一种基于卷积-循环神经网络的有杆泵工况预警方法技术

本发明专利技术涉及一种基于卷积‑循环神经网络的有杆泵工况预警方法，具有如下步骤：有杆泵渐变型工况图集进行预处理后，将预处理后的工况图集输入卷积神经网络CNN进行训练；CNN输出得到目标工况图集所对应的特征序列；训练循环神经网络RNN，提取特征序列的深度特征，建立渐变型工况图集的特征模板，对有杆泵故障进行判断。本发明专利技术采用卷积‑循环神经网络，在传统的通过示功体判断有杆泵工况方法中加入时间因素，用以判别与时间序列有关的信息，对于发生渐变型故障的油井，在先期就提出预警，通知现场工作人员及时进行处理，节约资源，实现经济高效的生产。同时，学习与更新后卷积‑循环神经网络随着使用的过程越来越智能，效果越来越好。

【技术实现步骤摘要】
一种基于卷积-循环神经网络的有杆泵工况预警方法
本专利技术涉及人工神经网络与故障诊断
，尤其是一种基于卷积-循环神经网络的有杆泵工况预警方法。
技术介绍
油井井下故障按产生影响的时间不同，分为瞬时型故障与渐变型的故障两大类，其中瞬时型故障包括抽油杆断脱、泵卡、井壁坍塌等，此类故障发生后短时间内就会对油井工况造成非常明显的改变，可立即根据按时间顺序排列的前后两张差别明显的示功图进行故障诊断。而渐变型故障则是结蜡、出砂、泵筒磨损、漏失等，在故障发生的瞬间不会呈现明显的工况改变，而是随着时间的积累，待故障被发现时，已造成了大量的损失。由于很难只通过几张示功图判断出故障类型，这使得对于渐变型故障的诊断缺少及时性、预警性及准确性。现有的示功图故障识别方法是采用深度学习，从大量的训练数据中学习特征，但由于常用的卷积神经网络(CNN)通常是二维卷积核，因此难以辨认在时间序列上的相关信息，因此构建了卷积-循环神经网络。循环神经网络是时序数据分析的重要方法之一，由输入层、隐藏层、输出层构成，它不仅仅在神经细胞层之间有联系，而且在时间轴上也有相应的连接，是一种具有时间联结的前馈神经网络，这使得卷积-循环神经网络可以用于分辨在时间序列上发生的改变，可用于有杆泵渐变型工况的诊断。
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提高有杆泵渐变型工况诊断准确性的基于卷积-循环神经网络的有杆泵工况预警方法。本专利技术解决其技术问题所采用的技术方案是：一种基于卷积-循环神经网络的有杆泵工况预警方法，所预警的目标工况为有杆泵渐变型工况，包括以下步骤：步骤1：挑选符合训练要求的示功图，按照时间顺序排列成有杆泵渐变型工况图集，并对图集进行预处理，以达到要求的标准；步骤2：将预处理后的工况图集输入卷积神经网络CNN进行训练，训练后的CNN输出得到目标工况图集所对应的特征序列；步骤3：将从CNN得到的特征序列作为输入，训练循环神经网络RNN，更新RNN各层的权重，得到训练好的RNN；步骤4：将从CNN得到的特征序列输入训练好的RNN，通过训练好的RNN提取特征序列的深度特征，可建立渐变型工况图集的特征模板，形成基于卷积-循环神经网络系统的有杆泵工况预警系统；步骤5：在需对未知的有杆泵故障进行判断时，只需要将工况图像按时间顺序输入卷积—循环神经网络，就能进行分类与判断，当发现输入的工况图集符合渐变型工况前期图集特征时，进行预警，即可达到工况判断、预测的目的；步骤6：基于卷积-循环神经网络有杆泵工况预警系统的强化学习与更新。进一步地，所述的卷积-循环神经网络构架包括卷积神经网络和循环神经网络，卷积神经网络的作用在于提取图像集的特征，并输出为特征序列；循环神经网络的作用在于根据输入的特征序列进行分类判断，对于符合渐变型工况前期特征的图像集进行预警。具体说，步骤1中，有杆泵渐变型工况主要是指固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损非突发性工况。