抽油机井的故障诊断方法及装置制造方法及图纸

本发明专利技术提供了一种抽油机井的故障诊断方法及装置，其中，该方法包括：采集待诊断抽油机井的三相电压、电流瞬时值；根据三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；根据功率示功图神经网络转换模型，将实测电功率曲线转换为实测示功图；从实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；将实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。上述技术方案提高了抽油机井故障诊断的效率和准确率，降低了成本，具有广泛的应用前景。

【技术实现步骤摘要】
抽油机井的故障诊断方法及装置
本专利技术涉及油田机械采油
，特别涉及一种抽油机井的故障诊断方法及装置。
技术介绍
通过地面示功图可分析油井工作状态、判断油井故障，抽油机井地面示功图可由载荷传感器获得，但是存在成本高、普及率低、数据易漂移失真等问题；同时，目前工况诊断方法是利用数学模型将地面示功图转换为井下泵功图，再通过神经网络识别技术识别油井工况，存在一些问题：地面功图转井下泵功图计算复杂，其神经网络方法需要不断训练，并且选取功图周长、面积等几个简单特征值，识别率受限。因此，现有抽油机井的故障诊断方案存在准确率和效率低、成本高的问题。针对上述问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种抽油机井的故障诊断方法，用以提高抽油机井故障诊断的效率和准确率，降低成本，该方法包括：采集待诊断抽油机井的三相电压、电流瞬时值；根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。本专利技术实施例还提供了一种抽油机井的故障诊断装置，用以提高抽油机井故障诊断的效率和准确率，降低成本，该装置包括：采集单元，用于采集待诊断抽油机井的三相电压、电流瞬时值；实测电功率曲线确定单元，用于根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；示功图转换单元，用于根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；提取单元，用于从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；故障诊断单元，用于将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述抽油机井的故障诊断方法。本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行抽油机井的故障诊断方法的计算机程序。本专利技术实施例提供的技术方案：首先，根据多个电功率曲线与对应的示功图样本对，预先建立了功率示功图神经网络转换模型；根据采集的待诊断抽油机井的三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；根据预先建立的功率示功图神经网络转换模型，将待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图，实现了：仅需要采集抽油机井的三相电压、电流瞬时值电参数，确定待诊断抽油机井的实测电功率曲线，利用预先建立的功率示功图神经网络转换模型，反演示功图，无需实测示功图、泵功图转化，取代了传统的载荷传感器和复杂运算，降低了成本，提高了精度；其次，从实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；最后，将实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型，实现了：利用KNN大数据分析方法识别故障类型，无需实测示功图、泵功图转化，快速诊断且准确率高。综上，上述技术方案只需要测试抽油机井的电参数，利用深度学习和KNN大数据分析方法反演示功图并识别抽油机井故障，无需实测示功图、泵功图转化，提高了抽油机井故障诊断的效率和准确率，降低了成本，具有广泛的应用前景。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1是本专利技术实施例中抽油机井的故障诊断方法的流程示意图；图2是本专利技术实施例中抽油机井的故障诊断装置一个例子的结构示意图；图3是本专利技术实施例中单片机主板电路图的结构示意图；图4是本专利技术实施例中建立功率示功图神经网络转换模型时特征提取的原理示意图；图5是本专利技术实施例中建立功率示功图神经网络转换模型的原理示意图；图6是本专利技术实施例中提取边缘直方图特征的原理示意图；图7是本专利技术实施例中KNN识别过程的原理示意图；图8是本专利技术实施例中抽油机井的故障诊断装置的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。专利技术人发现：电参数是油井最基本的运行参数，具有普及率高、采集成本低、数据稳定等优点，通过电参数间接获得抽油机井示功图，可以打到载荷传感器，实现低成本高效率的油井数字化管理。然而，目前利用电参数间接得到示功图多是基于扭矩系数法，而扭矩因数在悬点上下死点处为零，将其作为除数时，导致计算载荷出现不收敛情况。另外，随着物联网技术在油气井生产领域普和公司A11系统运行，现场收集了大量的实测电参数、示功图数据，覆盖不同类型油井各类复杂工况。因此，由于考虑到以上技术问题，专利技术人提出了一种通过建立电功率曲线反演示功图的方法和工况诊断方法，并固化在相应的ARM处理器中，对电参数模块测试的电功率曲线进行反演示功图并对示功图进行工况诊断，最终在移动终端进行显示，即利用电功率曲线进行诊断的方案，该方案通过电参数模块实测电功率曲线，利用大数据深度学习方法将功率曲线转化为示功图，利用KNN大数据方法对示功图进行诊断分析，并在移动终端显示分析结果。本专利技术实例提供的利用电功率曲线进行诊断的方案主要是：通过电参数测试设备采集三相电压、电流瞬时值，通过无线通讯模块发送给单片机；单片机完成电压、电流的有效值、有功功率等参数的计算，将部分数据传递给搭载有嵌入式Linux系统的ARM处理器，该ARM处理器专门利用存储的大数据深度学习方法和KNN方法对油井电功率曲线转示功图并进行诊断分析，将转化和诊断结果传给单片机；单片机内部以Modbus协议存储转化和诊断结果；移动终端与单片机的WIFI模块建立通信，从而获得转化和诊断结果并显示。下面对抽油机井的故障诊断方案进行详细介绍如下。图1是本专利技术实施例中抽油机井的故障诊断方法的流程示意图，如图1所示，该方法本文档来自技高网...

