本发明专利技术公开了一种有杆泵井工况智能诊断方法包括,数据采集与示功图归一化,数据包括地面示功图卡片和对应的特征敏感参数;搭建神经网络,并建立各种工况对应的知识库;基于神经网络和知识推导进行诊断,当神经网络模型的工况诊断结果对应参数达到知识库的要求,则该结果作为最终的诊断结果输出,当神经网络模型的诊断结果不能通过知识推导的二次验证,则比较神经网络与知识推导诊断结果的置信度,选择置信度高的作为最终诊断工况,异常工况以检泵结果为准;进行模型训练,优化模型参数和架构。本方法可以解决传统的神经网络提取方法工况分类结果准确率低下的问题。分类结果准确率低下的问题。分类结果准确率低下的问题。
【技术实现步骤摘要】
一种有杆泵井工况智能诊断方法
[0001]本专利技术涉及深度学习和故障诊断
,尤其涉及一种有杆泵井工况智能诊断方法。
技术介绍
[0002]在油井开发现场,有杆泵由于其复杂的工作环境,常常会出现各种异常的工作情况。根据相关设备测量能够绘制出地面示功图,地面示功图是抽油机光杆在一个冲程里的位移和载荷构成的一条封闭曲线,在不同工况下光杆因各种原因出现位移和载荷的数值变化,最终会反应在曲线形状上。因此地面示功图的形状能够一定程度上反应出有杆泵的工作情况。根据地面示功图形状得到对应的有杆泵工况,出现异常工况时及时处理,对于提高有杆泵抽油系统效率具有重要意义。
[0003]目前已经出现多种提取地面示功图特征的方法,如灰度特征、八向链码、频谱分析、神经网络等,均可分析示功图形状。神经网络在处理单一情况下的地面示功图时效果良好,能够诊断出示功图卡片相对应的有杆泵工作情况。但在油田实际生产现场由于各种因素影响,有杆泵井出现异常工作情况往往不止一种原因,仅使用神经网络分析这种异常工况的示功图,得到的工况分类结果准确率低下。
技术实现思路
[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题,提出了本专利技术。
[0006]因此,本专利技术提供了一种有杆泵井工况智能诊断方法,能够解决传统的神经网络提取方法由于各种因素影响,有杆泵井出现异常工作情况往往不止一种原因,仅使用神经网络分析这种异常工况的示功图,工况分类结果准确率低下的问题。
[0007]为解决上述技术问题,本专利技术提供如下技术方案,一种有杆泵井工况智能诊断方法,包括:
[0008]数据采集与示功图归一化;
[0009]搭建神经网络,并建立各种工况对应的知识库;
[0010]基于神经网络和知识推导的诊断;
[0011]进行模型训练,优化模型参数和架构。
[0012]作为本专利技术所述的有杆泵井工况智能诊断方法的一种优选方案,其中:所述数据包括地面示功图卡片和对应的特征敏感参数,所述特征敏感参数是异常工况相对于正常情况下会产生明显波动的数值,所述示功图卡片归一化时,保证其载荷所在坐标的最大最小值固定,以保留示功图形状。
[0013]作为本专利技术所述的有杆泵井工况智能诊断方法的一种优选方案,其中:处理收集
到的各种时间序列数据,每段时间序列为X={x1,x2,
…
,x
n
},从原序列里提取三种特征,则提取后的特征序列为λ={λ1,λ2,λ3},},其中λ1表示变化幅度,λ2表示标准差,λ3表示当前值与平均值的比率,x
now
为当前值即序列最后的值x
n
,x
mean
为序列平均值。
[0014]作为本专利技术所述的有杆泵井工况智能诊断方法的一种优选方案,其中:所述神经网络的搭建包括,
[0015]共有七层,第一层是卷积层,激活函数使用ReLu,第二层是最大池化层,第三层是卷积层,激活函数使用ReLu,第四层是最大池化层,第五层是光栅化层,光栅化后接两个全连接层,两个全连接层Dropout的值均为0.5。
[0016]作为本专利技术所述的有杆泵井工况智能诊断方法的一种优选方案,其中:所述知识库的数据特征从最大载荷、最小载荷、功图面积、载荷差四个方面进行考虑,多数特征参数为变化幅度应高于或低于某阈值,少数特征参数是特定数值应高于或低于某阈值,依照专家经验和油田历史数据,把统计的特征参数变化幅度和阈值与其对应的工况存入知识库。
[0017]作为本专利技术所述的有杆泵井工况智能诊断方法的一种优选方案,其中:所述诊断包括,当神经网络模型的工况诊断结果对应参数达到知识库的要求,则该结果作为最终的诊断结果输出,当神经网络模型的诊断结果不能通过知识推导的二次验证,则比较神经网络与知识推导诊断结果的置信度,选择置信度高的作为最终诊断工况,异常工况以检泵结果为准。
