石油学报

作者：周斌, 王延江, 刘伟锋, 刘宝弟

单位：中国石油大学信息与控制工程学院 山东青岛 266580

关键词：抽油机井,工况识别,多视角学习,协同训练,支持向量机,Hessian正则化

基金：周斌,女,1970年1月生,1998年获石油大学(华东)学士学位,现为中国石油大学(华东)信息与控制工程学院博士生,主要从事故障诊断与智能信息处理及其在石油开采中的应用研究。Email:freetzb@163.com

摘要： 为了更好地了解抽油机井工作状况以提高抽油机井生产工况识别率，目前在抽油机井采油生产过程中采集了大量数据。传统的工况识别方法，主要是利用示功图或电参数单独进行训练建立学习模型，参数之间缺乏关联，影响了识别效果；此外，常用的传统识别方法，如基于支持向量机（SVM）学习的方法，需要对所有的采集样本进行类别标注，耗费大量的人力和物力，影响了工程应用。针对大数据下抽油机井生产特点，为实现在仅有少量已标注工况数据下能同时利用大量未知工况数据信息，且有效利用示功图和电参数两种测量参数，进一步提高抽油机井工况识别的精准率和实用性，提出一种基于Hessian正则化支持向量机（Hessian正则化SVM）的多视角协同识别抽油机井工况方法。通过分析目前工况识别研究中存在的局限性，结合先验知识和专家经验，选择实测地面示功图和实测电功率信号作为特征视角并进行特征提取，然后利用Hessian正则化SVM多视角协同训练算法建立抽油机井工况识别模型并进行分类识别。应用该方法对胜利油田X区块60口抽油机井的11种典型工况进行识别。以SVM方法为基准，该方法识别效果比基于实测地面示功图、实测电功率及传统特征连接多源识别方法分别提高了约3.2%、4.3%和7.4%，而在少量工况样本下该方法识别效果更优，从而验证了该方法的有效性。

来源：2018年第12期

《石油学报》期刊编辑部

查看石油学报杂志2018年第12期