В статье рассмотрены результаты работ по созданию автоматизированной системы интерпретации отклонений в работе установок скважинных штанговых насостов по динамограммам на основе средств машинного обучения. Представлены результаты анализа факторов, влияющих на точность снятия динамограммы штангового насоса и точность моделей интерпретации динамограмм. Дано описание принципа реализации инструмента для распознавания отклонений в работе штангового насоса по динамограмме. Показано, что на точность снятия динамограммы влияет множество факторов, таких как изменение размеров полированного штока из-за отклонений, вызванных истиранием и износом; отклонение модуля упругости марки стали полированного штока от расчетной величины; отклонения коэффициента Пуассона стали, температурное воздействие внешней среды на прибор. Отмечено, что на качество реализуемой модели машинного обучения будут влиять качество обучающей и тестовой выборок (количество ошибочных интерпретаций в них), а также прогностическая способность модели. Представлены схема работы системы интерпретации отклонений по динамограммам и результаты оценки качества разработанных моделей. Для модели бинарной классификации динамограмм метрика Фишера составила 97 %, для классификации с несколькими метками (multilabel classification) – 82 %, мультиклассовой классификации (multiclass classification) – 87 %. Разработанная автоматизированная система интерпретации отклонений по динамограммам на основе средств машинного обучения встроена в систему поддержки принятия решений, которая реализована в рамках выполнения научно-исследовательской и опытно-конструкторской работы «Оперативные мероприятия» ПАО АНК «Башнефть». Система позволяет оперативно выявлять по динамограмме несколько видов отклонений одновременно.
Список литературы
1. Влияние формы регулярного микрорельефа поверхности плунжера на утечки в штанговом скважинном насосе / Р.Н. Бахтизин [и др.] // Нефтяное хозяйство. – 2017. – №. 4. – С. 113–116.
2. Urazakov K.R., Latypov B.M., Ishmukhametov B.K. Experimental Studies of the Influence of Configuration of Regular Microrelief of Plunger Surface on Sucker-Rod Pump Delivery // Chemical and Petroleum Engineering. – 2018. – Т. 54. – № 3–4. – С. 172–176.
3. Экспериментальные исследования влияния конфигурации регулярного микрорельефа поверхности плунжера на подачу штангового насоса / К.Р. Уразаков [и др.] // Химическое и нефтегазовое машиностроение. – 2018. – № 3. – С. 23–25.
4. Ямалиев В.У., Ишемгужин И.Е., Латыпов Б.М. Оценка силы трения плунжера о цилиндр штангового скважинного насоса при проектировании колонны штанг // Известия Самарского научного центра Российской академии наук. – 2017. – Т. 19. – № 1–1. – С. – 70–75.
5. Мансафов Р.Ю. Новый подход к диагностике работы УСШН по динамограмме // Инженерная практика. – 2010. – № 9. – С. 82–89.
6. Расчет теоретической динамограммы дифференциального штангового насоса при добыче высоковязкой нефти / К.Р. Уразаков [и др.] // Оборудование и технологии для нефтегазового комплекса. – 2017. – № 4. – С. 41–47.
7. Deng L. The MNIST database of handwritten digit images for machine learning research // IEEE Signal Processing Magazine. – 2012. – V. 29. – No. 6. – С. 141–142.
8. Multi-label learning with missing labels for image annotation and facial action unit recognition / B. Wu [et al.] //Pattern Recognition. – 2015. – V. 48. – No. 7. – С. 2279–2289.
9. An extensive experimental comparison of methods for multi-label learning / G. Madjarov [et al.] // Pattern recognition. – 2012. – V. 45. – No. 9. – С. 3084–3104.
10. Robust technology and system for management of sucker rod pumping units in oil wells / T.A. Aliev, A.H. Rzayev, G.A. Guluyev [et al.] // Mechanical Systems and Signal Processing. – 2018. – V. 99. – P. 47–56.
11. Повышение эффективности диагностирования эксплуатации скважинных штанговых насосов с помощью сверточных нейронных сетей / Михайлов А.Г., Шубин С.С., Алферов А.В. [и др.] // Нефтяное хозяйство. – 2018. – № 9. – С. 122–126.
12. Новый метод количественной диагностики технического состояния установок скважинных штанговых насосов решением обратных задач методами многомерной оптимизации / Р.Н. Бахтизин, К.З. Уразаков, Е.О. Тимашев, А.Е. Белов // Нефтяное хозяйство. – 2019. – № 7. – С. 118–122.
13. Using the curve moment and the PSO-SVM method to diagnose downhole conditions of a sucker rod pumping unit / K.Li, G. Xianwen, T. Zhongda, Q. Zhixue // Petroleum Science. – 2013. – V. 10. – P. 73–80.
14. Fault diagnosis for down-hole conditions of sucker rod pumping systems based on the FBH-SC method / K. Li, X.W. Gao, H.B. Zhou, Y. Han // Journal of Petroleum Science and Engineering. – 2015. – V. 12. – P. 135–147.
