[发明专利]基于多变量灰色模型的有杆泵抽油井井下故障预测方法

说明书

技术领域

本发明属于有杆泵抽油井故障预测方法领域，具体涉及一种基于多变量灰色模型的有杆泵抽油井井下故障预测方法。

背景技术

有杆泵抽油井的故障是油田生产所面临的一个主要问题，会影响井下抽油泵的运行状况和油井的产油量。由于抽油泵工作在数千米的井下，工作状况十分复杂，工作环境极其恶劣，故障发生率很高，很大程度会影响油田的正常生产。一旦抽油井发生了故障而不能进行及时诊断，就会造成能源的浪费，并且影响抽油井生产，给企业带来损失。目前已有很多研究关注于有杆泵抽油井井下的故障诊断方法，但是这是建立在故障已经发生的基础上，已经给抽油井的正常生产带来了一定的影响。

发明内容

本发明要解决的技术问题是提供一种基于多变量灰色模型的有杆泵抽油井井下故障预测方法，实现对有杆泵抽油井井下工作状况的故障预测。

本发明的技术解决方案是：

一种基于多变量灰色模型的有杆泵抽油井井下故障预测方法，其特殊之处是：

1)、采用示功图远程数据采集系统，首先，将无线示功仪安装在有杆泵抽油井的抽油机的驴头上，采集光杆的载荷和位移数据；无线RTU以无线的方式接收无线示功仪采集的数据，由数据采集模块通过无线AP从站模块以无线网络远程传送到无线AP主站模块上；示功图监测及数据处理服务器接收采集到的光杆的载荷和位移数据，绘制采集到的地面示功图图形；

2)、将地面示功图转化为井下泵功图，以得到能够真实反映抽油泵工作状况的示功图图形；

3)、提取井下泵功图的曲线矩特征作为特征向量，将井下泵功图划分为上冲程部分和下冲程部分，然后根据曲线矩理论分别提取上冲程部分的7个曲线矩特征向量和下冲程部分的7个曲线矩特征向量，将得到的14个曲线矩特征向量作为下一步预测的变量，具体步骤如下：

a)将井下泵功图划分为上冲程部分和下冲程部分，其中上冲程部分曲线反映了有杆泵抽油井的上冲程过程，是抽油杆柱在动力装置的作用下向上拉动柱塞，抽油泵内吸入油液而井口排出油液的过程；下冲程部分曲线反映了有杆泵抽油井的下冲程过程，是抽油杆柱在动力装置的作用下向下推动柱塞，抽油泵向油管内排出油液的过程；假设井下泵功图由N个采样点组成，那么从第1个点到位移最大的点为上冲程部分,所述位移最大的点假设为第l个点；从第l+1个点到第N个点为下冲程部分；

b)划分后的上冲程部分曲线由l个采样点组成，每个采样点的坐标为(x_i,y_i)，其s+r阶曲线矩m_sr定义为：

其中i＝1,…,l；s,r＝0,1,2；Δz_i为两个连续的采样点间的距离，

μ_sr为s+r阶中心矩，定义为：

其中点为曲线的重心坐标；

计算出如下各阶中心矩：μ₀₀＝m₀₀，μ₁₀＝0，μ₀₁＝0，

对提取的各阶中心矩进行规范化处理，由η_sr表示，定义为：

η_sr＝μ_sr/(μ₀₀)^s+r+1 (3)

那么构造的上冲程部分的7个曲线矩特征向量分别定义如下：

采用如下修正公式使构造的上冲程部分的7个曲线矩特征向量的取值范围统一，记为ψ₁—ψ₇，定义为：

其中q＝0,1,…,7；

c)提取下冲程部分的曲线矩特征向量，划分后的下冲程部分曲线由N-l个采样点组成，每个采样点的坐标为(x_j,y_j)，其s+r阶曲线矩m'_sr定义为：

其中j＝l+1,l+2,…,N；s,r＝0,1,2；Δz_j为两个连续的采样点间的距离，

μ'_sr为s+r阶中心矩，定义为：

其中点为曲线的重心坐标；

计算出如下各阶中心矩：μ'₀₀＝m'₀₀，μ'₁₀＝0，μ'₀₁＝0，