本发明专利技术涉及一种基于卷积神经网络和支持向量机的示功图识别方法，属于油气开采工程领域。本发明专利技术包括读取示功图图像集，进行图像预处理，生成单通道图像；基于示功图及其对应的工况类型，构建训练集、测试集；基于示功图图像集，构建基于卷积神经网络的示功图分类模型；提取示功图在卷积神经网络模型全连接层的输出，作为示功图特征值，并结合生产参数，构建新的训练集和测试集；使用新构建的训练集和测试集，采用支持向量机(SVM)分类算法，进行SVM分类模型的训练与测试，使用交叉验证和网格搜索方法寻找SVM分类模型的最优参数设置，构建最优的基于SVM分类算法的示功图分类模型。本发明专利技术可以广泛的应用在油田开采工程领域，可以实现自动、准确的示功图工况识别，相比传统的人工示功图识别方式，具有有效的识别准确率和识别效率的提升。别效率的提升。别效率的提升。
【技术实现步骤摘要】
一种基于卷积神经网络和支持向量机的示功图识别方法
[0001]本专利技术涉及一种示功图工况识别方法，特别涉及一种基于卷积神经网络和支持向量机(SVM)分类算法的抽油机井示功图识别方法，属于油气开采工程领域。
技术介绍
[0002]示功图是由悬点载荷随悬点位变化关系曲线所构成的的封闭曲线图，是分析和判断抽油机井工况的主要手段。传统的示功图识别方法主要有人工识别、专家系统识别等，但这些方法存在识别效率低，受经验知识影响大，识别准确率低的问题，无法满足油田实际生产需求。随着计算机技术的发展，研究人员在示功图特征提取和识别方面做了大量的研究工作。李训铭等提出使用灰度矩阵提取示功图特征值，并使用BP神经网络来完成示功图的识别。朱春梅等提出使用傅里叶描述子提取示功图特征值，并使用支持向量机来完成示功图的识别。王天柱等提出Hu不变矩理论提取示功图不变矩特征，并结合BP神经网络来完成示功图的识别。肖维民等提出使用Freeman链码来提取示功图特征值，并用BP神经网络以及支持向量机等算法实现示功图的识别。上述示功图特征提取获得了较好的效果。
[0003]近年来，随着深度学习的发展，使用卷积神经网络进行图像特征提取和分类方式成为研究的热点，获得了突出的效果。本专利技术提出使用卷积神经网络提取示功图图像特征，结合抽油机井生产参数，使用支持向量机进行工况识别，在较小的数据集情况下，获取较高的分类准确率。
技术实现思路
[0004]本专利技术提供一种基于卷积神经网络和支持向量机的示功图识别方法，解决传统示功图识别方法存在特征提取过程复杂，工况识别类型少、准确率低的问题，实现简化示功图特征提取，增加工况识别类型，提高示功图识别准确率的目的。
[0005]为实现上述目的，本专利技术采取以下技术方案：一种基于卷积神经网络和支持向量机的示功图识别方法，其包括以下几个步骤：
[0006]1)读取示功图图像集，进行图像预处理，生成单通道图像；
[0007]2)基于示功图及其对应的工况类型，构建训练集、测试集；
[0008]3)基于示功图图像集，构建基于卷积神经网络的示功图分类模型；
[0009]4)提取示功图在卷积神经网络模型全连接层的输出，作为示功图特征值，并结合生产参数，构建新的训练集和测试集；
[0010]5)使用新构建的训练集和测试集，采用支持向量机(SVM)分类算法，进行SVM分类模型的训练与测试，使用交叉验证和网格搜索方法寻找SVM分类模型的最优参数设置，构建最优的基于SVM分类算法的示功图分类模型。
[0011]所述步骤1)，示功图图像尺寸为36*36，图像预处理包括将示功图RGB三通道图像转化为单通道灰度图像，将图像像素值范围从[0,255]区间转化为[0,1]区间。
[0012]所述步骤2)，示功图对应的工况类型，包括16种基本工况类型，分别为上碰泵、下
碰泵、供液不足、卡泵、固定阀损坏、固定阀漏失、抽油杆断、柱塞脱出泵筒、正常工况、气体影响、气锁、油井出砂、油管漏失、游动阀损坏、游动阀漏失、稠油影响，对它们从0至15分别进行编号，每一个编号对应一种工况类型。
[0013]所述步骤3)，构建卷积神经网络模型，模型结构包含两个卷积核大小为5*5的二维卷积层、两个池化窗口为2*2的最大池化层、四个激活层、三个全连接层。
[0014]所述步骤4)，卷积神经网络全连接层的输出为第二个全连接层的输出，示功图特征值包含84个特征，生产参数包括油井泵效、套压、油压、动液面、最大载荷、最小载荷、上冲程载荷增幅、下冲程载荷增幅，共8个特征。
[0015]所述步骤5)，交叉验证使用5
‑
