【技术实现步骤摘要】
本申请涉及人工智能，具体涉及一种抽油机故障诊断模型的训练方法、设备及介质。
技术介绍
1、随着油田开采工程进入中后期阶段，大部分油田生产过程中出现了各种问题，比如，由于油井分布比较分散，且抽油现场环境恶劣，所以工作人员巡井任务繁重，容易出现巡检不到位与漏检的情况；井下工作复杂，抽油机故障发生频繁，采集数据冗杂多变等问题。
2、一般情况下，抽油机故障诊断方法需要人工筛选特征并作复杂计算，而抽油机的常见故障多达几十种，识别时需结合分散的多种数据源，对人员专业性要求较高且准确率不高；或者使用深度网络将原有位移、载荷数据转换成图像并进行图像分类，但是转换为图像很容易忽略原有数据细小的特征变化，并且数据特征单一，限制了元数据特征表达。
技术实现思路
1、为了解决上述问题，本申请提出了一种抽油机故障诊断模型的训练方法，包括：
2、收集抽油机的位移数据和载荷数据，对所述位移数据和所述载荷数据进行预处理，得到对应的预处理数据；
3、根据所述预处理数据，绘制对应的第一示功图，提取所述第一示功图中的关键特征，并将所述关键特征添加到所述第一示功图空白处，得到第二示功图；
4、通过加权随机采样方法，对所述第二示功图进行随机采样，将所述第二示功图随机划分为训练集和验证集；
5、提取所述第二示功图中的图像块，通过卷积神经网络提取所述图像块的多尺度卷积特征，其中，所述卷积神经网络中的池化层替换为小波变换；
6、基于所述多尺度卷积特征，构建深
7、每一次迭代训练完成后，通过所述验证集，对所述深度学习网络模型的训练结果进行验证，并根据验证结果，继续对所述深度学习网络模型进行迭代训练，直至所述深度学习网络模型收敛。
8、另一方面，本申请还提出一种抽油机故障诊断模型的训练设备，包括：
9、至少一个处理器；以及，
10、与所述至少一个处理器通信连接的存储器；其中，
11、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：上述示例所述的抽油机故障诊断模型的训练方法。
12、另一方面，本申请还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：上述示例所述的抽油机故障诊断模型的训练方法。
13、通过本申请提出一种抽油机故障诊断模型的训练方法能够带来如下有益效果：
14、通过构建深度学习模型，并通过模型提取数据的特征，无需人工筛选，并且同时自动化的将一些额外特征与现有数据进行融合，使得到的信息更全面，不但提高了对抽油机故障诊断的效率，还有效的避免人工筛选特征带来的不确定性和随机性，提高了故障诊断的准确性。
15、同时，通过将卷积神经网络中的池化层替换为小波变化，将现有数据通过频域特征的表征，有效的表达剧烈变化信号和示功图自身所存储的主要信号，从而让数据的特征得到充分的表达。
本文档来自技高网...【技术保护点】
1.一种抽油机故障诊断模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述预处理数据，绘制对应的第一示功图，提取所述第一示功图中的关键特征，并将所述关键特征添加到所述示功图空白处，得到第二示功图，具体包括：
3.根据权利要求1所述的方法，其特征在于，所述通过加权随机采样方法，对所述第二示功图进行随机采样，将所述第二示功图随机划分为训练集和验证集，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述提取所述第二示功图中的图像块，通过卷积神经网络提取所述图像块的多尺度卷积特征，其中，所述卷积神经网络中的池化层替换为小波变换层，具体包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述多尺度卷积特征，构建深度学习网络模型，根据所述训练集，对所述深度学习网络模型进行故障诊断训练，具体包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述训练集，对所述深度学习网络模型进行训练，并使用损失函数，以评估所述深度学习网络模型的预测结果与真实内容之间的差异，具体包括：
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。