[發(fā)明專(zhuān)利]一種基于特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型的抽油機(jī)井故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010592116.4
• 申請(qǐng)日: 2020-06-24
• 公開(kāi)（公告）號(hào): CN111810124B
• 公開(kāi)（公告）日: 2023-09-22
• 發(fā)明（設(shè)計(jì)）人: 段友祥;常城
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)石油大學(xué)（華東）
• 主分類(lèi)號(hào): E21B47/008
• 分類(lèi)號(hào): E21B47/008;G06N3/0464;G06N3/048;G06N3/084;G06N3/09
• 代理公司: 北京睿博行遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 11297
• 代理人: 劉桂榮

1.一種基于特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法，其特征在于包括以下步驟：

步驟?S1：使用載荷和位移傳感器分別采集抽油機(jī)光桿下端懸點(diǎn)處的載荷和位移數(shù)據(jù)，將每個(gè)運(yùn)動(dòng)周期內(nèi)的所述載荷和所述位移數(shù)據(jù)繪制成示功圖作為輸入；

步驟?S2：對(duì)S1中的輸入進(jìn)行預(yù)處理，根據(jù)抽油機(jī)井的生產(chǎn)運(yùn)行特性確定油井的工況，歸類(lèi)形狀相似的示功圖并對(duì)每類(lèi)示功圖標(biāo)注對(duì)應(yīng)工況，隨機(jī)選取一部分示功圖作為訓(xùn)練集，另一部分示功圖作為驗(yàn)證集和測(cè)試集；

步驟?S3：將測(cè)試集的示功圖輸入特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型，所述殘差卷積神經(jīng)網(wǎng)絡(luò)模型由1×1卷積層、3×3卷積層、中間層和在輸入輸出之間引入1條恒等映射的直連通道組成；所述特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)模型共14層，其中，包含1個(gè)卷積層，5個(gè)SE-殘差模塊；卷積層中均加入L2正則化并使用LeakyReLu作為激活函數(shù)；其中，模型輸入為示功圖，輸出為示功圖的種類(lèi)；

步驟?S4：構(gòu)建SE-殘差模塊的子結(jié)構(gòu)完成對(duì)特征的重標(biāo)定，加強(qiáng)有效特征圖的權(quán)重，減小無(wú)效特征圖的權(quán)重；

步驟?S5：將SEE-殘差模塊子模塊嵌入殘差卷積神經(jīng)網(wǎng)路模型的分支上，對(duì)分支特征重標(biāo)定，在淺層輸入與深層輸出相加前對(duì)分支進(jìn)行操作，如果對(duì)主支上的特征重標(biāo)定，經(jīng)過(guò)（0,1）間的Scale操作，深層網(wǎng)絡(luò)反向傳播優(yōu)化時(shí)會(huì)出現(xiàn)梯度彌散現(xiàn)象，導(dǎo)致模型無(wú)法收斂；

步驟?S6：使用S2得到的數(shù)據(jù)集訓(xùn)練、測(cè)試步驟S5得到的模型，完成對(duì)抽油機(jī)井示功圖的自動(dòng)分類(lèi)識(shí)別。

2.如權(quán)利要求1所述的一種基于特征重標(biāo)定殘差卷積神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法，其特征在于，所述步驟S4具體包括：

步驟S41：Sequeeze操作，使用平均池化將特征壓縮；Sequeeze操作表達(dá)式為：；為Sequeeze函數(shù)即平均池化，是高寬為H×W的特征圖；通過(guò)Sequeeze函數(shù)將H×W×C的輸入轉(zhuǎn)化為1×1×C的輸出；

步驟S42：使用全連接層將特征的維度降至之前的1/16，經(jīng)過(guò)激活操作和全連接層后還原特征維度，與只有一個(gè)全連接層相比，能夠加入更多的非線性，很好的增強(qiáng)通道間的關(guān)系、減小參數(shù)數(shù)目；

步驟S43：Excitation操作，使用Sigmod函數(shù)為每個(gè)特征通道計(jì)算權(quán)重，權(quán)重表示每個(gè)特征通道的重要性；Excitation操作表達(dá)式為：；為Excitation函數(shù)，z是Sequeeze操作表達(dá)式中的，是第一個(gè)全連接的計(jì)算操作，W1的維度為C/16×C，本文取16是將通道數(shù)降為原16分之1，經(jīng)ReLu激活操作和第二個(gè)全連接層與W2相乘，W2的維度是C×C/16，得到輸出維度是C×1×1，最后通過(guò)sigmod函數(shù)后得s；

步驟S44：Scale操作，使用乘法的方式加權(quán)到各個(gè)通道特征，完成對(duì)原始特征的重標(biāo)定；Scale操作的表達(dá)式為：；為Scale函數(shù)表示與相乘，為二維矩陣，為權(quán)重。