CN108122075A - 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 - Google Patents
一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 Download PDFInfo
- Publication number
- CN108122075A CN108122075A CN201711401298.7A CN201711401298A CN108122075A CN 108122075 A CN108122075 A CN 108122075A CN 201711401298 A CN201711401298 A CN 201711401298A CN 108122075 A CN108122075 A CN 108122075A
- Authority
- CN
- China
- Prior art keywords
- cnn
- sucker rod
- rod pump
- monitoring
- operating mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000007935 neutral effect Effects 0.000 claims abstract description 6
- 239000003129 oil well Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005086 pumping Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Instructional Devices (AREA)
Abstract
本发明涉及一种基于卷积神经网络强化学习的有杆泵工况智能监测方法，所述的监测系统主要由三部分构成：有杆泵工况监测CNN的构建；有杆泵工况监测CNN的实际应用；有杆泵工况监测CNN的强化学习与更新。本发明使用卷积神经网络，避免特征提取示功图数值化过程中丢失的大量有用信息，CNN可以直接识别输入的示功图图片，减少了误差；同时基于强化学习的过程，可以有效提高CNN智能监测系统的成长性，在反复的工况诊断和不断的强化学习中，提高工况的准确性，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。
Description
技术领域
本发明涉及石油工程技术领域，尤其涉及抽油井有杆泵工况智能诊断，具体说是一种基于卷积神经网络强化学习的有杆泵工况智能监测方法。
背景技术
在油田开采的过程中，有杆抽油方法是应用最广泛的一种方法，占全球油井总数的75％，基于示功图分析诊断有杆泵工况是一个很重要的部分，因为抽油机示功图集中反映了油系统工作状态，包含了抽油机、泵、杆的丰富信息，目前有许多基于示功图的诊断方法，如：专家系统，模糊数学，灰色理论和神经网络，从本质上讲这些方法都是一个模式识别与分类的问题，存在几个共通的缺陷：对于示功图特征相近的工况仅靠示功图难以准确诊断出具体的故障类型；都需要进行特征提取，示功图数值化的过程损失了大量的有效信息；都需要将提取的特征值与特征知识工况库对比，得出诊断结果，该过程由于技术缺乏成长性，存在误差，正确率难以提高。
鉴于现有的有杆抽油系统示功图故障诊断方法存在的问题，本发明基于最新的科研动态，拟采用卷积神经网络，直接识别示功图图片，来减少以往示功图分析法特征提取过程损失的大量有效信息，少量样本和大量实际生产的数据对比可能存在的误差，构建一种基于卷积神经网络的有杆泵工况智能监测系统。
发明内容
本发明要解决的技术问题是：为了克服现有技术中之不足，本发明提供一种基于卷积神经网络强化学习的有杆泵工况智能监测方法。
本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络强化学习的有杆泵工况智能监测方法，所述的监测系统主要由以下三部分构成：
1、有杆泵工况监测CNN的构建：是利用采集的示功图训练构建的CNN得到工况智能监测系统，其建立过程包括：
对采集的示功图信息进行分析诊断归类，构建基于各类工况下的示功图集；
基于卷积神经网络，搭建神经网络构架；
利用示功图样本集训练CNN；
得到基于CNN的有杆泵工况智能监测系统。
2、有杆泵工况监测CNN的实际应用：
是将基于CNN的智能监测系统应用于该地区监测油井生产活动，对油井实时产生的示功图进行分析诊断；将诊断结果推送给监测人员，采取措施处理实际的生产油井。
3、有杆泵工况监测CNN的强化学习与更新：
包括：监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；
修正错误的诊断结果；
将正确和经过修正的诊断结果构建成新的示功图样本集合；
用新的示功图样本集合再次训练CNN智能监测系统；
CNN监测系统强化学习，更新CNN智能监测系统。
本发明的有益效果是：
1.使用卷积神经网络，避免特征提取示功图数值化过程中丢失的大量有用信息，CNN可以直接识别输入的示功图图片，减少了误差。
2.基于强化学习的过程，可以有效提高CNN智能监测系统的成长性，在反复的工况诊断和不断的强化学习中，提高工况的准确性，解决了少量样本数据和大量实际生产数据对比可能存在的误差，实现神经网络越用越智能、越用越好用的效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的监测流程示意图。
