基于kNN分类算法的有杆泵抽油井井下工况故障诊断方法

2017-06-23冯中申辽河油田兴隆台采油厂辽宁盘锦124010

化工管理 2017年14期

冯中申（辽河油田兴隆台采油厂，辽宁盘锦 124010）

冯中申（辽河油田兴隆台采油厂，辽宁盘锦 124010）

油田生产中，采用人工分析示功图判断井下故障存在效率低的问题。对此，本文展开基于计算机诊断方法的研究。首先，采用8方向链码提取示功图的7个特征向量；然后，根据kNN分类算法进行故障的分类。由国内某作业区一口抽油井的实际示功图验证了本文所提出方法的有效性。

kNN分类算法；有杆泵抽油井；工况故障；诊断方法

有杆泵抽油井是国内外油田生产中的主要生产方式，由井上和井下两部分组成，其中，井上部分主要包括：电控柜、抽油机、齿轮箱、皮带轮、四连杆机构等，井下部分主要包括：抽油杆、抽油泵等。由于抽油井井下部分工作在数千米的地下，环境恶劣，极易发生各种故障。如果不能及时有效的发现井下工况的异常，会影响抽油井的正常生产，严重时会造成停井、关井的后果。

示功图是油田生产中判断井下工作状况的主要方法，由安装在井口悬点处的相关设备进行采集。示功图是由若干位移-载荷数据所构成的二维闭合曲线，可以准确反映抽油井抽油的连续物理过程。目前，油田生产中主要依靠人工分析示功图来判断井下的工作状况，首先由现场施工人员采集每口油井的示功图，然后将数据报送到技术管理部门，由技术人员对示功图进行人工分析，再根据结果调整生产措施。这种落后的管理方式，使得无法实时掌握抽油井的工作状态，造成生产效率低和生产成本高。

采用计算机诊断方法实现有杆泵抽油井井下工况的故障诊断是目前的研究热点[1]，本文首先采用8方向链码提取示功图特征，然后根据K最近邻（kNN,k-NearestNeighbor）分类算法进行故障的分类。

1 示功图特征提取

1.1 示功图

示功图是由若干离散数据点组成的二维曲线，横坐标轴为位移，纵坐标轴为载荷，如图1所示。

1.2 基于8方向链码的特征提取

链码，又称为freeman码，采用曲线起始点的坐标和边界方向来表示曲线或区域边界，采用边界方向作为编码依据，能够较大程度提高编码效率，已在图像处理、模式识别等领域得到广泛应用。本文所采用的8方向链码如图2所示，其中：数字0-7分别代表0°、45°、90°、135°、180°、225°、270°和315°。

采用8方向链码对图1所示的示功图进行重新描述，如图3所示。

图1 示功图曲线

1.3 示功图特征提取

借鉴实际生产中对示功图形状分析的人工经验，分别提取示功图的特征如下：右上角向上凸出程度、扁平程度、左上角缺失程度、右下角缺失程度、右下角急剧卸载程度、右上角快速卸载程度和“肥胖”程度，提取方法参考文献[2]。

图2 8方向链码

图3 8方向链码重画

2 kNN分类算法

kNN分类算法[3]的基本原理是：如果一个样本在特征空间中有k个最邻近的样本（已得到正确分类），而这些样本大多数都属于同一个类别，那么该样本也属于这个类别。实现kNN算法的主要步骤如下：

步骤1数据预处理；

步骤2选用合适的方法训练数据和训练元组；

步骤3设定参数k；

步骤4由大到小计算距离，构造最近邻训练元组，随机选取k个元组作为初始最近邻元组，分别计算测试样本与k个元组的距离；

步骤5计算测试样本与当前训练元组的距离L，记录所有训练元组中的最大距离Lmax；

步骤6若L的值大于Lmax，放弃该元组，若L的值小于Lmax，将当前训练元组存入队列；

步骤7计算k个元组中占多数的样本的类别，将其作为测试样本的类别。

3 实例验证

采集国内某作业区一口抽油井的36幅示功图进行验证，分别由序号样本1-样本36表示，其中：样本1-6为“正常”类型（类别0表示），样本7-11为“油井出砂”类型（类别1表示），样本12-16为“泵下碰”类型（类别2表示），样本17-21为“泵上碰”类型（类别3表示），样本22-26为“抽油杆断落”类型（类别4表示），样本27-31为“固定阀漏失”类型（类别5表示），样本32-36为“游动阀漏失”类型（类别6表示）。本文所采用方法的分类结果如图4所示。