一种基于多视角学习的抽油机井工况识别方法及系统技术方案

本发明专利技术公开了一种基于多视角学习的抽油机井工况识别方法及系统，属于工况诊断技术领域，采用基于大数据生产环境下的多视角学习方法，以实测地面示功图和电功率信号为两个不同的主视角，实测井口温度和井口压力信号为两个辅视角，进行有效组合并利用这四个实测视角，通过少量抽油机井工况数据或结合大量未知工况数据建立工况识别模型，其中，建立的工况识别模型有效集成了Hessian正则化和多视角学习方法，能够充分利用大数据和油气生产物联网环境下有杆泵采油生产系统采集的海量多源实时信息，突破单一信息源识别抽油机井工况的局限性和传统多源信息识别方法的技术瓶颈，从而进一步提高了抽油机井工况识别精准率和工程实用性。

【技术实现步骤摘要】
一种基于多视角学习的抽油机井工况识别方法及系统
本专利技术涉及工况诊断
，特别涉及一种基于多视角学习的抽油机井工况识别方法及系统。
技术介绍
在现有的抽油机井工况识别方法中，多数工况识别方法是基于示功图识别技术，主要是利用泵功图或实测地面示功图结合人工智能方法进行工况识别；还有是基于电参数的识别方法，主要是利用电功图或实测电参数进行工况识别；很少有基于多源数据的识别方法，基于多源数据的识别方法主要是利用泵功图结合油井生产信息(产量、抽汲参数、井况数据等)进行工况识别。已有技术中的工况识别方法在抽油机井生产中取得了较好成效，但仍存在如下的局限性：(1)在机电液耦合的复杂非线性系统中，用单一信息源判断油井工况易产生误报现象；(2)受阻尼系数和“除零”问题影响，通过模型计算得到的泵功图和电功图会影响特征参数值精度计算；(3)受传统多特征连接识别方法技术限制、先期油井海量实时数据采集和存储技术限制、井况复杂多变、人工统计数据不可靠等因素影响，已有的基于多源数据的工况识别方法的识别效果和模型鲁棒性均比较低；(4)已有技术中的工况识别方法需要大量标记工况训练样本，而实际工程中标记工况样本的获取难度大且获取代价大，而无标记样本训练的方法往往识别精度不佳。在大数据和油气生产物联网环境下，抽油机井采油生产系统获取了大量多源实时数据，如实测地面示功图、电参数、井口温度、井口压力等，同时也获取了大量未知工况数据，这些多源实时数据能够及时、全面地反映抽油机井工况。受上述局限性影响，目前已有的工况识别方法在抽油机井生产中的实际应用效果并不理想；此外，已有技术中严重缺乏适合大数据生产环境下有效融合多个实测信息源建立的工况识别模型，因此，亟待研究开发一种抽油机井工况识别方法和系统以提高识别精度和实用性，解决已有技术中的抽油机井工况识别方法不利于智能油田生产建设与发展的技术问题。
技术实现思路
为了解决现有技术中存在的缺陷，本专利技术实施例提供一种基于多视角学习的抽油机井工况识别方法及系统，采用基于大数据生产环境下的多视角学习方法，以实测地面示功图和电功率信号为两个不同的主视角，实测井口温度和井口压力信号为两个辅视角，进行有效组合并利用这四个实测视角，通过少量抽油机井工况数据或结合大量未知工况数据建立工况识别模型，进一步提高油井工况识别精准率和工程应用性，最大化地服务于采油生产，降低作业成本，提高油井采收率，促进智能油田生产建设与发展。所述技术方案如下：第一方面，提供了一种基于多视角学习的抽油机井工况识别方法包括：构建包含已知抽油机井工况和未知抽油机井工况对应的实测地面示功图、电功率信号、井口温度和井口压力信号四个视角的样本库；以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合；分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集；根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型；通过建立的工况识别模型进行抽油机井工况识别。可选的，所述以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合，具体为：以实测地面示功图和电功率信号为2个主视角，实测井口温度和井口压力信号为2个辅视角，构建主辅视角组合，其中，所述主辅视角组合为第一视角组合、第二视角组合和第三视角组合中的一种，其中，所述第一视角组合包括实测地面示功图和实测电功率信号两个主视角，所述第二视角组合包括实测地面示功图、实测电功率信号和实测井口温度信号三个主辅视角，所述第三视角组合包括实测地面示功图、实测电功率信号、实测井口温度信号和实测井口压力信号四个主辅视角。可选的，所述分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集，具体包括：依据抽油泵一个工作周期内功图面积、冲次、载荷、活塞上的液柱重量、冲程、有效冲程、冲程损失、加载和卸载过程关键点位置的变化进行实测地面示功图的特征提取，其中，实测地面示功图的特征参数包括冲程、冲次、功图实际面积、最大载荷、最小载荷、最大最小载荷比、活塞上液注重量、有效冲程、加载冲程损失、卸载冲程损失、提前加载位置、提前卸载位置；依据“功特征”和“AUC特征”进行实测电功率信号的特征提取，其中，实测电功率信号的特征参数包括：上行功、下行功、周期功、上行面积、下行面积、周期面积、平衡率；依据机理分析和专家知识进行实测井口温度信号的特征提取，其中，实测井口温度信号的特征参数包括：上行热能耗损、下行热能耗损、周期热能耗损；依据机理分析和专家知识进行实测井口压力信号的特征提取，其中，实测井口压力信号的特征参数包括：上行能量耗损、下行能量耗损、周期能量耗损。可选的，所述根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型，具体包括：根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，确定对应的多视角学习方法，并有效地集成Hessian正则化建立相应的工况识别模型，其中，若构建的为第一视角组合，则采用加权多核学习方法、协同训练学习方法、加权典型相关分析学习方法中的一种多视角学习方法；若构建的为第二视角组合，则采用多视角加权多核学习方法；若构建的为第三视角组合，则采用多视角加权典型相关分析学习方法。可选的，所述通过建立的工况识别模型进行抽油机井工况识别，具体为：若建立的工况识别模型为Hessian正则化协同训练工况识别模型，则在对应模型上采用SVM一对一两分类器进行工况识别；若建立的工况识别模型为Hessian正则化加权典型相关分析工况识别模型和Hessian正则化多视角加权典型相关分析工况识别模型，则分别在对应模型上采用余弦最近邻多分类器进行工况识别；若建立的工况识别模型为加权多核学习工况识别模型和多视角加权多核学习工况识别模型，则在对应模型上采用logistic回归一对多两分类器进行工况识别。第二方面，提供了一种基于多视角学习的抽油机井工况识别系统包括：样本库构建模块，用于构建包含已知抽油机井工况和未知抽油机井工况对应的实测地面示功图、电功率信号、井口温度和井口压力信号四个视角的样本库；视角构建模块，用于以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合；特征数据采集模块，用于分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集；模型建立模块，用于根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型；工况识别模块，用于通过建立的工况识别模型进行抽油机井工况识别。可选的，所述视角构建模块具体用于：以实测本文档来自技高网...

