CN108764361B - 基于集成学习的游梁式抽油机示功图的工况识别方法 - Google Patents

基于集成学习的游梁式抽油机示功图的工况识别方法 Download PDF

Info

Publication number
CN108764361B
CN108764361B CN201810555326.9A CN201810555326A CN108764361B CN 108764361 B CN108764361 B CN 108764361B CN 201810555326 A CN201810555326 A CN 201810555326A CN 108764361 B CN108764361 B CN 108764361B
Authority
CN
China
Prior art keywords
indicator diagram
indicator
working condition
pumping unit
diagram
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.)
Active
Application number
CN201810555326.9A
Other languages
English (en)
Other versions
CN108764361A (zh
Inventor
刘涛
霍魁
郭翔云
卢文君
马君
马旭鑫
李新宅
安向哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunlun Digital Technology Co ltd
China National Petroleum Corp
Original Assignee
CNPC Beijing Richfit Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CNPC Beijing Richfit Information Technology Co Ltd filed Critical CNPC Beijing Richfit Information Technology Co Ltd
Priority to CN201810555326.9A priority Critical patent/CN108764361B/zh
Publication of CN108764361A publication Critical patent/CN108764361A/zh
Application granted granted Critical
Publication of CN108764361B publication Critical patent/CN108764361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于集成学习的游梁式抽油机示功图的工况识别方法，属于油气生产技术领域。通过先将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型，再将第二预设部分示功图的几何特征、矩特征和傅里叶描述子代入到每组分类器模型中，训练得到每个示功图的至少两个分类结果，以每个施工图的至少两个分类结果和其对应的标签代入多项逻辑斯蒂回归模型中进行集成学习，得到最终分类器模型，当需要判断待测游梁式抽油机示功图的工况时，将其几何特征、矩特征和傅里叶描述子代入到最终分类器模型中，可以实现自动、准确地识别示功图工况。

Description

基于集成学习的游梁式抽油机示功图的工况识别方法
技术领域
本发明涉及油气生产技术领域，特别涉及一种基于集成学习的游梁式抽油机示功图的工况识别方法。
背景技术
在油气的生产过程中，示功图是一种由载荷随位移逐渐变化的关系曲线，游梁式抽油机可以根据示功图的信息，对其工况进行诊断，掌握油井的工作状态，分析判断油井的参数是否合理，并以获取到的油井的工作状态和油井参数为依据，及时有效地对油井进行调整，达到减少损耗、提高油气产量的目的。
目前，游梁式抽油机示功图的工况识别方法是利用计算机诊断技术绘出示功图，然后由技术人员根据井下标准示功图，进行人工对比识别，以确定工况问题。
在实现本发明的过程中，本发明人发现现有技术中至少存在以下问题：
现有技术中的人工识别方法，不仅对于常规问题的诊析需要大量的处理时间，而且当需要参比的问题参数增加时，处理的时间也会相应增加，处理效率低；同时，根据人为主观判断，增加了误诊的风险。
发明内容
鉴于此，本发明提供一种基于集成学习的游梁式抽油机示功图的工况识别方法，以实现自动、准确地识别游梁式抽油机示功图工况。
具体而言，包括以下的技术方案：
一种基于集成学习的游梁式抽油机示功图的工况识别方法，所述方法包括：
获取游梁式抽油机示功图数据库，并对所述数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图；
对每个所述二值化处理后的示功图进行特征提取，得到每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子；
