訓練，降低了分析功圖的時間周期，有效的提高了故障分離的精確率。

附圖說明

圖1為本發(fā)明具體實施方式中一種有桿泵抽油井故障分離方法的流程圖；

圖2為本發(fā)明具體實施方式中的有桿泵抽油井泵示功圖；

圖3為本發(fā)明具體實施方式中歸一化處理之后的有桿泵抽油井泵示功圖；

圖4為本發(fā)明具體實施方式中半監(jiān)督核極限學習機分類器與其他兩種分類器對小波矩特征的訓練時間對比示意圖。

圖5為本發(fā)明具體實施方式中半監(jiān)督核極限學習機分類器與其他兩種分類器對小波矩特征的分類精度對比示意圖。

具體實施方式

下面結合附圖1-5對本發(fā)明具體實施方式加以詳細的說明。

一種有桿泵故障分離方法，如圖1所示，包括以下步驟：

步驟1：采集l個已知故障類型的有桿泵抽油井地面示功圖和u個未知故障類型的有桿泵抽油井地面示功圖；

本實施方式中，選取了100個已知故障類型的有桿泵抽油井地面示功圖和180個待分離故障的未知故障類型有桿泵抽油井地面示功圖，其中已知故障類型的地面示功圖有9種，這里把“正?！币惨暈橐环N故障類型，分別是：12個“正?！鳖愋偷挠袟U泵抽油井地面示功圖、11個“供液不足”類型的有桿泵抽油井地面示功圖、11個“泵上碰”類型的有桿泵抽油井地面示功圖、9個“泵下碰”類型的有桿泵抽油井地面示功圖、12個“氣體影響”類型的有桿泵抽油井地面示功圖、13個“固定凡爾漏失”類型的有桿泵抽油井地面示功圖、10個“游動凡爾漏失”類型的有桿泵抽油井地面示功圖、12個“油井出砂”類型的有桿泵抽油井地面示功圖、10個“斷脫”類型的有桿泵抽油井地面示功圖。

步驟2：將l+u個(實施例采用280個)有桿泵抽油井地面示功圖轉化為井下泵示功圖；

建立用來描述有桿泵抽油井抽油桿運動和應力傳播的一維粘滯阻尼波動方程，采用傅里葉系數(shù)法求解該一維粘滯阻尼波動方程，得到抽油桿任意截面處的位移和載荷，進而得到有桿泵抽油井抽油泵處的位移和載荷，從而確定有桿泵抽油井泵示功圖。

步驟3：采用小波矩的特征提取方法對有桿泵抽油井井下的泵示功圖進行特征提??；

步驟3.1：對l+u個(實施例采用280個)有桿泵抽油井井下泵示功圖進行歸一化處理；泵示功圖的懸點載荷為xi和位移為yi，計算式為：

式中懸點載荷平均值為位移平均值為

歸一化處理后的泵示功圖如圖3所示

步驟3.2：對歸一化后的懸點載荷和位移進行極坐標變換，計算公式如下：

x＝rcosθ(3)

y＝rsinθ(4)

步驟3.3：通過對極角θ積分來計算徑向函數(shù)sq(r)，計算式為：

sq(r)＝∫f(r,θ)e^jqθdθ(5)

步驟3.4：計算泵示功圖的小波矩wm,n,q，所述計算式為：

wm,n,q＝||∫sq(r)ψm,n(r)rdr||(6)

式中，ψm,n(r)為徑向小波基函數(shù)，m是尺度指數(shù)，n是位移指數(shù)，q表示泵示功圖在第q頻域的特征，由于示功圖的特征信息均是邊緣紋理特征，所以這里q取1。

步驟4：采用基于流形正則化的半監(jiān)督核極限學習機算法對提取的標記和未標記泵示功圖特征向量進行分類，完成有桿泵抽油井的故障分離；

步驟4.1：對于少部分已知故障類型和正常工況的泵示功圖特征向量，通過專家和現(xiàn)場工人的經(jīng)驗進行標記，使其具有類標簽，這類特征數(shù)據(jù)表示為：