【技术保护点】
1.一种基于多视角学习的抽油机井工况识别方法，其特征在于，所述抽油机井工况识别方法包括：构建包含已知抽油机井工况和未知抽油机井工况对应的实测地面示功图、电功率信号、井口温度和井口压力信号四个视角的样本库；以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合；分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集；根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型；通过建立的工况识别模型进行抽油机井工况识别。

【技术特征摘要】
1.一种基于多视角学习的抽油机井工况识别方法，其特征在于，所述抽油机井工况识别方法包括：构建包含已知抽油机井工况和未知抽油机井工况对应的实测地面示功图、电功率信号、井口温度和井口压力信号四个视角的样本库；以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合；分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集；根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型；通过建立的工况识别模型进行抽油机井工况识别。2.根据权利要求1所述的抽油机井工况识别方法，其特征在于，所述以实测地面示功图和电功率信号为主，实测井口温度和井口压力信号为辅，根据实际需求构建主辅视角组合，具体为：以实测地面示功图和电功率信号为2个主视角，实测井口温度和井口压力信号为2个辅视角，构建主辅视角组合，其中，所述主辅视角组合为第一视角组合、第二视角组合和第三视角组合中的一种，其中，所述第一视角组合包括实测地面示功图和实测电功率信号两个主视角，所述第二视角组合包括实测地面示功图、实测电功率信号和实测井口温度信号三个主辅视角，所述第三视角组合包括实测地面示功图、实测电功率信号、实测井口温度信号和实测井口压力信号四个主辅视角。3.根据权利要求1所述的抽油机井工况识别方法，其特征在于，所述分别对所构建的主辅视角组合中的每一个视角，根据机理分析、先验信息和专家知识进行特征提取，以构建每一个视角的特征数据样本集，具体包括：依据抽油泵一个工作周期内功图面积、冲次、载荷、活塞上的液柱重量、冲程、有效冲程、冲程损失、加载和卸载过程关键点位置的变化进行实测地面示功图的特征提取，其中，实测地面示功图的特征参数包括冲程、冲次、功图实际面积、最大载荷、最小载荷、最大最小载荷比、活塞上液注重量、有效冲程、加载冲程损失、卸载冲程损失、提前加载位置、提前卸载位置；依据“功特征”和“AUC特征”进行实测电功率信号的特征提取，其中，实测电功率信号的特征参数包括：上行功、下行功、周期功、上行面积、下行面积、周期面积、平衡率；依据机理分析和专家知识进行实测井口温度信号的特征提取，其中，实测井口温度信号的特征参数包括：上行热能耗损、下行热能耗损、周期热能耗损；依据机理分析和专家知识进行实测井口压力信号的特征提取，其中，实测井口压力信号的特征参数包括：上行能量耗损、下行能量耗损、周期能量耗损。4.根据权利要求1所述的抽油机井工况识别方法，其特征在于，所述根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，采用多视角学习方法，并有效集成Hessian正则化建立相应的工况识别模型，具体包括：根据所构建的主辅视角组合中的视角个数及用于训练的已知抽油机井工况和未知抽油机井工况对应的特征数据样本个数，确定对应的多视角学习方法，并有效地集成Hessian正则化建立相应的工况识别模型，其中，若构建的为第一视角组合，则采用加权多核学习方法、协同训练学习方法、加权典型相关分析学习方法中的一种多视角学习方法；若构建的为第二视角组合，则采用多视角加权多核学习方法；若构建的为第三视角组合，则采用多视角加权典型相关分析学习方法。5.根据权利要求1和4所述的抽油机井工况识别方法，其特征在于，所述通过建立的工况识别模型进行抽油机井工况识别，具体为：若建立的工况识别模型为Hessian正则化协同训练工况识别模型，则在对应模型上采用SVM一对一两分类器进行工况识别；若建立的工况识别模型为Hessian正则化加权典型相关分析工况识别模型和Hessian正则化多视角加权典型相关分析工况识别模型，则分别在对应模型上采用余弦最近邻多分类器进行工况识别；若...

【专利技术属性】
技术研发人员：王延江，周斌，刘伟锋，刘宝弟，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37