根据每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子，对每个所述二值化处理后的示功图进行聚类，得到多个累积示功图；
对每个所述累积示功图进行工况标注，得到每个工况下的多个示功图簇；
将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型；
将每个工况下的每个示功图簇中的第二预设部分示功图的几何特征、矩特征和傅里叶描述子分别代入到所述每组分类器模型中，训练得到每个示功图的至少两个分类结果；
对每个工况下的每个示功图簇中的第二预设部分示功图进行工况标注，得到每个示功图的标签；
将所述每个示功图的至少两个分类结果和所述每个示功图的标签代入多项逻辑斯蒂回归模型进行集成学习，得到最终分类器模型；
将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入所述最终分类器模型中，确定所述待测游梁式抽油机示功图的工况。
可选择地，所述获取游梁式抽油机示功图数据库，并对所述数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图之前，所述方法包括：根据若干游梁式抽油机中每个抽油机光杆的位移和载荷数据，绘制若干游梁式抽油机示功图，并建立所述游梁式抽油机示功图数据库。
可选择地，所述根据若干游梁式抽油机中每个抽油机光杆的位移和载荷数据，绘制若干游梁式抽油机示功图，并建立所述游梁式抽油机示功图数据库之前，所述方法还包括：对所述若干游梁式抽油机中每个抽油机光杆的位移和载荷数据进行数据预处理。
可选择地，所述对每个所述二值化处理后的示功图进行特征提取，得到每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子包括：对每个所述二值化处理后示功图进行轮廓提取，得到每个所述二值化处理后示功图的轮廓信息；根据所述轮廓信息，计算得到每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子。
可选择地，所述对每个所述二值化处理后的示功图进行特征提取之前，所述方法还包括：对每个所述二值化处理后的示功图绘制最小外接矩形。
可选择地，所述几何特征包括：示功图所形成的封闭曲线所围成的面积、示功图所形成的封闭曲线的周长、示功图所形成的封闭曲线的质心和示功图所形成的封闭曲线与其所述最小外接矩形之间的面积。
可选择地，所述将所述每个示功图的至少两个分类结果和所述每个示功图的标签代入多项逻辑斯蒂回归模型进行集成学习，得到最终分类器模型之后，所述方法还包括：对所述最终分类器模型进行验证。
可选择地，所述第一预设部分示功图的数量为所述每个工况下的每个示功图簇中示功图数量的50％，所述第二预设部分示功图的数量为所述每个工况下的每个示功图簇中示功图数量的50％。
可选择地，所述机器学习模型包括：支持向量机、随机森林和梯度提升树。
可选择地，所述矩特征为Hu矩特征。
本发明实施例提供的技术方案的有益效果至少包括：
本发明实施例提供的基于集成学习的游梁式抽油机示功图的工况识别方法通过获取游梁式抽油机示功图数据库，在对数据库内的每个示功图进行二值化处理后，获取每个示功图的几何特征、矩特征和傅里叶描述子，继而进行聚类和对应工况标注，通过先将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型，再在此基础上，将第二预设部分示功图的几何特征、矩特征和傅里叶描述子代入到每组分类器模型中，训练得到每个示功图的至少两个分类结果，以每个施工图的至少两个分类结果和其对应的标签代入多项逻辑斯蒂回归模型中进行集成学习，得到最终分类器模型，当需要判断待测游梁式抽油机示功图的工况时，将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入到最终分类器模型中即可，判断结果的准确度高，可以实现自动、准确地识别游梁式抽油机示功图工况。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于集成学习的游梁式抽油机示功图的工况识别方法的方法流程图；
图2为本发明实施例提供的一种基于集成学习的游梁式抽油机示功图的工况识别方法中多个工况下的多个示功图簇的列表示意图；
图3a为本发明实施例提供的一种基于集成学习的游梁式抽油机示功图的工况识别方法中利用支持向量机进行机器学习后得到的分类器模型的模型判别效果图；
图3b为本发明实施例提供的一种基于集成学习的游梁式抽油机示功图的工况识别方法中利用支持向量机进行机器学习后得到的分类器模型的预测精度图；
图4为本发明实施例提供的一种基于集成学习的游梁式抽油机示功图的工况识别方法中对最终分类器模型进行验证的示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种基于集成学习的游梁式抽油机示功图的工况识别方法，以国内某油田为例，其方法流程图如图1所示，包括：