而渐变型工况训练图集的选取包括选取在固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损工况状态下一段时间内的示功图图集；其中，将已经明显表明故障发生的示功图视为An，按照倒查的方式，顺时间轴逆序向前寻找这口油井的示功图An-1、An-2、An-3、……、An-t，当第An-t张示功图的加载、卸载段斜率与正常工作示功图相比，存在明显的斜率减小时，将An-t——An视为漏失磨损类示功图图集。再根据动液面与产量情况细分为固定阀漏失类、游动阀漏失类、双漏失类和泵筒磨损类；当第An-t张示功图的活塞上行线与活塞下行线，即上下两平行段与正常工作示功图相比，存在明显的波动频率增大时，将An-t——An视为出砂结蜡类示功图图集。再根据波动频率的大小细分，波动频率大的锯齿状示功图为出砂类、波动频率小的波状弯曲类示功图为结蜡类。同时，所述步骤1中对图集进行预处理的过程为：筛选示功图、示功图均衡化、示功图归一化、时间轴缩放中的一种或几种组合；所预定的标准包括示功图的清晰度、坐标轴统一、图集尺寸的一种或多种组合。所述的有杆泵工况预警系统是在卷积-循环神经网络强化学习目标工况示功图集的基础上实现的，其中卷积-循环神经网络的构建过程包括：a、对获取的示功图图集进行分析诊断归类，构建描述非突变型工况的示功体样本集合；b、基于卷积-神经网络，搭建神经网络构架；c、利用整理好的示功图样本集合训练CNN，CNN将提取出图像的特征并输出为特征序列；然后用CNN的输出信息作为RNN的输入，即将CNN输出的特征序列作为训练集对RNN进行训练；d、得到以非突变型工况示功图为学习样本，以卷积-循环神经网络为学习方法的有杆泵工况智能监测系统。优选地，所述的预警系统由五个模块组成，包括图像预处理模块、神经网络训练模块、深度特征提取模块、图像分类模块和图像特征提取模块。每个模块的功能简述：图像预处理模块用于处理收集的图集信息，得到满足要求的渐变型工况示功图图集；神经网络训练模块用于将从CNN得到的目标油井示工图图像特征序列输入RNN进行训练；深度特征提取模块用于在RNN训练好之后，再次输入目标油井示工图图集特征序列，提取深度特征，并建立渐变型工况图集特征模板；图像分类模块用于在对未知工况进行检测时，区分出待监测的工况是否为渐变型工况；图像特征提取模块用于提取出待检测工况的特征序列并输入RNN，由RNN进行具体的判断与预警。所述预警系统应用于监测油井生产活动，对油井的实时工况进行分析判断，并对产生符合渐变型工况前期特征示功图的油井进行预警，从而提醒现场工作人员采取措施处理生产油井。特别地，所述步骤6中，强化学习与更新过程包括：a、现场技术人员结合预警结果与油井实际生产情况判断工况预警的正确性；b、修正错误的预警结果；c、将新产生的预警结果构建成新的渐变型工况示功图样本集合；d、用新的样本集合再次训练有杆泵工况预警系统；e、完成基于卷积-循环神经网络有杆泵工况预警系统的强化学习与更新，使神经网络随着使用的过程越来越智能，效果越来越好。本专利技术的有益效果是：本专利技术采用卷积-循环神经网络，在传统的通过示功体判断有杆泵工况方法中加入时间因素，用以判别与时间序列有关的信息，对于发生渐变型故障的油井，在先期就提出预警，通知现场工作人员及时进行处理，节约资源，实现经济高效的生产。同时，判断结果还可用于卷积-循环神经网络的学习与更新，使神经网络随着使用的过程越来越智能，效果越来越好。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是本专利技术实施例提供的一种CNN模型的构架示意图。图2是本专利技术实施例提供的一种RNN模型的构架示意图。图3是本专利技术实施例的流程图。图4是本专利技术实施例的结构框图。具体实施方式如图1～图4所示，一种基于卷积-循环神经网络的有杆泵工况预警方法，其具体技术方案如下：先挑选出符合训练要求的油井示功图，即表征漏失、出砂、结蜡以及泵筒磨损等非突变性工况的示功图，对挑选出的示功图进行整理，删除错误示功图，补全示功图缺失信息等。将整理后的示功图按时间顺序排列成有杆泵渐变型工况图集，用此图集训练CNN。训练后的CNN可得到渐变型工况图集的特征信息，并输出为特征序列。接下来把从CNN得到的特征序列作为输入本文档来自技高网...

