【《抽油机工况诊断的理论基础综述》5500字】

抽油机工况诊断的理论基础综述目录TOC\o"1-3"\h\u21269抽油机工况诊断的理论基础综述 1178991.1抽油机结构与工作原理 167981.2示功图特征分析 3216011.3神经网络与误差反向传播算法 95441.3.1感知机和全连接神经层 981771.3.2常用的激活函数 11264391.3.3误差反向传播算法 13使用示功图对抽油机的工况进行诊断仍然是一种行之有效被广泛采用的方法，由于其具有深厚的数学基础和理论支持，能够反映抽油机的运行状况。人工神经网络是近年来备受专家学者关注的机器学习方法，在许多领域都得到了应用。本章主要介绍抽油机的工作原理，常见的抽油机工况下的示功图分析。同时介绍了基本的人工神经网络概念，研究了神经网络的数学基础。1.1抽油机结构与工作原理有杆抽油机是被大量应用的抽油机，其包括地面和地下两套装置。其中地面装置负责提供动力，通过抽油杆传递抬升原油的动能到地下装置。地下装置则通过上下两个冲程的抽油过程，将原油吸入油管，两套装置经过配合从而完成一系列的抽油动作。地面装置将电能转换成动能，提供动力。装置结构如下图1.1，地面装置的主要工作过程是：配电箱给电动机给提供电能，控制电动机转动，电动机通过皮带传动装置连接减速箱。减速箱能够减低转速，提高扭矩。减速箱控制曲柄进行圆周运动，连杆通过曲柄销与曲柄连接，而连杆的另外一端则连接了横梁。横梁另外一端是驴头，驴头连接悬绳控制抽油杆往复运动[11]。图1.1抽油机地面装置示意图Fig.1.1Schematicdiagramofpumpingunitgrounddevice地下装置通过抽油泵作为抬升设备，抽油泵被浸没在采油层的液体中，地面设备为抽油泵提供动力，原油会经过抽油管被抬升到地面。抽油泵的结构如下图1.2所示，包括固定凡尔，柱塞，游动凡尔，泵筒，抽油杆等。工作过程由上冲程和下冲程组成，抽油杆往上运动的过程被称为上冲程，此时抽油杆连接的柱塞向上运动，抽油泵泵筒内的压力变小，固定凡尔打开，液体进入泵筒；抽油杆往下运动的过程被称为下冲程，柱塞向下运动，泵内压力增大使得固定凡尔关闭，当泵内的压力大于油管中液体的压力到一定程度时，游动凡尔打开，泵中的液体上行进入油管中[12]。图1.2抽油泵装置示意图Fig.1.2Schematicdiagramofpumpingunitundergrounddevice在这个过程中，地面装置驴头的位移状态和悬点的载荷信息会发生周期性的变化。由驴头位移和悬点载荷组成的示功图成为了当前诊断工况的主要方式。1.2示功图特征分析观察抽油机的示功图是诊断抽油机运行状态的有效方法。抽油机在运行时，由于机械设计，抽油杆会做上下往复运动。这使得在抽油机运行的周期中，悬点载荷和驴头位移会呈现周期性变化关系，而示功图是驴头的位移与在此位移时刻悬点载荷的构成的时间序列在绘制而来的图形[13]。功图法诊断工况就是通过所采集的示功图形状，判断抽油机的运行状态的方法。理想状态示功图对抽油机的状态做了理想化的假设。首先默认抽油泵结构稳定，运作良好；同时不考虑抽油杆受到的摩擦力、惯性以及震动载荷和弹性形变等外部因素影响。根据抽油机结构和液体特点，可以计算上、下冲程光杆静载荷P1、P2，即：（1.1）（1.2）单级、多级静载冲程损失，，有：（1.3）（1.4）其中fr为光杆横截面积，Li为第i节抽油杆长度，、为抽油杆材料密度和抽汲液体密度，g为重力加速度，fp为活塞截面积，E为钢的截面积。根据光杆静载荷和静载冲程损失，在实测示功图卡片上绘制正常静载理论示功图。理想状态的示功图如下图1.3所示，它是一个平行四边形，通过分析理想状态示功图，能够帮助我们理解抽油泵一个工作周期中的运动状态。