基于主成分分析法的电潜泵故障诊断

doi:10.11885/j.issn.1674-5086.2020.06.10.01

西南石油大学学报(自然科学版) ›› 2020, Vol. 42 ›› Issue (6): 107-114.DOI: 10.11885/j.issn.1674-5086.2020.06.10.01

• 油气田人工智能技术与应用专刊 • 上一篇下一篇

基于主成分分析法的电潜泵故障诊断

隋先富¹, 彭龙², 韩国庆², 范白涛¹, 于继飞¹

1. 中海油研究总院有限责任公司, 北京朝阳 100027;
2. 中国石油大学(北京)石油工程教育部重点实验室, 北京昌平 102249

收稿日期:2020-06-10 发布日期:2020-12-21
通讯作者: 彭龙,E-mail:18611745494@163.com
作者简介:隋先富,1982年生,男,汉族,山东高密人,工程师,博士,主要从事采油工程理论与技术、智能油田等方面的研究工作。E-mail:suixf@cnooc.com.cn;彭龙,1996年生,男,汉族,湖北黄石人,博士研究生,主要从事油气田开发方面的研究工作。E-mail:18611745494@163.com;韩国庆,1969年生,男,汉族,山东济南人,教授,博士,主要从事油气田开发方面的研究工作。E-mail:hanguoqing@163.com;范白涛,1975年生,男,汉族,河南邓州人,教授级高级工程师,博士,主要从事海洋石油钻完井技术等方面的研究工作。E-mail:fanbt@cnooc.com.cn;于继飞,1982年生,男,汉族,山东枣庄人,高级工程师,硕士,主要从事海上油田采油工艺及智能化等方面的研究工作。E-mail:yujf2@cnooc.com.cn

Fault Diagnosis of Electric Submersible Pump Based on Principal Component Analysis

SUI Xianfu¹, PENG Long², HAN Guoqing², FAN Baitao¹, YU Jifei¹

1. CNOOC Research Institute Co. Ltd., Chaoyang, Beijing 100027, China;
2. MOE Key Laboratory of Petroleum Engineering, China University of Petroleum(Beijing), Changping, Beijing 102249, China

Received:2020-06-10 Published:2020-12-21

摘要/Abstract

摘要： 电潜泵（Electric Submersible Pump，ESP）举升技术在非自喷高产井和高含水井中应用广泛，ESP在生产过程易发生故障，进而导致作业中断，造成严重经济损失。如何有效利用传感器、数据采集系统，SCADA系统实时采集的ESP系统生产数据，对ESP的工作状态进行提前预估至关重要。采用主成分分析法（PCA）对泵实时生产数据进行研究分析，根据电潜泵生产数据之间线性组合进行特征提取，降低生产数据的维度，创造新的主元空间，用很少的主元重新评估ESP生产系统，得出ESP井故障原因并预估ESP剩余使用寿命。主成分分析采用霍特林平方统计算法和平方误差分析算法建立诊断模型，该模型可以预估ESP剩余作业时间并确定泵出现故障的主因。以渤海油田为例，对ESP井实时数据进行主成分建模，预测泵故障的主因及故障时间，对比ESP实际生产作业时间，验证PCA进行故障诊断的可行性。证明PCA作为模式识别的一种方法可以有效监测ESP健康状况，预测ESP故障的主因。

关键词: 电潜泵, 主成分分析, 特征提取, 模式识别, 故障诊断

Abstract: Electric Submersible Pump (ESP) is currently widely employed to help enhance production for non-flowing well with high production and high water cut well. However, ESP failures are common in the oil industry, and these failures lead to production disruptions, resulting in significant economic loses. The purpose of this paper is to evaluate Principal Component Analysis (PCA) as an unsupervised machine learning technique to detect the cause of ESP failures and estimate the remaining life of ESP. The data provided by the ESP system are usually closely correlated; principal component analysis utilizes these data to extract eigenvalues and create new space, then reevaluate ESP system with multiple new principal components. Hortlin square statistical algorithm and the square error analysis algorithm are used to establish a PCA diagnostic model. This model was successfully applied in the Bohai oilfield to diagnose the ESP performance real-time. The most responsible decision variable for the potential ESP failures are determined according to the order of contribution. Also, the PCA diagnostic model was able to determine the time at which the ESP failures occurs. This paper demonstrates that the application of PCA method preforms well in monitoring ESP operations and predicts the impending ESP failures.

Key words: electric submersible pump, principal component analysis, pattern recognition, feature extraction, fault diagnosis

中图分类号:

TE983

隋先富, 彭龙, 韩国庆, 范白涛, 于继飞. 基于主成分分析法的电潜泵故障诊断[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 107-114.

