基于无监督学习的抽油机井示功图自动聚类与批量标注方法

为充分利用大量未标注样本、节约人力与时间,提出了基于无监督学习的抽油机井示功图自动聚类与批量标注方法。首先,将抽油机驴头往复运动产生的位移、载荷数据转化为示功图图片样本,其中,示功图的横坐标为位移,纵坐标为载荷;其次,加载在ImageNet上训练过的带有一系列权重参数、具有强特征提取能力的卷积神经网络模型;然后,去除该网络模型的全连接层,利用该网络模型提取示功图图片样本的特征;最后,利用k-means聚类算法对提取到的特征进行聚类分析,将具有相似特征的示功图聚到同一文件夹中。批量的对示功图聚类结果进行快速标注,从而形成抽油机井故障诊断的示功图样本集。实验随机搜集了100口抽油机井的20 000条示功图数据,结果表明,基于无监督学习的抽油机井示功图自动聚类与批量标注方法耗时短、准确率高,为示功图样本集标注提供了一种高效方法,对于充分挖掘油田大数据的应用价值具有示范意义。

基于改进ResNet的示功图分类算法研究

示功图是反映抽油机井工作状态的重要图示,通过分析示功图的闭合曲线形状,可以得出抽油机井的具体工作状态,从而可以判断出抽油机井是否发生故障以及具体的故障类型。随着深度学习的发展,基于深度神经网络的示功图分类也逐渐应用到了抽油机井工况检测当中。该文提出了基于改进ResNet的示功图分类算法,通过优化残差结构和引入SE子结构等措施,提高了分类准确性和鲁棒性。改进的残差结构嵌入了SE子结构,对输入特征进行降维的同时也减小了参数的数量,在降低计算量的同时也添加了更多非线性因素,通过不断增加有效特征的权重,不断减小无效特征的权重,进而完成了特征重标定,不仅起到加速网络收敛的作用,也使模型更加轻量化,从而提高了模型的性能。相较于其它模型,改进的ResNet模型可以更好地适应示功图分类任务,分类效果更好。实验结果表明,基于改进ResNet的示功图分类算法在精确率、召回率和F1值上均优于其它示功图分类算法。该研究为抽油机井工况检测系统提供了更好的理论支持。

基于AGINet模型的抽油机异常诊断

为克服已有抽油机异常诊断方法中存在的不足,提出一种多尺度结合全局池化的AlexNet模型(简记为AGINet模型)。首先,AGINet模型在已有AlexNet模型中使用批归一化代替原来的局部响应归一化,接着加入Inception模块,最后使用全局平均池化层代替原有的全连接层。基于相同的输入输出和抽油机示功图数据集,分别完成对AGINet模型、AlexNet模型、LeNet5模型、VGG11模型、卷积神经网络和支持向量机的训练和测试。测试结果表明,与其它深度学习模型和支持向量机相比,AGINet模型的分类准确率、召回率的宏平均值、F1的宏平均值、参数量和所占内存大小均有一定程度的改善,具体值分别为99.9%、99.9%、99.9%、338649和1334KB。AGINet模型为油田抽油机的异常诊断提供了重要的技术参考,促进了先进计算机技术在石油工业中的应用。

不同流量下泵前微压网式过滤器内部流场的数值模拟

泵前微压网式过滤器作为一种新型的灌溉过滤装置,具有结构简单、适配性高以及能耗低等优点。为了探究泵前微压网式过滤器内部流场的运行状态,采用了物理模型试验、数值计算及理论分析的方法,从微观角度对清水条件下泵前微压网式过滤器在不同流量(5、8、11、14、17 m^(3)/h)的水力性能和水流运动状态进行分析。结果表明:标准k-ε模型可作为模拟泵前微压网式过滤器清水流场的湍流模型;滤网内部流速分布不均匀,随流量呈现不同形态的“火烛”形态,出水口对过滤器内部影响范围随流量增加而增大;过滤器内部同时出现高压区和负压区,滤网底部为水头损失主要发生位置。研究成果可为泵前过滤设备的浑水数值模拟和结构优化提供理论和技术支撑。

