【技术实现步骤摘要】
数形结合的油井工况智能诊断方法
[0001]本专利技术涉及故障诊断与数据自动化处理
,特别是涉及到一种数形结合的油井工况智能诊断方法。
技术介绍
[0002]深度卷积神经网络功图识别技术在石油行业中,由于数据量的缺乏,一直处在试验阶段,没有较大突破,直至油田四化建设的不断推进,才为神经网络智能功图识别及管控技术的研发提供了良好的基础。但传统深度卷积神经网络工况识别法有一定的缺点:1、对于图像的学习速度较快,但对于相似工况的区分准确率不足;2、部分工况的发生过程为缓慢演变过程,通过单一时刻示功图无法诊断,神经网络对时序数据演变特征的考虑不足。
[0003]2015年李鹏辉的硕士论文《基于深度学习的油井功图智能识别》中,分别以卷积神经网络CNN、深度置信网络DBN为基础,构建了基于深度学习结构的油井功图识别模型,并将所两种基于深度学习的油井功图识别方法的实验结果进行了对比和分析。该文献在进行油井工况诊断时,仅使用了示功图数据,没有综合考虑其他时序数据,因此难以区分示功图相似的不同工况;该文献分别使用CNN和DBN进行建模和对比,没有将CNN和DBN两种方法进行耦合使用。
[0004]《西安石油大学学报(自然科学版)》(2018年第5期)期刊上发表的《基于CNN卷积神经网络的示功图诊断技术》一文中,通过对油井参数及示功图进行数字化描述,结合卷积神经网络CNN技术,建立示功图诊断模型并开发相应的计算程序,实现了对抽油机井工况的智能诊断。该文献仅结合CNN技术,使用数字化示功图的单一数据进行诊断,并未对示 ...
【技术保护点】
【技术特征摘要】
1.数形结合的油井工况智能诊断方法,其特征在于,该数形结合的油井工况智能诊断方法包括:步骤1,建立大规模示功图+多维时序数据的油井工况样本库;步骤2,针对油井工况诊断问题特点,提出并建立CNN+DBN的油井工况诊断神经网络,完成对工况样本库的学习,并通过反复优化进一步提高算法性能;步骤3,建立油井工况智能监测系统,实现智能监测神经网络与油井生产数据库的实时连接
‑
分析
‑
推送,设计油井工况智能监测客户前端网页系统。2.根据权利要求1所述的数形结合的油井工况智能诊断方法,其特征在于,在步骤1中,通过对千万级油井生产监测数据的搜集、整理、清洗、特征提取和分拣,分级分类建立大规模示功图+多维时序数据的油井工况样本库。3.根据权利要求2所述的数形结合的油井工况智能诊断方法,其特征在于,步骤1包括:1)搜集采油厂油井生产监测数据,开展数据整理、甄别、清洗,以提高数据质量;2)结合油井生产监测大数据、油井躺井报表、现场实践经验,将油井生产工况从技术角度进行油层问题、管问题、杆问题、泵问题、地面问题、数据问题这些分类分项;3)结合油井工况技术分类成果和油田生产管理实际需要,将油井生产工况从生产运行角度分为健康生产、亚健康生产、异常3大类,针对不同类别指定差异化管理措施;4)针对部分工况单纯依赖示功图难以精确诊断的问题,系统分析生产指挥系统PCS数据库中的数据指标,选取用于工况诊断的数据指标多维时序数据;5)针对60余种多维时序数据开展数据发散性、相关性分析,进一步优选代表性强的数据指标;6)针对优选出的多维时序数据,确定样本使用的时间窗口瞬变、中短期、中长期,采用时间序列特征提取算法提取其内涵特征作为工况分析参数。4.根据权利要求1所述的数形结合的油井工况智能诊断方法,其特征在于,步骤2包括:步骤21,针对油井工况诊断问题的特点,深入分析卷积神经网络CNN和深度置信网络DBN的适用性;步骤22,设计用于油井工况智能诊断的CNN系统构架,进行相关深度卷积神经网络核心计算;步骤23,设计用于油井工况智能诊断的DBN系统构架,进行相关深度卷积神经网络核心计算;步骤24,设计用于油井工况智能诊断的CNN+DBN系统构架;步骤25,选择代表性数据集对油井工况智能诊断的CNN+DBN系统构架进行效果分析;步骤26,设定默认学习参数,使用已建立油井工况样本库对油井工况智能诊断的CNN+DBN神经网络进行训练和测试;步骤27,使用架构优化、反复训练、Dropout这些技术对神经网络进一步优化,提升神经网络的训练效率与泛化能力。5.根据权利要求4所述的数形结合的油井工况智能诊断方法...
【专利技术属性】
技术研发人员:路智勇,冯庆伟,孙召龙,隋宁波,张丁涌,常国胜,王景峰,冯虎,邴绍强,周宏斌,张江,曹丽丽,
申请(专利权)人:中国石油化工股份有限公司胜利油田分公司现河采油厂,
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。