图2是本发明的示功图。
图3是本发明的CNN构架示意图。
图4是本发明的训练过程示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示的一种基于卷积神经网络强化学习的有杆泵工况智能监测方法，所述的监测系统主要由以下三部分构成：
1、有杆泵工况监测CNN的构建：是利用采集的示功图训练构建的CNN得到工况智能监测系统，其建立过程包括：
对采集的示功图信息进行分析诊断归类，构建基于各类工况下的示功图集；
基于卷积神经网络，搭建神经网络构架；
利用示功图样本集训练CNN；
得到基于CNN的有杆泵工况智能监测系统。
2、有杆泵工况监测CNN的实际应用：
是将基于CNN的智能监测系统应用于该地区监测油井生产活动，对油井实时产生的示功图进行分析诊断；将诊断结果推送给监测人员，采取措施处理实际的生产油井。
3、有杆泵工况监测CNN的强化学习与更新：
包括：监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；
修正错误的诊断结果；
将正确和经过修正的诊断结果构建成新的示功图样本集合；
用新的示功图样本集合再次训练CNN智能监测系统；
CNN监测系统强化学习，更新CNN智能监测系统。
实例分析如下：
步骤一：获取油田油井的生产活动原始数据Excel表(其ZH代表载荷WY代表位移CJSJ代表采集时间JH代表井号)：
备注：(数据说明)位移向量和载荷向量所在列的每个单元格里面都包含了200 个数据，因量太大，用省略号省略因现场工况种类和数据都很多，此实例选取典型展示。
步骤二：根据获取的Excel表中载荷和位移的信息参数，绘制示功图，得到如图2所示的八张示功图：
然后对图2所示的示功图进行人工分类和标记：将图2上排中的正常功图标记为0；将图2下排中的供液不足功图标记为1。
步骤三：对分类好的示功图制作用于卷积神经网络识别的示功图样本集合：
步骤四：利用python搭建图3所示的CNN构架图：
步骤五：利用图3的CNN构架图训练样本集合，得到监测系统，训练过程如图4所示：
步骤六：实际的现场生产应用，油田现场采集到新的原始数据→根据原始数据绘制成新的示功图→将示功图输送给CNN智能监测系统诊断识别→得到诊断结果→推送给油田现场的监控人员→监控人员根据诊断结果去生产现场查看实际的工况，会得到以下两种情况：
1.CNN智能监测系统诊断结果和实际的油井生产活动工况一致；
2.CNN智能监测系统诊断结果和实际的油井生产活动工况不一致；
步骤七：监控人员发现诊断结果与实际油井生产工况不一致，则对诊断结果进行修正。将不需要修正的诊断结果(诊断结果与实际油井生产工况一致) 和进过修正的诊断结果进行标记：
将这些经过处理的示功图和之前的样本集合构建成新的示功图样本集合：新的示功图样本集合如下：
重复步骤三——步骤六，用新的示功图样本集合再次训练CNN智能监测系统，CNN监测系统强化学习，更新CNN智能监测系统，其诊断正确率会得到提高，再应用到实际的生产中。
在上述CNN和强化学习的基础上可以得到一种故障诊断正确率具有可靠成长性的有杆泵故障诊断系统。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种基于卷积神经网络强化学习的有杆泵工况智能监测方法，其特征在于：所述的监测系统主要由三部分构成：有杆泵工况监测CNN的构建；有杆泵工况监测CNN的实际应用；有杆泵工况监测CNN的强化学习与更新。
2.如权利要求1所述的基于卷积神经网络强化学习的有杆泵工况智能监测方法，其特征在于：所述有杆泵工况监测CNN的构建，是利用采集的示功图训练构建的CNN得到工况智能监测系统，其建立过程包括：
对采集的示功图信息进行分析诊断归类，构建基于各类工况下的示功图集；
基于卷积神经网络，搭建神经网络构架；
利用示功图样本集训练CNN；
得到基于CNN的有杆泵工况智能监测系统。
3.根据权利要求1所述的基于卷积神经网络强化学习的有杆泵工况智能监测方法，其特征在于：所述有杆泵工况监测CNN的实际应用，是将基于CNN的智能监测系统应用于该地区监测油井生产活动，对油井实时产生的示功图进行分析诊断；将诊断结果推送给监测人员，采取措施处理实际的生产油井。
4.根据权利要求1所述的基于卷积神经网络强化学习的有杆泵工况智能监测方法，其特征在于：所述有杆泵工况监测CNN的强化学习与更新过程包括：
监控人员结合诊断结果和实际的生产情况论证诊断结论的正确性；
修正错误的诊断结果；
将正确和经过修正的诊断结果构建成新的示功图样本集合；
用新的示功图样本集合再次训练CNN智能监测系统；
CNN监测系统强化学习，更新CNN智能监测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711401298.7A CN108122075A (zh) | 2017-12-22 | 2017-12-22 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711401298.7A CN108122075A (zh) | 2017-12-22 | 2017-12-22 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108122075A true CN108122075A (zh) | 2018-06-05 |
Family