基于物联网的抽油机井智能优化运行技术研究

为解决油井人工监测跟踪维护工作量大、优化方案调整不及时、无法满足油井智能化需求等问题,在大庆油田开展了抽油机井智能控制方法研究与评价。建立了适用于定向井的抽油机井泵示功图计算方法,进行泵功图分析和产量计量;由泵载荷、多相管流模型、油套环空内气液柱分布规律,计算动液面;通过室内模拟试验井测试评价,基于物联网的抽油机井智能控制系统产量和动液面计算精度较高。开展以井下抽油泵充满度为目标的优化控制试验,当发生供液不足时,系统自动降低运行冲次,泵充满度由34.17%逐渐增加到93.17%,泵防抽空功能得到了有效验证,节电率达到10.90%。该控制系统实时监测油井工况,实现参数自动优化,降低油井泵抽空现象的发生,可实现抽油机井高效运行,有效提高油井智能化管理水平。

基于ISSA的有杆泵抽油井产量计量方法

油井产量计量是油田开采过程中最重要的工作之一,准确计量产量对提高油田开采效率和经济效益至关重要。传统翻斗、两相分离式和示功图等量油技术存在投入大、维护成本高和适应性差等问题。为解决上述问题,提出一种基于改进松鼠搜索算法(improved squirrel search algorithm, ISSA)的油井产量计量方法。通过分析抽油井的工作过程,提出一组描述抽油泵漏失和充满度的故障参数,建立故障条件下的抽油系统过程仿真模型。针对油井故障参数优化问题,提出一种基于食物定位因子的改进松鼠搜索算法,建立基于ISSA的产量计量模型。采用大庆油田数据验证模型,算法平均预测精度为94.52%,表明本方法可为低成本数字油田建设提供支撑。

基于卷积神经网络的抽油机井故障诊断研究

针对抽油机井示功图故障诊断问题,提出基于轻型卷积神经网络,并引入注意力机制,以提高在参数量、计算量减少的情况下的网络诊断性能。网络基础结构采用MobileNet-V2,并将ECA(Efficient Channel Attention Module)模块嵌入MobileNet-V2的倒残差模块中。倒残差模块中,ECA对特征图从通道维度,将生成的通道注意力重标定权重与输入特征图进行相应通道相乘,最后获取经过注意力加权处理的特征图。基于提出的方法,在保证模型诊断准确性的前提下,降低了网络模型结构的复杂性。实验结果表明,改进后的MobileNet-V2的诊断准确率达到97.60%,满足油田实际生产需求。

一种游梁式抽油机示功图测量方法

游梁式抽油机广泛应用于石油开采工作中.针对游梁式抽油机工况的诊断存在不能兼顾准确性与可靠性的问题,提出了一种新型游梁式抽油机示功图测量方法.该方法根据抽油机的机械结构和运动学公式计算出抽油机单个工作周期内的位移数据,保存至云端服务器.利用加速度传感器和载荷传感器,同步采集抽油机的加速度数据和载荷数据.通过对加速度数据进行均值滤波处理,截取出单个完整周期内的载荷数据,并上传至云端服务器,采用云计算绘制出抽油机示功图.实验证明,该方法优于现有的方法,具有精确度高、可靠性高、易于安装维护、成本低廉的优点.

基于LeNet模型的游梁式抽油机工况诊断研究

游梁式抽油机是有杆泵系统中应用最广泛的部件,分析有杆泵的示功图是判断抽油机井下工况的重要手段。针对传统示功图识别方法存在依靠专家经验以及需要人工进行特征提取,导致出现相似示功图时识别准确度低的问题开展研究。通过深度学习卷积神经网络在图像识别领域的应用,提出了一种基于LeNet的卷积神经网络模型,实现了示功图的自动识别,所搭建的模型在简化模型结构的同时考虑了抽油机常见的15种井下工况,并引入了Dropout层以及局部响应归一化层防止模型过拟合的同时提高模型的泛化能力。实验结果表明,该模型不仅收敛速度快,而且对于工况进行诊断的准确度平均为94.68%,满足抽油机工况检测的诊断精度要求。该研究为抽油机井工况智能监控预警系统的构建提供了依据,对建设智慧油田以及油田的高效生产具有重要意义。

Coefficient Diagram Method Based Load Frequency Control for a Modern Power System

increasing penetration of renewable energy sources with a wide range of operating conditions causing power system uncertainties, conventional controllers are incapable of providing proper performance to keep the system stable. However, controllable or dispatchable loads such as electric vehicles （EVs） and heat pumps （HPs） can be utilized for supplementary frequency control. This paper shows the ability of plug-in hybrid EVs, HPs, and batteries （BTs） to contribute in the frequency control of an isolated power system. Moreover, we propose a new online intelligent approach by using a coefficient diagram method （CDM） to enhance the system performance and robustness against uncertainties. The performance of the proposed intelligent CDM control has been compared with the proportional-integral （PI） controller and the superiority of the proposed scheme has been verified in Matiab/Simulink programs.

