[發(fā)明專利]一種深度學習的煤層氣螺桿泵井健康指數(shù)預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110028154.1
• 申請日: 2021-01-08
• 公開（公告）號: CN112861422B
• 公開（公告）日: 2023-05-19
• 發(fā)明（設(shè)計）人: 檀朝東;王松;宋健;馮鋼;宋文容;馬丹
• 申請（專利權(quán)）人: 中國石油大學（北京）;北京雅丹石油技術(shù)開發(fā)有限公司;西安中控天地科技開發(fā)有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 北京海虹嘉誠知識產(chǎn)權(quán)代理有限公司 11129
• 代理人: 何志欣

1.一種深度學習的煤層氣螺桿泵井健康指數(shù)預測方法，其特征在于，包括以下步驟中的一個或幾個：

從煤層氣螺桿泵井采集的多個原始參數(shù)中選取至少一個作為主控參數(shù)；

對至少一個主控參數(shù)進行合并處理以構(gòu)建健康指數(shù)；

根據(jù)健康指數(shù)將煤層氣螺桿泵井健康狀態(tài)劃分為至少兩個不同階段；

提取煤層氣螺桿泵井的健康指數(shù)數(shù)據(jù)作為樣本數(shù)據(jù)，采用長短時記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建健康指數(shù)預測模型；

應用健康指數(shù)預測模型，預測煤層氣螺桿泵井的健康狀態(tài)變化；

其中，對至少一個主控參數(shù)進行合并處理以構(gòu)建健康指數(shù)包括：

將采集的所有煤層氣故障井的主控參數(shù)進行合并，采用主成分分析計算n項主控參數(shù)的協(xié)方差矩陣A，將協(xié)方差矩陣A進行對角化處理，得到協(xié)方差矩陣A的特征值，即為各項主控參數(shù)的權(quán)重，將n項主控參數(shù)的權(quán)重分別與其參數(shù)相乘后相加，得到一個反映螺桿泵健康狀態(tài)的綜合指標，進行歸一化處理得到健康指數(shù)HI；

主成分分析方法采用方差度量信息量，樣本集合為{X＝[X_1jX_2j，…，X_nj]^T0≤j≤m-1}，n為主控參數(shù)個數(shù)，m為某時刻t＝m，X_nj＝[x_n1，x_n2，…，x_nj]，將所有的樣本構(gòu)建成一個n×m的矩陣，即為協(xié)方差矩陣，令協(xié)方差矩陣為A，則：

式中：x_nj——數(shù)據(jù)集中第n個主控參數(shù)在t＝j(luò)時刻所對應的樣本屬性值；

——主控參數(shù)n所有屬性值的平均值，

令矩陣A的一組特征向量為υ，特征向量為υ所對應的特征值為λ_i，其中，i＝1，2，…，n，于是得出矩陣、特征值與特征向量之間的關(guān)系為：

Aυ＝λ_iυ

構(gòu)建求解特征矩陣的特征值公式：

|λ_iE-A|＝0

式中：E——單位矩陣；

設(shè)某一時刻t輸入的主控參數(shù)值為X_t＝(x_1t，x_2t，…，x_nt)，則綜合指數(shù)CI_t計算公式為：

CI_t＝λX_t^T

式中：λ——矩陣A的特征值組成的特征值向量，λ＝(λ₁，λ₂，…λ_n)；

計算得出T時段內(nèi)每個時刻的綜合指數(shù)為：

CI＝(CI₀，CI₁，…，CI_t)

將得到的綜合指數(shù)進行歸一化處理，即得到健康指數(shù)HI；

t時刻健康指數(shù)的計算公式為：

于是得到T時段內(nèi)每個時刻的健康指數(shù)為：

HI＝(HI₀，HI₁，…，HI_t)；

其中，健康指數(shù)預測模型的建立、訓練及驗證方法包括以下步驟：

(1)調(diào)用接口創(chuàng)建模型，設(shè)置初始參數(shù)，調(diào)用TensorFlow上的接口創(chuàng)建LSTM模型，設(shè)置神經(jīng)網(wǎng)絡(luò)層數(shù)、時間序列步長、神經(jīng)元個數(shù)、訓練循環(huán)次數(shù)、批量大小的超參數(shù)，并設(shè)置激活函數(shù)與優(yōu)化函數(shù)；

(2)根據(jù)模型結(jié)構(gòu)，建立訓練集和測試集，按照LSTM模型結(jié)構(gòu)，提取螺桿泵健康指數(shù)數(shù)據(jù)，設(shè)置時間序列，根據(jù)設(shè)定輸入時間長度對樣本數(shù)據(jù)進行分割處理，創(chuàng)建煤層氣螺桿泵故障井HI訓練集和測試集，其中每口樣本井80％數(shù)據(jù)用于模型訓練，20％數(shù)據(jù)用于模型測試；

(3)模型調(diào)參，通過網(wǎng)格搜索方法，選擇出模型最佳超參數(shù)以及激活函數(shù)與優(yōu)化函數(shù)；

(4)模型訓練，利用訓練集數(shù)據(jù)進行模型訓練，利用測試集數(shù)據(jù)進行模型預測精度評價，根據(jù)預測精度調(diào)整和優(yōu)選超參數(shù)，健康指數(shù)預測模型選用tanh函數(shù)作為激活函數(shù)、Adam函數(shù)作為優(yōu)化函數(shù)；

(5)驗證模型，對煤層氣螺桿泵井健康指數(shù)預測模型效果進行評價時，設(shè)置該模型的預測總量為n，預測值為y_pre，真實值為y_t；

(6)模型發(fā)布，用測試集數(shù)據(jù)評價健康指數(shù)預測模型的預測精度，當預測結(jié)果的精度達到預先所設(shè)定的要求時，模型訓練完成，發(fā)布為正式預測模型。