一种示功图诊断模型无监督预训练方法技术

本发明专利技术公开了一种示功图诊断模型的无监督预训练方法，该方法针对示功图本身仅具有线条且中心区域为空白的特征，首先采用漫水填充算法对示功图数据中心区域进行填充，并通过让诊断模型输出特征向量，反卷积模型输出填充后的示功图数据，计算生成图像与填充图像的重建误差，进行深度学习模型的预训练，从而减轻模型训练对大量带标签示功图样本的依赖，缩短训练周期并保证示功图诊断精度。练周期并保证示功图诊断精度。练周期并保证示功图诊断精度。

【技术实现步骤摘要】
一种示功图诊断模型无监督预训练方法


[0001]本专利技术涉及油井采油机故障诊断领域，具体而言是通过让深度学习模型学习填充示功图的代理任务，进行模型的无监督预训练。

技术介绍

[0002]采油机作为原油开采的主要手段，其工作状况好坏直接关系到油田整体经济效益。示功图作为反应深井泵工作状况好坏的重要手段，被广泛应用于采油机故障诊断。随着人工智能技术的发展，采用深度学习模型对示功图进行诊断取得了较高的诊断精度。但目前主流的深度学习模型依赖于大量带标签样本的有监督训练，而进行示功图的标记不仅需要耗费大量的人力成本，而且依赖于专业知识。
[0003]近几年，出现了许多采用无监督算法对深度学习模型进行训练的方法，但这些方法多用于自然图像的训练。然而，由于示功图是由较细线条围成的空心多边形，无效空白区域较多，特征较为稀疏，在示功图诊断领域效果还不够理想。对示功图中心区域进行填充能够增加示功图特征信息，有助于示功图诊断的精度提升。
[0004]现有方法中出现了利用填充示功图进行模型的有监督训练，这虽然提升了分类精度，但仍无法避免对大量带标签样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种示功图诊断模型的无监督预训练方法，其特征在于采集示功图历史数据，根据漫水填充算法填充示功图数据组成填充数据集，根据填充示功图的代理任务而非人工标注标签作为模型的训练信号，进行模型的无监督预训练，避免模型训练对大量带标签样本的依赖，包括以下步骤：1)采集采油机的历史示功图，组成示功图数据集S，并使用留出法分为训练集、验证集和测试集；2)遍历S，利用中线扫描法寻找每一个示功图样本中的任意一个内点P；3)将P作为漫水填充算法的起始点，对S中样本进行填充，得到填充示功图数据集Y；4)将填充前数据集S作为目标深度学习模型的输入，输出n维特征向量V；5)将向量V作为反卷积深度学习模型的输入，生成填充后的示功图Y'；6)根据Y和Y'计算训练集重建误差L
train
，完成m轮无监督预训练；7)计算测试集重建误差L
test
，判断L
test
是否小于误差阈值L
min
，若低于L
min
则预训练结束，否则转到步骤5)；8)使用带标签示功图数据进行预训练模型的迁移学习，使用训练完成的模型进行工况类型诊断。2.根据权利要求1所述的一种示功图诊断模型的无监督预训练方法，其特征在于步骤1)所述留出法比例为8:1:1。3.根据权利要求1所述的一种示功图诊断模型的无监督预训练方法，其特征在于...

【专利技术属性】
技术研发人员：陈夕松，钱帅康，曹兴广，姜磊，卜禹，
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：