基于深度学习的抽油机井工况诊断方法

肖 翔

(中国科学技术大学 信息科学技术学院，安徽 合肥230026)

0 引言

基于游梁式抽油机井的人工举升法[1]是目前主流的采油法。人工举升法以其结构简单、成本低廉、适应性强等优点著称。据不完全统计[2]，全球超过90%的油田以及国内超过85%的油田都是采用这种方式进行原油开采。在油田开采的过程中，地下深井作业的环境较为复杂，容易引起井下抽油泵从正常的状态转变为故障的状态。若抽油泵长期处于故障状态，抽油泵设备会加速磨损使其生命周期骤缩，进一步影响油田的开采效率。由实时监测的数据快速、准确地诊断识别出抽油机井的工作状态，会给实际的开采提供有价值的信息，实现高效开采的同时将损耗降至最小。

基于示功图[3]的故障诊断的方式是趋于成熟的一种诊断技术。示功图是由地面驴头悬点处的位移为横坐标，以载荷为纵坐标绘制而成的闭合曲线。泵功图则描述抽油泵处位移、载荷的曲线。虽然泵功图更能直接反映抽油泵在一次往复过程中的工作状态，然而直接测量井下的泵功图数据比较困难。因此，在实际的工程中通常使用测量比较简单的示功图代替井下泵功图。示功图具有实际的物理意义，不同工作状态的示功图在形状上存在特定的差异。从示功图的形状轮廓识别出具体的所属工况需要一定的专业知识，早期是由有经验的工程师协作完成，但是由于油井规模越来越大，采集得到的示功图数以万计，由人工来诊断十分繁琐且枯燥。……