一种基于电参数和示功图信息融合的综合工况诊断算法制造技术

本发明专利技术公开了一种基于电参数和示功图信息融合的综合工况诊断算法，基于标注抽油井电机的电流状态为“0：平稳，1：上升，2：下降”的字典编码，将工况进行如下分类：可以使用电参数数据快速诊断具体工况的A类；可以使用电参数数据快速诊断具体工况大类但不能确定具体工况的B类和C类，B类如电流编码都为“0

【技术实现步骤摘要】
一种基于电参数和示功图信息融合的综合工况诊断算法


[0001]本专利技术涉及油井采油、抽油领域，具体涉及一种基于电参数和示功图信息融合的综合工况诊断算法。

技术介绍

[0002]抽油示功图与抽油机电参数，是了解抽油机井下的管、杆、泵工作状况的主要手段。但抽油机的电流并不能完全反应井下信息，且存在部分电流特征相同但工况不同的情况，所以利用目前技术，完全根据抽油机电参数来确定抽油井工况的算法正确率偏低。另一方面，深井泵工作中的一切异常现象可以在示功图上比较直观的反映出来，分析和解释示功图，就是直接了解深井泵工作状况好坏的一个主要手段。抽油机是石油开采环节中的核心设备，单纯人力来判断抽油机的工作状况以及操作抽油机的运行效率低下所以不能满足行业发展需要。在当前人工智能潮流的大背景下，特别是利用深度学习技术，来挖掘电参数与示功图所表达的信息，提高抽油机工况或故障识别准确率及效率，保证抽油机稳定、可靠的工作有着重大意义。目前传统抽油井识别方法有力学模型分析、有杆泵井故障诊断专家系统等，但是由于各地地质差异以及机器老化问题，如果使用传统的示功图识别方法识别结果会存在较大差异。目前，抽油工况的识别主要有电参数判断法，但存在总体准确率低问题；也有示功图的人工识别方法，存在识别速度慢，受个体主观因素影响大、一致性差问题；基于示功图的机器识别也逐渐出现，但存在识别速度慢，准确率不高等问题。

