一种基于3D卷积神经网络的渐变型工况预警方法技术

本发明专利技术涉及一种基于3D卷积神经网络的渐变型工况预警方法，包括以下步骤：a、对符合训练要求的渐变型工况示功图集预处理后，组成表征渐变型工况变化过程的示功体；b、构建3D卷积神经网络以得到渐变型工况的特征描述；c、将示功体输入3D卷积神经网络进行训练；d、形成基于3D卷积神经网络的渐变型工况预警系统；e、把预警系统应用于对未知工况的判断，将实时获取的示功图集按时间顺序排列成示功体输入3D卷积神经网络，实现工况的分类与预测；f、扩充训练集完成对渐变型工况预警系统的学习与更新。本发明专利技术通过建立3D卷积神经网络识别示功体，从而可以识别油井生产过程中渐变型工况变化过程中的特征信息，实现对渐变型工况的识别和预测。

【技术实现步骤摘要】
一种基于3D卷积神经网络的渐变型工况预警方法
本专利技术涉及油田井下渐变型工况故障识别
，尤其是一种基于3D卷积神经网络的渐变型工况预警方法。
技术介绍
传统的通过示功图判断井下工况的方法有：统计法、基于知识的模式识别法和人工神经网络法。随着近年来人工神经网络的快速发展，它在图像识别
得到了越来越广泛的应用，其中表现最为出色的就是卷积神经网络。然而，常用的卷积神经网络为二维卷积核，即通过filter计算后得到的channel输出只包含高度维度与宽度维度，而不包含深度维度。因此2D卷积神经网络无法识别随时间维度逐渐发生变化的图像的特征。油井井下生产过程中产生的故障按造成影响经历的时间不同，可分为突变型故障与渐变型故障，突变型故障主要是指抽油杆断脱、憋泵、卡泵、井壁坍塌等会造成前后连续的两张示功图出现明显图形变化的故障，可通过相邻时间的示功图的形变直接进行判断；而渐变型故障主要包括固定阀漏失、游动阀漏失、双漏失、油井出砂、油井结蜡以及泵筒磨损等，此类故障由于随着时间累积才会缓慢造成示功图的形变，因此无法被2D卷积神经网络在短时间内识别出来，而等到在示功图中表现出明显的工况特征时，已对油井生产能力造成了不可逆转的持久性伤害。
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，解决上述渐变型工况识别存在的准确性差、预见性低等问题，本专利技术提供一种基于3D卷积神经网络的渐变型工况预警方法。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3D卷积神经网络的渐变型工况预警方法，包括以下步骤：a、挑选符合训练要求的渐变型工况示功图图集，并对图集进行预处理，用处理后的示功图图集组成表征渐变型工况变化过程的示功体；b、构建3D卷积神经网络用于得到渐变型工况的特征描述；c、将示功体输入3D卷积神经网络进行训练，通过3D卷积操作核去提取示功体的时间和空间特征，并输出为特征序列；d、在获取的特征上学习分类器，用于区分渐变型故障工况、突变型故障工况与正常工况，形成基于3D卷积神经网络的渐变型工况预警系统；e、在把预警系统应用于对未知工况的判断时，只需将实时获取的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，就能实现工况的分类与预测；f、通过得到的工况识别结果扩充训练集完成对渐变型工况预警系统的学习与更新。具体说，所述的3D卷积神经网络从时间和空间维度上操作，然后进行3D卷积，以捕捉从连续时间段内得到的连续变化信息。进一步地，步骤a中，所述渐变型工况是指在故障工况发生之初，不会在短时间内出现示功图的突变，而是随着时间的累积才缓慢造成示功图形变的工况。该渐变型工况在经过一段时间变化后，才能逐渐在示功图中表现出显著的工况特征，例如固定阀漏失、游动阀漏失、双漏失、油井出砂、油井结蜡以及泵筒磨损等工况。所述的示功体是指采集单口油井在渐变型工况状态下工作一段时间内所产生的所有示功图，组成示功图图集并进行预处理，将处理好的示功图图集按时间轴顺序从老到新堆叠，示功图的横纵坐标分别相对应，外边框相接，构建成一个三维立体结构图形。上述的预处理过程包括筛选示功图、示功图归一化、时间轴缩放和插值拟合中的一种或几种的组合，以达到示功图采集点同步、清晰度与坐标轴统一、图像尺寸统一的要求。在步骤b中，所构建的神经网络主要是基于3D卷积特征提取器构造了一个3D卷积神经网络，这个构架可以从连续时间内形成的示功图集所组成的示功体中产生多通道的信息，然后在每一个通道都分别地进行卷积和最大池化操作，最后将所有通道获得的信息组合起来得到最终的特征描述。步骤d中，所述的预警系统由四个模块组成，包括：用于对收集的图集进行预处理的图像预处理模块；用于提取示功体训练集特征的神经网络训练模块；用于获得待检测工况示功体特征的特征提取模块；以及根据特征对比给出工况分类的分类模块。步骤e中，所述预警系统的实际应用，是将预警系统应用于监测有杆泵井下作业情况，对油井的实时工况进行分析判断；当系统监测出所产生的工况符合渐变型工况的前期变化特征时，发出警报，提醒工作人员采取处理措施。步骤f中，所述的预警系统的学习与更新过程包括：a、对系统产生的预警结果进行判断；b、将新检测出的渐变型工况示功图图集组成示功体添加到训练集中；c、用更新后的训练集继续训练基于3D卷积神经网络的渐变型工况预警系统；d、使得预警系统始终处在持续学习识别与循环强化更新的过程中。本专利技术的有益效果是：本专利技术对油井井下生产过程中产生的故障，在处于渐变型故障发生的初期就可以被识别，并提出预警，使油井故障得到及时处理，保护了油井的生产能力，避免了不可逆转事故的发生，确保了油田经济高效生产；并且提出了3D卷积神经网络识别示功体概念，在传统的卷积神经网络二维识别示功图的基础上加入了时间维度，通过示功体可以提取渐变型故障逐渐变化的过程特征；同时，在工况识别的过程中还可以实现系统的强化与更新，使得预警系统随着使用的过程会得到越来越智能的判断结果。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是本专利技术实施例提供的一种3D卷积神经网络模型的构架示意图。图2是本专利技术实施例提供的预警系统通过三次卷积操作两次池化操作提取特征图的具体过程。图3是本专利技术实施例提供的基于3D卷积神经网络的渐变型工况预警系统的流程图。图4是本专利技术实施例提供的基于3D卷积神经网络的渐变型工况预警系统的结构示意图。图5是本专利技术实施例提供的QTQ104-X7井结蜡示功图。图6是本专利技术实施例提供的一种漏失工况示功体模型的主视结构图。图7是本专利技术实施例提供的一种漏失工况示功体模型的俯视结构图。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7所示，一种基于3D卷积神经网络的渐变型工况预警方法，该预警方法的技术方案如下：首先挑选符合训练要求的渐变型工况示功图图集，即表征固定阀漏失、游动阀漏失、双漏失、油井出砂、油井结蜡以及泵筒磨损等渐变型工况变化过程的所有示功图所组成的图集，并对图集进行筛选、归一化、时间轴缩放等预处理，以达到示功图采集点同步，坐标轴统一等要求；然后将处理后的示功图图集按照时间轴从小到大的顺序排列，并且横纵坐标相对，边框相连，堆叠成描述渐变型工况变化过程的三维立体图形，即示功体。构建3D卷积神经网络，并将示功体作为训练集对其进行训练。3D卷积神经网络的识别训练过程为：以堆叠多个连续示功图组成的示功体为训练集，然后在示功体中运用3D卷积核。在这个神经网络结构中，卷积层中的每一个特征map都是通过卷积上一层多个连续图片的同一位置的局部感受野所得到的。3D卷积神经网络的构架包含一个输入层，三个卷积层，两个最大池化层和一个全连接层。卷积层在示功体中提取信息，产生三个channel的特征信息，它们分别是：灰度(gray)、X轴方向的梯度(gradient-x)、Y轴方向的梯度(gradient-y)。在卷积层下紧连着最大池化层，最大池化层对各个通道分别进行maxpooling处理，进而可以得到数目相同但是空间分辨率更低的特征maps，最终得到的特征序列是由三个通道得到的信息共同组成的。特征图的计算公式如下：其中：——卷积核对应的本文档来自技高网...