Fold交叉验证，使用网格搜索寻找SVM分类模型的最优参数包括核函数kernel、核函数系数gamma、正则化参数C、多分类策略。
[0016]本专利技术由于采取以上技术方案，其具有以下优点：1、使用卷积神经网络提取示功图特征值，相比传统特征提取方式提取的图像特征更加有效、操作更加简单。2、结合油井生产参数，决解了图形形状相似的示功图可能对应不同的油井故障的问题。3、使用SVM来对卷积神经网络模型全连接层输出特征值进行分类训练，可以解决小样本训练集导致卷积神经网络过拟合的问题。4、通过交叉验证和网格搜索的方式，寻找SVM分类模型的最优参数设置，提高SVM分类模型对示功图工况识别的准确性。
附图说明
[0017]图1是示功图识别流程图；
[0018]图2是16种典型的示功图；
[0019]图3是卷积神经网络模型结构图；
[0020]图4是交叉验证数据集划分示意图。
具体实施方式
[0021]为了更加清晰地阐述本专利技术的技术方案，下面结合附图和实施例对本专利技术进行详细的描述。
[0022]本专利技术的一种基于卷积神经网络和支持向量机的示功图识别方法，包括以下步骤：
[0023]1.读取示功图图像集，进行图像预处理，生成单通道图像
[0024]示功图图像集包含16种典型示功图类型，如图2所示，图像尺寸为36*36，对图像预处理，将图像从RGB三通道图像转化为单通道灰度图像，将图像像素值范围从[0,255]区间转化为[0,1]区间，转化方式为像素值除以255。
[0025]2.基于示功图及其对应的工况类型，构建训练集、测试集
[0026]示功图所对应的16种基本工况类型，分别为上碰泵、下碰泵、供液不足、卡泵、固定阀损坏、固定阀漏失、抽油杆断、柱塞脱出泵筒、正常工况、气体影响、气锁、油井出砂、油管漏失、游动阀损坏、游动阀漏失、稠油影响，对它们从0至15进行顺序编号，每一个编号对应一种工况类型。
[0027]3.基于示功图图像集，构建基于卷积神经网络的示功图分类模型
[0028]卷积神经网络模型结构如图3所示，模型各层从前到后分别为：
[0029](1)输入通道数设置为1，输出通道数设置为6，卷积核大小设置为5*5，步长设置为1的二维卷积层，记为conv1。后接激活函数ReLU，其计算公式为：
[0030]ReLU(x)＝(x)
+
＝max(0,x)
ꢀꢀꢀ
(1)
[0031](2)池化窗口设置为2*2，步长设置为2的二维最大池化层，记为maxpool1。
[0032](3)输入通道数设置为6，输出通道数设置为16，卷积核大小设置为5*5，步长设置为1的二维卷积层，记为conv2。后接激活函数ReLU。
[0033](4)池化窗口设置为2*2，步长设置为2的二维最大池化层，记为maxpool2。
[0034](5)输入个数设置为576，输出个数设置为120的全连接层，记为fc1。后接激活函数Sigmoid，其计算公式为：
[0035][0036](6)输入个数设置为120，输出个数设置为84的全连接层，记为fc2。后接激活函数Sigmoid。
[0037](7)输入个数设置为84，输出个数设置本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络和支持向量机的示功图识别方法，其包括如下步骤：1)读取示功图图像集，进行图像预处理，生成单通道图像；2)基于示功图及其对应的工况类型，构建训练集、测试集；3)基于示功图图像集，构建基于卷积神经网络的示功图分类模型；4)提取示功图在卷积神经网络模型全连接层的输出，作为示功图特征值，并结合生产参数，构建新的训练集和测试集；5)使用新构建的训练集和测试集，采用支持向量机(SVM)分类算法，进行SVM分类模型的训练与测试，使用交叉验证和网格搜索方法寻找SVM分类模型的最优参数设置，构建最优的基于SVM分类算法的示功图分类模型。2.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤1)示功图图像尺寸为36*36，图像预处理包括将示功图RGB三通道图像转化为单通道灰度图像，将图像像素值范围从[0,255]区间转化为[0,1]区间。3.如权利要求1中所述的一种基于卷积神经网络和支持向量机的示功图识别方法，其特征在于：所述步骤2)示功图对应16种基本工况类型，分别为上碰泵、下碰泵、供液不足、卡泵、固定阀...
【专利技术属性】
技术研发人员：张晓东，王磊，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。