基于SDE-BP 网络的油田注水管网故障诊断方法研究

王 妍 卢淑文 李 杰 许彦飞 高 胜 闻镜强 高 望

（东北石油大学机械科学与工程学院）

随着注水采油技术的成熟完备，我国陆地油田注水管网系统愈加复杂庞大［1］。 注水采油中后期管网系统故障频发，故障严重影响管网系统正常运行，导致大量经济损失。

为及时发现故障点、确定故障类型，将设备检测法、泄漏水力数学模型法、管网诊断专家系统及神经网络等方法应用于注水网络。 设备检测法方法旧、实时性差，且易受外界环境因素的干扰，错误率高。 数学模型法包含静态模型和瞬态模型，但无法满足理想大型复杂管网数学模型条件［2］。 专家系统法中专家知识库因管网结构变化而发生全局改变，且知识库创建麻烦［3］。随着机器学习和人工智能技术逐渐成熟，BP神经网络也被广泛应用在各类故障诊断中［4，5］，然而在油田注水管网系统中却很少见，主要原因在于传统的BP神经网络因训练数据过大、收敛较慢，易出现过拟合现象，导致模型陷入局部最优。

笔者将自适应差分进化算法（SDE）与BP神经网络相结合，提出一种基于自适应差分进化算法二级BP神经网络注水管网故障诊断模型，对大型注水网络进行优化， 解决其诊断困难问题，该模型可通过一级网络精准诊断管网故障点位置，通过二级网络诊断具体故障类型。

1 油田注水管网故障类型与模拟

注水系统复杂且庞大，任何一个节点和管段单元发生故障， 都会对系统其他节点和管段压力、流量产生影响。 故障位置和故障类型是影响整个管网稳态运行的重要因素，亦是系统故障诊断的重要目标，而各节点管段故障往往通过压力和流量的异常体现出来。 因此笔者将压力和流量作为核心参数，建立故障工况诊断数学模型。 当然，该模型诊断的前提基础为对各类故障分类和固定管网结构的准确模拟。

1.1 故障分类

油田注水系统的故障问题大致可分为注水站、注水井、管线和其他节点故障4类（图1）。 众多类型故障中，注水站泵机组停泵启泵、注水井过欠注水、阀门和配水间故障为节点故障；注水管道堵塞和漏损中的管爆、射流为管线故障。 笔者采用两级自适应差分进化BP网络模型对管网节点和管线故障进行诊断，一级网络诊断是对管网整体进行诊断，通过判断各部分压力和流量异常情况，以诊断注水站、注水井和管线故障点位置，二级诊断为故障类型诊断， 结合一级诊断结果，分析具体故障点流量大小和压力高低并进行诊断，诊断类型为站启停泵、井过欠注和管段漏损堵塞。

图1 油田注水管网系统故障分类

1.2 诊断依据

油田注水管网故障常表现为系统压力和流量的异常。 注水站泵机组的过载和泵损坏故障，导致注水站乃至整个管网压力异常；注水井中过欠注水、 注水管网管道漏损和管道堵塞故障，导致系统流量异常，如图1故障分类所示。 因此，一级故障诊断以压力和流量异常为依据的故障位置诊断，压力异常诊断注水站故障，流量异常诊断注水井和注水管线故障。 二级诊断相比于正常压力和流量下，各部分压力高低和流量大小为依据诊断故障类型。 注水站压力偏高，诊断站泵机组启泵，注水站压力偏低，诊断泵机组停泵；注水井点流量高和管道表面有流量，诊断为井过注水和管道漏损；注水井点流量小，管道无流量，诊断为井欠注水和管道堵塞。