图1.3理想情况下示功图Fig.1.3Indicatordiagramunderidealcondition图中ABC表示抽油泵处于上冲程阶段，光杆向上运动。其中，AB期间为上冲程泵内降压期，在这段时间中游动凡尔关闭，固定凡尔关闭，光杆载荷增加，油泵腔内压力降低；B点处降压完毕，泵内压力达到了开启固定凡尔的要求，此时固定凡尔打开。在AB段，光杆的负载不断增加，所以AB线也被称为增载线[14]。BC段为原油吸入期，在此段中游动凡尔关闭，固定凡尔开启，原油进入抽油泵腔内；C点为驴头上死点，此点处固定凡尔由开到关，正常情况下，抽油泵内充满液体。由于BC段光杆的负载基本没有变化，BC呈现为一条水平的直线。CDA段为下冲程阶段，光杆向下运动。其中CD段为下冲程泵内增压期，在此段中游动凡尔关闭，固定凡尔关闭，泵内压力不断增加；D点处增压完毕，抽油泵腔内压力达到了游动凡尔的开启要求，此时游动凡尔打开。在CD段，光杆负载不断减少，所以CD线被称为卸载线。DA段为原油排出期，在此期间游动凡尔开启，固定凡尔关闭，原油从游动凡尔排出，原油顺着抽油管抬升；A点为驴头下死点，此时抽油泵一个工作周期结束。在实际的生产过程中，由于原油的粘度和井下摩擦力等因素影响，导致抽油杆震动，实际的正常状况的示功图会受到一定的形变，出现一定的“波纹”形状，这是抽油杆在原油吸入期和排出期受力不均引起的[15]。如下图1.4左边为正常工况下的示功图，右边为在该工况下的载荷频率分布直方图。图1.4实际情况下的正常示功图及其载荷频率分布图Fig.1.4Normaldiagramandloadfrequencydistributiondiagraminactualsituation其中，左图为某油井的正常工况下的示功图，该图由1103个载荷和位移数据点组成，可以看出实际正常情况下的示功图也类似于一个平行四边形。右图为该情况下的载荷频率分布直方图，也可以看出，载荷主要分布在两侧，分别是原油吸入期和原油排出期。在实际的生产工程中，抽油泵本身可能会存在漏失、脱落、碰挂等问题，如吸入部分漏失、排出部分漏失、双凡尔漏失、抽油杆脱落和碰挂等问题；同时抽油机的工作会受到井下很多因素的影响，比如砂、气、油稠等因素[16]。这些情况下的示功图会呈现不同的形状。漏失状态包括吸入部分漏失，排出部分漏失和双凡尔漏失等，无论是哪种状态都会导致造成原油抬升困难，产油量下降。在上冲程泵内降压过程中，由于固定凡尔漏失，泵内压力低，所以增载过程会进行得比较快[17]。当卸载过程时，由于泵内压力小于正常情况下，所以卸载会比较缓慢，右下方会呈现一条椭圆线，如下图1.5，左边为吸入部分漏失工况下的示功图，右边为在该工况下的载荷频率分布图。图1.5吸入部分漏失示功图及其载荷频率分布图Fig.1.5Leakageindicatordiagramandloadfrequencydistributiondiagramofsuctionpart在排出部分漏失时，在增载过程中，由于游动凡尔漏失，会导致增载缓慢。而且在上冲程还没到上死点时，就会出现提前卸载，如下图1.6，左边为排出部分漏失情况下的示功图，右边为在该工况下的载荷频率分布图。图1.6排出部分漏失示功图及其载荷频率分布图Fig.1.6Leakageindicatordiagramandloadfrequencydistributiondiagramofdischargepart在抽油机的抽油杆断脱情况下，悬点会受到抽油杆本身的重量因素影响，光杆的载荷约等于抽油杆的重量。同时，在抽油杆的受到摩擦力较小的情况下，上下冲程的曲线几乎重合。如下图1.7，左边为某抽油杆脱落工况下的示功图，右边为在该工况下的载荷频率分布图。