【技术保护点】
1.一种基于卷积‑循环神经网络的有杆泵工况预警方法，所预警的目标工况为有杆泵渐变型工况，其特征是：包括以下步骤：步骤1：挑选符合训练要求的示功图，按照时间顺序排列成有杆泵渐变型工况图集，并对图集进行预处理，以达到要求的标准；步骤2：将预处理后的工况图集输入卷积神经网络CNN进行训练，训练后的CNN输出得到目标工况图集所对应的特征序列；步骤3：将从CNN得到的特征序列作为输入，训练循环神经网络RNN，更新RNN各层的权重，得到训练好的RNN；步骤4：将从CNN得到的特征序列输入训练好的RNN，通过训练好的RNN提取特征序列的深度特征，可建立渐变型工况图集的特征模板，形成基于卷积‑循环神经网络系统的有杆泵工况预警系统；步骤5：在需对未知的有杆泵故障进行判断时，只需要将工况图像按时间顺序输入卷积—循环神经网络，就能进行分类与判断，当发现输入的工况图集符合渐变型工况前期图集特征时，进行预警，即可达到工况判断、预测的目的；步骤6：基于卷积‑循环神经网络的有杆泵工况预警系统的强化学习与更新。

【技术特征摘要】
1.一种基于卷积-循环神经网络的有杆泵工况预警方法，所预警的目标工况为有杆泵渐变型工况，其特征是：包括以下步骤：步骤1：挑选符合训练要求的示功图，按照时间顺序排列成有杆泵渐变型工况图集，并对图集进行预处理，以达到要求的标准；步骤2：将预处理后的工况图集输入卷积神经网络CNN进行训练，训练后的CNN输出得到目标工况图集所对应的特征序列；步骤3：将从CNN得到的特征序列作为输入，训练循环神经网络RNN，更新RNN各层的权重，得到训练好的RNN；步骤4：将从CNN得到的特征序列输入训练好的RNN，通过训练好的RNN提取特征序列的深度特征，可建立渐变型工况图集的特征模板，形成基于卷积-循环神经网络系统的有杆泵工况预警系统；步骤5：在需对未知的有杆泵故障进行判断时，只需要将工况图像按时间顺序输入卷积—循环神经网络，就能进行分类与判断，当发现输入的工况图集符合渐变型工况前期图集特征时，进行预警，即可达到工况判断、预测的目的；步骤6：基于卷积-循环神经网络的有杆泵工况预警系统的强化学习与更新。2.根据权利要求1所述的基于卷积-循环神经网络系统的有杆泵工况预警方法，其特征在于：所述的卷积-循环神经网络构架包括卷积神经网络和循环神经网络，卷积神经网络的作用在于提取图像集的特征，并输出为特征序列；循环神经网络的作用在于根据输入的特征序列进行分类判断，对于符合渐变型工况前期特征的图像集进行预警。3.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法，其特征在于：步骤1中，有杆泵渐变型工况主要是指固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损非突发性工况。4.根据权利要求3所述的基于卷积-循环神经网络的有杆泵工况预警方法，其特征在于：渐变型工况训练图集的选取包括选取在固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损工况状态下一段时间内的示功图图集；其中，将已经明显表明故障发生的示功图视为An，按照倒查的方式，顺时间轴逆序向前寻找这口油井的示功图An-1、An-2、An-3、……、An-t，当第An-t张示功图的加载、卸载段斜率与正常工作示功图相比，存在明显的斜率减小时，将An-t——An视为漏失磨损类示功图图集。再根据动液面与产量情况细分为固定阀漏失类、游动阀漏失类、双漏失类和泵筒磨损类；当第An-t张示功图的活塞上行线与活塞下行线，即上下两平行段与正常工作示功图相比，存在明显的波动频率增大时，将An-t——An视为出砂结蜡类示功图图集。再根据波动频率的大小细分，波动频率大的锯齿状示功图为出砂类、波动频率小的波状弯曲类示功图为结蜡类。5....

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