1.3 水力数学模型

油田注水管网系统由节点、管线和附属单元构成，节点包括注水站、配水间、注水井和管线交汇点［6］，管线包含注水干线和支线，附属单元有阀门、弯头及三通等。

1.3.1 管网系统总体模型

管道单元模型可改写为如下特性方程：

针对管网系统中管线的连接关系，结合管道单元特性方程和节点连续性方程可得到整个系统总体方程：

式中 C——管网的输入流量矢量；

H——管网水头矢量。

K——管网的特性矩阵；

1.3.2 模型求解

求解此大型复杂非线性方程，笔者采用牛顿法和迭代法，计算结果表明，迭代法比牛顿法更有效。 迭代法求解过程为：

计算结果表明，仿真误差在±5%以内，能够为故障诊断提供有效数据支撑。

2 SDE-BP神经网络故障诊断模型

2.1 诊断模型总体架构

为诊断注水管网故障点位置和故障类型，建立两级SDE-BP网络模型。SDE-BP网络模型是在传统BP神经网络基础上引入SDE算法。 改进的关键在于将BP网络初始权重和阈值作为自适应差分进化算法初始种群， 选择适应度函数网络均方误差，对权重和阈值多次迭代优化，使其从初始随机转变为具有优化方向性，加速BP网络模型收敛。

文中所采用的SDE-BP网络模型，两级均为三层结构［8］，一级诊断模型输入为整体管网注水站、井和管线故障工况下各部分节点压力P=（p1，p2，p3，…，pn）、流量NQ=（nq1，nq2，nq3，…，nqn）、管段流量LQ=（lq1，lq2，lq3，…，lqm）和诊断分类标签T=（t1，t2，t3，…，tk），输出值为故障点位置Y=（y1，y2，y3，…，yk）；对每个故障点建立二级诊断模型，输入为一级诊断所确定的故障点故障压力P、 流量NQ和管道流量LQ，输出值为故障类型Y=（y1，y2），图2为诊断模型总体架构。

图2 诊断模型总体架构

2.2 数学模型

2.2.1 SDE-BP诊断模型

BP神经网络在大型网络的故障诊断中存在明显的收敛速度慢、易过拟合、陷入局部最优等缺点［9］，因此，网络优化极为重要，BP神经网络优化常采用网络结构优化和参数优化两种方式，由于对BP网络优化确定较为困难，采用优化算法对网络的权重和阈值参数进行优化［10］。 文中求解复杂非线性优化问题采用全局优化算法——SDE自适应差分进化算法， 优化传统的BP神经网络，弥补网络先天缺陷，减少训练时间、避免模型陷入局部最优［11］。 SDE-BP网络模型将BP神经网络初始化的所有权重和阈值作为自适应差分进化算法初始种群，权重和阈值个数总和作为种群个体长度，经过多次自适应变异、交叉和选择操作，达到最大迭代次数后终止进化，获得优化后的权重和阈值，在此基础上建立神经网络，训练至最大循环次数获得SDE-BP网络诊断模型。

SDE自适应差分进化算法优化BP神经网络权重和阈值主要包括种群初始化、 自适应变异、自适应交叉和选择。

种群初始化。 SDE初始化权重种群用随机方式产生：

自适应变异操作。 权重个体间通过变异产生新个体，种群中两个权重个体之间的加权差向量加到基点向量上的变异操作，变异操作中采用其多微分改进形式DE/best/1/bin［12］，使解向量朝更好方向进化。 自适应变异操作通过引入自适应变异因子其值随迭代次数的增加而减小，初期可保证种群多样性，后期又可保留优良个体［13］：

权重和阈值经SDE算法多次优化可达最优，结合管网节点压力和流量为输入特征值，运用BP网络信号正向传播和误差反向传播。 多次循环获得SDE-BP诊断模型。

2.2.2 网络结构确定

6.2.2.3 冷藏冷冻商品贮存仓库、陈列柜和热熟食展示柜都有功能正常的温度显示器，并且温度满足产品要求，定时做好冷藏冷冻库（柜）和热展示柜的温度监控记录。热展示柜的温度在60℃以上，冷藏温度应为0℃～8℃；冷冻温度应为－20℃～－1℃, 宜低于－12℃。

