[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

本發明涉及抽油井故障診斷技術領域，提供一種基于GAN的抽油井故障診斷方法。本發明首先收集已知故障類型的抽油井示功圖，并對其預處理；然后建立第一樣本庫，分為第一訓練集和第一測試集后進行標準歸一化處理；接著構建GAN模型，用第一訓練集對其訓練，生成新的示功圖集并建立第二樣本庫，分為第二訓練集和第二測試集后進行標準歸一化處理；再基于卷積神經網絡構建抽油井故障診斷模型，用第一訓練集和第二訓練集對其訓練，用第一測試集和第二測試集對其測試；最后將待診斷抽油井的示功圖輸入抽油井故障診斷模型，得到待診斷抽油井的故障類型。本發明能夠生成大量示功圖樣本，直接輸入示功圖就能得到故障類型，抽油井故障診斷的準確性高。

技術領域

本發明涉及抽油井故障診斷技術領域，特別是涉及一種基于GAN的抽油井故障診斷方法。

背景技術

有桿泵抽油機井的示功圖可真實地反映井下的實際工作狀況，是油田生產中分析抽油系統工作狀況的重要方式。在油田生產中主要依靠人工判斷示功圖，但是這種人為判斷的方式存在各種各樣的問題。人工分析的方式很難做到實時監測抽油井的工作狀態；而且受到分析人知識的局限性影響，不能保證分析結果的準確性。

隨著人工智能技術不斷取得進步和實際油田生產中對抽油井生產自動化要求的不斷提高，由計算機對抽油井工作狀況進行分析成為主流。神經網絡憑借其強有力的學習和并行處理能力為故障診斷提供了全新的理論方法和實現手段。神經網絡通過對樣本數據的不斷學習，將學到的關系以權值和閥值的形式存儲在訓練的網絡結構中。神經網絡的輸入是被診斷對象或其特征值，輸出是產生某種故障的概率。神經網絡具有很強的分類能力，但前提是需要提供大量的樣本數據對模型進行訓練；當樣本不足時會造成模型的過擬合以及泛化性差。而實際的油田生產中很難得到大量的故障示功圖，這是要應用神經網絡診斷抽油井井下故障所需解決的一個核心的問題。

發明內容

針對現有技術存在的問題，本發明提供一種基于GAN的抽油井故障診斷方法，能夠生成大量的抽油井示功圖樣本，且直接輸入示功圖就能得到抽油井故障類型，提高了抽油井故障診斷的準確性。

本發明的技術方案為：

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；