步骤101：获取游梁式抽油机示功图数据库，并对数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图；
在本步骤之前，先获取某油田的若干游梁式抽油机中每个抽油机光杆的位移和载荷数据。
在本发明实施例中，抽油机光杆的位移和载荷数据量为3.2万组。
进而，对若干游梁式抽油机中每个抽油机光杆的位移和载荷数据进行数据预处理，例如，剔除残缺数据，统一数据单位等。
接着，根据预处理后满足要求的若干游梁式抽油机中每个抽油机光杆的位移和载荷数据，绘制对应的游梁式抽油机示功图，并建立游梁式抽油机示功图数据库。
基于游梁式抽油机示功图数据库，对数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图。
需要说明的是，图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，图像的二值化使图像中数据量大为减少，从而更能凸显出目标的轮廓，便于后续对示功图的几何特征、矩特征和傅里叶描述子的提取。
步骤102：对每个二值化处理后的示功图进行特征提取，得到每个二值化处理后的示功图的几何特征、矩特征和傅里叶描述子；
在本步骤之前，对每个二值化处理后的示功图绘制最小外接矩形，便于后续对示功图的几何特征的提取。
具体地，对每个二值化处理后示功图进行轮廓提取，得到每个二值化处理后示功图的轮廓信息；根据轮廓信息，计算得到每个二值化处理后的示功图的几何特征、矩特征和傅里叶描述子。
由于示功图可以为一个封闭曲线，因此，对于示功图而言：
(1)几何特征
在本发明实施例中，几何特征可以包括：示功图所形成的封闭曲线所围成的面积、示功图所形成的封闭曲线的周长、示功图所形成的封闭曲线的质心和示功图所形成的封闭曲线与其最小外接矩形之间的面积等8维，但不限于上述特征。
通过上述特征，可以确定示功图的几何特征。
(2)矩特征
针对于一幅图像，把像素的坐标看成是一个二维随机变量，那么一幅灰度图像可以用二维灰度密度函数来表示，因此可以用矩来描述灰度图像的特征。
在本发明实施例中，矩特征可以为Hu矩特征，具体地，数字图像f(x,y)的二维(p+q)阶矩定义为mpq＝∑∑xpypf(x，y)，其中，p，q＝0，1，2，…，求和在跨越图像的所有空间坐标x，y值上进行。相应的中心矩定义为：
Figure GDA0002645119750000051
其中，对于任意一幅图像都存在着对平移、缩放、镜像和旋转不敏感的7个二维不变矩。
(3)傅里叶描述子
傅里叶描述子的定义为：假定物体的形状是一条封闭的曲线，沿边界曲线上的一个动点P(l)的坐标变化x(l)+iy(l)是一个以形状边界周长为周期的函数，这个周期函数可以用傅里叶级数展开表示，傅里叶级数中的一系列系数z(k)是直接与边界曲线的形状有关的。
利用傅里叶描述子可以实现对示功图的压缩，例如，原示功图需要144像素点进行描述，经过傅里叶描述子重构后的示功图的图像像素点可以为80个，实现了数据压缩。在实际使用时，可以采用80个傅里叶系数的绝对值作为新的示功图图像特征。
步骤103：根据每个二值化处理后的示功图的几何特征、矩特征和傅里叶描述子，对每个二值化处理后的示功图进行聚类，得到多个累积示功图；
具体地，由于经过二值化处理后的示功图的数量较多，逐个处理所需要花费的时间长，因此，需要对若干二值化处理后的示功图进行聚类，得到多个累积示功图，在处理时，只需针对累积示功图进行处理即可。
需要说明的是，聚成的类别的数量可以根据业务需求进行确定，在此不作具体限定。
在本发明实施例中，可以将二值化处理后的示功图聚成200个类别，进一步可以划分为30个类别。
步骤104：对每个累积示功图进行工况标注，得到每个工况下的多个示功图簇；
具体地，可以通过人工打标签的方式对每个累积示功图进行工况标注，得到每个工况下的多个示功图簇。
举例来说，如图2所示，列举出了常见的12种工况内每个工况的多个示功图簇。
步骤105：将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型；
在本步骤中，由于单个机器学习模型在学习训练后，表现出的准确率及泛化能力都不是最理想的结果，因此，需要利用至少两个机器学习模型，同时进行机器学习，为后续的集成学习做准备。
具体地，机器学习模型可以包括：支持向量机(SVM，Support Vector Machine)、随机森林(Random Forest)和梯度提升树(GBDT，Gradient Boosting Decision Tree)，可以通过上述三个机器学习模型为后续集成学习提供三个分类器模型。
需要说明的是，在得到每组分类器模型后，需要对每组分类器模型进行验证，一般使用交叉验证或留一法，以确定分类器模型的判断结果。
在本发明实施例中，以支持向量机为例，得到的分类器模型的模型判别效果图如图3a所示，可以看出，曲线所围成的面积大，说明模型判别效果好；预测精度图如图3b所示，可以看出，曲线所围成的面积大，说明模型预测的精度和召回高。
步骤106：将每个工况下的每个示功图簇中的第二预设部分示功图的几何特征、矩特征和傅里叶描述子分别代入到每组分类器模型中，训练得到每个示功图的至少两个分类结果；
