本发明专利技术涉及一种基于大数据分析的井下工况智能诊断方法，依次包括如下步骤：A、建立井下故障的后台分析模型；B、获取抽油机光杆的实时振动加速度数据；C、将后台分析模型及实时振动加速度数据送入实时识别模块进行比对诊断；D、输出诊断结果。步骤A具体包括：A1、批量采集抽油机光杆的有效振动加速度数据；A2、数据传入后台并进行预处理；A3、对正常及故障振动加速度数据分别标注；A4、提取各类振动加速度数据的均方根能量；A5、画出均方根能量随时间变化的图谱；A6、图谱存入样本库并进行训练；A7、输出实时识别模块需要的参数。本方法利用人工智能、物联网、信号处理与大数据等技术，可以精准判断井下工况，诊断出井下出现的特定故障。诊断出井下出现的特定故障。诊断出井下出现的特定故障。
【技术实现步骤摘要】
基于大数据分析的井下工况智能诊断方法
[0001]本专利技术涉及石油开采领域的抽油机，尤其涉及一种基于大数据分析的井下工况智能诊断方法，属于油田自动化
技术介绍
[0002]抽油杆上连抽油机，下连抽油泵，在充满井液的狭长井筒内工作时，承受着拉、压、弯、扭及液力载荷，处于十分复杂的受力、变形和运动状态，是一个复杂的动力学系统。抽油机在工作时，曲柄机构通过两连杆及横梁牵动游梁的尾端上下摆动，游梁头端的驴头也作上下运动，驴头经绳辫、光杆、抽油杆带动井下深井泵的柱塞作上下运动，从而不断地把井中的原油抽出井筒。
[0003]抽油杆柱在不同的工作状态下和不同的位置着有不同的载荷，主要有轴向力、压力、摩擦力、惯性载荷和振动载荷，振动载荷是由抽油杆柱和油管柱运动所产生的。抽油杆受振动影响很大，抽油杆和油管的纵向振动会影响抽油杆末端对油管柱的相对运动，也就是会影响泵的游动阀与固定阀之间的距离，直接影响柱塞的有效冲程。
[0004]例如，在抽油机运行过程中，油管和抽油杆在自身重力及提升力作用下，不断发生弹性形变，造成抽油杆偏磨。抽油杆偏磨的问题一直是困扰油田生产的大问题，偏磨的原因非常复杂，如油井结蜡、出砂、井斜、套管变形和管杆腐蚀等。抽油杆在井内发生偏磨，在地面观察难度很大。抽油杆偏磨使油管过早的报废，给生产带来很大的影响，使成本大大地增加。如果在地面就能够准确诊断井下工况，对推动油田的安全生产具有十分重要意义。
[0005]公开号为CN 203257406U的中国技术专利，公开了一种井下钻柱故障诊断系统，钻柱由钻台和井架支撑，钻台包括位于底部的钻台和位于中部的钻机二层台，钻柱包括方钻杆和钻杆，方钻杆的一端在套管内通过并与钻杆连接，另一端与水龙头连接，水龙头连接有水龙带，井架上分布有立管，具有声压传感器、井口处三向加速度传感器、钻柱顶部三向加速度传感器、压力传感器、多通道信号采集与发送装置、多通道信号接收装置和计算机系统，声压传感器固定在钻台上，井口处三向加速度传感器固定在套管上，压力传感器设置在立管上，钻柱顶部三向加速度传感器设置在水龙头上，多通道信号采集与发送装置设置在钻机二层台上，声压传感器、井口处三向加速度传感器、钻柱顶部三向加速度传感器和压力传感器均与多通道信号采集与发送装置连接，多通道信号采集与发送装置与多通道信号接收装置为无线连接。
[0006]虽然安装了各类传感器采集信号，只能将信号发至后台供技术人员判断故障，没有自主诊断功能，不能利用大数据进行训练分析，准确率低，对人的依赖性太大。
技术实现思路
[0007]本专利技术的目的在于，克服现有技术中存在的问题，提供一种基于大数据分析的井下工况智能诊断方法，利用人工智能、物联网、信号处理与大数据等技术，可以精准判断井下工况，诊断出井下故障，为井下故障的智能诊断及预警技术提供技术支撑。
[0008]为解决以上技术问题，本专利技术的基于大数据分析的井下工况智能诊断方法，依次包括如下步骤：A、建立井下故障的后台分析模型；B、获取抽油机光杆的实时振动加速度数据；C、将后台分析模型及实时振动加速度数据送入实时识别模块进行比对诊断；D、输出诊断结果。
[0009]作为本专利技术的改进，步骤A具体包括如下分步骤：A1、在多台抽油机光杆上部安装振动加速度传感器，批量采集抽油机光杆的有效振动加速度数据，包括正常振动加速度数据和各种故障振动加速度数据；A2、将振动加速度数据传入后台并进行预处理；A3、对正常振动加速度数据及故障振动加速度数据分别进行标注；A4、提取各类振动加速度数据的均方根能量；A5、画出均方根能量随时间变化的图谱；A6、图谱存入样本库并进行训练；A7、输出实时识别模块需要的参数。
[0010]作为本专利技术的进一步改进，步骤B具体包括如下分步骤：B1、在抽油机光杆的上部安装振动加速度传感器，监测抽油机光杆的振动加速度数据；B2、将振动加速度数据传入后台并进行预处理；B3、提取实时振动加速度数据的均方根能量。
[0011]作为本专利技术的进一步改进，对步骤D输出的诊断结果进行专家判断，专家判断为诊断准确的，下一步确定针对性维修方案；专家判断为诊断不准确的，对故障样本进行重新标注，然后回到步骤A4。
[0012]作为本专利技术的进一步改进，步骤A4具体包括如下子步骤：A4.1、对振动加速度信号进行分帧；A4.2、对各帧加汉明窗；A4.3、对窗口内每一帧的振幅进行平方；A4.4、对每一帧的振幅平方值进行求和；A4.5、求和结果除以帧长得到平均值；A4.6、对得出的平均值求平方根得到该窗口内的均方根能量。
[0013]作为本专利技术的进一步改进，步骤A6中通过深层卷积神经网络技术对样本库进行训练。
