信息系统工程 │ 2020.8.20信息系统工程 │ 2020.8.20
115114
EXCHANGE OF EXPERIENCE
经验交流
EXCHANGE OF EXPERIENCE
经验交流
摘要：
抽油机井是大港油田最主要的采油井类型，抽油机井受到井深井斜、储层条件、流体性质及泵
杆材质等多方面因素影响，示功图对于故障的反应具有复杂性、多样性的特点，目前已有软件的常规诊断方
法难以实现对示功图复杂多变的故障精确诊断。基于人工智能的抽油机井故障诊断结合采油工程专业与机器
学习、图像识别等技术，实现了基于示功图分析的抽油机井故障精确诊断，实现对包括杆断、脱接器开、泵
漏、结蜡或油稠等常见故障的精确诊断。
关键词：
示功图；机器学习；图像识别；故障诊断
一、前言
抽油井系统故障诊断技术一直是国内外采油工程技
术人员的重要研究课题。有杆抽油机是大港油田石油开
采的主要设备，在有杆抽油系统中，地面示功图是反映
抽油系统工作状态的有效方法。通过识别地面示功图可
以对有杆抽油系统的工作状态进行有效诊断。
目前国内对抽油机井故障的诊断主要是根据采油工
程师对泵功图的分析和油井管理经验来确定。针对现有
采油工业中抽油机数量大、分布广、故障诊断自动化程
度低的特点，需要一种诊断技术和方法及软件体系结构
来提高故障诊断的准确性和多故障同时诊断的能力，这
对避免井下作业的盲目性和提高石油产量具有重要的意
义。虽然目前已开发出一些基于规则描述和推理的专家
系统，并取得一定的效果，但其仅能处理单一领域知识
范畴的符号推理，其知识表达方式和推理策略相对单一，
难以充分和正确表达诊断知识领域，因此限制了它的广
泛使用
[1]
。
为有效识别抽油机井常见故障特征，本次方案采用
了图像识别、基础特征学习与特征变化对比 3 种方法相
结合进行建模，从根本上实现了基于示功图分析的抽油
机井故障精确诊断。实现可对包括包括泵卡、结蜡、砂
埋油层、泵漏、泄油器开、油管漏、脱接器开与杆断 8
种故障及传感器异常进行精确诊断。
二、业务现状
抽油机井是一套地面电机与机械运动装置通过井下
管杆带动地下抽油泵做往复运动的装置，装置将地下的
原油进行举升并采出地面。
抽油泵在做不间断往复运动过程中会出现不同的机
械故障，如抽油泵故障无法被及时发现并处理，会直接
导致产量的损失，同时因为电机空转直接造成无效耗电
成本
[2]
。
抽油泵的故障诊断主要依靠抽油机地面部分的载荷
传感器信号采集来判断，即示功图分析。示功图是一个
抽油泵运行过程载荷与位移关系变化的图形，图形的特
征变化可以反映抽油泵的不同故障特征。确定故障后根
据具体故障进行针对性的措施进行产量恢复。
抽油机井受到井深井斜、储层条件、流体性质及泵
杆材质等多方面因素影响，示功图对于故障的反应具有
复杂性、多样性的特点。市场上现有诊断软件均以一套
标准业的业务规则为基础，无法进行针对性的分析诊断，
故障准确率低、误报率高，无法达到有效辅助生产的应
用效果。
目前，抽油泵的故障诊断主要依靠人工经验进行分
析，效率低下且及时性不强，在实际生产过程中故障的
发现比故障发生通常会发生延迟。
大港油田目前抽油机井常见的故障包括泵卡、结蜡、
砂埋油层、泵漏、泄油器开、油管漏、脱接器开与杆断
等 8 种常见故障。
三、 解决方案
本次抽油机井故障智能诊断从人工智能技术应用的
角度突破原有技术方法的壁垒，整体技术实现基于图像
识别与机器学习技术，通过对历史数据的标注与训练，
建立抽油机井故障与示功图特征的模型关系模型，诊断
模型随实际样本的增加不断完善，并随时可以进行干预
调整并持续优化迭代。为有效识别大港油田抽油机井常
见故障特征，采用了图像识别、基础特征学习与特征变
化对比 3 种方法进行综合建模。
（一）图像识别
通过人工图像识别方法识别示功图的肥大、扁平、
缺口、杂乱等基础特征，可以有效识别泵卡、结蜡、砂
埋或示功图故障引起的示功图杂乱，但无法具体区分泵
漏、杆断、油管漏等特征一致的扁平示功图。
（二） 基础特征学习
对示功图原始 144 个载荷与位移点分布，及示功图
有效冲程与示功图面积特征与故障建立机器学习模型，
基于人工智能技术的抽油机井故障诊断
——以大港油田为例
马祥厚 刘冠辰
◆
可以实现不同故障标注与对应示功图特征的关系模型，
