[發明專利]一種基于GAN的抽油井故障診斷方法

在審

• 申請號: 201910598136.X
• 申請日: 2019-07-04
• 公開（公告）號: CN110318731A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 高憲文;高晗;王明順;郭靖;劉金澤
• 申請（專利權）人: 東北大學
• 主分類號: E21B47/00
• 分類號: E21B47/00;E21B47/008;G06Q50/02
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于GAN的抽油井故障診斷方法，所述抽油井為有桿泵抽油機井，其特征在于，包括下述步驟：

步驟1：收集已知故障類型的抽油井示功圖，得到抽油井示功圖集，并對抽油井示功圖集進行預處理；

步驟2：將預處理后的抽油井示功圖集組成第一樣本庫，從第一樣本庫中隨機選取m₁個樣本構成第一訓練集，第一樣本庫中其余m-m₁個樣本構成第一測試集；其中，m為第一樣本庫中的樣本總數，第一樣本庫中的每個樣本均對應一個故障類型標簽；

步驟3：對第一訓練集和第一測試集中的每張示功圖均進行標準歸一化處理；

步驟4：構建抽油井示功圖生成的GAN模型，用第一訓練集對GAN模型進行訓練，并生成新的示功圖集；

步驟5：將新的示功圖集組成第二樣本庫，從第二樣本庫中隨機選取m₂個樣本構成第二訓練集，第二樣本庫中其余m₁'-m₂個樣本構成第二測試集，并對第二訓練集和第二測試集均進行與步驟3中相同的標準歸一化處理；其中，m₁'為第二樣本庫中的樣本總數；

步驟6：基于卷積神經網絡構建抽油井故障診斷模型，用標準歸一化處理后的第一訓練集和第二訓練集訓練所述抽油井故障診斷模型；所述抽油井故障診斷模型包括第二卷積層、第二池化層、第二全連接層、第二dropout層，所述抽油井故障診斷模型的輸入為標準歸一化處理后的抽油井示功圖、輸出為該抽油井示功圖對應的故障類型標簽；

步驟7：用標準歸一化處理后的第一測試集和第二測試集分別對訓練后的抽油井故障診斷模型進行測試，得到抽油井故障診斷模型的準確率；

步驟8：采集待診斷抽油井的示功圖，對待診斷抽油井的示功圖進行與步驟1中相同的預處理及與步驟3中相同的標準歸一化處理后，將待診斷抽油井的示功圖輸入抽油井故障診斷模型中，對待診斷抽油井進行故障診斷，得到待診斷抽油井的故障類型。

2.根據權利要求1所述的基于GAN的抽油井故障診斷方法，其特征在于，所述步驟1中，對抽油井示功圖集進行預處理，包括：將抽油井示功圖集中的各抽油井示功圖調整為同等像素大小。

3.根據權利要求1所述的基于GAN的抽油井故障診斷方法，其特征在于，所述步驟3中，標準歸一化處理的公式為P_n＝2(P-P_min)/(P_max-P_min)-1，P為標準歸一化前的示功圖的圖像矩陣，P_n為標準歸一化后的示功圖的圖像矩陣，P、P_n中的每個元素為對應圖像中每一位像素點的灰度值，P_max為矩陣P中元素的最大值，P_min為矩陣P中元素的最小值。

4.根據權利要求1所述的基于GAN的抽油井故障診斷方法，其特征在于，所述步驟4包括下述步驟：

步驟4.1：構建抽油井示功圖生成的GAN模型為

其中，D為GAN模型的判別器，G為GAN模型的生成器，判別器D包括第一卷積層、第一池化層、第一dropout層，生成器G包括第一全連接層、反卷積層；x為真實示功圖，P_data(x)為真實示功圖集的分布，z為輸入生成器G的噪聲，G(z)為生成器G生成的示功圖，P_z(z)為噪聲的分布，D(x)為判別器D判斷真實示功圖x為真實的概率，D(G(z))為判別器D判斷生成器G生成的示功圖G(z)為真實的概率；E為期望；

步驟4.2：隨機產生噪聲z，用噪聲z訓練生成器G來生成新的示功圖；將標準歸一化處理后的第一訓練集作為真實示功圖集，用第一訓練集和生成器G生成的示功圖集訓練判別器D；

步驟4.3：利用訓練后的GAN模型生成新的示功圖集。