[發(fā)明專(zhuān)利]一種深度超限示功圖學(xué)習(xí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910588402.0
• 申請(qǐng)日: 2019-07-01
• 公開(kāi)（公告）號(hào): CN110288257A
• 公開(kāi)（公告）日: 2019-09-27
• 發(fā)明（設(shè)計(jì)）人: 羅仁澤;張可;王瑞杰;袁杉杉;呂沁;馬磊;李陽(yáng)陽(yáng)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西南石油大學(xué)
• 主分類(lèi)號(hào): G06Q10/06
• 分類(lèi)號(hào): G06Q10/06;G06Q50/02;G06K9/62;G06N3/04
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開(kāi)了一種深度超限示功圖學(xué)習(xí)方法，傳統(tǒng)示功圖識(shí)別方法識(shí)別存在人工選擇特征，準(zhǔn)確率低，泛化性能不強(qiáng)等問(wèn)題。針對(duì)以上問(wèn)題，提出了一種深度超限示功圖學(xué)習(xí)方法，利用深度卷積網(wǎng)絡(luò)提取示功圖深度特征向量，輸入極限學(xué)習(xí)機(jī)中給出識(shí)別類(lèi)型。該方法，不僅避免了傳統(tǒng)方法示功圖診斷中復(fù)雜的特征提取過(guò)程和特征提取不充分的弊端，同時(shí)提高了示功圖故障診斷的識(shí)別率，而且該方法具有更強(qiáng)的泛化性能。

技術(shù)領(lǐng)域

本發(fā)明屬于油氣開(kāi)采技術(shù)領(lǐng)域，尤其涉及一種深度超限抽油井有桿泵示功圖故障診斷學(xué)習(xí)方法。

背景技術(shù)

在石油開(kāi)采中有桿抽油機(jī)是最廣泛也是最常見(jiàn)的采油設(shè)備，由于井下零件在地下幾千米處工作，一旦出現(xiàn)故障，很難立即發(fā)現(xiàn)。如果能及時(shí)預(yù)測(cè)井下工作情況，掌握井下連續(xù)運(yùn)行狀態(tài)，將會(huì)大大提高油井的產(chǎn)量。由于抽油機(jī)井示功圖能夠直接反映油井生產(chǎn)運(yùn)行的情況，所以示功圖通常用于分析井下工作條件。在實(shí)際生產(chǎn)中，對(duì)抽油機(jī)有桿泵示功圖的識(shí)別和分類(lèi)還主要是依靠人工進(jìn)行，識(shí)別效率低，并且對(duì)經(jīng)驗(yàn)知識(shí)要求很高。現(xiàn)在，隨著計(jì)算機(jī)信息技術(shù)的高速發(fā)展和對(duì)石油生產(chǎn)先進(jìn)技術(shù)要求的不斷提高，基于計(jì)算機(jī)的智能分析方法越來(lái)越受到重視。

當(dāng)前國(guó)內(nèi)外學(xué)者對(duì)基于示功圖的故障診斷做了很多的研究，但普遍研究的重點(diǎn)在于特征提取上，這樣很大程度會(huì)分散我們對(duì)示功圖本身識(shí)別的注意力，而且特征提取算法是針對(duì)其研究的數(shù)據(jù)集上有很高的識(shí)別率，一旦采用不同的抽油機(jī)有桿泵所采集的數(shù)據(jù)進(jìn)行測(cè)試，往往識(shí)別結(jié)果不會(huì)令人滿(mǎn)意。

鑒于現(xiàn)有的抽油機(jī)有桿泵示功圖識(shí)別方法存在的問(wèn)題，提出了一種深度超限示功圖學(xué)習(xí)方法，以提高抽油機(jī)有桿泵示功圖識(shí)別正確率和泛化性能。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供了一種深度超限示功圖學(xué)習(xí)方法。

本發(fā)明的技術(shù)方案是：一種深度超限示功圖學(xué)習(xí)方法，其特征在于包括以下步驟：

步驟1：對(duì)油田采集的位移和載荷數(shù)據(jù)進(jìn)行預(yù)處理，得到示功圖訓(xùn)練集和測(cè)試集樣本；

步驟2：搭建深度卷積自編碼器模型，利用示功圖訓(xùn)練集樣本，對(duì)深度卷積自編碼器進(jìn)行無(wú)監(jiān)督訓(xùn)練，得到深度卷積網(wǎng)絡(luò)的預(yù)訓(xùn)練參數(shù)，深度卷積自編碼器的第一卷積層到第七卷積層分別包含2n、4n、8n、8n、8n、4n、2n個(gè)5*5大小的卷積核，n為大于0的正整數(shù)；

步驟3：搭建深度卷積網(wǎng)絡(luò)模型，并利用深度卷積自編碼器訓(xùn)練得到的編碼層參數(shù)初始化深度卷積網(wǎng)絡(luò)的卷積層參數(shù)，深度卷積網(wǎng)絡(luò)結(jié)構(gòu)中包含輸入層、p個(gè)卷積層、q個(gè)池化層、k個(gè)全連接層以及輸出層，其中p、q、k均為大于等于0的正整數(shù)，輸出層滿(mǎn)足One-hot格式輸出，且每個(gè)卷積操作后均使用LeakyReLU激活函數(shù)進(jìn)行非線(xiàn)性化處理；

其中，通過(guò)使用卷積濾波器對(duì)示功圖進(jìn)行卷積的計(jì)算公式為：

式中，f( )表示激勵(lì)函數(shù)，表示第l層的第j個(gè)神經(jīng)元的偏置值，表示第l層的第i神經(jīng)元到第j個(gè)神經(jīng)元間的權(quán)重，表示第l層的第j個(gè)神經(jīng)元輸入，conv2D( )表示二維卷積，i、j、l、k為大于0的正整數(shù)；

其中，LeakyReLU激活函數(shù)為：

式中γ為一個(gè)小于0.01的常數(shù)；

步驟4：利用訓(xùn)練集樣本對(duì)深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將輸出結(jié)果與樣本標(biāo)簽計(jì)算誤差，利用反向傳播算法和梯度下降法對(duì)深度卷積網(wǎng)絡(luò)的參數(shù)進(jìn)行迭代更新，得到訓(xùn)練完成參數(shù)；

其中，計(jì)算誤差的交叉熵?fù)p失函數(shù)為：

式中，y_k是第k個(gè)樣本預(yù)測(cè)輸出標(biāo)簽，t_k是第k個(gè)樣本訓(xùn)練集真實(shí)標(biāo)簽，k為大于0的正整數(shù)；