Оптимізація збору та обробки динамометричних даних для підвищення ефективності нейромережевої діагностики глибинно-насосної штангової установи
Анотація
Метою дослідження було підвищення точності і швидкості аналізу динамометричних даних шляхом удосконалення методів їх збору та обробки, що сприятиме більш ефективній роботі нейронних мереж у контексті діагностики обладнання. У роботі проведено комплексне дослідження, направлене на підвищення ефективності діагностики глибинно-насосних штангових установок за допомогою нейронних мереж шляхом оптимізації процесів збору та обробки динамометричних даних. Було розглянуто основні проблеми, що виникають під час збору та аналізу даних, такі як наявність шумів, низька якість сигналу, а також велика кількість нерелевантної інформації. На основі цього аналізу були запропоновані методи для покращення якості даних, зокрема фільтрація шумів, нормалізація сигналу та використання алгоритмів для автоматизованого відбору найбільш важливих характеристик. У процесі дослідження було кілька варіантів алгоритмів обробки динамометричних даних, що дозволило досягти значного підвищення точності роботи нейронних мереж. Зокрема, результати показали, що точність діагностики збільшилася на 15 %, а час, необхідний для обробки даних, скоротився на 20 %. Це дозволило покращити загальну продуктивність системи діагностики, зменшивши кількість помилкових висновків і підвищивши надійність роботи глибинно-насосної штангової установки. Результати дослідження показали, що оптимізація збору та обробки динамометричних даних призвела до підвищення точності діагностики та скорочення часу обробки. Застосування комбінованих архітектур нейронних мереж продемонструвало ефективніші результати у порівнянні з традиційними методами. Дані вдосконалення можуть знизити витрати на технічне обслуговування та підвищити ефективність роботи обладнання
Ключові слова
точність вимірювань; обробка сигналів; автоматизація аналізу; фільтрація даних; продуктивність систем
Використані джерела
[1] Abdalla, R., El Ela, M.A., & El-Banbi, A. (2020). Identification of downhole conditions in sucker rod pumped wells using deep neural networks and genetic algorithms (includes associated discussion). SPE Production & Operations, 35(2), 435-447. doi: 10.2118/200494-PA.
[2] Abdalla, R., Samara, H., Perozo, N., Carvajal, C.P., & Jaeger, P. (2022). Machine learning approach for predictive maintenance of the electrical submersible pumps (ESPS). ACS Omega, 7(21), 17641-17651. doi: 10.1021/acsomega.1c05881.
[3] Agwu, O.E., Alkouh, A., Alatefi, S., Azim, R.A., & Ferhadi, R. (2024). Utilization of machine learning for the estimation of production rates in wells operated by electrical submersible pumps. Journal of Petroleum Exploration and Production Technology, 14(5), 1205-1233. doi: 10.1007/s13202-024-01761-3.
[4] Bello, O., Dolberg, E.P., Teodoriu, C., Karami, H., & Devegowdva, D. (2020). Transformation of academic teaching and research: Development of a highly automated experimental sucker rod pumping unit. Journal of Petroleum Science and Engineering, 190, article number 107087. doi: 10.1016/j.petrol.2020.107087.
[5] Büker, J., Laß, A., Werner, P., & Wurm, F.-H. (2021). Active noise cancellation applied to a centrifugal pump in a closed loop piping system. Applied Acoustics, 178, article number 108003. doi: 10.1016/j.apacoust.2021.108003.
[6] Carpenter, C. (2019). Analytics solution helps identify rod-pump failure at the wellhead. Journal of Petroleum Technology, 71(5), 63-64. doi: 10.2118/0519-0063-JPT.
[7] Castillo, M.A., Gutiérrez, R.H.R., Monteiro, U.A., Minette, R.S., & Vaz, L.A. (2019). Modal parameters estimation of an electrical submersible pump installed in a test well using numerical and experimental analysis. Ocean Engineering, 176, 1-7. doi: 10.1016/j.oceaneng.2019.02.035.
[8] Cepeda, F.A., Setiadi, B.W., & Alvarez, G.A. (2024). Evaluating tubing completions using high-resolution gyro logs to improve rod pumping systems run life. In SPE artificial lift conference and exhibition – Americas. The Woodlands, Texas: Society of Petroleum Engineers. doi: 10.2118/219558-MS.
[9] El Morsy, M. (2019). Fault diagnosis approach for roller bearings based on optimal Morlet wavelet de-noising and auto-correlation enhancement. SAE International Journal of Passenger Cars – Mechanical Systems, 12(2), 127-138. doi: 10.4271/06-12-02-0010.
[10] Erazo-Bone, R., Gacía Vera, R., Chuchuca-Aguilar, F., Ramírez Yagual, J.P., Portilla Lazo, C.A., & Escobar-Segovia, K. (2019). Eliminating gas interference and blockage in sucker rod pumping systems to improve oil production. In M. Botto-Tobar, M. Zambrano Vizuete, P. Torres-Carrión, S. Montes León, G. Pizarro Vásquez & B. Durakovic (Eds.), Applied technologies (pp. 110-124). Cham: Springer. doi: 10.1007/978-3-030-42517-3_9.