技术实现思路

[0003]本专利技术公开了一种基于将电参数和示功图信息两种信息融合的抽油工况识别方法，从工程适用性出发，结合数据字典技术、机器深度学习和信息融合推理手段。本专利技术所述方法具体步骤如下：
[0004]一种基于电参数和示功图信息融合的综合工况诊断算法，其特征在于：基于标注抽油井电机的电流状态为“0：平稳，1：上升，2：下降”的字典编码，将工况进行如下分类：可以使用电参数数据快速诊断具体工况的A类，如平衡块过重“2
‑
1”、震动“212
‑
121”等；可以使用电参数数据快速诊断具体工况大类但不能确定具体工况的B类和C类，B类如电流编码都为“0
‑
02”的下碰泵(B1)和供液不足(B2)工况；C类如电流编码都为“2
‑
0”的固定凡尔漏失(C1)和管漏(C2)工况；以及其他无法用电流变化表征工况的D类；具体包括以下步骤流程：
[0005](1)使用电参数算法，基于抽油井电机电流参数进行快速匹配；
[0006](2)根据步骤(1)匹配结果，判断工况结果是否是A类工况，
[0007](2
‑
1)如果判断结果为A类工况，直接输出结果；
[0008](2
‑
2)如果判断结果不为A类工况，进入下一步骤；
[0009](3)根据步骤(1)匹配结果，判断工况结果是否是B或C类工况，
[0010](3
‑
1)如果判断结果为B或C类工况，使用图像分类算法，基于示功图使用轻量化模型进行工况判断，并将两种判断算法结果进行信息融合综合诊断，进入下一步骤；
[0011](3
‑
2)如果判断结果不是B或C类工况，使用图像分类算法，基于示功图使用轻量化模型进行工况判断，进入下一步骤；
[0012](4)输出判断结果。
[0013]优选的，基于示功图使用轻量化模型进行工况判断，其具体步骤为：
[0014](3
‑
A)获取抽油井待检测示功图；
[0015](3
‑
B)将示功图输入训练好的SE
‑
ShuffleNet轻量化网络模型进行识别；
[0016](3
‑
C)输出识别结果。
[0017]优选的，所述SE
‑
ShuffleNet轻量化网络模型训练的具体步骤为：
[0018](3
‑
B
‑
1)获取抽油井示功仪采集的载荷量和位移量数据，基于以上数据绘制示功图；
[0019](3
‑
B
‑
2)业务专家对示功图分类并标注；
[0020](3
‑
B
‑
3)对标注好的示功图进行图像增强形成样本集；
[0021](3
‑
B
‑
4)将样本集放入基于SENet改进后的SE
‑
ShuffleNet轻量化网络模型进行训练；
[0022](3
‑
B
‑
5)判断训练准确率是否大于98％:
[0023]如果训练准确率不大于98％，返回步骤(3
‑
B
‑
4)；
[0024]如果训练准确率大于98％，进入下一步骤；
[0025](3
‑
B
‑
6)在训练完成后，将训练完的SE
‑
ShuffleNet权值保存。
[0026]具体的，将三个SENet分别插入在ShuffleNet v2网络Stage2、Stage3与Stage4的最后，改进后的网络结构图如下表所示：
[0027][0028][0029]表中Image代表输入图像，Conv1MaxPool代表3*3大小的卷积层和池化层，三个Stage代表三个重复对极了几个ShuffleNet的基本单元，Conv5为ShuffleNet独有的1*1卷积层，GlobalPool为将特征图大小将为1*1的池化层，FC为输出类别预测值的全连接层；√代表使用了SENet，Output Size为输出矩阵大小，KSize为卷积核的大小，Stride为区分使用ShuffleNetv2不同步长的单元，Repeat为对使用的单元进行重复的次数。
[0030]优选的，所述基于抽油井电机电流数据进行快速工况匹配的具体步骤为：
[0031](1
‑
1)获取抽油井传感器采集的电机电流数据；
[0032](1
‑
2)进行上下冲程区分：一种方法为按照接近1：1的比例进行区分，另一种方法为根据凡尔开闭点划分上冲程和下冲程；
[0033](1
‑
3)对电流数据进行滤波操作并求斜率；
[0034](1
‑
4)根据斜率判断上下冲程电机电流的变化并生成电流变化编码；
[0035](1
‑
5)根据电流编码参考故障诊断表判断工况；
[0036](1
‑
6)输出判断结果。
[0037]优选的，所述电流变化编码具体包括：
[0038][0039][0040]优选的，基于信息融合的综合工况诊断算法流程的具体步骤为：
[0041](3
‑1‑
A)记获取的电参数匹配的(B1+B2)或(C1+C2)类结果，将图像分类结果处理为A、B1、B2、C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电参数和示功图信息融合的综合工况诊断算法，其特征在于：基于标注抽油井电机的电流状态为“0：平稳，1：上升，2：下降”的字典编码，将工况进行如下分类：可以使用电参数数据快速诊断具体工况的A类；可以使用电参数数据快速诊断具体工况大类但不能确定具体工况的B类和C类，B类如电流编码都为“0
‑
02”的下碰泵(B1)和供液不足(B2)工况；C类如电流编码都为“2
‑
0”的固定凡尔漏失(C1)和管漏(C2)工况；以及其他无法用电流变化表征工况的D类；具体包括以下步骤流程：(1)使用电参数算法，基于抽油井电机电流参数进行快速匹配；(2)根据步骤(1)匹配结果，判断工况结果是否是A类工况，(2
‑
1)如果判断结果为A类工况，直接输出结果；(2
‑
2)如果判断结果不为A类工况，进入下一步骤；(3)根据步骤(1)匹配结果，判断工况结果是否是B或C类工况，(3
‑
1)如果判断结果为B或C类工况，使用图像分类算法，基于示功图使用轻量化模型进行工况判断，并将两种判断算法结果进行信息融合综合诊断，进入下一步骤；(3
‑
2)如果判断结果不是B或C类工况，使用图像分类算法，基于示功图使用轻量化模型进行工况判断，进入下一步骤；(4)输出判断结果。2.根据权利要求1所述的方法，其特征在于基于示功图使用轻量化模型进行工况判断，其具体步骤为：(3
‑
A)获取抽油井待检测示功图；(3
‑
B)将示功图输入训练好的SE
‑
ShuffleNet轻量化网络模型进行识别；(3
‑
C)输出识别结果。3.根据权利要求2所述的方法，其特征在于所述SE
‑
ShuffleNet轻量化网络模型训练的具体步骤为：(3
‑
B
‑
1)获取抽油井示功仪采集的载荷量和位移量数据，基于以上数据绘制示功图；(3
‑
B
‑
2)业务专家对示功图分类并标注；(3
‑
B
‑
3)对标注好的示功图进行...

【专利技术属性】
技术研发人员：叶彦斐，侯翔一，史永翔，程立，涂娟，
申请(专利权)人：南京富岛油气智控科技有限公司，
类型：发明
国别省市：