基于BP神经网络识别的电泵井实时电流故障诊断方法与应用

张锋利，郝晓军*，周日

（中海石油（中国）有限公司天津分公司秦皇岛32-6/渤中作业公司，天津，300459）

引言

渤海油田电泵井占总开发井数的 96%以上[1]，电泵井生产过程中常常因稠油乳化、泵轴断裂、举升效率下降、出砂、电压波动、过载停机、供液不足及气锁等多因素影响，导致电泵井举升效率下降，严重者停机检泵作业。在日产电泵井管理实践中，常常应用井口憋压诊断、实时电流曲线变化、井底流压变化、井口油压及产能变化判断电泵井运行状况[2-4]。以电流为例，陆地油田常常采用电流卡片方式诊断电泵运行状况，而海上油田因实现实时数据采集，可精准获取井下电泵运行电流数据，可采取以2s为时间单位的数据点。精准的电流数据获取为电泵故障诊断方法提供更为可靠的原始数据信息。本文利用现场实测电流样本和模拟电流样本，按照一定规则进行样本特征值提取建立样本库，运用BP神经网络识别方法计算相似程度，判断各种工况发生概率。

1 BP神经网络的原理

BP神经网络识别是一种神经前馈式多层神经网络模型和误差反向传播梯度下降算法[5-8]，其主要思路：若求出误差E对各个神经之输出的偏导就可以算出误差E对所有连接权值的偏导，可以利用梯度下降法来修改各个连接权值。BP网络训练学习是一种监督学习，要求每一个输入模式矢量与表示所期望输出模式矢量配对。一般来说，网络输出值与期望输出值是不相等的。对于每一个输入的模式样本，其均方误差为EP：