[發明專利]基于SVM模型油井工況智能診斷分析方法及裝置

在審

• 申請號: 201910964089.6
• 申請日: 2019-10-11
• 公開（公告）號: CN111144433A
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 王紹平;高占武;李永平;李科華;李廣輝;劉繼紅;劉彬;唐梅;向東奎;張建東;張云龍;趙凱峰;眭金擴
• 申請（專利權）人: 中國石油天然氣股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安吉盛專利代理有限責任公司 61108
• 代理人: 高云

1.基于SVM模型油井工況智能診斷分析方法,其特征在于，包括：

步驟1：獲取油井多組正常示功圖，并提取該多組正常示功圖的HOG特征，將該正常示功圖的HOG特征集合為正常HOG特征集合；

步驟2：獲取多組不同工況下的油井故障示功圖，并將該多組示功圖按照油井的不同事故分為多組故障樣本集合，分別提取每組故障樣本集合的HOG特征，所述每組故障樣本集合的HOG特征集合為不同事故的事故HOG特征集合；

步驟3：將其中一種故障的事故HOG特征集合作為第一樣本，將其他故障的事故HOG特征集合和正常HOG特征集合作為第二樣本，將第一樣本和第二樣本輸入SVM分類器進行學習訓練，得到用于診斷所述故障的分類模型，重復本步驟，直到獲得用于診斷每種故障的分類模型后，進入下一步；

步驟4：將需要診斷的油井示功圖提取HOG特征后分別由所有分類模型進行逐次診斷，判斷出需要診斷油井故障的結果。

2.如權利要求1所述基于SVM模型油井工況智能診斷分析方法，其特征在于，還包括：

步驟3.1：將正常生產中的正常HOG特征集合作為第三樣本，將所有事故的事故HOG特征集合作為第四樣本，將第三樣本和第四樣本輸入SVM分類器進行學習訓練，得到用于診斷油井正常生產的正常生產診斷模型；

所述步驟4中，將需要診斷的油井示功圖提取HOG特征后首先使用正常生產診斷模型進行診斷，若正常生產診斷模型診斷出油井正常生產則輸出油井正常的結果，若正常生產診斷模型診斷出油井故障，則將需要診斷的油井示功圖提取HOG特征后分別由所有分類模型進行逐次診斷，判斷出需要診斷油井事故的結果。

3.如權利要求2所述基于SVM模型油井工況智能診斷分析方法，其特征在于，所述正常生產診斷模型對提取HOG特征后的需要診斷的油井示功圖進行診斷具體為：

正常生產診斷模型提取歷史正常功圖并計算HOG特征，正常生產診斷模型診斷出需要診斷的油井示功圖與歷史正常功圖相似度大于96%時，輸出油井正常的結果。

4.如權利要求1所述基于SVM模型油井工況智能診斷分析方法，其特征在于，所述步驟2中，多組不同工況下的油井故障示功圖包括凡兒失靈、油桿斷脫、連抽帶噴、輕度油管漏失、油井結蠟、游動凡兒漏失、固定凡兒漏失、雙凡兒漏失、泵間隙漏失、油井出砂、機械振動、供液不足類、泵卡類和泵脫出工作筒類油井故障示功圖。

5.如權利要求1所述基于SVM模型油井工況智能診斷分析方法，其特征在于，所述步驟1中獲取的油井多組正常示功圖和所述步驟2中獲取的多組不同工況下的油井故障示功圖為最近一個月采集的歷史示功圖，其中所述步驟1中獲取的多組油井正常示功圖的HOG特征來源于最近30天歷史功圖中特征占比最高的功圖。

6.基于SVM模型油井工況智能診斷分析裝置，其特征在于，包括：

油井正常HOG特征提取模塊，用于獲取油井多組正常示功圖，并提取該多組正常示功圖的HOG特征，將該正常示功圖的HOG特征集合為正常HOG特征集合；

油井故障HOG特征提取分類模塊，用于獲取多組不同工況下的油井故障示功圖，并將該多組示功圖按照油井的不同事故分為多組故障樣本集合，分別提取每組故障樣本集合的HOG特征，所述每組故障樣本集合的HOG特征集合為不同事故的事故HOG特征集合；

故障分類模型訓練模塊，用于將其中一種故障的事故HOG特征集合作為第一樣本，將其他故障的事故HOG特征集合和正常HOG特征集合作為第二樣本，將第一樣本和第二樣本輸入SVM分類器進行學習訓練，得到用于診斷所述故障的分類模型，重復本步驟，直到獲得用于診斷每種故障的故障特征集的分類模型。

診斷模塊，用于將需要診斷的油井示功圖提取HOG特征后分別由所有分類模型進行逐次診斷，判斷出需要診斷油井事故的結果。