發(fā)布時(shí)間：2021-03-20 23:38

　　計(jì)算機(jī)網(wǎng)絡(luò)的發(fā)展推動(dòng)了油田智能化的進(jìn)程。油井多分布于荒涼偏遠(yuǎn)地區(qū),依靠人工的方式對(duì)抽油機(jī)運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)比較困難且實(shí)時(shí)性較差。因此,實(shí)現(xiàn)采油井自動(dòng)化監(jiān)控已是采油井科學(xué)管理的必然趨勢(shì)。示功圖分析法是油井工況分析的常用方法。智慧油田數(shù)據(jù)采集與故障診斷研究與實(shí)現(xiàn),設(shè)計(jì)并實(shí)現(xiàn)了一整套集數(shù)據(jù)采集、數(shù)據(jù)管理、故障診斷和數(shù)據(jù)展示的智能系統(tǒng)。本文首先對(duì)石油行業(yè)的發(fā)展現(xiàn)狀和抽油機(jī)故障診斷研究現(xiàn)狀進(jìn)行了分析,進(jìn)而表明本文所設(shè)計(jì)的智能系統(tǒng)對(duì)于石油生產(chǎn)的重要意義。然后詳細(xì)介紹了系統(tǒng)的核心算法:基于灰度矩陣的示功圖特征提取算法。從理論角度剖析了算法應(yīng)用的可行性。詳細(xì)闡述了算法的實(shí)現(xiàn)步驟以及特征提取過(guò)程中應(yīng)用的算法思想。最終給出了通過(guò)算法提取的典型故障示功圖各特征值,這些特征值是故障識(shí)別應(yīng)用的依據(jù)。以特征提取算法為核心,設(shè)計(jì)了一套具有數(shù)據(jù)管理與故障診斷功能的軟件平臺(tái)。該平臺(tái)應(yīng)用Spring、Spring MVC、My Batis架構(gòu)搭建,具備用戶及權(quán)限管理、參數(shù)匯總、報(bào)表查詢、曲線分析以及作業(yè)區(qū)管理等5個(gè)核心功能模塊,能夠滿足油田生產(chǎn)數(shù)據(jù)自動(dòng)化管理的需求。同時(shí)能夠?qū)收线M(jìn)行初步的判斷,對(duì)于及時(shí)了解油井工況起著重要... 

【文章來(lái)源】：中國(guó)石油大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

系統(tǒng)整體方案設(shè)計(jì)圖

中國(guó)石油大學(xué)（北京）碩士學(xué)位論文-13-第3章基于灰度矩陣的示功圖特征提取算法如今，對(duì)于功圖法進(jìn)行故障診斷大多還是通過(guò)人工的方法，依靠經(jīng)驗(yàn)識(shí)別無(wú)疑提高了用人成本。而利用計(jì)算機(jī)自動(dòng)識(shí)別示功圖的方法也有很多。例如通過(guò)建立數(shù)學(xué)模型對(duì)示功圖特征進(jìn)行提取，此類方法需要大量數(shù)學(xué)公式推導(dǎo)，耗時(shí)耗力；或基于BP神經(jīng)網(wǎng)絡(luò)，此方法需要大量的功圖模板，不斷對(duì)模型進(jìn)行訓(xùn)練，識(shí)別準(zhǔn)確度完全取決于示功圖模板的選擇�；诨叶染仃嚨氖竟D特征提取，首先將示功圖轉(zhuǎn)換為相應(yīng)的灰度矩陣，再提取灰度直方圖的均值、方差、偏度、峰度、能量以及熵等6個(gè)統(tǒng)計(jì)特征得到特征向量。特征向量是示功圖診斷的依據(jù)。3.1相關(guān)概念介紹3.1.1抽油機(jī)工作原理有桿泵采油系統(tǒng)由抽油桿、抽油機(jī)和抽油泵組成，如圖3.1所示。有桿泵是指利用抽油桿上下往復(fù)運(yùn)動(dòng)所驅(qū)動(dòng)的柱塞式抽油泵。有桿泵采油具有結(jié)構(gòu)簡(jiǎn)單、故障率低等特點(diǎn)[12]。同時(shí)發(fā)展時(shí)間較長(zhǎng)，技術(shù)成熟，在采油領(lǐng)域占主導(dǎo)地位。圖3.1有桿泵采油系統(tǒng)示意圖Fig.3.1SchematicDiagramofRodPumpProductionSystem

中國(guó)石油大學(xué)（北京）碩士學(xué)位論文-17-以上故障大多會(huì)導(dǎo)致原油減產(chǎn)，更嚴(yán)重的，可能會(huì)導(dǎo)致設(shè)備故障。及時(shí)準(zhǔn)確地診斷采油系統(tǒng)的故障對(duì)保證產(chǎn)量有著重要意義[20-23]。3.2特征提取方法概述經(jīng)驗(yàn)豐富的工人也許可以通過(guò)觀察示功圖立即判斷出抽油機(jī)工作是否正常。而這些經(jīng)驗(yàn)通過(guò)工人“言傳身教”給計(jì)算機(jī)顯然是不現(xiàn)實(shí)的。這就需要找到示功圖之間的差異，即每種示功圖的特征；同時(shí)需要將特征進(jìn)行量化，即特征值。有了特征值，計(jì)算機(jī)就可以通過(guò)值的大小來(lái)對(duì)示功圖進(jìn)行故障診斷了。目前示功圖特征提取方法主要有以下幾類：面積法、網(wǎng)格法、矢量法以及差分曲線法[24-27]。面積法是將示功圖的面積作為識(shí)別特征，主要依據(jù)示功圖面積大小以及示功圖面積隨時(shí)間變化的趨勢(shì)。此方法只適用于區(qū)分出連抽帶噴、抽油桿斷脫等功圖呈窄帶形狀的示功圖。網(wǎng)格法是利用網(wǎng)格將示功圖劃分為若干的小區(qū)域，然后標(biāo)記示功圖曲線所經(jīng)過(guò)的區(qū)域并由此提取示功圖特征向量，此方法具有一定的局限性[30]。矢量法以邊界與圖形重心間的矢量距離作為特征提取依據(jù)。雖然該方法提取特征效果較好，但計(jì)算量大[28]，影響故障診斷效率。差分曲線法通過(guò)差分曲線來(lái)簡(jiǎn)化示功圖識(shí)別過(guò)程，但該方法只適用于識(shí)別普通故障。本文所采用的基于灰度矩陣的特征提取方法，以網(wǎng)格法的基礎(chǔ)，并運(yùn)用圖像處理以及模式識(shí)別相關(guān)理論進(jìn)行優(yōu)化。其特點(diǎn)是計(jì)算簡(jiǎn)單，特征性強(qiáng)，識(shí)別效率高。為了更好地說(shuō)明算法實(shí)現(xiàn)的步驟，本章以圖3.6作為示例示功圖。圖3.6示例示功圖Fig.3.6ExampleofIndicatorDiagram


本文編號(hào)：3091877