基于深度学习的螺杆泵井工况智能诊断方法技术

本发明专利技术提供一种基于深度学习的螺杆泵井工况智能诊断方法，包括：步骤1，从油田开发数据库获取螺杆泵的运行参数；步骤2，根据步骤1，确定电流为螺杆泵井工况的特征参数，归纳出常见的螺杆泵工况以及各个工况下的电流变化特征；步骤3，建立螺杆泵井工况诊断的样本库；步骤4，搭建深度学习网络模型，并对网络模型进行训练；步骤5，将新的电流卡片样本输入已经训练好的深度学习网络模型，智能输出电流卡片样本所对应的工况编号，从而实现了工况的智能诊断。该基于深度学习的螺杆泵井工况智能诊断方法实现了螺杆泵井工况的智能、准确、快速识别，可以帮助工作人员快速获悉螺杆泵运行状态并及时处理故障，提高生产时率，保障油井生产运行。行。行。

【技术实现步骤摘要】
基于深度学习的螺杆泵井工况智能诊断方法


[0001]本专利技术涉及油田开发
，特别是涉及到一种基于深度学习的螺杆泵井工况智能诊断方法。

技术介绍

[0002]螺杆泵结构简单，质量轻，维护、管理方便，其地面设备紧凑、占地面积小，调节排量容易且工作效率高，特别是开采高粘度、高含气量和高含砂量的原油时，比其他举升方式有更好的效果。螺杆泵在油田中逐步得到推广和使用，在各油田中所占份额在逐年增加。但是，相比抽油机根据示功图形状就可以快速、准确诊断工况不同，螺杆泵工况诊断方法并不完善。目前的诊断方法主要存在以下问题：(1)诊断参数获取困难，如扭矩测试诊断法，需要停井后安装相关仪器，操作复杂且影响油井生产；(2)诊断方法对油井有伤害，如憋压法，容易对油井压力系统形成干扰进而伤害油层；(3)过于依赖人工经验、诊断误差大，如液位位置变化诊断方法，不能直接判断出具体的故障原因。
[0003]近年来人工智能算法迅速发展，开始使用人工神经网络诊断螺杆泵抽油工况，消除了人为干预，但在故障特征提取时会损失较多有用信息，导致诊断结果出现误差，且该算法训练速度慢本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，该基于深度学习的螺杆泵井工况智能诊断方法包括：步骤1，从油田开发数据库获取螺杆泵的运行参数；步骤2，根据步骤1，确定电流为螺杆泵井工况的特征参数，归纳出常见的螺杆泵工况以及各个工况下的电流变化特征；步骤3，建立螺杆泵井工况诊断的样本库；步骤4，搭建深度学习网络模型，并对网络模型进行训练；步骤5，将新的电流卡片样本输入已经训练好的深度学习网络模型，智能输出电流卡片样本所对应的工况编号，从而实现了工况的智能诊断。2.根据权利要求1所述的基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，在步骤1中，从油田开发数据库获取螺杆泵的运行参数，通过海量数据分析、筛选，寻找能够轻易采集且变化特征能够反映不同螺杆泵工况的参数，作为表现螺杆泵井工况的特征参数。3.根据权利要求2所述的基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，在步骤1中，获取的螺杆泵运行参数，包括电流、电压、功率、井口油压/温度、转速、瞬时/累计流量、日耗电量。4.根据权利要求1所述的基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，在步骤2中，通过数据对比分析，电流对于不同的工况十分敏感且存在强规律特征，因此确定电流作为表现螺杆泵井工况的特征参数。5.根据权利要求1所述的基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，在步骤3中，对数据库中的电流数据进行预处理并绘制电流卡片样本，将样本进行人工分类，每类对应一种螺杆泵工况，形成螺杆泵井工况诊断的样本库。6.根据权利要求1所述的基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，在步骤4中，选择卷积神经网络CNN作为深度学习网络模型，搭建卷积神经网络，以样本库为训练集，通过深度学习算法，提取出每一种样本的电流特征和其对应的螺杆泵工况的映射关系；通过调整卷积神经网络的各项参数，不断减小训练损失，当训练损失控制在较低水平时，完成训练。7.根据权利要求6所述的基于深度学习的螺杆泵井工况智能诊断方法，其特征在于，在步骤4中，根据电流卡片尺寸，兼顾模型训练损失少、训练时间少的原则，确定所使用的CNN架构的输入层、卷积层、池化层、全连接层以及Softmax分类器的个数。8.根据权利要求6所述的基于深...

【专利技术属性】
技术研发人员：王振，王云川，赵金刚，赵兴国，何东伟，张萍，边莉，彭伟，孔磊，张学伟，
申请(专利权)人：胜利油田鲁明油气勘探开发有限公司，
类型：发明
国别省市：