一级SDE-BP网络模型为故障位置诊断模型，将管网注水站、井和管线所有节点压力、流量和管段流量作为一级网络的特征向量输入，特性向量个数为输入层单元数101个； 输出层特征向量为可出现的站、井和管线节点故障位置、单元个数为站和井节点以及管段的个数32个；隐藏层单元数利用黄金分割法确定为20个。一级BP神经网络初始权重和阈值经SDE算法获得优化， 激活函数为Sigmoid函数，确保输出结果为（0，1）区间，选取输出值的最大值索引为诊断的类别。 优化后的BP神经网络迭代至收敛， 一级SDE-BP网络训练完成。

二级SDE-BP网络模型为故障类型诊断，针对每个故障点分别建立相同结构的SDE-BP神经网络， 网络模型数为所有节点和假设管段点的个数。 输入故障特征向量为单个故障点所对应的故障工况下各节点压力、流量和管段流量，采用网络模型对故障进行二分类， 对于注水站的故障，输出层有站停泵和启泵两种特征单元，对于井的故障， 输出层有井过注和欠注两种特征单元，对于管线故障，输出层有管段漏损和管道堵塞两种特征单元。 隐藏层和激活函数的确定与一级网络相同。

2.3 SDE-BP算法实现

SDE优化BP网络算法流程如图3所示。

图3 SDE-BP算法结构流程

结构包含传统的BP神经网络和自适应差分进化算法优化两部分，具体步骤如下：

a.确定BP网络拓扑结构， 选取网络学习率r=0.1和最大循环次数一级Cyclemax=12000， 二级Cyclemax=500； 初始权重W选取标准差为隐藏层节点数的-0.5次方的正态分布，初始阈值B取（0，1）。

b.初始化种群。 将网络所有权重和阈值个数总和作为种群个体长度n=2660；确定一、二级合适的NP种群为20；最大迭代次数Gmax=50。

c.适应变异操作。 自适应变异因子Fmin=0.3，Fmax=0.7。

d.自适应交叉操作。 自适应交叉因子Cmin=0.1，Cmax=0.9。

f.重复步骤c到步骤e， 直至迭代次数G满足G＞Gmax，循环结束，获得优化后的个体解即权重和阈值。

g.选取故障数据作为BP神经网络的样本输入，在输入前做归一化处理消除不同量纲对计算的影响并加速收敛。 本文选取节点压力、流量和管段流量作为特征输入。

h.BP神经网络信息正向传播。

i.误差反向传播。

j.重复步骤i和步骤j， 训练模型当前循环次数大于最大次数即Cycle＞Cyclemax时，停止训练，获得诊断模型。

3 管网故障诊断实验分析

3.1 数据获取

由于注水管网复杂庞大，获取实际测量故障数据困难， 笔者通过建立注水管网水力数学模型，通过模拟管网注水站、注水井和管线故障工况，计算获得故障数据。 注水网络系统结构如图4所示，系统中包含注水站3个、注水井12个、注水管线17条，管道长度为1 000 m，与注水站相连管道直径为500 mm，其余管道直径为300 mm，摩阻系数为0.013，注水井流量均为50 m3/s。

图4 模拟注水管网系统

模拟故障工况有：注水站故障，增加或降低某一站节点的压力，计算出其他注水站、井和管线的压力和流量，模拟注水站停泵和启泵故障工况；注水井故障，增加或降低井节点的流量，计算出各部分压力和流量，模拟注水井过注和欠注故障工况；管线故障，在管段泄漏位置添加新节点，该点将管段分成两条，若节点存在流量，即模拟管网漏损，若相邻管道无流量或流速高则模拟管道堵塞。

经过模拟计算，共获得故障数据640条，其中站故障数据60条，井故障数据240条，管线故障数据340条，每条数据包含节点压力、流量和管段流量以及目标值。 SDE-BP网络模型和传统BP神经网络， 分别对故障点位置和故障类型进行诊断，并进行结果对比分析。