SUI Xianfu, PENG Long, HAN Guoqing, FAN Baitao, YU Jifei. Fault Diagnosis of Electric Submersible Pump Based on Principal Component Analysis[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2020, 42(6): 107-114.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.11885/j.issn.1674-5086.2020.06.10.01

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2020/V42/I6/107

参考文献

[1] GUPTA S, NIKOLAOU M, SAPUTELLI L, et al. ESP health monitoring KPI:A real-time predictive analytics application[C]. SPE 181009-MS, 2016. doi:10.2118/181009-MS
[2] GUPTA S, SAPUTELLI L, NIKOLAOU M. Big data analytics workflow to safeguard ESP operations in realtime[C]. SPE 181224-MS, 2016. doi:10.2118/181224-MS
[3] STONE P. Introducing predictive analytics:Opportunities[C]. SPE 106865-MS, 2007. doi:10.2118/106865-MS
[4] 乔雨. 潜油电泵井上数字式电流卡片的运用[J]. 化学工程与装备, 2017(1):114-115. doi:10.19566/j.cnki. cn35-1285/tq.2017.01.041 QIAO Yu. Application of digital current card on submersible electric pump well[J]. Chemical Engineering and Equipment, 2017(1):114-115. doi:10.19566/j.cnki.cn35-1285/tq.2017.01.041
[5] CHO J H, LEE J M, CHOI S W, et al. Fault identification for process monitoring using kernel principal component analysis[J]. Chemical Engineering Science, 2005, 60:279-288. doi:10.1016/j.ces.2004.08.007
[6] GUPTA S, SAPUTELLI L, NIKOLAOU M. Applying big data analytics to detect, diagnose, and prevent impending failures in electric submersible pumps[C]. SPE 181510-MS, 2016. doi:10.2118/181510-MS
[7] LI Weihua, YUE H H, VALLE-CERVANTES S, et al. Recursive PCA for adaptive process monitoring[J]. Journal of Process Control, 2000, 10(5):471-486. doi:10.1016/S0959-1524(00)00022-6
[8] 李玉,俞志明,宋秀贤. 运用主成分分析(PCA)评价海洋沉积物中重金属污染来源[J]. 环境科学, 2006, 27(1):137-141. doi:10.13227/j.hjkx.2006.01.026 LI Yu, YU Zhiming, SONG Xiuxian. Application of principal component analysis (PCA) for the estimation of source of heavy metal contamination in marine sediments[J]. Environmental Science, 2006, 27(1):137-141. doi:10.13227/j.hjkx.2006.01.026
[9] 李荣雨. 基于PCA的统计过程监控研究[D]. 杭州:浙江大学, 2007. LI Rongyu. Research on statistical process monitoring based on PCA[D]. Hangzhou:Zhejiang University, 2007.
[10] 吉敏. 基于PCA-SVM的轴承故障诊断研究[J]. 电子设计工程,2019,27(17):14-18. doi:10.3969/j.issn.1674-6236.2019.17.004 JI Min. Research on bearing fault diagnosis based on PCASVM[J]. Electronic Design Engineering, 2019, 27(17):14-18. doi:10.3969/j.issn.1674-6236.2019.17.004
[11] 高绪伟. 核PCA特征提取方法及其应用研究[D]. 南京:南京航空航天大学, 2009. doi:10.7666/d.d077304 GAO Xuwei. Research on nuclear PCA feature extraction method and its application[D]. Nanjing:Nanjing University of Aeronautics and Astronautics, 2009. doi:10.7666/d.d077304
[12] HOFFMANN A, STANKO M E. Real-time production optimization of a production network with ESP-boosted wells:A case study[C]. SPE 184189-MS, 2016. doi:10.2118/184189-MS
[13] ABDELAZIZ M, LASTRA R, XIAO J J. ESP data analytics:Predicting failures for improved production performance[C]. SPE 188513-MS, 2017. doi:10.2118/188513-MS
[14] 吕宁. 基于数据驱动的故障诊断模型及算法研究[D]. 哈尔滨:哈尔滨理工大学, 2009. doi:10.7666/d.y1839021 LÜ Ning. Research on fault diagnosis model and algorithm based on data-driven[D]. Harbin:Harbin University of Science and Technology, 2009. doi:10.7666/d.y1839021
[15] 何宁. 基于ICA-PCA方法的流程工业过程监控与故障诊断研究[D]. 杭州:浙江大学, 2004. HE Ning. Research on process industry process monitoring and fault diagnosis based on ICA-PCA method[D]. Hangzhou:Zhejiang University, 2004.
[16] JANSEN R N. Usage of artificial intelligence to reduceoperational disruptions of ESPs by implementing predictive maintenance[C]. SPE 192610-MS, 2018. doi:10.2118/192610-MS
[17] SHUWAIKHAT H A, RAMOS M, AIFAN A R, et al. Innovative approach to prolong ESP run life using algorithmic models[C]. SPE 188807-MS, 2017. doi:10.2118/188807-MS
[18] DENG Lichi, DAVANI E, DARABI H, et al. Rapid and comprehensive artificial lift systems performance analysis through data analytics, diagnostics and solution evaluation[C]. SPE 192460-MS, 2018. doi:10.2118/192460-MS
[19] 鄂东辰. 基于多模型PCA的翻车机液压系统故障诊断研究[D]. 秦皇岛:燕山大学, 2018. E Dongchen. Research on fault diagnosis for car dumper hydraulic system based on multiple models PCA[D]. Qinhuangdao:Yanshan University, 2018.
[20] MISRA M, YUE H H, QIN S J, et al. Multivariate process monitoring and fault diagnosis by multi-scale PCA[J]. Computers & Chemical Engineering, 2002, 26(9):1281-1293. doi:10.1016/S0098-1354(02)00093-5
[21] ALAMU O A, PANDYA D A, WARNER O, et al. ESP data analytics:use of deep autoencoders for intelligent surveillance of electric submersible pumps[C]. OTC 30468-MS, 2020. doi:10.4043/30468-MS

