一种基于示功体的有杆泵工况智能监测方法技术

本发明专利技术涉及一种基于示功体的有杆泵工况智能监测方法,所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。本发明专利技术基于示功体对有杆泵工况进行智能监测，解决了现有技术难以在短时间内对发生渐变性故障的抽油井识别诊断，以及由于样本数据与实际数据对比误差造成的诊断准确率提升空间不大的问题，实现了在短时间内提供诊断识别并发出预警，从而提高了有杆泵工况监测的正确率以及神经网络使用的智能性和有效性。

An intelligent monitoring method for working condition of rod pump based on indicator body

The invention relates to an intelligent monitoring method for working condition of a rod pump based on a dynamometer. The monitoring method includes the following steps: A. construction of sample set for monitoring working condition of a rod pump; B. construction of convolution neural network for monitoring working condition of a rod pump; C. practical application of convolution neural network for monitoring working condition of a rod pump; D. construction of a rod pump; Reinforcement learning and updating of pump condition monitoring convolution neural network. The invention intelligently monitors the working condition of a sucker rod pump based on a dynamometer, solves the problem that the existing technology is difficult to identify and diagnose a pumping well with gradual fault in a short time, and that the diagnostic accuracy improvement space caused by the error between the sample data and the actual data is not large, and realizes providing diagnosis in a short time. Identifying and issuing early warning can improve the accuracy of rod pump condition monitoring and the intelligence and effectiveness of neural network.

【技术实现步骤摘要】
一种基于示功体的有杆泵工况智能监测方法
本专利技术涉及油田生产活动数据处理和故障诊断
，尤其是一种基于示功体的有杆泵工况智能监测方法。
技术介绍
目前，示功图分析法是抽油系统进行故障诊断的常用方法，通过示功图可以分析油井井下的工况，分析出故障的种类。传统光杆(地面)示功图是由载荷随位移的变化关系曲线所构成的封闭曲线图。油井故障根据发生的时间长短可以大致分为两类：1)瞬间发生的故障，如抽油杆断脱、井喷等，此类故障发生时，短时间内形成的前后两张示功图变化很大，可以立刻根据故障功图诊断；2)缓慢发生的故障，如结蜡和一些泵筒磨损等渐变性的工况，需要经过长时间的细微变化的累积功图才会有明显差别，短时间前后形成的两张示功图变化很小。故很难从短时间的前后两张示功图中看出故障，而是需要对存在渐变故障的油井生产较长时间的前后示功图进行对比才可以判断出来。如果将所有的示功图堆叠在一个平面内，又会十分的杂乱，难以判断。此时，故障已经发生许久，造成大量的经济损失。在这样的环境下，提出示功体的概念，三维图形较二维图形更加形象，能够对于微小的改变有更加直观的感受，用以对此类非突变性的工况做出提前预警，挽救损失。卷积神经网络(CNN)通过层层传递，能够自动、系统地学习输入数据与输出之间的复杂映射关系，通过对函数的建模与优化来自动学习不同层次的特征表达，采用CNN来完成对示功体的诊断。
技术实现思路
本专利技术要解决的技术问题是：为了克服现有技术中之不足，本专利技术提供一种基于示功体的有杆泵工况智能监测方法，以解决难以在短时间内对发生渐变性故障的抽油井识别诊断以及由于样本数据与实际数据对比误差造成的诊断准确率提升空间不大的问题。本专利技术解决其技术问题所采用的技术方案是：一种基于示功体的有杆泵工况智能监测方法，所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。步骤a中示功体样本集合的构建，是在传统地面光杆示功图的基础上，将单口井一段时间内的所有示功图堆叠起来，构建示功体，形成示功体样本集合。进一步地，所述单口井的示功图，是指采集单口井单位时间内所产生的所有示功图，以采集时间为顺序，将所有示功图堆叠，示功图的横纵坐标分别相对应，外边框相连，构建成一个三维立体结构图形；然后在单口井构建的示功体基础上，挑选出目标油井，根据目标油井的实际功图，分别构建示功体，对示功体进行筛选，构建示功体样本集合。上述目标油井是指发生漏失、结蜡或泵筒磨损这样一些非工况突变性故障的油井。步骤b中，卷积神经网络的构建过程包括：(1)、对构建的示功体信息进行分析诊断归类，构建基于各类工况下的示功体样本集合；(2)、基于卷积神经网络，搭建神经网络构架；(3)、利用示功体样本集训练卷积神经网络；(4)、得到以示功体为学习样本，以卷积神经网络为学习方法的有杆泵工况智能监测系统。步骤c中，卷积神经网络的实际应用，是指将基于示功体的智能监测系统应用于监测该地区油井的生产活动，对油井的实时生产活动进行分析诊断；将诊断结果推送给监测人员，采取措施处理出现实际问题的生产油井。步骤d中，所述的强化学习与更新，其过程包括：(1)、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；(2)、修正错误的诊断结果；(3)、将正确和经过修正的诊断结果构建成新的示功体样本集合；(4)、用新的示功体样本集合再次训练卷积神经网络智能监测系统；(5)、卷积神经网络监测系统强化学习，更新卷积神经网络智能监测系统。本专利技术的有益效果是：本专利技术与传统的示功图分析法相比，具有如下突出的有益效果：首先，基于发生渐变故障工况的油井，可以提供诊断预警，及时提醒工作人员处理，或者提高对预警油井的关注，节约费用和时间；其次，基于强化学习的过程，可以有效提高卷积神经网络智能监测系统的成长性，在反复的工况诊断和不断的强化学习中，提高工况的正确性，解决少量样本数据和大量实际生产数据对比可能存在的误差，达到神经网络越用越智能、越用越好用的效果。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是本专利技术的原理框图。图2是本专利技术监测时在气体影响下的示功体图形。图3是本专利技术监测时在双漏失影响下的示功体图形。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。如图1～图3所示，一种基于示功体的有杆泵工况智能监测方法，包括以下步骤：a、有杆泵工况监测示功体样本集合的构建：是在传统地面光杆示功图的基础上，将单口井一段时间内的所有示功图堆叠起来，构建示功体，形成示功体样本集合。具体说，所述单口井的示功图，是指采集单口井单位时间内所产生的所有示功图，以采集时间为顺序，将所有示功图堆叠，示功图的横纵坐标分别相对应，外边框相连，构建成一个三维立体结构图形；然后在单口井构建的示功体基础上，挑选出目标油井，根据目标油井的实际功图，分别构建示功体，对示功体进行筛选，构建示功体样本集合。上述目标油井是指发生漏失、结蜡或泵筒磨损这样一些非工况突变性故障的油井。b、有杆泵工况监测卷积神经网络的构建；构建过程包括：(1)、对构建的示功体信息进行分析诊断归类，构建基于各类工况下的示功体样本集合；(2)、基于卷积神经网络，搭建神经网络构架；(3)、利用示功体样本集训练卷积神经网络；(4)、最终得到以示功体为学习样本，以卷积神经网络为学习方法的有杆泵工况智能监测系统。c、有杆泵工况监测卷积神经网络的实际应用：是指将基于示功体的智能监测系统应用于监测该地区油井的生产活动，对油井的实时生产活动进行分析诊断；将诊断结果推送给监测人员，采取措施处理出现实际问题的生产油井。d、有杆泵工况监测卷积神经网络的强化学习与更新：其过程包括：(1)、监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；(2)、修正错误的诊断结果；(3)、将正确和经过修正的诊断结果构建成新的示功体样本集合；(4)、用新的示功体样本集合再次训练卷积神经网络智能监测系统；(5)、卷积神经网络监测系统强化学习，更新卷积神经网络智能监测系统。本专利技术基于示功体对有杆泵工况进行智能监测，与传统的示功图分析法相比，首先，对于发生渐变故障工况的油井，可以在短时间内提供诊断识别而发出预警，及时提醒工作人员处理，同时可提高对发生渐变故障工况油井的关注度，节约费用和时间；其次，基于强化学习的过程，可以有效提高卷积神经网络智能监测系统的成长性，在反复的工况诊断和不断的强化学习中，解决少量样本数据和大量实际生产数据对比可能存在的误差，提高工况监测的正确率，不断提高神经网络使用的智能性和有效性。以上述依据本专利技术的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项专利技术技术思想的范围内，进行多样的变更以及修改。本项专利技术的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。本文档来自技高网...