[11] Fakher, S., Khlaifat, A., & Nameer, H. (2022). Improving electric submersible pumps efficiency and mean time between failure using permanent magnet motor. Upstream Oil and Gas Technology, 9, article number 100074. doi: 10.1016/j.upstre.2022.100074.
[12] Fakher, S., Khlaifat, A., Hossain, M.E., & Nameer, H. (2021). A comprehensive review of sucker rod pumps’ components, diagnostics, mathematical models, and common failures and mitigations. Journal of Petroleum Exploration and Production Technology, 11(10), 3815-3839. doi: 10.1007/s13202-021-01270-7.
[13] Guo, C., Gao, M., & He, S. (2020). A review of the flow-induced noise study for centrifugal pumps. Applied Sciences, 10(3), article number 1022. doi: 10.3390/app10031022.
[14] Hao, Z., Zhu, S., Pei, X., Huang, P., Tong, Z., Wang, B., & Li, D. (2019). Submersible direct-drive progressing cavity pump rodless lifting technology. Petroleum Exploration and Development, 46(3), 621-628. doi: 10.1016/S1876-3804(19)60042-X.
[15] He, Y.-P., Cheng, H.-B., Zeng, P., Zang, C.-Z., Dong, Q.-W., Wan, G.-X., & Dong, X.-T. (2024). Working condition recognition of sucker rod pumping system based on 4-segment time-frequency signature matrix and deep learning. Petroleum Science, 21(1), 641-653. doi: 10.1016/j.petsci.2023.08.031.
[16] Li, H., Niu, H., Zhang, Y., & Yu, Z. (2023). Research on indirect measuring method of dynamometer diagram of sucker rod pumping system based on long-short term memory neural network. Journal of Intelligent & Fuzzy Systems, 45(3), 4301-4313. doi: 10.3233/JIFS-230253.
[17] Liu, Z.-M., Gao, X.-G., Pan, Y., & Jiang, B. (2023). Multi-objective parameter optimization of submersible well pumps based on RBF neural network and particle swarm optimization. Applied Sciences, 13(15), article number 8772. doi: 10.3390/app13158772.
[18] Marscher, W.D. (2023). Centrifugal pump monitoring, troubleshooting and diagnosis using vibration technologies. In R.X. Perez (Ed.), Condition monitoring, troubleshooting and reliability in rotating machinery (pp. 15-76). Beverly: Scrivener Publishing LLC. doi: 10.1002/9781119631620.ch2.
[19] Nascimento, J., Maitelli, A., Maitelli, C., & Cavalcanti, A. (2021). Diagnostic of operation conditions and sensor faults using machine learning in sucker-rod pumping wells. Sensors, 21(13), article number 4546. doi: 10.3390/s21134546.
[20] Peng, Y. (2019). Artificial intelligence applied in sucker rod pumping wells: Intelligent dynamometer card generation, diagnosis, and failure detection using deep neural networks. In SPE annual technical conference and exhibition. Calgary, Alberta: Society of Petroleum Engineers. doi: 10.2118/196159-MS.
[21] Rzayev, A.H., Aliyev, Y.G., & Rezvan, M.H. (2024). Intelligent intertraverse messdose dynamograph for sucker-rod deep-well pumping units. Measurement Techniques, 66(10), 785-793. doi: 10.1007/s11018-024-02292-3.
[22] Sabaa, A., Abu El Ela, M., El-Banbi, A.H., & Sayyouh, M.H.M. (2023). Artificial neural network model to predict production rate of electrical submersible pump wells. SPE Production & Operations, 38(1), 63-72. doi: 10.2118/212284-PA.
[23] Sun, Z., Jin, H., Gu, J., Huang, Y., Wang, X., Yang, H., & Shen, X. (2020). Studies on the online intelligent diagnosis method of undercharging sub-health air source heat pump water heater. Applied Thermal Engineering, 169, article number 114957. doi: 10.1016/j.applthermaleng.2020.114957.
[24] Syed, F.I., Alshamsi, M., Dahaghi, A.K., & Neghabhan, S. (2022). Artificial lift system optimization using machine learning applications. Petroleum, 8(2), 219-226. doi: 10.1016/j.petlm.2020.08.003.
[25] Wei, J., & Gao, X. (2020). Fault diagnosis of sucker rod pump based on deep-broad learning using motor data. IEEE Access, 8, 222562-222571. doi: 10.1109/ACCESS.2020.3036078.
[26] Yang, Q., Li, W., Ji, L., Shi, W., Pu, W., Long, Y., & He, X. (2023). Research on the hydrodynamic noise characteristics of a mixed-flow pump. Journal of Marine Science and Engineering, 11(12), article number 2209. doi: 10.3390/jmse11122209.
[27] Zhao, H., Liu, D., & He, X. (2021). Bias-compensated sign subband adaptive filter algorithm with individual weighting factors for input noise. IEEE Transactions on Circuits and Systems II: Express Briefs, 69(3), 1872-1876. doi: 10.1109/TCSII.2021.3103940.