基于主成分分析法的电潜泵故障诊断

Fault Diagnosis of Electric Submersible Pump Based on Principal Component Analysis

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	檀朝东, 贺甲元, 周彤, 刘健康, 宋文容. 基于PCA-BNN的页岩气压裂施工参数优化[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 56-62.
[2]	许晓明, 李彦兰, 孙景民. 基于模糊数学的油藏干层识别研究[J]. 西南石油大学学报(自然科学版), 2019, 41(2): 45-52.
[3]	张志东1，2 *，艾志久1，郑伟3，李奔4，钟功祥1. 泥浆泵液力端故障诊断技术研究[J]. 西南石油大学学报(自然科学版), 2015, 37(5): 167-173.
[4]	王尊策，梅思杰，陈思，吕凤霞，闫月娟. 电潜泵叶轮冲蚀磨损的数值模拟及验证[J]. 西南石油大学学报(自然科学版), 2014, 36(4): 175-181.
[5]	庞河清1，匡建超2，3，蔡左花4，廖开贵4，王众2，3. 新场气田须二气藏单井气水层识别模型研究[J]. 西南石油大学学报(自然科学版), 2014, 36(2): 71-78.
[6]	杨志李孟杰; 赵海洋; 赵春立蒋青春. 电潜泵–气举组合接力举升工艺研究[J]. 西南石油大学学报(自然科学版), 2011, 33(2): 165-170.
[7]	何岩峰吴晓东贺甲元于继飞韩国庆. 电潜泵举升系统温度压力耦合计算方法研究[J]. 西南石油大学学报(自然科学版), 2008, 30(5): 145-147.
[8]	赵鹏程朱焕勤孟凡芹秦勇. 基于小波神经网络的油泵故障诊断 [J]. 西南石油大学学报(自然科学版), 2008, 29(4): 176-180.
[9]	刘清友何玉发. 有杆抽油系统诊断方法研究与应用[J]. 西南石油大学学报(自然科学版), 2008, 30(1): 1-4.
[10]	连承波钟建华李汉林蔡福龙张军涛. 基于气测资料的储层含油气性灰色关联识别[J]. 西南石油大学学报(自然科学版), 2007, 29(6): 68-70.
[11]	何道清. 天然气压缩机工况监测及诊断技术 [J]. 西南石油大学学报(自然科学版), 2001, 23(4): 64-67.
[12]	林万昌陈汶滨田继东. 自组织特征映射神经网络在岩性识别中的应用 [J]. 西南石油大学学报(自然科学版), 1999, 21(3): 78-80.
[13]	陈伟段永刚刘辉谢军. 智能化辅助试井解释[J]. 西南石油大学学报(自然科学版), 1999, 21(2): 5-8.
[14]	易宗富庄有志唐建华夏慧萍. 油气藏模式识别方法[J]. 西南石油大学学报(自然科学版), 1996, 18(1): 10-20.
[15]	梅文荣. 基于BAM神经网络的钻井复杂事故识别研究[J]. 西南石油大学学报(自然科学版), 1993, 15(1): 49-55.