ID=62231366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711401298.7A Pending CN108122075A (zh) | 2017-12-22 | 2017-12-22 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122075A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108756854A (zh) * | 2018-07-03 | 2018-11-06 | 常州大学 | 一种基于示功体的有杆泵工况智能监测方法 |
| CN108984905A (zh) * | 2018-07-17 | 2018-12-11 | 常州大学 | 一种基于最优解的螺杆泵生产系统设计方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN109360120A (zh) * | 2018-10-22 | 2019-02-19 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
| CN109977156A (zh) * | 2019-03-22 | 2019-07-05 | 常州大学 | 一种可增强学习的油井工况实时分析管理系统及管理方法 |
| CN110132626A (zh) * | 2019-05-20 | 2019-08-16 | 西南石油大学 | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 |
| CN110318731A (zh) * | 2019-07-04 | 2019-10-11 | 东北大学 | 一种基于gan的抽油井故障诊断方法 |
| CN110348532A (zh) * | 2019-07-17 | 2019-10-18 | 海默潘多拉数据科技(深圳)有限公司 | 一种基于机器学习与残差网络构成的有杆泵工况组合监测方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN110878692A (zh) * | 2018-09-05 | 2020-03-13 | 北京国双科技有限公司 | 故障报警方法及装置 |
| CN111274912A (zh) * | 2020-01-17 | 2020-06-12 | 常州大学 | 基于降噪示功图的有杆泵工况预警方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170074250A1 (en) * | 2014-11-18 | 2017-03-16 | Abb Schweiz Ag | Wind turbine condition monitoring method and system |
| CN106761668A (zh) * | 2016-11-19 | 2017-05-31 | 新疆华隆油田科技股份有限公司 | 油井故障智能化分析决策系统及方法 |
| CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
-
2017
- 2017-12-22 CN CN201711401298.7A patent/CN108122075A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170074250A1 (en) * | 2014-11-18 | 2017-03-16 | Abb Schweiz Ag | Wind turbine condition monitoring method and system |
| CN106761668A (zh) * | 2016-11-19 | 2017-05-31 | 新疆华隆油田科技股份有限公司 | 油井故障智能化分析决策系统及方法 |
| CN107491606A (zh) * | 2017-08-17 | 2017-12-19 | 安徽工业大学 | 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108756854A (zh) * | 2018-07-03 | 2018-11-06 | 常州大学 | 一种基于示功体的有杆泵工况智能监测方法 |
| CN108984905A (zh) * | 2018-07-17 | 2018-12-11 | 常州大学 | 一种基于最优解的螺杆泵生产系统设计方法 |
| CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN109272123B (zh) * | 2018-08-03 | 2021-06-22 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
| CN110878692A (zh) * | 2018-09-05 | 2020-03-13 | 北京国双科技有限公司 | 故障报警方法及装置 |
| CN110878692B (zh) * | 2018-09-05 | 2023-10-27 | 北京国双科技有限公司 | 故障报警方法及装置 |
| CN109360120A (zh) * | 2018-10-22 | 2019-02-19 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