孪生神经网络在抽油系统故障诊断中的应用

人工智能诊断技术可在不同的数据和环境下进行自适应,从而大大提高故障诊断效率。由此提出了一种智能故障诊断方法,用于油田抽油系统的故障检测。现有的方法多采用神经网络技术,通过分析油井示功图来实现诊断。然而,实际采集到的油井示功图数据非常有限且类别不平衡,导致深度卷积神经网络容易出现过拟合。为了解决这个问题,提出采用预训练孪生神经网络方法。在一个较大的数据集上训练一个比较模型,用于判断图像之间的相似度。这个模型能够输出不同图片之间的相似度。利用预训练好的模型,在功图识别任务上进行微调,通过提取和融合2张图片的特征向量,输出它们之间的相似度。研究结果表明,预训练孪生网络模型能够很好地解决小样本问题,特别适用于功图识别这类任务。试验结果显示,该方法在小样本量功图识别任务上表现出色,具有高精度的故障诊断能力,满足抽油系统智能故障诊断要求。预训练孪生网络模型在小样本量功图识别任务上表现良好,为油田抽油系统的智能故障诊断提供了有效的解决方案。

抽油泵系统故障分类模型及其可视化终端的搭建

在石油开采行业中,及时掌握抽油泵系统的运行状态可以有效提高系统的运行效率和设备安全性。但是由于油井区域分布广泛且道路不便,所以油井的管理、维护成本高企。示功图作为抽油泵系统运行状态的直观表达,利用示功图图像作为样本构建的抽油泵系统故障分类模型是当前的主要研究方向。利用Pytorch搭建卷积神经网络模型实现示功图图像的分类,最终模型对抽油泵系统主要故障的分类准确率达97.92%。此外,处于不同区域的油井的当前运行状态通过4G模块将信息传输到由第三方开源库Kivy搭建的可视化终端进行显示。同时将该数据保存到MySQL数据库中,为后期抽油泵系统的管理和维修提供数据支撑。提出的抽油泵系统故障分类模型和可视化终端的设计方案可以有效地实现油井的实时监控、远程管理和高效维护,对后续构建智慧化油田有一定的借鉴和指导意义。

基于全局与局部特征结合的抽油机故障诊断

为了准确及时地判断抽油机故障位置,改变低效的人工故障诊断模式,提出了一种基于马田系统的抽油机故障识别方法。首先,分析示功图的几何特征和形状特征;其次,利用全局与局部特征相结合的方式,对示功图进行特征提取;然后,以马氏距离作为度量指标,通过构建和修正特征子集,筛选出各故障的敏感特征变量;最后,建立多分类马田系统实现故障识别,并与传统人工识别方法对比,以克拉玛依石西作业区的油井数据为例,验证方法的可行性和有效性。

改进原型网络法诊断抽油机故障

示功图是判断有杆抽油机工作状况的重要方法。常见故障工况因数据量多使其诊断准确率可达到99%,不常见的故障数据稀少,导致诊断准确率仅有90%~92%。为了提高数据量较少时抽油机故障诊断准确率,提出了基于压缩激励模块(Squeezeand-Excitation)改进原型网络的抽油机故障诊断方法。首先引入残差连接以及注意力模块对示功图特征进行提取,然后将不同类别的示功图像映射到特征空间,经过度量距离后输入Softmax分类器,实现小样本条件下抽油机故障诊断。研究结果表明,改进的原型网络模型在不同小样本数据集上分类准确率均提高。尤其在样本数据图小于50张时,比AlexNet及ResNet34模型对正常、供液不足、泵上碰、气影响、游动阀漏失、砂阻等6种故障类型诊断准确率提高3%~20%。

可变速抽水蓄能发电电动机功率特性分析

如今,可变速抽水蓄能技术已成为一种新趋势,为电力系统的脱碳提供更好的支持。本文旨在研究大型可变速抽水蓄能发电电动机的功率特性,通过最大转子电流限制、最大定子电流限制、最大转子电压限制和静态稳定极限可以绘制可变速电机的功率圆图,用于规定可变速电机的安全稳定运行范围,可直观得到所设计电机的滞相和进相运行能力并评估转子设计功率。本文详细推导出了功率特性分析数学模型,并对一台300 MW大型可变速样机进行了功率特性分析,提出了定、转子功率圆图绘制方法,绘制了其功率圆图,并对其静态稳定性进行了详细分析。