可以有效识别不同的故障示功图。
（三） 特征变化对比
鉴于泵漏、杆断、脱节器开、油管漏或泄油器开几
个故障的图像相似性，但在故障示功图变化上的差异，
针对性建立示功图特征变化对比分析模型，通过故障示
功图与正常示功图的变化特征来正确区分以上几种故障。
四、 实现步骤
（一）步骤一
生成对抗网络图像识别方法结合深度卷积生成对抗
网络和条件生成对抗网络的优点，可以对示功图的形状
特征做有效过滤，识别出示功图的肥大、勾状、斜向狭窄、
扁平与错乱特征，可以有效识别结蜡、砂埋、泵卡及传
感器故障特征，但无法具体区分杆断、脱节器开、泄油
器开、油管漏与泵漏的一致性示功图扁平特征。
（二）步骤二
示功图的原始数据采集是位移数据与载荷数据的 144
个数据点，数据点的分布规律直接决定了示功图的形状，
功图形状特征反应抽油泵的工作状态。
基础特征学习建模作为故障诊断的最重要环节，将
抽油机井历史故障与对应的示功图数据点特征进行建模
训练，同时加入示功图的面积与有效冲程等二次特征进
行辅助建模，当抽油机井采集到新的示功图数据时，通
过对有故障特征示功图数据进行识别，模型输出对应的
故障类型
[3]
。
具体过程按照数据准备、数据处理、模型建立、结
果输出的 4 个阶段进行。
图 1 抽油机井故障智能诊断技术实现阶段划分
（三）步骤三
示功图变化对比特征建模主要用于区分泵漏、杆断、
脱节器开、油管漏与泄油器开故障，将示功图特征变化
特征建立为机器学习模型，同时在变化建模过程中加入
标准示功图对比用以辅助诊断，排除因为示功图突变引
起的故障误报。
当采集到新的示功图数据时，先进行图像识别分析，
将示功图分为传感器故障、结蜡、泵卡、砂埋及杆断与
油管漏等一类故障，首先将传感器故障进行输出。第二
步通过机器学习模型识别进一步判断结蜡、泵卡与砂埋
故障，并进行输出，同时将杆断、脱接器开、油管漏或
泄油器开及泵漏故障进行初步判断。最后通过功图变化
与标准示功图识别将杆断、脱接器开、油管漏或泄油器
开及泵漏故障进行最终的判断与输出。
五、应用效果
目前抽油机井故障智能诊断系统已经在大港油田
采油厂进行部署使用，目前系统可以对包括杆断、杆
断或脱节器开、油管漏或泄油器开、泵刮卡、砂埋或
严重供液不足、泵漏、结蜡或油稠 7 种故障进行实时
诊断与结果输出，同时对于传感器本身的故障也可以
做到有效识别。
人工智能对比传统的诊断方法体现出了明显的技术
优势，整体对故障示功图的有效识别率达到 80% 以上，
比较同类诊断软件诊断准确度得到根本的改善与提升，
并真正意义上达到了现场可用的效果，目前采油厂油井
生产管理用户已经正式通过该系统进行日常抽油机井故
障诊断的管理。同时用户可以在系统功能中不断进行故
障示功图的标定，诊断模型会根据用户的标定进行持续
的迭代优化。
六、结语
（一）人工智能机器学习分析方法最大特点就是
最大程度简化甚至忽略复杂的业务分析过程，直接将大
量的原始数据变化与不同的业务的分析结果进行直接对
应，通过对数据变化的感知代替业务规则与业务表征的
分析过程
[4]
。
（二）示功图是 144 个原始数据点的组成，每个数
据点的数据变化都有可能反应抽油泵的工作状态变化，
而且数据的采集频率为 20 分钟一次的高频率采集，完全
符合基于机器学习的数据序列特征分析的基础条件。
（三）基于人工智能机器学习分析的抽油机井故障
诊断方法是通过示功图原始数据的特征解析，来代替示
功图形状的分析过程，只要保证数据采集的准确性，通
过对原始数据特征变化的捕捉，建立原始特征变化与抽
油机故障示功图识别分析结果的对应关系，可以实现基
于示功图分析的抽油机故障精准识别。
H
参考文献
[1] 万仁溥 . 采油工程手册 [k]. 北京 : 石油工业出版社 ,2000.
[2] 抽油井示功图的测试和分析编写小组 . 抽油机示功图的测
试和分析 [M]. 北京 : 石油工业出版社 ,1983.
[3] 张乃禄 , 孙换春 , 郭水宏 , 等 . 基于示功图的油井工况智能
分析 [J]. 油气田地面工程 ,2011,30(4):7-9.
[4] 李正勤 , 黎洪生 . 基于示功图面积变化的抽油机井故障诊
断模型 [J]. 油气田地面工程 ,2008,27(9):3:4.
（作者单位：大港油田信息中心）
评论1