图1.7脱落示功图及其载荷频率分布图Fig.1.7Sheddingindicatordiagramandloadfrequencydistributiondiagram在活塞挂碰时，会在上死点或者下死点处出现急剧的变化。由于抽油杆长度不匹配或者防冲距太大，在光杆下连接的接箍在进入采油树时，会发生了挂碰，导致负载突然增加。如下图1.8，左边为上碰挂工况下的示功图，右边为在该工况下的载荷频率分布图。图1.8上碰挂示功图及其载荷频率分布图Fig.1.8Indicatordiagramandloadfrequencydistributiondiagramofupcollision下碰挂则是由于防冲距过小导致，在卸载时活塞与抽油泵的固定凡尔发生碰撞，引起了光杆的负载急剧下降，下碰挂可能导致抽油杆震动和凡尔的开合。如下图1.9，左边为下碰挂工况下的示功图，右边为在该工况下的载荷频率分布图。图1.9下碰挂示功图及其载荷频率分布图Fig.1.9Indicatordiagramandloadfrequencydistributiondiagramofdowncollision充不满的情况下，泵内可能受到气体影响，相对于液体而言，气体更容易压缩和膨胀。当泵内有气体时，在上冲程泵内降压过程中，泵内空气由于膨胀，使得泵内的液体并没有充满。在卸载时，当活塞面向下运行接触到了液面，光杆会迅速卸载。如下图1.10，左边为充不满工况下的示功图，右边为在该工况下的载荷频率分布图。图1.10充不满示功图及其载荷频率分布图Fig.1.10Indicatordiagramandloadfrequencydistributiondiagramofunderfill在油层土质疏松或者抽取过程中压力变化大时，抽油的过程容易混入沙砾等杂物，一旦泵中的沙砾过多会影响到泵的正常工作。同时在吸入期和排出期载荷会出现多次短暂急促的变化，表现在示功图上会出现多个尖锐的波峰和波谷[18]。井底出砂会严重损害抽油泵和抽油管，长时间处于出砂状态可能会给抽油泵带来不可逆的损坏。如下图1.11，左边为出砂工况下的示功图，右边为在该工况下的载荷频率分布图。图1.11出砂示功图及其载荷频率分布图Fig.1.11Indicatordiagramandloadfrequencydistributiondiagramofmeetingsand油稠情况下，由于原油粘稠，会增大抽油杆的阻力，使得凡尔的开启和关闭存在滞后，导致光杆增载和卸载的过程缓慢，如下图1.12，左边为油稠工况下的示功图，右边为在该工况下的载荷频率分布图。图1.12油稠示功图及其载荷频率分布图Fig.1.12Oilconsistencyindicatordiagramanditsloadfrequencydistributiondiagram1.3神经网络与误差反向传播算法神经元细胞包括细胞核，树突和轴突等部位。在20世纪40年代，根据神经元的信息传递机制，心理学家沃伦·麦卡洛克和逻辑数学家沃尔特·皮茨提出了人工神经网络的数学模型。此后，美国的生物学家弗兰克·罗森布拉特研究并提出了感知机[20]这一概念，被普遍认为是神经网络的前身。在20世纪末，YannLeCun等人提出了一种用于手写字识别的模型，并将该模型命名为LeNet-5[19]，这是神经网络第一次广泛应用于商业。但由于当时计算能力和数据量的不足，神经网络仅限于手写数字识别，在其他领域没有得到有效的发展。直至2012年，在ILSVRC的比赛中AlexNet深度学习网络以遥遥领先于第二名的成绩，拿下了图像分类的冠军，使得越来越多的人开始关注神经网络。由于AlexNet的神经网络设计层数较多，带来了深度学习的热情，人们开始关注增加卷积层数给神经网络带来的收益。1.3.1感知机和全连接神经层单个神经元或者感知器的特点是：计算输入特征向量的加权和，与偏置相加，经过激活函数后，得到输出信号强度。