| CN109360120B (zh) * | 2018-10-22 | 2022-03-22 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
| CN109977156A (zh) * | 2019-03-22 | 2019-07-05 | 常州大学 | 一种可增强学习的油井工况实时分析管理系统及管理方法 |
| CN110132626A (zh) * | 2019-05-20 | 2019-08-16 | 西南石油大学 | 一种基于多尺度卷积神经网络的抽油机故障诊断方法 |
| CN110318731A (zh) * | 2019-07-04 | 2019-10-11 | 东北大学 | 一种基于gan的抽油井故障诊断方法 |
| CN110348532B (zh) * | 2019-07-17 | 2021-03-02 | 海默潘多拉数据科技(深圳)有限公司 | 基于机器学习与残差网络构成的有杆泵工况组合监测方法 |
| CN110348532A (zh) * | 2019-07-17 | 2019-10-18 | 海默潘多拉数据科技(深圳)有限公司 | 一种基于机器学习与残差网络构成的有杆泵工况组合监测方法 |
| CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN110766192B (zh) * | 2019-09-10 | 2022-09-09 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
| CN111274912A (zh) * | 2020-01-17 | 2020-06-12 | 常州大学 | 基于降噪示功图的有杆泵工况预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108122075A (zh) | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 | |
| CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN108266178A (zh) | 一种基于富信息示功图和dbn的有杆泵工况监测方法 | |
| CN110318731A (zh) | 一种基于gan的抽油井故障诊断方法 | |
| CN108756854A (zh) | 一种基于示功体的有杆泵工况智能监测方法 | |
| CN105574897A (zh) | 一种基于视觉检测的农作物生长情况监测物联网系统 | |
| Wang et al. | A working condition diagnosis model of sucker rod pumping wells based on deep learning | |
| CN104500029B (zh) | 一种判识油井示功图相似性的方法 | |
| CN104234695A (zh) | 一种基于神经网络的油井故障诊断方法 | |
| DE102023125558A1 (de) | Ein Verfahren und eine Vorrichtung zur Klassifizierung von Defekten bei der Drohneninspektion auf der Grundlage der Selbstdestillation der Ähnlichkeitskonsistenz | |
| LU500649A1 (de) | Verfahren und system zur erkennung von fischnetzschäden durch unterwasserbildgebung basierend auf tiefenlernen | |
| CN110288257A (zh) | 一种深度超限示功图学习方法 | |
| CN115616067A (zh) | 一种管道检测数字孪生系统 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| Wei et al. | Fault diagnosis of sucker rod pump based on deep-broad learning using motor data | |
| CN116686535B (zh) | 基于数据分析的无人驾驶收割机控制方法及系统 | |
| CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
| CN114429073A (zh) | 抽油机井耗电量影响因素敏感性的分析方法 | |
| CN108845075B (zh) | 基于深度学习网络的堆肥腐熟实时预测方法 | |
| CN108955909A (zh) | 一种基于机器视觉的油温表识别读数方法 | |
| CN110348532A (zh) | 一种基于机器学习与残差网络构成的有杆泵工况组合监测方法 | |
| CN110243589B (zh) | 刮板减速机模糊故障诊断方法及系统 | |
| CN115099273B (zh) | 一种基于深度学习的压力仪表引压管智能故障诊断方法 | |
| CN109558697A (zh) | 一种用于盾构施工机载参数的特征参数选择方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180605 |