【技术保护点】
1.一种抽油机井的故障诊断方法，其特征在于，包括：/n采集待诊断抽油机井的三相电压、电流瞬时值；/n根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；/n根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；/n从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；/n将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。/n

【技术特征摘要】
1.一种抽油机井的故障诊断方法，其特征在于，包括：
采集待诊断抽油机井的三相电压、电流瞬时值；
根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；
根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；
从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；
将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。


2.如权利要求1所述的抽油机井的故障诊断方法，其特征在于，按照如下方法预先建立所述功率示功图神经网络转换模型：
获取不同故障类型对应的电功率曲线样本及其对应的示功图样本；
对于每一电功率曲线样本及其对应的示功图样本均执行以下特征提取操作：提取电功率曲线从上冲程开始一个周期内的测试点作为第一特征值；将功率曲线示功图生成二值图像，将二值图像的背景色和功图形状分别用两种颜色表示，提取其中的像素点作为第二特征值；
利用限制性玻尔兹曼机网络、稀疏自编码方法和Softmax映射函数，确定每一电功率曲线与对应示功图之间的关联关系，建立所述功率示功图神经网络转换模型，并根据所述第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型。


3.如权利要求2所述的抽油机井的故障诊断方法，其特征在于，还包括：
将所述第一特征值进行归一化处理，获得归一化处理后的第一特征值；
将所述第二特征值进行归一化处理，获得归一化处理后的第二特征值；
根据所述第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型，包括：
根据归一化处理后的第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型。


4.如权利要求1所述的抽油机井的故障诊断方法，其特征在于，从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量，包括：
利用MPEG-7的边缘特征计算方式，提取所述实测示功图的MPEG-7边缘直方图特征；所述MPEG-7边缘直方图特征由图像中每个子图像的5种类型的边缘直方图表示；
将MPEG-7边缘直方图特征的每个图像被分成4×4个不相重叠的16个子图像；
对于每个子图像，利用五个卷积核矩阵提取5个方向上的边缘直方图特征，得到实测示功图对应的特征向量；所述5个方向上包括：垂直、水平、45°、135°、无方向边缘。


5.如权利要求4所述的抽油机井的故障诊断方法，其特征在于，还包括：
对所述实测示功图进行如下其中之一或任意组合的预处理操作：数据...

【专利技术属性】
技术研发人员：张喜顺，师俊峰，赵瑞东，张鑫，彭翼，张建军，邓峰，陈诗雯，熊春明，雷群，刘猛，李琪铭，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：北京;11