Динамические симуляторы в задачах диагностики штанговых глубинно-насосных установок

Abstract

Актуальность. Эффективность работы штанговых глубинно-насосных установок во многом зависит от качества системы мониторинга и диагностики неисправностей агрегата. Когда штанговый насос эксплуатируется в критических рабочих состояниях, частота отказов оборудования увеличивается, а эффективность производства снижается. Кроме того, поскольку штанговый насос работает глубоко под землей, затраты на его ремонт и обслуживание весьма высокие, а добыча при этом прерывается на длительное время. Следовательно, улучшение системы мониторинга и диагностики работы штангового насоса является важной задачей. Информация о рабочем состоянии штангового насоса отражается в динамограмме усилий в подвеске колонны штанг и в диаграмме мгновенной мощности двигателя - ваттдиаграмме. Мониторинг штангового насоса с использованием диаграммы мощности двигателя более эффективен, чем динамометрирование, так как его можно использовать для оценки состояния как наземного, так и подземного оборудования. Кроме того, диаграмма мощности двигателя, в отличие от динамограммы, получается с помощью более простых и надежных средств измерений тока и напряжения. Таким образом, диаграмму мощности двигателя можно признать лучшим альтернативным методом для разработки оперативных систем мониторинга и диагностики для штанговых насосных установок. Основная цель: рассмотреть проблемы построения диагностических моделей с использованием диаграммы мощности двигателя штанговых глубинно-насосных установок. Объекты: электропривод, штанговая насосная установка, нефтедобывающая скважина. Методы: имитационное моделирование; метод извлечения признаков, который создает вектор признаков для уникального представления каждого рабочего состояния - метод опорных векторов. Результаты. Проанализированы 72 расчётных диаграммы мощности двигателя, представляющие шесть рабочих состояний, а именно: нормальное рабочее состояние; утечка всасывающего клапана; воздействие газа; недостаточная подача жидкости; низкая и высокая посадка плунжера. Показано, что вектор признаков, построенный на основе оценки мощности в момент переключения клапанов, уникально представляет каждое рабочее состояние. Также было замечено, что метод опорных векторов правильно классифицирует образцы в нормальном режиме работы штанговых глубинно-насосных установок, утечки во впускном клапане и заполнение насоса газом. Однако некоторые образцы с недостаточной подачей жидкости были ошибочно классифицированы как заполнение насоса газом или нормальные.

Relevance. Production benefits and efficiency of sucker rod pump installations is highly dependent on the accuracy of monitoring and fault diagnosis system used. When sucker rod pump is operated at faulty working states, the rate of equipment failure increases and the production efficiency decreases. Moreover, since the sucker rod pump operates deep in the underground, maintenance cost is more, and production is interrupted for longer time. Hence, improving monitoring and diagnostic system for sucker rod pump operation has become very important. The information about sucker rod pump working state is embodied in the dynamometer card and motor power curve. Monitoring sucker rod pump using motor power curve is more advantageous than dynamometer card. It can be used to monitor both surface and subsurface equipment. Moreover, motor power curve is obtained using more reliable current and voltage measurements. Therefore, the motor power curve provides a better alternative evidence for development of monitoring and diagnostic systems for sucker rod pumps. The main aim of the research is to ease the challenges those impede the promotion of diagnostic models using motor power curve. Objects: electrical drive, sucker rod pumping unit, oil producing well. Methods: sucker rod pump simulation model; feature extraction method that produces a feature vector to uniquely represent each working state; diagnostic method based on support vector machine. Results. 72 labeled motor power curves representing six working states namely: normal working state, travelling valve leakage, gas affected, insufficient liquid supply, condition when the plunger hits top dead center and bottom dead center, are generated. It was seen that the feature vector constructed based on the valve working points and energy consumption represent uniquely each working state. It was also seen that the support vector machine classifier correctly classifies the samples for normal, travelling valve leakage, gas affected working states. However, some samples of insufficient liquid supply were misclassified as gas affected and normal.