智慧油田数据采集与故障诊断研究与实现
发布时间：2021-03-20 23:38
计算机网络的发展推动了油田智能化的进程。油井多分布于荒凉偏远地区,依靠人工的方式对抽油机运行状态进行监测比较困难且实时性较差。因此,实现采油井自动化监控已是采油井科学管理的必然趋势。示功图分析法是油井工况分析的常用方法。智慧油田数据采集与故障诊断研究与实现,设计并实现了一整套集数据采集、数据管理、故障诊断和数据展示的智能系统。本文首先对石油行业的发展现状和抽油机故障诊断研究现状进行了分析,进而表明本文所设计的智能系统对于石油生产的重要意义。然后详细介绍了系统的核心算法:基于灰度矩阵的示功图特征提取算法。从理论角度剖析了算法应用的可行性。详细阐述了算法的实现步骤以及特征提取过程中应用的算法思想。最终给出了通过算法提取的典型故障示功图各特征值,这些特征值是故障识别应用的依据。以特征提取算法为核心,设计了一套具有数据管理与故障诊断功能的软件平台。该平台应用Spring、Spring MVC、My Batis架构搭建,具备用户及权限管理、参数汇总、报表查询、曲线分析以及作业区管理等5个核心功能模块,能够满足油田生产数据自动化管理的需求。同时能够对故障进行初步的判断,对于及时了解油井工况起着重要...
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
系统整体方案设计图
中国石油大学（北京）硕士学位论文-13-第3章基于灰度矩阵的示功图特征提取算法如今，对于功图法进行故障诊断大多还是通过人工的方法，依靠经验识别无疑提高了用人成本。而利用计算机自动识别示功图的方法也有很多。例如通过建立数学模型对示功图特征进行提取，此类方法需要大量数学公式推导，耗时耗力；或基于BP神经网络，此方法需要大量的功图模板，不断对模型进行训练，识别准确度完全取决于示功图模板的选择。基于灰度矩阵的示功图特征提取，首先将示功图转换为相应的灰度矩阵，再提取灰度直方图的均值、方差、偏度、峰度、能量以及熵等6个统计特征得到特征向量。特征向量是示功图诊断的依据。3.1相关概念介绍3.1.1抽油机工作原理有杆泵采油系统由抽油杆、抽油机和抽油泵组成，如图3.1所示。有杆泵是指利用抽油杆上下往复运动所驱动的柱塞式抽油泵。有杆泵采油具有结构简单、故障率低等特点[12]。同时发展时间较长，技术成熟，在采油领域占主导地位。图3.1有杆泵采油系统示意图Fig.3.1SchematicDiagramofRodPumpProductionSystem
中国石油大学（北京）硕士学位论文-17-以上故障大多会导致原油减产，更严重的，可能会导致设备故障。及时准确地诊断采油系统的故障对保证产量有着重要意义[20-23]。3.2特征提取方法概述经验丰富的工人也许可以通过观察示功图立即判断出抽油机工作是否正常。而这些经验通过工人“言传身教”给计算机显然是不现实的。这就需要找到示功图之间的差异，即每种示功图的特征；同时需要将特征进行量化，即特征值。有了特征值，计算机就可以通过值的大小来对示功图进行故障诊断了。目前示功图特征提取方法主要有以下几类：面积法、网格法、矢量法以及差分曲线法[24-27]。面积法是将示功图的面积作为识别特征，主要依据示功图面积大小以及示功图面积随时间变化的趋势。此方法只适用于区分出连抽带喷、抽油杆断脱等功图呈窄带形状的示功图。网格法是利用网格将示功图划分为若干的小区域，然后标记示功图曲线所经过的区域并由此提取示功图特征向量，此方法具有一定的局限性[30]。矢量法以边界与图形重心间的矢量距离作为特征提取依据。虽然该方法提取特征效果较好，但计算量大[28]，影响故障诊断效率。差分曲线法通过差分曲线来简化示功图识别过程，但该方法只适用于识别普通故障。本文所采用的基于灰度矩阵的特征提取方法，以网格法的基础，并运用图像处理以及模式识别相关理论进行优化。其特点是计算简单，特征性强，识别效率高。为了更好地说明算法实现的步骤，本章以图3.6作为示例示功图。图3.6示例示功图Fig.3.6ExampleofIndicatorDiagram
本文编号：3091877
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
系统整体方案设计图
中国石油大学（北京）硕士学位论文-13-第3章基于灰度矩阵的示功图特征提取算法如今，对于功图法进行故障诊断大多还是通过人工的方法，依靠经验识别无疑提高了用人成本。而利用计算机自动识别示功图的方法也有很多。例如通过建立数学模型对示功图特征进行提取，此类方法需要大量数学公式推导，耗时耗力；或基于BP神经网络，此方法需要大量的功图模板，不断对模型进行训练，识别准确度完全取决于示功图模板的选择。基于灰度矩阵的示功图特征提取，首先将示功图转换为相应的灰度矩阵，再提取灰度直方图的均值、方差、偏度、峰度、能量以及熵等6个统计特征得到特征向量。特征向量是示功图诊断的依据。3.1相关概念介绍3.1.1抽油机工作原理有杆泵采油系统由抽油杆、抽油机和抽油泵组成，如图3.1所示。有杆泵是指利用抽油杆上下往复运动所驱动的柱塞式抽油泵。有杆泵采油具有结构简单、故障率低等特点[12]。同时发展时间较长，技术成熟，在采油领域占主导地位。图3.1有杆泵采油系统示意图Fig.3.1SchematicDiagramofRodPumpProductionSystem
中国石油大学（北京）硕士学位论文-17-以上故障大多会导致原油减产，更严重的，可能会导致设备故障。及时准确地诊断采油系统的故障对保证产量有着重要意义[20-23]。3.2特征提取方法概述经验丰富的工人也许可以通过观察示功图立即判断出抽油机工作是否正常。而这些经验通过工人“言传身教”给计算机显然是不现实的。这就需要找到示功图之间的差异，即每种示功图的特征；同时需要将特征进行量化，即特征值。有了特征值，计算机就可以通过值的大小来对示功图进行故障诊断了。目前示功图特征提取方法主要有以下几类：面积法、网格法、矢量法以及差分曲线法[24-27]。面积法是将示功图的面积作为识别特征，主要依据示功图面积大小以及示功图面积随时间变化的趋势。此方法只适用于区分出连抽带喷、抽油杆断脱等功图呈窄带形状的示功图。网格法是利用网格将示功图划分为若干的小区域，然后标记示功图曲线所经过的区域并由此提取示功图特征向量，此方法具有一定的局限性[30]。矢量法以边界与图形重心间的矢量距离作为特征提取依据。虽然该方法提取特征效果较好，但计算量大[28]，影响故障诊断效率。差分曲线法通过差分曲线来简化示功图识别过程，但该方法只适用于识别普通故障。本文所采用的基于灰度矩阵的特征提取方法，以网格法的基础，并运用图像处理以及模式识别相关理论进行优化。其特点是计算简单，特征性强，识别效率高。为了更好地说明算法实现的步骤，本章以图3.6作为示例示功图。图3.6示例示功图Fig.3.6ExampleofIndicatorDiagram
本文编号：3091877
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3091877.html