【技术保护点】
1.一种基于示功体的有杆泵工况智能监测方法，其特征是：所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。

【技术特征摘要】
1.一种基于示功体的有杆泵工况智能监测方法，其特征是：所述的监测方法包括以下步骤：a、有杆泵工况监测示功体样本集合的构建；b、有杆泵工况监测卷积神经网络的构建；c、有杆泵工况监测卷积神经网络的实际应用；d、有杆泵工况监测卷积神经网络的强化学习与更新。2.如权利要求1所述的基于示功体的有杆泵工况智能监测方法，其特征是：步骤a中，示功体样本集合的构建是在传统地面光杆示功图的基础上，将单口井一段时间内的所有示功图堆叠起来，构建示功体，形成示功体样本集合。3.如权利要求2所述的基于示功体的有杆泵工况智能监测方法，其特征是：所述单口井的示功图，是指采集单口井单位时间内所产生的所有示功图，以采集时间为顺序，将所有示功图堆叠，示功图的横纵坐标分别相对应，外边框相连，构建成一个三维立体结构图形。4.如权利要求2所述的基于示功体的有杆泵工况智能监测方法，其特征是：在单口井构建的示功体基础上，挑选出目标油井，根据目标油井的实际功图，分别构建示功体，对示功体进行筛选，构建示功体样本集合。5.如权利要求2所述的基于示功体的有杆泵工况智能监测方法，其特征是：所述的目标油井是指发生漏失、结蜡或泵筒磨损非工况突变性故障的油井...

【专利技术属性】
技术研发人员：何岩峰，刘成，夏一程，王相，窦祥骥，徐慧，崔富臻，刘雅莉，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏,32