[发明专利]一种油水井作业在线监测清洗系统及其在线监测方法

权利要求书

1.一种使用油水井作业在线监测清洗系统进行在线监测方法，其特征在于所述油水井作业在线监测清洗系统包括：清洗系统和监测系统，清洗系统包括换热主机、补水泵、回收泵、回收箱排污泵、冲洗泵、真空超导加热炉、补水箱、回收箱、配电箱、冲洗纳米软管、泄水短接、收卷机、清洗器，配电箱与换热主机、补水泵、回收泵、排污泵、冲洗泵、燃烧器和收卷机电连接，换热主机内部设置有真空超导加热炉和加热弯管，补水箱通过补水泵与加热弯管连接，真空超导加热炉采用超导传热对加热弯管加热，加热弯管内的高温热水通过冲洗泵加压后通过清洗器对油水井进行清洗，清洗产生的油水混合物通过回收泵自动压入地下集油管网或者流入回收箱，回收箱将油水进行分离通过排污泵将分离的油压入地下集油管网；监测系统包括总磁通检测系统和漏磁通检测系统，油管清洗完毕后，使用磁通检测系统对油管的管壁进行监测，总磁通检测系统采用测量线圈对通过其中的油管截面部分的面积变化进行测量，测量线圈将油管截面积的变化量转化为电量，通过对此电量的检测判断出油管的管壁变化情况；总磁通检测系统和漏磁通检测系统检测得到的信号经过模数转换后的采样数字信号进入数字信号处理器进行数据处理，包括：平滑处理和数据分析，然后进入计算机进行缺陷分析，包括数据融合，从而检测油管的缺陷，并判断油管是否能够继续使用；

数字信号处理器进行数据处理和计算机进行缺陷分析，过程如下：

步骤1、平滑处理，该步骤1在数字信号处理器中实现，

对其模数转换的信号进行平滑处理，剔除数据中的短促干扰信号和孤立点，由中值器实现，求取连续等时间间隔记录的电压信号的平均，再将该平均信号作为最终的输出电压信号记录下来；

采样频率为4×10⁶Hz，对模数转换的信号进行采样，得到一个400点的序列，进行平滑处理，剔除数据中短促干扰信号和孤立点；

采样后得到的空间域信号序列为x(m),m＝0,1,2,...，中值器的输出为y(m)，则，

y(m)＝Media{x(m-1),x(m),x(m+1)}，m＝1,2,...

式中，Media为中值函数；

对y(m)进行傅里叶变换得到时间域信号x(t)，t代表时间；

步骤2、多维度短时傅里叶变换数据分析，该步骤2在数字信号处理器中实现，

步骤2.1、带有测量噪声的信号进行多维度短时傅里叶变换，得到不同维度下的多维度短时傅里叶变换值，

其中，ψ()表示短时傅里叶时域函数，W_k表示对x(t)第k维度的多维度短时傅里叶变换，b为维度因子，

步骤2.2、取前三个维度上的多维度短时傅里叶变换进行信号处理，在相邻维度上，如果多维度短时傅里叶变换值出现在相同或几乎相同的位置上，符号相同且幅值不随维度增大而减小，就认为是信号，予以保留，否则就认为是噪声，予以虑除；

取k＝1，2，3，即W₁x(t)，W₂x(t)，W₃x(t)，分别获取三个维度的多维度短时傅里叶变换的局部极大值的维度因子的值，计作b_1j，b_2j，b_3j，对W_kx(t)进行极值变换，

