[發(fā)明專利]一種基于殘差神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110264318.0
• 申請日: 2021-03-11
• 公開（公告）號: CN112949196B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計）人: 檀朝東;陳培堯;馮鋼;檀竹南
• 申請（專利權(quán)）人: 中國石油大學(xué)（北京）;北京雅丹石油技術(shù)開發(fā)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(chǎn)權(quán)代理有限公司 34142
• 代理人: 張加寬

本發(fā)明涉及油氣勘探與開發(fā)技術(shù)領(lǐng)域，特別涉及一種基于殘差神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法及系統(tǒng)；所述的方法包括使用當(dāng)前示功圖實際載荷最值進(jìn)行歸一化，以及，對于當(dāng)前的示功圖數(shù)據(jù)集，使用聚類算法獲得k個歸一化尺度，進(jìn)而獲得k+1個歸一化示功圖；然后將示功圖二值化，基于pytorch實現(xiàn)了k+1輸入通道的18層殘差卷積神經(jīng)網(wǎng)絡(luò)作為圖像識別網(wǎng)絡(luò)模型；本發(fā)明結(jié)合示功圖多尺度歸一化方法，構(gòu)建了多通道的深度殘差卷積神經(jīng)網(wǎng)絡(luò)的示功圖分類模型，使用了BN、Relu等深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練技術(shù)，在多尺度歸一化方法(k＝10)得到的數(shù)據(jù)集下訓(xùn)練、測試，該模型收斂魯棒性好，測試準(zhǔn)確率達(dá)到95.6％。

技術(shù)領(lǐng)域

本發(fā)明涉及油氣勘探與開發(fā)技術(shù)領(lǐng)域，特別涉及一種基于殘差神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法及系統(tǒng)。

背景技術(shù)

抽油機(jī)井的故障診斷一直是油田生產(chǎn)中的難點與重點，在過去的幾十年中，通過科研人員的努力，抽油機(jī)井故障診斷技術(shù)有了很大提高，取得了一些階段性的成果，而近幾年人工智能技術(shù)的發(fā)展，為故障診斷技術(shù)的研究帶來了新的活力。

目前應(yīng)用廣泛的抽油機(jī)井故障診斷技術(shù)中，比較常用的方法有：1)故障專家系統(tǒng)，模擬人類專家分析抽油機(jī)工況的計算機(jī)系統(tǒng)，此方法將計算機(jī)與人工智能相結(jié)合，根據(jù)多個專家提供的工況分析經(jīng)驗，對抽油機(jī)工況進(jìn)行推理判斷，但是專家系統(tǒng)只針對寫入到程序中的特定抽油機(jī)示功圖反映的工況，對于不同類型抽油機(jī)需要重新設(shè)計實現(xiàn)程序，無法推廣使用；2)機(jī)器學(xué)習(xí)方法，在示功圖分類識別問題上取得了不錯的準(zhǔn)確率，但仍然無法滿足實際生產(chǎn)的需求，需要擴(kuò)充數(shù)據(jù)集，提高分類識別準(zhǔn)確率、縮短模型訓(xùn)練時間方法；3)深度學(xué)習(xí)方法，深度學(xué)習(xí)模型不斷的更新改進(jìn)，計算機(jī)硬件特別是GPU的發(fā)展，大大提高了圖像分類識別的準(zhǔn)確率，但是適用于抽油機(jī)故障診斷的應(yīng)用較少，無法充分發(fā)揮它們的優(yōu)勢。

油田生產(chǎn)中，實測抽油機(jī)井示功圖類型可達(dá)20余種，有些工況非常復(fù)雜，基于示功圖識別的常用抽油機(jī)井工況診斷模型，在現(xiàn)場多種工況診斷應(yīng)用中的準(zhǔn)確率及復(fù)雜工況召回率均較低，診斷結(jié)果不確定性問題突出。為此，提出本發(fā)明。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于殘差神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法，以實現(xiàn)抽油機(jī)井故障的智能診斷，確保現(xiàn)場工況診斷的準(zhǔn)確率，以及桿斷脫、泵閥嚴(yán)重漏失、上碰泵等嚴(yán)重工況的召回率，滿足抽油機(jī)井工況智能診斷的現(xiàn)場實際需求。

為了實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案予以實現(xiàn)：

一種基于殘差神經(jīng)網(wǎng)絡(luò)的抽油機(jī)井故障診斷方法，所述的方法包括：

使用當(dāng)前示功圖實際載荷最值進(jìn)行歸一化，以及，對于當(dāng)前的示功圖數(shù)據(jù)集，使用聚類算法獲得k個歸一化尺度，進(jìn)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(shù)據(jù)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(zhuǎn)換為灰度值，最后根據(jù)式(4)進(jìn)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(yīng)像素點的值，1表示圖像空白區(qū)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(xiàn)了k+1輸入通道的18層殘差卷積神經(jīng)網(wǎng)絡(luò)作為圖像識別網(wǎng)絡(luò)模型，在每個卷積層后使用了batch?normalization激活函數(shù)ReLu，采用式(5)隨機(jī)初始化網(wǎng)絡(luò)權(quán)重參數(shù)：