[發明專利]一種基于殘差神經網絡的抽油機井故障診斷方法及系統

有效

• 申請號: 202110264318.0
• 申請日: 2021-03-11
• 公開（公告）號: CN112949196B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 檀朝東;陳培堯;馮鋼;檀竹南
• 申請（專利權）人: 中國石油大學（北京）;北京雅丹石油技術開發有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0464;G06N3/08
• 代理公司: 合肥中博知信知識產權代理有限公司 34142
• 代理人: 張加寬

1.一種基于殘差神經網絡的抽油機井故障診斷方法，其特征在于，所述的方法包括：

使用當前示功圖實際載荷最值進行歸一化，以及，對于當前的示功圖數據集，使用聚類算法獲得k個歸一化尺度，進而獲得k+1個歸一化示功圖；

將示功圖二值化：

首先使用python中的第三方庫matplotlib將示功圖位移、載荷數據繪制成圖像，然后提取圖像的RGB像素值，使用浮點運算按式(3)轉換為灰度值，最后根據式(4)進行二值化；

Gray＝R*0.3+G*0.59+B*0.11????(3)

其中，R、G、B為圖像像素點三色值，Gray為圖像像素的灰度值，T為二值化后對應像素點的值，1表示圖像空白區域，0則表示示功圖曲線輪廓，最后獲得的k+1個224×224二值化矩陣即為模型的輸入；

基于pytorch實現了k+1輸入通道的18層殘差卷積神經網絡作為圖像識別網絡模型，在每個卷積層后使用了batch?normalization激活函數ReLu，采用式(5)隨機初始化網絡權重參數：

其中，W_l是第1層的權重參數，d_l、d_l-1是第1層和l-1層中神經元數量，R函數生成[0，1]之間正態分布的隨機函數，隨后使用70％數據訓練網絡，30％進行測試，網絡模型訓練參數如下：

優化方法：Adam(betas＝(0.9，0.999)，eps＝le-08，weight?decay＝8e-4)

Batch?size：64

學習率(Learning?rate)：0.001

訓練世代(epoch)：20；

所述聚類算法的流程如下：輸入：樣本數據集D；

(1)從樣本中隨機選取k個樣本點作為初始的均值向量(u₁，u₂，......，u_i，u_k)；

(2)循環以下幾步直到達到停止條件，此時每個簇的均值向量不再變化；

(2.1)令其中1≤i≤k；

(2.2)計算所有樣本點到k個均值向量之間的距離，取其中距離最短的對應均值向量的標記作為該點的簇標記，然后將該點加入相應的簇C_i；

(2.3)計算每一個簇的均值向量x∈C_i，更新簇的均值向量；

所述的停止條件為：|u_i-u_i-1|＜σ，其中σ的取值為0.05-0.1；

輸出：每個簇的均值向量，即歸一化尺度(y_max，y_min)；

其中，樣本數據集D是每個示功圖數據載荷的最值(y_max，y_min)向量的集合。

2.根據權利要求1所述的方法，其特征在于，選擇成本函數肘部的值作為k的值，其中，所述的成本函數是各個類畸變程度之和，每個類的畸變程度等于該類質心與其內部成員距離的平方和，成本函數的計算公式為：

其中，u_i是第k個簇中的成員向量，u_k是該簇的質心。

3.一種基于殘差神經網絡的抽油機井故障診斷系統，用于實現權利要求1-2任意一項所述的方法，其特征在于，所述的系統包括：

示功圖預處理模塊，對抽油機井示功圖進行預處理，提取示功圖信息；

歸一化處理模塊，根據提取到的示功圖信息對其進行歸一化處理；

示功圖圖像處理模塊，用于對得到的示功圖圖像進行二值化；

深度殘差神經網絡模塊，用于構建深度殘差神經網絡模塊，并將其作為圖像識別網絡模型，以及對所述的網絡模型進行訓練；

精度判斷模塊，用于判斷經訓練后的網絡模型是否滿足精度要求；

應用模塊，用于將現場實測示功圖輸入到訓練好的圖像識別網絡模型中，得到示功圖所屬類型的結果。