[0014]作为本专利技术的进一步改进，步骤A1中所述故障包括抽油杆偏磨、抽油杆上碰、供液不足、不平衡、气体影响、上行遇阻、固定阀漏失和碰泵生产。
[0015]作为本专利技术的进一步改进，步骤A1中采集抽油机的有效振动加速度数据由数据采集装置完成，所述数据采集装置包括信号采集模块、信号处理模块和电源模块，所述信号采集模块包括安装在抽油机光杆上的振动加速度传感器，振动加速度传感器的信号输出端分别接入前置放大电路的输入端，前置放大电路的输出端与带通滤波器的输入端相连；所述信号处理模块包括海思Hi3518E芯片，所述带通滤波器的输出端与Hi3518E芯片的振动加速
度信号接口相连，所述Hi3518E芯片的时钟端口与时钟电路相连，所述Hi3518E芯片的存储端口与存储器相连，所述Hi3518E芯片的网络信号输出端与网络收发器的输入端相连，所述网络收发器的输出端与网络变压器的输入端相连，所述网络变压器的输出端与RJ45接口相连。
[0016]作为本专利技术的进一步改进，所述前置放大电路包括TL971芯片，振动加速度传感器的信号输出端与隔离电容C66的正极相连，隔离电容C66的负极与TL971芯片的第3脚相连，隔离电容C66的正极还通过偏置电阻R63与VDD5V+电源相连，隔离电容C66的负极还通过偏置电阻R64接地；TL971芯片的第6脚通过限流电阻R68与隔离电容C68的正极相连；所述带通滤波器包括ADA4898
‑
2芯片，所述隔离电容C68的负极通过限流电阻R69与滤波电容C69的一端相连，滤波电容C69的另一端与ADA4898
‑
2芯片的第3脚相连，限流电阻R69与滤波电容C69之间通过滤波电容C70接地，滤波电容C69与ADA4898
‑
2芯片的第3脚之间通过电阻R70接地；所述ADA4898
‑
2芯片的第7脚与Hi3518E芯片的K15端口或K16端口相连。
[0017]作为本专利技术的进一步改进，所述网络收发器采用RTL8201F以太网收发器，所述网络变压器采用H1102T网络变压器，所述ADA4898
‑
2芯片以太网信号输出端与RTL8201F以太网收发器的信号输入端相连；RTL8201F以太网收发器的第3脚与H1102T网络变本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于大数据分析的井下工况智能诊断方法，其特征在于，依次包括如下步骤：A、建立井下故障的后台分析模型；B、获取抽油机光杆的实时振动加速度数据；C、将后台分析模型及实时振动加速度数据送入实时识别模块进行比对诊断；D、输出诊断结果。2.根据权利要求1所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A具体包括如下分步骤：A1、在多台抽油机光杆上部安装振动加速度传感器，批量采集抽油机光杆的有效振动加速度数据，包括正常振动加速度数据和各种故障振动加速度数据；A2、将振动加速度数据传入后台并进行预处理；A3、对正常振动加速度数据及故障振动加速度数据分别进行标注；A4、提取各类振动加速度数据的均方根能量；A5、画出均方根能量随时间变化的图谱；A6、图谱存入样本库并进行训练；A7、输出实时识别模块需要的参数。3.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤B具体包括如下分步骤：B1、在抽油机光杆的上部安装振动加速度传感器，监测抽油机光杆的振动加速度数据；B2、将振动加速度数据传入后台并进行预处理；B3、提取实时振动加速度数据的均方根能量。4.根据权利要求3所述的基于大数据分析的井下工况智能诊断方法，其特征在于，对步骤D输出的诊断结果进行专家判断，专家判断为诊断准确的，下一步确定针对性维修方案；专家判断为诊断不准确的，对故障样本进行重新标注，然后回到步骤A4。5.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A4具体包括如下子步骤：A4.1、对振动加速度信号进行分帧；A4.2、对各帧加汉明窗；A4.3、对窗口内每一帧的振幅进行平方；A4.4、对每一帧的振幅平方值进行求和；A4.5、求和结果除以帧长得到平均值；A4.6、对得出的平均值求平方根得到该窗口内的均方根能量。6.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A6中通过深层卷积神经网络技术对样本库进行训练。7.根据权利要求2所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A1中所述故障包括抽油杆偏磨、抽油杆上碰、供液不足、不平衡、气体影响、上行遇阻、固定阀漏失和碰泵生产。8.根据权利要求1所述的基于大数据分析的井下工况智能诊断方法，其特征在于，步骤A1中采集抽油机的有效振动加速度数据由数据采集装置完成，所述数据采集装置包括信号采集模块、信号处理模块和电源模块，所述信号采集模块包括安装在抽油机光杆上的振动
加速度传感器，振动加速度传感器的信号输出端分别接入前置放大电...
【专利技术属性】
技术研发人员：段志刚，李汉周，司志梅，叶红，任莹，
申请(专利权)人：中国石油化工股份有限公司江苏油田分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。