有杆抽油系统故障递阶诊断的故障分辨研究

有杆抽油系统工况极其恶劣,发生故障的概率较高。针对有杆抽油系统的特点及其故障诊断目前存在的问
题,提出基于示功图的有杆抽油系统故障递阶诊断法,该方法分为故障分辨和故障识别两个阶段,即首先在故障分辨
阶段根据正常（或平稳状态）样本的统计规律把示功图分为故障类和非故障类;然后采用基于示功图的有杆抽油系统
故障识别的搜索树方法,对故障样本进行故障类型的识别。它提高了故障诊断系统的故障诊断性能,且不需要建立和
求解有杆抽油系统力学模型,也不存在训练集问题,并能反映出有杆抽油系统自身的基本特征。故障分辨过程包括：
在训练阶段,t 检验剔除异常数据后,通过X2拟合优度检验确定样本的随机分布形式及其参数,进而计算出正常区域
和故障区域;在分辨阶段,根据测试样本是否有特征量落入故障区域来判断其分类。实例表明故障分辨过程能从大量
的数据中筛选出故障样本,分辨的正确率比较高;训练样本的统计规律能反映油井实时的生产状况。     

有杆抽油系统诊断方法研究与应用

以有杆抽油系统动力学行为分析为基础,将基础理论研究和应用技术有机地结合起来,建立了考虑悬挂系统弹性的直井和定向井有杆抽油系统诊断模型,研究了基于B/S（Brower/Server）模式的有杆抽油系统故障诊断方法,利用Internet技术和Web技术开发了相应的软件系统, 通过浏览器即可实现对有杆抽油系统快速、准确的故障诊断,并给出了诊断算例,诊断结果验证了该系统的有效性。基于B/S模式的有杆抽油系统故障诊断对避免井下作业的盲目性,提高系统效率,降低采油成本,实现油田企业信息化和提高油井的科学管理水平具有重要意义。     

数学描述抽油系统故障时抽油机示功图

抽油设备的工作状况反应在示功图上。由于抽油井的情况较复杂,使实测示功图的形状各不相同,增加了故障分析的难度,分析容易出错。针对这一问题,分析了抽油机采油系统出故障时的示功图。对16种故障的典型示功图形状特征进行数学描述,得到了出故障时示功图特征;对特征相近的功图,给出了结合油井参数进行判断的方法。从而为从示功图的数据上直观且快速准确地判断抽油设备的工作状况提供理论依据。     

泵示功图的凡尔开闭点位置研究

针对有杆抽油系统的泵示功图识别及产液量计算问题,以地面示功图为基础,结合抽油泵的工作原理,借助泵示功图,研究一种能较为准确定位抽油泵游动、固定凡尔开闭点的方法,并用其确定以任何形式呈现的泵示功图的凡尔开闭点位置.实际数据检测结果表明,该方法能够满足抽油井产液量计量的要求.     

基于不变矩的示功图故障诊断方法研究

以抽油机井示功图为例,提出了基于不变矩的示功图故障诊断方法。首先对示功图进行二值化和细化处理。接着计算示功图不变矩。最后将不变矩作为特征向量来诊断抽油机井的故障类型。结果表明,该方法可以有效地分析出抽油机井的常见故障。     

泵示功图单井自动量油技术研究

以井下泵示功图为基础,结合油井工况自动诊断技术,通过封闭曲线的曲率确定有杆抽油系统深井泵的游动阀、固定阀的开启点和关闭点,从而提出了有杆抽油系统单井自动量油的理论及其数学模型.经油田现场实测资料验证,以该理论为核心的泵示功图单井自动量油技术计算的产油量与实际产油量的平均相对误差为8.93%,最大相对误差为20.26%,最小相对误差为0.07%,相对误差在15%以内的井占85.71%.因此,利用该方法中封闭曲线的曲率来确定泵示功图的4个凡尔开闭点的方案是可行的,用于有杆抽油系统的单井自动量油具有实际的工程应用价值,该技术已应用于游梁式有杆抽油泵采油井自动监测系统中.     