某院质子泵抑制剂不合理用药的帕累托图分析

目的:调查某三甲医院质子泵抑制剂(PPI)不合理用药情况,为临床合理使用PPI提供参考。方法:通过医院信息系统,随机抽取2022年1—6月贵港市人民医院使用PPI的住院病历600份,门诊处方500份(不含儿内科、小儿外科、口腔科、眼科),评价PPI使用的合理性,采用帕累托图法分析造成不合理用药的主要、次要及一般因素。结果:500张门诊PPI处方中共计275张处方存在不合理使用现象,不合理率为55.0%,其中适应证不适宜、用药疗程偏长、给药剂量不适宜为PPI不合理使用的主要因素;给药途径不当为次要因素;存在相互作用、重复用药、禁忌证用药为一般因素。600份病历的PPI处方中有384份存在不合理使用现象,不合理率为64.0%,其中适应证不适宜、用药疗程偏长为PPI不合理使用的主要因素;给药剂量不适宜为次要因素;给药途径不当、存在相互作用、重复用药、禁忌证用药为一般因素。结论:依据帕累托图分析出PPI不合理用药的主要因素为适应证不适宜、用药疗程偏长等,医院可制定相应的干预措施加强PPI在临床应用方面的管理,促进合理用药。

基于相轨迹图的轴向柱塞泵振动特性研究

考虑到柱塞泵壳体的振动既包含运动状态信息也包含能量状态信息,提出采用柱塞泵壳体振动相轨迹图示化方法揭示柱塞泵振动信号与运行状态间的关系。首先,在分析柱塞泵流体振动传递路径,阐明高压流体激励与泵壳体振动速度、位移及振动能量之间的关系。其次,依据振动频率溯源结果,采用多重同步压缩变换方法(Multi-synchrosqueezing Transform,MSST)对柱塞泵壳体振动加速度信号进行重构,经积分变换后可进一步得到振动速度和位移信息。最后,利用振动速度和位移信息构建壳体振动相轨迹图,并通过实验揭示了不同工况下壳体振动相轨迹图中蕴含的柱塞泵动能、势能变化规律。结果表明,结合振动溯源,MSST能够准确提取壳体振动加速度信号中液压激励引起的振动频率和相位信息。柱塞泵运行工况对柱塞泵壳体动能及势能有显著影响。随系统压力增大,相轨迹与垂直零位移轴的距离明显增大,壳体势能显著增加;随转速增加,相轨迹图的最大振动速度明显增大,壳体动能显著增加。轴向柱塞泵相轨迹图可以更直观地显示壳体动能及势能变化规律。本研究为液压泵、马达等关键元件的故障诊断和健康评估提供了理论依据和方法支持。

游梁式抽油机井井下泵功图测试方法

提出了一种利用加速度传感器测量抽油泵冲程从而得到游梁式抽油机井井下泵功图的直接测试方法,并进行了实验验证和现场测试。分析了加速度传感器输出的带有冲击干扰的低频弱信号的特性,对周期信号及其漂移进行了建模分析,得出了长时间积分累计误差及其对测量结果的影响。根据消去原理设计了隔直去噪滤波器,建立了其数学模型,通过隔直去噪滤波器可将漂移分量从采集信号中分离出来。实验验证及现场测试结果表明:原始加速度数据经隔直去噪滤波器滤波和二次积分后能够得到无漂移位移信号,从而得出井下泵功图,数据测量精度在±2.0%以内,且测量误差随着冲次增大而减小;提出的井下泵功图测试方法可实现对泵效的计算和冲程损失直接测量,为游梁式抽油机工艺分析提供依据。

石油生产中有杆抽油机故障诊断研究

及时发现并排除抽油机故障对于降低生产成本、提高油井产量具有重要作用。由于抽油机故障种类多,测量的悬点示功图形态多样且容易受环境噪声的影响,测量数据的区分性特征难以提取,造成通过传统神经网络进行故障诊断时的准确率较低。为提高抽油机故障诊断的精度,提出一种基于深度信念网(DBN)和支持向量机(SVM)混合模型的抽油机故障诊断方法。采用深度信念网从样本示功图图像中学习特征,支持向量机根据特征判断抽油机的故障类别。深度信念网和支持向量机的结构参数均使用网格寻优的方法进行优化。实验结果表明,DBN和SVM方法避免了复杂的人工提取数据特征的过程且具有较高的识别准确率和识别速度,同时与其它方法相比具有更好的性能。