【技术保护点】
1.一种基于3D卷积神经网络的渐变型工况预警方法，其特征是：包括以下步骤：a、挑选符合训练要求的渐变型工况示功图图集，并对图集进行预处理，用处理后的示功图图集组成表征渐变型工况变化过程的示功体；b、构建3D卷积神经网络用于得到渐变型工况的特征描述；c、将示功体输入3D卷积神经网络进行训练，通过3D卷积操作核去提取示功体的时间和空间特征，并输出为特征序列；d、在获取的特征上学习分类器，用于区分渐变型故障工况、突变型故障工况与正常工况，形成基于3D卷积神经网络的渐变型工况预警系统；e、在把预警系统应用于对未知工况的判断时，只需将实时获取的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，就能实现工况的分类与预测；f、通过得到的工况识别结果扩充训练集完成对渐变型工况预警系统的学习与更新。

【技术特征摘要】
1.一种基于3D卷积神经网络的渐变型工况预警方法，其特征是：包括以下步骤：a、挑选符合训练要求的渐变型工况示功图图集，并对图集进行预处理，用处理后的示功图图集组成表征渐变型工况变化过程的示功体；b、构建3D卷积神经网络用于得到渐变型工况的特征描述；c、将示功体输入3D卷积神经网络进行训练，通过3D卷积操作核去提取示功体的时间和空间特征，并输出为特征序列；d、在获取的特征上学习分类器，用于区分渐变型故障工况、突变型故障工况与正常工况，形成基于3D卷积神经网络的渐变型工况预警系统；e、在把预警系统应用于对未知工况的判断时，只需将实时获取的示功图图集按时间顺序排列成示功体输入3D卷积神经网络，就能实现工况的分类与预测；f、通过得到的工况识别结果扩充训练集完成对渐变型工况预警系统的学习与更新。2.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：所述的3D卷积神经网络从时间和空间维度上操作，然后进行3D卷积，以捕捉从连续时间段内得到的连续变化信息。3.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤a中，渐变型工况是指在故障工况发生之初，不会在短时间内出现示功图的突变，而是随着时间的累积才缓慢造成示功图形变的工况。4.如权利要求1所述的基于3D卷积神经网络的渐变型工况预警方法，其特征是：步骤a中，示功体是指采集单口油井在渐变型工况状态下工作一段时间内所产生的所有示功图，组成示功图图集并进行预处理，将处理好的示功图图集按时间轴顺序从老到新堆叠，示功图的横纵坐标分别相对应，外边框相接，构建成一个三维立体结构图形。5.如权利要求4所述的基于3D卷积神经网络的渐变型工...

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