[發明專利]基于SVM模型油井工況智能診斷分析方法及裝置

在審

• 申請號: 201910964089.6
• 申請日: 2019-10-11
• 公開（公告）號: CN111144433A
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 王紹平;高占武;李永平;李科華;李廣輝;劉繼紅;劉彬;唐梅;向東奎;張建東;張云龍;趙凱峰;眭金擴
• 申請（專利權）人: 中國石油天然氣股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安吉盛專利代理有限責任公司 61108
• 代理人: 高云

本發明基于SVM模型油井工況智能診斷分析方法及裝置，屬于油田采油工藝技術領域，本發明提供的基于SVM模型油井工況智能診斷分析方法,包括：步驟1：獲取油井多組正常示功圖，并提取該多組正常示功圖的HOG特征，將該正常示功圖的HOG特征集合為正常HOG特征集合；本發明在不同油藏、不同井身結構及物性差異，導致油井工況復雜多變的情況下，提供了一套通用高準確率功圖識別辦法，克服了矩陣特征識別法的矩陣特征對功圖的細微變化描述不充分的問題，可以對輕微出砂、上碰和下掛可以準確識別，較差分曲線法實際應用過程中去除掉對診斷有用的特征的問題，本發明診斷類型較多，可定量評價；較PSO?RBF神經網絡算法，本發明在復雜工況下識別也較為準確。

技術領域

本發明屬于油田采油工藝技術領域，具體涉及基于SVM模型油井工況智能診斷分析方法及裝置。

背景技術

隨著數字化油田的發展，油井功圖遙測技術應用廣泛，通過油井遙測功圖來診斷油井工況（深井泵工作狀態）成為油井日常生產管理的重要手段之一。

近年來，隨著計算機技術的發展，借助計算機系統實現工況自動分析的研究不斷深入，目前的流行技術有：功圖矩特征識別法(抽油機示功圖矩特征識別法 油氣田地面工程（OGSE） 第18卷第3期)、差分曲線法(楊順輝 差分曲線法在示功圖診斷中的應用)、基于深度學習的油井功圖智能識別法、基于PSO-RBF神經網絡的示功圖識別法(微型機與應用，2016年第35卷第3期)等。

發明人在實現本發明實施例的過程中，發現背景技術中至少存在以下缺陷：

由于不同油藏、不同井身結構及物性差異，導致油井工況復雜多變，以上技術存在適用范圍限制，無法提供一套通用高準確率功圖識別辦法。其中矩陣特征識別法的矩陣特征對功圖的細微變化描述不充分，對輕微出砂、 上碰、下掛無法準確識別，同時矩的特性忽略了功圖形狀的大小，對動載荷和結蠟等工況無法診斷。差分曲線法不足處在于差分計算中丟失示功圖特征太多，實際應用過程中去除掉對診斷有用的特征，導致識別診斷的故障類型有限、且無法定量評價。基于PSO-RBF神經網絡算法提取的是具有代表性的單一故障示功圖圖形特征，并未考慮多故障同時識別及設備和生產參數對故障的影響，復雜工況識別未做研究。

發明內容

本發明提供基于SVM模型油井工況智能診斷分析方法及裝置，目的在于解決上述問題，解決由于不同油藏、不同井身結構及物性差異，導致油井工況復雜多變，以上技術存在適用范圍限制，無法提供一套通用高準確率功圖識別辦法。其中矩陣特征識別法的矩陣特征對功圖的細微變化描述不充分，對輕微出砂、 上碰、下掛無法準確識別，同時矩的特性忽略了功圖形狀的大小，對動載荷和結蠟等工況無法診斷。差分曲線法不足處在于差分計算中丟失示功圖特征太多，實際應用過程中去除掉對診斷有用的特征，導致識別診斷的故障類型有限、且無法定量評價。基于PSO-RBF神經網絡算法提取的是具有代表性的單一故障示功圖圖形特征，并未考慮多故障同時識別及設備和生產參數對故障的影響，復雜工況識別未做研究的問題。

為實現上述目的，本發明采用的技術方案如下：

基于SVM模型油井工況智能診斷分析方法,包括：

步驟1：獲取油井多組正常示功圖，并提取該多組正常示功圖的HOG特征，將該正常示功圖的HOG特征集合為正常HOG特征集合；

步驟2：獲取多組不同工況下的油井故障示功圖，并將該多組示功圖按照油井的不同事故分為多組故障樣本集合，分別提取每組故障樣本集合的HOG特征，所述每組故障樣本集合的HOG特征集合為不同事故的事故HOG特征集合；

步驟3：將其中一種故障的事故HOG特征集合作為第一樣本，將其他故障的事故HOG特征集合和正常HOG特征集合作為第二樣本，將第一樣本和第二樣本輸入SVM分類器進行學習訓練，得到用于診斷所述故障的分類模型，重復本步驟，直到獲得用于診斷每種故障的分類模型后，進入下一步；