步骤2.3、用保留下来的多维度短时傅里叶变换值进行信号重构，对多维度短时傅里叶变换W_2kx(t)进行重构得到时间域信号x'(t)，

其中，c_ψ为容许条件，其中，为短时傅里叶时域函数ψ(t)在频域的傅立叶变换，ω为频域向量，其中，ψ(t)∈L，L表示能量有限的信号空间，

步骤3、数据融合，该步骤在计算机中实现，

步骤3.1、根据所选择的检测准则，将漏磁或涡流传感器输出信号经过数据处理后的信号形成最优门限滤波，产生最终的检测输出；

步骤3.2、根据系统观测时间、报告位置、传感器类型、信息的属性和特征来分选和归并数据，控制信息量，避免融合系统过载，控制融合的油管缺陷数据收集；

步骤3.3、综合来自多个传感器的位置信息建立缺陷的行迹和数据库，包括数据校准、空间校准、时间校准、位置融合、测量互联、滤波预测；

步骤3.4、属性信息融合，是对来自多个传感器的目标属性数据组合，得到对缺陷的联合估计,估计缺陷对油管寿命的影响，对存在严重缺陷的油管发出报警；

步骤3.4具体为：

步骤3.4.1、对测量线圈检测到的缺陷用阻抗增量的幅值辨识缺损的长度值，用阻抗增量的相位辨识缺损的深度要比单纯用缺损的包括幅值和相位的复数值来辨识缺损的长度和深度值，人工神经网络为三层网络，输入层为阻抗增量幅值或者相位的特征值，输入节点数为12个，其中8个为判断缺陷长度的特征，4个为判断缺陷深度的特征，输出节点数为2个，内容分别为长度值、深度值，隐层节点20个；

步骤3.4.2、磁敏器件检测到的缺陷的长、宽、深特征的8个特征分量作为人工神经网络的输入，输入节点为8个，输出节点为3个，内容分别为长度值、宽度值、深度值,隐层节点为10个；

步骤3.4.3、对每组人工神经网络的输出的缺陷的长度值、宽度值、深度值作为下一级数据融合，采用设定阈值的方法，对长度值、宽度值、深度值分别设定不同的阈值，当神经网络的输出大于阈值时，缺陷为严重缺陷，重新下井可威胁到油井的正常生产，须淘汰该缺陷所在的油管；没有超过阈值的缺陷在工程允许范围内，这样的油管可以重新下井，继续使用；

其中，步骤3.4.2中，对磁敏器件得到的漏磁信号进行数据处理的最终目标是通过分析漏磁信号重现缺陷形状及尺寸，漏磁信号数据处理后，只包括了与缺陷有关的信息，对缺陷漏磁信号进行定性和定量识别的关键在于信号特征量或向量的提取；

经过数据处理的漏磁信号x'_l(t)体现了局部空间或时间轴上的异常信号，经过数据处理的漏磁信号x'_l(t)的特征量如下：

(1)信号波形的峰谷值γ_p-p，评价缺陷深度，根据漏磁信号中的极大和极小值求得相邻的一对极值之差的绝对值计算；

(2)信号波形的谷谷值χ_p-p，漏磁信号是沿管道空间位置采样获得，谷谷值χ_p-p可有效地反映轴向信号分布情况以及缺陷沿油管长度方向的漏磁场变化；

(3)信号波形的面积S_a，指在一个波动中曲线波动部分的面积，单个缺陷的漏磁信号由峰和谷组成一个波动，反映信号的短时一阶中心矩，表示为：

其中，t1表示曲线波动部分的起始时间，t2表示曲线波动部分的结束时间，min为极小值函数；

(4)一次微分信号的峰谷长值Dχ_p-p，漏磁信号进行一次微分后，增大高频部分，同时反映出漏磁场的变化率，在缺陷的边界处漏磁场发生突变，用一次微分信号的峰谷长值Dχ_p-p能够有效衡量缺陷长度；

(5)一次微分信号的峰谷高值Dγ_p-p，反映了漏磁场最高点和最低点的变化程度，反映缺陷的最大深度，作为缺陷深度评价的一个指标；

由上述五个信号特征量构建8个特征分量作为人工神经网络的输入节点，8个特征分量分别为：

轴向缺陷长度Lχ_p-p，轴向信号波形的面积与轴向信号波形的峰谷值比LS_a/Lγ_p-p，轴向信号波形的微分峰谷长LDχ_p-p，周向信号波形的峰谷值Wγ_p-p，周向微分信号的峰谷长WDχ_p-p，轴向信号波形的峰谷值Lγ_p-p，轴向漏磁场波形信号的面积与谷谷值比LS_a/Lχ_p-p，轴向微分信号的峰谷高LDγ_p-p。