电潜螺杆泵过程控制故障模型与智能诊断方法

故障诊断指标具有非线性可分相似性、故障与征兆关系不确定性等特点,使得电潜螺杆泵机组难以有效进行现场故障诊断。基于统计过程控制拓展判异准则和经验判断、多参数规则图版、故障权重因子和现场采集数据归一,构建电潜螺杆泵机组现场故障诊断模型,并提出一种多参数过程控制的故障诊断方法。将电潜螺杆泵机组运行和故障类型划分为12种工况,选取电参数、生产参数等7种表征油井生产工况的特征参数,确定现场故障工况判断准则和权重因子,结合过程控制拓展判异准则判断趋势和数据反馈,分析并输出最大概率的故障。依据新疆油田20余口故障井现场所测参数进行实例计算与验证分析,结果表明多参数过程控制与数据反馈现场故障诊断系统具备较强分析功能和直观表现性,能够准确识别电潜螺杆泵机组故障。该方法可为及时诊断和准确判定电潜螺杆泵机组现场运行工况及其故障提供了理论依据和技术支持。     

基于BP神经网络的螺杆泵井故障诊断方法

将神经网络原理应用于地面驱动螺杆泵采油系统的故障诊断,采用改进的BP神经网络,根据螺杆泵井的故障特点,通过理论研究,选取能够表征油井生产状态的状态变量作为神经网络的输入向量,归纳出常见的螺杆泵井故障形式作为目标输出。同时采集了大量现场数据,并进行分类整理,构成了网络的训练样本。通过对网络进行训练,获得具有一定泛化能力的网络。利用VB与Matlab编制的相应软件进行螺杆泵井的故障诊断,获得了正确的诊断结果,证明该方法具有一定的实用性。     

基于小波包和BP神经网络的潜油直驱螺杆泵系统故障诊断

为准确诊断潜油直驱螺杆泵系统故障,提出了一种基于小波包和BP神经网络的螺杆泵系统故障诊断方法。对螺杆泵在不同工况下有功功率进行3层小波包分解,提取小波包特征能量,然后构造小波包特征能量向量,并以该向量作为故障样本对3层BP神经网络进行训练,实现了智能化故障诊断。仿真结果表明:训练的BP网络能很好地诊断潜油直驱螺杆泵系统的故障。     

地面驱动螺杆泵井优化设计及工况诊断系统

针对地面驱动螺杆泵井管理不完善及缺乏测试诊断手段的现状,开发了螺杆泵井工况测试系统,实现了光杆受力的测试、数据传输和分析。测试系统包括螺杆泵井工况诊断和优化设计2个软件模块。2个模块的交互使用,可以完成地面驱动螺杆泵井管理的全部工作。200井次的油田现场实际应用表明,该软件故障诊断正确率和优化设计符合率高于90%,取得良好效果。     

螺杆泵采油系统无动力源液压制动装置

设计了一种用于螺杆泵采油系统的无动力源液压制动装置.该装置利用螺杆泵采油系统停机时产生的反扭矩驱动液压泵,由液压力驱动油缸产生制动力.采用单向超越离合器作为液压泵的传动件,使螺杆泵采油系统在正常工作时,液压制动装置不起制动作用,在螺杆泵采油系统停机产生反扭矩时驱动液压泵工作,使液压制动装置产生制动作用.建立了该制动装置的数学模型,并对其进行了仿真研究和试验研究,结果表明,无动力源液压制动装置的工作特性符合螺杆泵采油系统的实际工况要求,并具有结构简单、能耗降低、成本低的优点.     

螺杆泵工况测试技术进展

螺杆泵工况测试技术是螺杆泵采油管理技术的基础,也是对油井进行故障诊断的必要条件.在回顾国内外螺杆泵工况测试技术发展历程的基础上,总结了经验测试、电参数测试、光杆载荷测试和机械振动测试等现有测试技术的原理及特点,从3个方面对国外螺杆泵工况测试技术的发展进行阐述:基于系统集成的智能化测控、网络的远程测控和虚拟仪器的图形识别,指出我国螺杆泵工况测试技术的现阶段差距和攻关方向.     

层次分析法在螺杆泵井故障诊断中的应用

目前螺杆泵井存在故障形式多、诊断困难等问题，制约了螺杆泵采油系统的经济效益及系统效率的提高。为解决这一问题，结合层次分析法和模糊数学理论，提出了一种螺杆泵井层次分析故障诊断法。该方法通过建立螺杆泵井某一故障形式的评价指标体系、构造层次结构、构造判断矩阵以及隶属度函数，求得该种故障形式的评价值。通过对比不同故障形式的最终评价值来判断螺杆泵井真实的故障情况。经实际油井验证，该方法具有一定准确性，对目前油田中螺杆泵井故障诊断、提高螺杆泵井系统效率具有一定的指导意义。     

地面驱动螺杆泵井工况诊断研究及应用

介绍了关于地面驱动螺杆泵井工况类型的划分和故障诊断的方法。结合辽河采油厂的油井,运用所编制的程序软件对其进行了诊断分析,及时了解油井的工作状况,便于提早采取相应技术措施,减少损失,增加经济效益。     

螺杆泵工况测试技术研究

针对地面驱动螺杆泵井的工况测试诊断问题,研究了螺杆泵井工况测试工艺,开发了螺杆泵井工况测试仪器和新型螺杆泵抽油光杆卡。螺杆泵测试工艺包括工况测试和回放诊断。该方法可不上作业,不影响生产,快速准确地测出螺杆泵井抽油光杆所受的载荷和扭矩,为螺杆泵井工况诊断提供准确可靠的数据。通过现场10口井28井次的测试表明,该技术测试方便快捷,工具简单实用,成功率90%以上、该技术的应用有助于提高螺杆泵井的管理水平,为螺杆泵井安全长效运行提供了强有力的监测手段。     

