Дослідження ефективності нейронної мережі Хемінга для задач розпізнавання стану глибиннопомпової установки

1
Національний університет «Львівська політехніка»
2
Національний університет «Львівська політехніка»
3
Національний університет «Львівська політехніка»
4
Національний університет «Львівська політехніка»

Процес нафтовидобутку нафти потребує проведення постійного моніторингу роботи обладнання свердловин. Одним з найдієвіших методів оперативного контролю роботи штангових глибинних насосів є отримання інформації від давача зусилля в полірованому штоці або давача струму привідного двигуна верстата-гойдалки. У багатьох випадках завчасне розпізнавання неполадок і здійснення профілактичного ремонту дають змогу уникати великих матеріальних витрат. У зв’язку з цим актуальними є дослідження, пов’язані з розробленням систем діагностики та створення на їхній основі автоматизованих систем керування ШГПУ. Розглянуто підхід до вирішення завдання прогнозування технічного стану штангових глибинних насосів з використанням нейромережевих технологій. Як нейронну мережу використано модифіковану мережу Хопфілда – мережу Хемінга. Для неї створено алгоритм ідентифікації стану ШГПУ, завдяки якому результатом розпізнавання є не сам зразок, а тільки його номер. У результаті прискорюється робота мережі і витрачаються менші обчислювальні ресурси та пам’ять.  Для тестування працездатності запропонованого алгоритму розпізнавання створено лабораторний стенд, який імітує роботу системи діагностики стану ШГПУ. Отримані експериментальні результати показали, що система ідентифікації на основі мережі Хемінга може в реальному часі та з мінімальними похибками розпізнавати поточний стан глибиннопомпового обладнання.

  1. А. F. Shageev, А. М. Timusheva, L. N. Shageeva, and А. S. Grishkin, “Automated monitoring of the oil well treatment – the first stage of intelligent control systems”, Neftyanoye khozyaistvo, no. 11, pp. 48– 49, Moscow, Russia, 2000. (Russian)
  2. А. . Galeev, R. I. Аrslanov, P. P. Yermilov, and  I. А. Kuzmin, “Control of technical condition oil-well pumping unit under periodic operation conditions”,  http://ogbus.ru/authors/GaleevAS/GaleevAS_2.pdf. (Russian)
  3. М. I. Khakimyanov and S. V. Svatlakova, “Optimal methods for encoding dynamogamms of deep-well pumping units”, іn Electrotechnology, electric drive and electrical equipment of enterprises, pp. 146–150, Ufa, Russia: UGNTU, 2005. (Russian)
  4. P. Lionel Evina Ekombo, Noureddine Ennahnahi and Mohammed Oumsis, “Application of affine invariant Fourier descriptor to shape-based image retrieval”, International Journal of Computer Science and Network  Security (IJCSNS), vol. 9, no. 7, pp. 240– 247, 2009.
  5. S. Mallat, A wavelet tour of signal processing. Мoscow, Russia: Mir, 2005. (Russian)
  6. Т. Aliev and О. Nusratov, “The methods and diagnostic tools deep pumping oil well equipment”, Neftyanoye khozyaistvo, no. 9, pp. 78–80, Moscow, Russia, 1998. (Russian)
  7. А. М. Zyuzev, and А. V. Kostylev, “A neuralnetwork-based system of the sucker-rod oil pumping unit diagnostics”, in Proc. 2nd Russian Scientific Conference “Design of engineering and scientific applications in the MATLAB”, pp.1273– 1287, Moscow, Russia, May 25–26, 2004. (Russian)
  8. A. S. Andreishyn, A. V. Malyar, B. S. Kaluzhnyy, and S. M. Leshchuk, “Neural network selection for detecting the state of an oil well”, Problemy avtomatizirovannoho elektroprivoda. Teoriya i praktika, no. 36, pp. 495–496, Kharkiv, Ukraine: NTU KhPI, 2013. (Ukrainian)
  9. V. S. Medvedev, and V. G. Potyomkin, Neural networks. MATLAB 6. Мoscow, Russia: Dialog-MIFI, 2002. (Russian)
  10. J. J. Hopfield, “Neural networks and physical systems with emergent collective computational abilities”, Proceedings of National Academy of Sciences USA, vol. 79, no. 8, pp. 2554–2558, 1982.
  11. P. Wasserman, Neural Computing. New York, USA: Van Nostrand Reinhold, 1989.
  12. R. P. Lippmann, B. Gold and M. L. Malpass,  “A Comparison of Hamming and Hopfield Neural Nets for Pattern Classification”, in Technical Report 769, Massachusetts Institute of Technology, Lincoln Laboratory. 1987.  
  13. “STM32 32-bit ARM Cortex MCUs”, http://www.st.com/en/microcontrollers/stm32-32bit-arm-cortex-mcus.html?s....