下图1.13为单个感知机结构图。图1.13感知器结构图Fig.1.13Structurediagramofperceptron用公式表示就是：（1.5）其中，输入信息抽象为向量x=[x1,x2,x3,...xn-1,xn]T，经过线性变换y=ωx+b后，得到中间量y，感知器使用了阶跃函数作为激活函数，经过激活函数得到最后的活性值z。这种感知器的问题是：只能够解决多输入、单输出的问题；作为一种线性模型，它处理的问题必须是线性可分的问题；由于激活函数是阶跃函数，其不具备可导性，不能用梯度下降算法优化感知器内部的参数。进入现代后，为了弥补感知器存在的问题，研究人员提出了全连接层这一概念。将多个神经元堆叠放置，这样一来解决了多输入多输出的问题，如下图1.14，同时使用了其他梯度可导的非线性激活函数，提高了模型非线性拟合能力[21]。图1.14全连接神经网络层Fig.1.14Fullyconnectedneuralnetworklayer以上述全连接神经网络层为例，两个节点的输出可以用矩阵表示为：（1.6）1.3.2常用的激活函数使用非线性的函数嵌套到线性模型中，可以将模型转换成非线性的模型，提高模型的非线性表达能力。在神经网络中，我们将这种非线性的函数称为激活函数，它类似于一个激活装置，需要输入信号足够大，才能够将输入信号传输到下一个层级[22]。这里我们介绍几种常见的激活函数以及它们的导数，导数可以为后续的反向传播提供数学依据。Sigmoid函数是较早使用的激活函数，特点是在输入信号绝对值比较小的时候，对信息比较敏感，输出信号变化大。而输入信号比较大时，输出变化则不大。用其数学表达式及其导数为：（1.7）（1.8）由于Sigmoid函数容易饱和，在输入信号绝对值大时，输出信号变化小。如果使用Sigmoid函数，在进行反向传播时，如果导数小，那么权重更新慢，甚至不怎么更新，会导致学习不到特征。同时Sigmoid函数输出的均值不是零，这会影响后续的神经网络输出，降低收敛的速度。作为一种指数函数，Sigmoid运算速度也比较慢。tanh函数相较于Sigmoid函数做了一定的改进，但是同样存在计算量大等问题。tanh和其导数的表达式为：（1.9）（1.10）ReLU函数时是现在比较常用的激活函数，实现方法比较简单。下面式子为ReLU函数的表达式及其导数，max表示取两者的最大值：（1.11）（1.12）相较于Sigmoid函数，ReLU函数在正信号输入的情况下，不会发生梯度弥散。同时其计算也更加容易实现，不同于Sigmoid函数需要进行指数运算，而是通过比较的方式完成激活。ReLU函数的同样存在缺点，如果输入的信号是负数，则后续网络得到的值均是0，会带来后续部分神经网络节点的失效。图1.15常见的激活函数及其导数图像Fig.1.15CommonactivationfunctionsandtheirderivativeimagesLeakyReLU在ReLU函数的基础上进行了改进，对于x小于0的情况下，设置了一个比较小的值作为输出，一般为0.01x或者0.02x。避免了可能导致的部分神经网络失效的问题。上图1.15为常用激活函数及其导数图像，其中实线为激活函数，虚线为其导数。1.3.3误差反向传播算法神经网络中参数能够从样本中不断学习和优化，其关键在于误差反向传播算法。通过设定了一个评价方法能够知道当前模型的参数优化程度，这种评价方法就是损失函数，人工神经网络的目的就是最大化或者最小化这个函数。这里我们推导MSE（MeanSquareError，均方差函数）[23]和交叉熵损失函数[24]的表达式以及其梯度。对于MSE而言，其计算方法为：（1.12）这里使用简化，也可以为，这样并不会影响梯度。所以其导数为：