螺杆泵工作特性曲线的数值模拟及应用

通过数值模拟方法定量获得螺杆泵工作特性曲线,评价螺杆泵在不同结构参数、不同工况、不同工作参数下的性能,为选井选泵、优化设计、工况分析与故障诊断提供基础。也是制定螺杆泵工作特性检测标准、评价产品质量、判断油井供排关系是否协调、工况是否合理的主要依据。     

螺杆泵井电参数法工况诊断技术

通过测量得到地面驱动螺杆泵电机的工作电流、电压和功率因数等电参数，采用考虑电机内部损耗的计算方法，得到电机的输出轴扭矩，经换算得到光杆扭矩。根据光杆扭矩与采油系统工况之间的对应关系，进行故障诊断。该方法测试数据操作方便、快捷，可不停机进行测试与诊断，且有较高准确度。根据诊断理论，编制了相应的工况诊断软件。     

螺杆泵井生产诊断技术的研究与应用

对当前螺杆泵井的工况分析和故障诊断方法进行了较深入的分析,在此基础上采集并分析油井的扭矩、轴向力、转速、电能参数、产量、动液面等数据,建立起螺杆泵系统诊断模型。利用该模型编制的软件对华北油田135口螺杆泵井进行了系统诊断,取得了良好的效果。现场应用结果表明,该系统诊断模型能够较准确判断实际工况,具有良好的推广应用前景。     

地面驱动螺杆泵井工况诊断新方法

为了对地面驱动螺杆泵井的工况有一个系统的诊断与评价,划分了螺杆泵井的工况类型,以光杆扭矩和轴向力2个参数作为诊断的基本条件,划分了其合理区间,建立了螺杆泵井系统诊断模型,通过常规测试与专用测试手段相结合的方法,获取了螺杆泵井的各项运行参数,运用诊断软件对螺杆泵井的运行状况做出了评价。诊断结果表明,该方法测试数据操作方便、快捷,可不停机进行测试诊断,具有较高的准确度。     

关于推广应用螺杆泵采油的建议

螺杆泵能用于游梁式机泵和电潜果无法拍采的稠油并、含砂油并和低产油井及中后期水驱油田的采油作业。实践表明，螺杆泵采油系统效率达６３，４％，比游梁式机泵效率高１３％，比电潜泵效率高５０％。为推广应用螺杆泵采油，建议继续开展地面机械和液压驱动单螺杆泵采油装置的研究，并建立螺杆泵应用试验区，形成和完善螺杆泵抽汲预测监测系统。     

直驱式螺杆泵地面驱动系统节能效果分析

直驱式螺杆泵地面驱动系统与传统变频调速螺杆泵地面驱动系统相比系统效率较高,应用直驱式螺杆泵地面驱动系统可大大提高螺杆泵采油系统地面效率,降低百米吨液耗电量,达到节能降耗的目的.为了了解直驱式螺杆泵地面驱动系统的节能效果,进行了不同工况条件下的室内模拟试验和现场试验.试验表明,直驱式螺杆泵地面驱动系统效率较高,在装机功率相同的情况下,低转速、低工作扭矩的螺杆泵井应用直驱式螺杆泵地面驱动系统节能降耗效果更加显著.     

螺杆泵驱动装置技术评价

针对油田螺杆泵举升方式存在地面驱动装置传动效率低、减速器损坏维修费用高、传动装置存在安全隐患等问题,对比了直流电动机直拖螺杆泵地面驱动装置与偏置式螺杆泵驱动装置的应用效果.这两种装置都取消了地面驱动装置的机械减速器和皮带,减少了传动装置,降低了地面故障率,能耗减少,进一步提高了驱动系统的可靠性,可满足螺杆泵在不同工况下对驱动系统的要求.螺杆泵驱动装置的改进在一定程度上完善了螺杆泵井配套工艺技术,对螺杆泵的普及和发展具有重要意义.     

螺杆泵性能检测试验台

螺杆泵性能检测试验台用于检测螺杆泵的综合水力特性。该试验系统集机械、液压、电气、计算机数据采集和控制于一体,通过模拟螺杆泵的实际工况,对螺杆泵的容积效率及井下泵效进行检测,从而为现场科学、合理地使用螺杆泵提供依据,同时,也为螺杆泵进一步的科学研究提供了必要的手段。     

地面驱动采油螺杆泵工作制度的确定

地面驱动螺杆泵工作制度的合理与否 ,直接影响泵的效率和寿命 ,在不同的场合 ,不同的工况 ,对泵的特性有不同的要求。在分析影响地面驱动螺杆泵工作制度因素的基础上 ,根据螺杆泵生产动态模型 ,提出了确定螺标题工作制度确定方法 ,并用现场实例进行说明。     

聚驱螺杆泵采油系统优化设计与故障诊断分析系统

详细论述了聚驱螺杆泵生产系统优选理论,包括螺杆泵的选择、抽油杆柱、油管、配套工具和驱动头的选择。运用可视化语言,编制了聚驱螺杆泵采油系统优化设计与故障诊断决策系统软件,可实现泵型、工作参数及配套工具的优选,给出设计表、故障分析及解决方法等。该软件方便实用,极大地提高螺杆泵生产时率和管理水平,具有较好的推广应用前景。     

螺杆泵采油系统新进展

介绍了美国和加拿大两家公司研制的5项螺杆泵配套设备与仪器的改进与革新:用于气井脱水的螺杆泵驱动系统、液压传动制动器、改变螺杆泵速度的液面控制器、模拟井下抽油条件的流动环路和螺杆泵新软件.