3.2 一级优化网络诊断结果分析

对于模拟的全部故障数据， 选取其90%作为网络训练集，剩下10%作为测试集。 一级SDE-BP诊断模型为101-20-32节点数的输入隐藏输出三层网络，其中输入数据对应各节点压力、流量和各管段的流量；输出节点数为站、井和管节点和。最大迭代次数为12 000，学习率为0.1，收敛精度为0.000 37，自适应差分进化算法参数设置：初始种群规模20， 变异因子最大值为0.7， 最小值为0.3，交叉因子最大值0.9，最小值0.1，最大进化代数为50代。

一级SDE-BP网络故障点诊断均方误差曲线图如图5所示，由图可知，相同网络结构和相同的训练次数下，SDE-BP网络模型在6 000次迭代时趋向收敛，均方误差精度为0.000 62，传统BP网络模型均方误差精度为0.002 13， 在最大迭代次数时， 传统BP网络模型均方误差为0.000 96大于同训练次数下SDE-BP网络模型的均方误差，对比可得SDE-BP相比于传统BP网络收敛速度提高50%，收敛精度提高56.3%。 SDE-BP网络诊断的部分诊断结果见表1， 诊断输出结果对比图如图6所示，一级SDE-BP和传统BP对站14、井6、管段8和管段12故障点正确诊断；经输出结果对比，传统BP相比于SDE-BP模型在井6和管段12诊断的输出偏差较大。由此可知自适应差分进化优化BP网络训练速度快和训练精度高并且可正确诊断管网故障位置，正确率为100%。

表1 自适应差分进化优化BP网络模型故障点部分诊断数据

图5 故障点诊断均方误差曲线图

图6 一级故障点诊断输出结果对比图

3.3 二级优化网络诊断结果分析

依据站故障数据、井故障数据和管线故障数据分别建立网络模型，二级优化网络拓扑结构为101-20-2，学习率0.1，最大迭代次数500，自适应差分进化算法参数设置：初始种群规模20，变异因子最大值为0.7， 最小值为0.3， 交叉因子最大值0.9，最小值0.3，进化代数为50代，同时建立32个结构相同的网络模型，根据一级诊断结果分别进行二级诊断。

二级SDE-BP网络故障类型诊断误差曲线图如图7所示，可以看出传统的BP模型相对于自适应差分优化BP网络模型其诊断误差较大， 其中传统BP训练下的站15启泵和管段17堵塞相对误差为31%和30.2%，SDE-BP训练下站15启泵相对误差为26%，超出允许范围。其余诊断部分，传统BP训练下的相对误差在0%～10%，SDE-BP训练下的相对误差在0%～5%。由计算可知，SDE-BP和传统BP 网络故障类型诊断相对误差均值为1.93%和3.29%， 优化后的相对误差均值提高1.36%。 部分二级故障类型诊断输出结果对比图如图8所示，SDE-BP网络和BP网络可对站14泵机启泵、井6过注水、管段8漏损和管段12堵塞正确诊断，同时对其他故障类型也可成功诊断，正确率均为100%， 由此可知自适应差分优化BP神经网络可提高传统BP神经网络故障诊断模型的诊断精度。

图7 故障类型诊断相对误差图

图8 部分故障类型诊断输出结果对比图

4 结束语

在油田注水管网水力模型的基础上引入自适应差分进化算法优化的两级BP神经网络，将自适应差分进化算法和传统BP网络相结合对注水站、注水井和注水管线故障点位置和相应故障类型进行诊断，该方法可根据管网节点压力、流量和管线流量变化进行井过欠注、站启停泵和管段堵漏的诊断。 模拟实验分析表明：一级网络故障点位置诊断，SDE优化BP网络相比于传统BP网络收敛速度提高50%，收敛精度提高56.3%；二级故障类型诊断，优化后的BP网络诊断相对误差平均值提高1.36%。 模拟实验证明自适应差分进化算法优化BP神经网络相比于传统BP网络在注水管网系统故障点位置和故障类型诊断中有更快收敛速度和更低的误差精度， 具有良好的诊断效果，对于大型复杂注水管网大数据诊断可避免其陷入局部最优，提高诊断速度和正确率。