基于八链码形状匹配的抽油机井地面示功图凡尔开闭点识别

示功图凡尔开闭点的精准识别对抽油机井工况诊断、功图计产具有重要意义。针对目前示功图凡尔开闭点识别研究局限性,结合大数据环境下抽油机井生产特点,为进一步提高示功图凡尔开闭点识别精准性和实用性,提出一种基于八方向链码形状匹配的抽油机井地面示功图凡尔开闭点识别方法。首先对理论示功图和凡尔开闭点物理表示意义进行分析,用自定义的八方向链码对预处理后的地面示功图进行轮廓提取,再建立形状匹配库,在设定的迭代次数内进行轮廓光滑和链码压缩直至形状匹配成功,最后根据匹配形状定位规则定位凡尔开闭点。应用该方法对胜利油田某区块1650个地面示功图进行凡尔开闭点识别,并将定位的凡尔开闭点运用于60口抽油机井11种工况的识别,基于该方法的识别效果比已有的基于四方向链码多边形近似凡尔开闭点识别方法提高了近1%。结果表明精确识别凡尔开闭点有利于提高抽油机井的故障诊断率和产液量功图计算精准率,从而验证了该方法的有效性。     

基于稀疏自编码神经网络的抽油机井故障诊断

针对传统示功图识别方法对抽油机井进行故障诊断存在人工选取示功图几何特征,识别准确度低等问题,提出一种基于稀疏自编码神经网络的示功图智能识别模型。采用无监督学习方式的稀疏自编码器构建特征学习网络自动提取无标签示功图训练集图像特征,然后采用有标签示功图训练集对softmax分类器进行有监督训练,最后通过稀疏自编码神经网络对学习到的有标签示功图测试集特征进行分类并给出故障诊断结果。结果表明,将稀疏自编码神经网络应用于示功图识别,测试准确度能够达到99.44%,优于其它分类模型。稀疏自编码神经网络直接从像素层面提取所需要的特征,不需要人为选定设计特征,为提高示功图识别准确度提供了帮助,进而解决了抽油机井故障难以准确诊断的难题。     

基于悬点示功图的油井产量动态测量技术研究

针对油井有杆抽油系统无法实现产量连续监测的问题，提出了基于悬点示功图油井产量动态测量方法：首先，基于悬点示功图建立泵示功图模型，然后根据泵示功图计算泵有效冲程，最后动态计算油井实时产量．应用该方法对两口油井的产液量进行了计算，相对误差分别为5．93％和6．87％，研究结果表明，该方法计算较为准确，可以为油井产量动态监测提供参考．     

基于Hessian正则化多视角学习的抽油机井工况识别新方法

针对大数据下抽油机井采油生产系统特点以及目前抽油机井工况识别研究中存在的问题,为进一步提高抽油机井工况识别精准率和工程实用性,提出一种基于Hessian正则化多视角学习的抽油机井工况识别新方法。首先通过先验知识和专家经验,选择实测地面示功图、电功率和井口温度信号3个视角并进行特征提取,然后利用log损失函数建立Hessian正则化多视角logistic回归工况识别模型,最后采用交替优化算法求取最优解并进行分类识别。应用该方法对胜利油田某区块11种抽油机井典型工况进行识别,其识别效果分别比传统的基于实测地面示功图、实测电功率及特征连接多源识别方法提高了2.4%、11%和13.8%,而在少量标记训练样本下该方法识别效果更优,从而验证了该方法的有效性。     

断裂及其裂缝发育带在塔中油气勘探中的意义

针对塔中西部Z15 井区储层非均质性强、主要目的层埋藏较深（一般>5 000 m）、地震资料品质差、小断层识
别困难且多产状较陡的难题,总结出易于操作的小断裂解释判别原则：即寒武系盐层顶面有断距、灰岩顶部有挠曲、地
震剖面上断层轨迹有串珠、碳酸盐岩内幕地震同相轴有相变。相对较准确地刻画了研究区4 期断裂的平面和剖面分
布特征,其中第二期近东西向中晚加里东期逆冲推覆断裂和第三期近南北向的晚加里东-早海西期扭张性走滑断裂
是研究区的主要断裂,控制了研究区奥陶系储层和油气藏的分布。并通过多口井的钻探证实,断裂及其控制的裂缝发
育带是高产稳产井的分布区域,其富含油气主要得益于：优质的储层发育;断裂期次早于油气成藏且封盖条件好,油气
保存完整;良里塔格组水体能量弱。围绕断裂及其裂缝发育带的优质储层发育区的钻探为断裂控储控藏研究和寻找
新的油气富集区域开拓了新的思路。     

