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的依赖。而采用填充示功图作为代理任务进行无监督预训练将有望提升精度，且不需要标注样本，目前此方向的研究较少。
[0005]可见，亟需一种示功图诊断模型的无监督预训练方法，针对示功图本身特征，通过填充示功图的代理任务进行模型的预训练，以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。

技术实现思路

[0006]针对上述问题，本专利技术公开一种示功图诊断模型的无监督预训练方法，该方法采用漫水填充算法对采油机的示功图进行填充，通过让模型学习生成填充示功图数据，并计算生成图像与填充图像的重建误差，进行深度学习模型预训练，从而减轻模型训练对大量标注样本的依赖，以缩短训练周期并保证诊断精度。
[0007]该方法具体包含以下步骤：
[0008]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，其中留出法比例为8:1:1；
[0009]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，其中中线扫描法具有如下步骤：
[0010]2‑
1)以示功图左上角为原点，根据示功图数据的列数l计算中线的横坐标x＝l/2；
[0011]2‑
2)找出中线与示功图上行程线交点p1的坐标(x,y1)；
[0012]2‑
3)找出中线与示功图下行程线交点p2的坐标(x,y2)；
[0013]2‑
4)计算内点P的纵坐标y＝(y1+y2)/2，则P点的坐标为(x,y)。
[0014]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；
[0015]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，其中128≤n≤2048；
[0016]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'；
[0017]6)根据Y和Y'计算重建误差L
train
，完成m轮无监督预训练，其中训练轮数0＜m≤300，重建误差计算公式如下：
[0018][0019]其中，i为样本的下标，k为样本的总数量，L
train
为在训练集上计算得到的重建误差，
[0020]L
test
为在测试集上计算得到的重建误差，Y
i
表示第i个填充数据集样本，Y
i
'表示第i个生成填充数据输出。
[0021]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)，其中0＜L
min
≤0.01；
[0022]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。
[0023]有益效果：
[0024]本专利技术所公开的一种示功图诊断模型的无监督预训练方法，针对示功图本身特征，采用漫水填充算法对采油机的示功图进行填充，通过让模型学习生成填充示功图数据，并计算生成图像与填充图像的重建误差，进行深度学习模型预训练，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。
附图说明
[0025]图1为本专利技术中方法流程图；
[0026]图2为本专利技术具体算例中模型的训练集和验证集损失值曲线。
具体实施方式
[0027]下面结合附图以及具体的算例，给出详细的计算过程和具体操作流程，以对本专利技术作进一步说明。本实施案例在以本专利技术技术方案为前提下进行实施，但本专利技术的保护范围不限于下述的实施案例。
[0028]本案例以某采油企业为例来说明本方法的有效性及实施过程，其工作流程如图1所示，以2021年7月至2021年8月之间的数据构建训练集、验证集及测试集，分析本文方法在不依赖大量带标签样本的前提下，对提升诊断精度的有效性。
[0029]具体的实施步骤如下：
[0030]1)采集采油机的历史示功图共49852张，组成示功图数据集S，按照留出法以8:1:1的比例划分数据集S为训练集S
train
39882张、验证集S
val
4985张和测试集S
test
4985张。
[0031]2)对数据集中的所有样本计算其内点P的坐标，部分示功图的内点P如表1所示：
[0032]表1部分示功图P点坐标
[0033][0034][0035]3)将P点作为起始点，采用漫水填充算法对示功图进行填充，得到填充示功图数据
集，部分填充示功图样本如表2所示：
[0036]表2部分填充示功图样本
[0037][0038][0039]4)本实施例中以卷积神经网络模型Resnet18为例，取n＝512，经过模型计算，得到部分特征向量如表3所示：
[0040]表3部分示功图特征向量
[0041]示功图编号特征向量V1[0.213,0.971,...,0.023]1×
512
2[0.182,0.294,...,0.737]1×
512
3[0.856,0.913,...,0.354]1×
512
4[0.761,0.673,...,0.209]1×
512
[0042]5)将特征向量作为反卷积神经网络的输入，输出填充示功图数据。
[0043]6)取m＝300，根据输出图像数据和实际填充样本数据计算训练集重建误差L
train
，完成300轮无监督预训练。
[0044]7)取L
min
＝0.05，计算测试集重建误差判断测试集重建误差L
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：