Диагностика неисправностей штанговой глубинно-насосной установки на основе машинного обучения с использованием кривой мощности двигателя

Abstract

Актуальность. Определяется сложностью мониторинга и диагностики состояния подземных элементов конструкции штанговых глубинно-насосных установок и больших экономических потерь при эксплуатации этого оборудования с не выявленными своевременно дефектами. Цель: разработка способов обнаружение неисправностей штангового насоса, не требующих привлечения для диагностики высококвалифицированного персонала, с использованием информации, получение которой легко доступно на поверхности. Методы: методы машинного обучения (метод дерева решений, метод K-ближайших соседей, метод опорных векторов, наивный байесовский классификатор) с использованием диаграмм мощности двигателя. Результаты и выводы. Показана возможность обнаружения неисправностей штангового насоса на основе методов машинного обучения. Исследование проведено на основе разработанной имитационной модели штангового насоса, использованной для воспроизведения кривых мощности двигателя с учетом влияния особенностей различных сценариев функционирования оборудования. Являясь основным источником энергии для добычи нефти, мощность двигателя напрямую связана с рабочим состоянием нефтяной скважины в реальном времени, а кривая мощности двигателя является надежным источником информации, позволяющим повысить эффективность диагностики штангового насоса. Для обучения классификаторов и оценки точности их функционирования использовался ряд характеристик, получаемых из кривых мощности двигателя для шести различных рабочих состояний насоса. А именно, рассчитывались рабочие коэффициенты, представляющие собой отношения интеграла мощности на каждом из четырех этапов цикла работы установки к интегралу мощности за весь цикл. Результаты показывают, что рассматриваемый подход позволяет обеспечить высокую точность диагностики условий работы штангового насоса. Классификатор на основе метода решающих деревьев показал наивысшую эффективность среди четырех исследованных классификаторов по выявлению всех шести типов неисправностей (95,8 %), метод опорных векторов также показал весьма высокую эффективность (90,3 %)

Relevance. The complexity of monitoring and diagnosing the condition of underground structural elements of sucker rod pumping units and large economic losses when operating this equipment with defects not identified in a timely manner. Aim. Development of methods for detecting faults in a sucker rod pump that do not require the involvement of highly qualified personnel for diagnosis, using information that is easily available on the surface. Methods. Machine learning methods (Decision tree method, K-nearest neighbors method, Support vector machine, Naive Bayes classifier) using motor power curves. Results and conclusions. The paper demonstrates the possibility of detecting faults in a sucker rod pump based on machine learning methods. The study was carried out on the basis of a developed simulation model of a sucker rod pump, used to reproduce motor power curves, taking into account the impact of the features of various equipment operation scenarios. Being the fundamental energy source for the oil production, motor power is directly related to the real-time operating condition of the oil well, and the motor power curve is a reliable source with the ability to increase the efficiency of sucker rod pump diagnostic. To train the machine learning classifiers and evaluate their performance accuracy, a number of characteristics were used, obtained from motor power curves for six different pump operating states. Namely, operating coefficients were calculated, representing the ratio of the power integral at each of the four stages of the installation operating cycle to the power integral for the entire cycle. The results show that the considered approach allows for high accuracy in diagnosing the operating conditions of a sucker rod pump. The classifier based on the decision tree method showed the highest efficiency among the four studied classifiers in identifying all six types of faults (95.8%), and the support vector machine method showed as well very high efficiency (90.3%)