基于GM-ELM的有杆泵抽油井故障诊断

为了解决有杆泵抽油井故障诊断问题,提出了基于灰度矩阵极限学习机(gray matrix-extreme learning machine,GM-ELM)故障诊断方法.首先用灰度矩阵对有杆泵抽油井进行故障特征提取;然后用数理统计的方法建立灰度矩阵的特征向量,将故障特征向量作为故障诊断模型的输入值;最后建立GM-ELM模型对有杆泵抽油井故障进行诊断.仿真结果表明该方法与GRNN(general regression neural network)方法、LS-SVM(least squares support vector machine)方法、BPNN(back propagation neural network)方法相比具有更高的故障诊断准确率.     

基于故障树和Bayes网络组合的装备故障诊断

针对故障树和Bayes网络在故障诊断中的局限性,提出一种使用故障树和Bayes网络组合的方式建立诊断故障Bayes网络,并基于诊断故障Bayes网络运用联合树推理进行故障诊断的方法.该方法解决了在复杂系统故障诊断过程中独立运用故障树和Bayes网络出现故障推理能力弱和建模难等问题.实验结果表明,使用该方法对某型舰船上的甲板灯光照明系统进行故障诊断,得出了各个故障征兆节点或故障原因节点的概率分布,从而可快速准确地定位甲板灯光照明系统故障.     

Revised Fault Free Analysis Method for Reliability Evaluation of Smart Grids

Smart grid was proposed as a practical form of future power distribution system. Evaluating the reliability of smart grids was of great importance and significance. A revised fault tree model was proposed to distinguish and separate grid-connected operation mode and islanded operation mode of smart grids,focusing on the perspective of the consumers. A hierarchical Monte Carlo simulation method for reliability evaluation was also proposed based on the proposed fault tree model. A case of reliability evaluation for the future renewable electric energy delivery and management（ FREEDM） system was carried out and analyzed. The proposed methods can be applicable to other forms of smart grids.     

基于故障树与BAM神经网络的智能故障诊断方法

在研究故障树分析(FTA)和双向联想记忆(BAM)神经网络在故障诊断中应用的基础上,提出了一种融合FTA和BAM的故障诊断方法。故障树存贮了系统关于顶事件发生的全部知识,利用FTA得到系统所有的故障模式,进而归纳出BAM的学习样本,即故障树中故障现象(监测点状态组合)和底事件发生与否之间的对应。BAM通过联想记忆矩阵并行联想,得到诊断结果,扩展综合故障诊断能力。用上述方法进行仿真分析,结果表明该方法用于解决此类问题是有效的。     

基于故障树分析法的FMS层次诊断模型

从基于知识的诊断角度出发，针对ＦＭＳ的结构特点和故障传播形式，提出了一种基于故障树分析法的ＦＭＳ层次诊断模型．详细介绍了模型的设计思想、模型的建立过程以及诊断推理控制策略     

基于本体故障树的关键机组诊断决策研究

为了满足石化企业连续性工作设备或机组在发生故障后对故障原因进行快速定位的要求，将本体先进的知识表示方法引入到成熟的故障树研究中，提出了基于本体的故障树构建方法，并通过对生成的故障树进行定量分析，计算出故障判明效时比，以其从大到小的顺序为依据找到故障诊断最优路径，实现了本体和故障树的优势结合.该方法在知识共享和重用的基础上，实现对故障的快速诊断定位，从而提高了故障诊断效率，减少了企业的生产维护成本.