而大部分直接采集到的未經(jīng)過標記的泵示功圖的特征向量表示為：

式中，l和u為標記和未標記的樣本個數(shù)，ti∈{1,2,...,s},i＝1,...,l，其中s是故障類型。

步驟4.2：確定核函數(shù)映射κ(xi,xj)，極限學習機隱層節(jié)點n，并隨機生成隱層節(jié)點的參數(shù)(ai,bi),i＝1,2,...,n；

步驟4.3：計算核矩陣kelm＝hh^t，h表示隱層輸出矩陣，具體形式如下：

步驟4.4：計算拉普拉斯矩陣l，所述計算式如下：

l＝d-w(10)

式中，d是對角矩陣表示為：邊緣權相似度矩陣wij采用高斯核映射：

步驟4.5：計算輸出權重β，所述計算式如下：

步驟4.5.1：表示出(l+u)×c訓練目標矩陣所述計算式如下：

步驟4.5.2：考慮到平衡經(jīng)驗風險和學習函數(shù)f(x)的復雜性之間的關系，訓練誤差最小化為：

式中，λ是懲罰系數(shù)，tr是正則化矩陣f的跡。

步驟4.5.3：將網(wǎng)絡輸出的表達式f＝hβ代入上式，得到：

式中，j是用來區(qū)分標記數(shù)據(jù)和未標記數(shù)據(jù)的懲罰系數(shù)矩陣，所述表達式為：

j(i,i)＝1,i＝1,2,...,n,j(i,j)＝0,i≠j(16)

式中，j為故障類型，xi為第i個樣本點。

步驟4.5.4：問題變?yōu)闊o約束優(yōu)化問題之后，通過對式(13)偏導為0就可以計算出網(wǎng)絡的輸出權重β。

步驟4.6：計算半監(jiān)督核極限學習機的網(wǎng)絡輸出f(x)，所述計算式如下：

式中，半監(jiān)督核極限學習機分類器的網(wǎng)絡輸出f(x)即是有桿泵抽油井故障分離目標函數(shù)的最優(yōu)解。

步驟5：根據(jù)最優(yōu)解f(x)來確定該示功圖的故障信息：

式中，fi為樣本點xi的預測類標簽。

為了確定不同數(shù)目的標記數(shù)據(jù)對故障分離效果精度的影響，本實施方式保持180組未標記樣本數(shù)據(jù)不變的情況下，選用了10組，20組，……100組標記樣本數(shù)據(jù)用于建模。同時為了驗證本實施方式所提出的故障分離方法的有效性，將本實施方式所提出的故障分離方法分別于半監(jiān)督極限學習機(ss-elm)和核極限學習機(k-elm)作比較。

如圖4所示，為本發(fā)明具體實施方式中對有桿泵抽油井故障數(shù)據(jù)樣本訓練時間隨著標記數(shù)據(jù)變化的曲線示意圖。從圖中可以看出，本發(fā)明具體實施方式中半監(jiān)督核極限學習機分類器初始的訓練時間就相比沒有改進的半監(jiān)督極限學習機分類器和核極限學習機分類器更短，而隨著標記數(shù)據(jù)的增加，訓練時間增加的速率也小于其他兩種算法。

如圖5所示，為本發(fā)明具體實施方式中對有桿泵抽油井故障分離精度隨著標記數(shù)據(jù)變化的曲線示意圖。從圖中可以看出，本發(fā)明具體實施方式中半監(jiān)督核極限學習機分類器初始的分類精度高于其他兩種沒改進的極限學習機分類器，隨著標記數(shù)據(jù)的增加，本發(fā)明具體實施方式中半監(jiān)督核極限學習機分類器的分類精度提高的速率也大于其他兩種算法。驗證了本算法分離故障數(shù)據(jù)的有效性。