[0018]作为本专利技术所述的有杆泵井工况智能诊断方法的一种优选方案,其中:所述训练包括,
[0019]使用分好类的地面示功图卡片训练神经网络,根据准确率和损失率调整神经网络的架构和参数;
[0020]输入需要判断的地面示功图卡片和对应的特征参数,地面示功图卡片输入神经网络得到判断结果,特征参数通过知识库的知识推导得到工况诊断结果,综合两种诊断结果的置信度,输出置信度高的诊断工况,并根据检泵结果优化知识库中各项指标。
[0021]本专利技术的有益效果:本专利技术方法基于神经网络和知识推导的油井工况诊断方法使用了地面示功图卡片和工况的其他特征敏感参数,神经网络判断结果后加入知识推导的二次判别,知识库的形成结合了领域知识和现场专家生产经验,充分利用了油田现场的参数,知识推导和神经网络结合能够弥补仅使用神经网络的不足,提高有杆泵工况诊断的准确率,有效为油田生产现场提供帮助,能够有效的提升模型泛化能力,解决多种因素干扰的问题,进一步增强了有杆泵工况诊断系统性能。
附图说明
[0022]为了更清楚地说明本专利技术实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
[0023]图1为本专利技术一个实施例提供的一种有杆泵井工况智能诊断方法的流程示意图;
[0024]图2为本专利技术一个实施例提供的一种有杆泵井工况智能诊断方法的地面示功图示意图;
[0025]图3为本专利技术一个实施例提供的一种有杆泵井工况智能诊断方法的神经网络示意图;
[0026]图4为本专利技术一个实施例提供的一种有杆泵井工况智能诊断方法的神经网络的准确率和损失率示意图;
[0027]图5为本专利技术一个实施例提供的一种有杆泵井工况智能诊断方法的对各工况预测的准确率。
具体实施方式
[0028]为使本专利技术的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本专利技术的具体实施方式做详细的说明,显然所描述的实施例是本专利技术的一部分实施例,而不是全部实施例。基于本专利技术中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本专利技术的保护的范围。
[0029]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术,但是本专利技术还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广,因此本专利技术不受下面公开的具体实施例的限制。
[0030]其次,此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种有杆泵井工况智能诊断方法,其特征在于:包括,采集生产现场有杆泵井相关的生产数据,得到地面示功图卡片并进行归一化;搭建神经网络,并建立各种工况对应的知识库;基于所述神经网络和知识推导对工况进行诊断;进行模型训练,优化模型参数和架构。2.如权利要求1所述的有杆泵井工况智能诊断方法,其特征在于:所述数据包括地面示功图卡片和对应的特征敏感参数,所述特征敏感参数是异常工况相对于正常情况下会产生明显波动的数值,所述示功图卡片归一化时,保证其载荷所在坐标的最大最小值固定,以保留示功图形状。3.如权利要求2所述的有杆泵井工况智能诊断方法,其特征在于:处理收集到的各种时间序列数据,每段时间序列为X={x1,x2,
…
,x
n
},从原序列里提取三种特征,则提取后的特征序列为λ={λ1,λ2,λ3},},其中λ1表示变化幅度,λ2表示标准差,λ3表示当前值与平均值的比率,x
now
为当前值即序列最后的值x
n
,x
mean
为序列平均值。4.如权利要求1~3任一所述的有杆泵井工况智能诊断方法,其特征在于:所述神经网络的搭建包括,共有七层,第一层是卷积层,激活函数使用ReLu,第二层是最大池化层,第三层是卷积层,激活函数使用ReLu,第四层是最大池化层,第五层是光栅化层,光栅化后接两个全连接层,两个全连接层Dropout的值均为0.5。5.如权利要求4所述的有杆泵井工况智能诊断方法,其特征在于:所述知识库的数据特征从最大载荷、最小载荷、功图面积、载荷差四个方面进行考虑,多数特征参数为变化幅度应高于或低于某阈值,少数特征参数是特定数值应高于...
【专利技术属性】
技术研发人员:郭致杰,何岩峰,王相,
申请(专利权)人:常州大学,
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。