在本步骤中，训练得到的每个示功图的至少两个分类结果将作为后续集成学习的输入。
需要说明的是，第一预设部分示功图的数量为每个工况下的每个示功图簇中示功图数量的50％，第二预设部分示功图的数量为每个工况下的每个示功图簇中示功图数量的50％，如果在训练得到至少两组分类器模型时，将每个工况下的每个示功图簇的全部示功图都代入训练，那么过拟合风险较大。
步骤107：对每个工况下的每个示功图簇中的第二预设部分示功图进行工况标注，得到每个示功图的标签；
在本步骤中，对每个工况下的每个示功图簇中的第二预设部分示功图进行工况标注，得到的每个示功图的标签也将作为后续集成学习的输入。
步骤108：将每个示功图的至少两个分类结果和每个示功图的标签代入多项逻辑斯蒂回归模型进行集成学习，得到最终分类器模型；
具体地，集成学习就是组合多个分类器模型，以期得到一个更为全面的分类器模型。集成学习潜在的思想就是即便任意一个分类器模型得到了错误的预测结果，其他的分类器也可以将错误纠正过来。
与得到每组分类器模型类似，在得到最终分类器模型后，也需要对最终分类器模型进行验证，可以通过代入第二预设部分示功图的数量的20％进行验证，以确定最终分类器模型的判断结果。
在本发明实施例中，以k折交叉验证为例，如图4所示，对训练集划分为5份(5折)；对每一折Dk为测试集，D-Dk为训练集，训练第一种初级学习器5次，将5次的结果拼接起来即可得到一个N×1的矩阵，以此往复训练5种分类器模型，得到5个N×1矩阵，将其横向拼接，即可得到N×5矩阵，将其作为最终分类器模型的训练集来训练。
经过验证可知，利用最终分类器模型得到的平均准确率为97.9％。
步骤109：将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入最终分类器模型中，确定待测游梁式抽油机示功图的工况。
具体地，由于已经获得了最终分类器模型，只需将待测的游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入到最终分类器模型中，将几何特征、矩特征和傅里叶描述子作为已知条件，就可以判断待测游梁式抽油机示功图的工况，实现对待测游梁式抽油机示功图工况的识别。
因此，本发明实施例的基于集成学习的游梁式抽油机示功图的工况识别方法通过获取游梁式抽油机示功图数据库，在对数据库内的每个示功图进行二值化处理后，获取每个示功图的几何特征、矩特征和傅里叶描述子，继而进行聚类和对应工况标注，通过先将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型，再在此基础上，将第二预设部分示功图的几何特征、矩特征和傅里叶描述子代入到每组分类器模型中，训练得到每个示功图的至少两个分类结果，以每个施工图的至少两个分类结果和其对应的标签代入多项逻辑斯蒂回归模型中进行集成学习，得到最终分类器模型，当需要判断待测游梁式抽油机示功图的工况时，将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入到最终分类器模型中即可，判断结果的准确度高，可以实现自动、准确地识别游梁式抽油机示功图工况。
以上所述仅是为了便于本领域的技术人员理解本发明的技术方案，并不用以限制本发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述方法包括：
获取游梁式抽油机示功图数据库，并对所述数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图；
对每个所述二值化处理后的示功图进行特征提取，得到每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子；
根据每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子，对每个所述二值化处理后的示功图进行聚类，得到多个累积示功图；
对每个所述累积示功图进行工况标注，得到每个工况下的多个示功图簇；
将每个工况下的每个示功图簇中的第一预设部分示功图的几何特征、矩特征和傅里叶描述子代入到至少两个机器学习模型中进行机器学习，训练得到至少两组分类器模型；
将每个工况下的每个示功图簇中的第二预设部分示功图的几何特征、矩特征和傅里叶描述子分别代入到每组分类器模型中，训练得到每个示功图的至少两个分类结果；
对每个工况下的每个示功图簇中的第二预设部分示功图进行工况标注，得到每个示功图的标签；
将所述每个示功图的至少两个分类结果和所述每个示功图的标签代入多项逻辑斯蒂回归模型进行集成学习，得到最终分类器模型；
将待测游梁式抽油机示功图的几何特征、矩特征和傅里叶描述子代入所述最终分类器模型中，确定所述待测游梁式抽油机示功图的工况。
2.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述获取游梁式抽油机示功图数据库，并对所述数据库内的每个游梁式抽油机示功图进行二值化处理，得到若干二值化处理后的示功图之前，所述方法包括：根据若干游梁式抽油机中每个抽油机光杆的位移和载荷数据，绘制若干游梁式抽油机示功图，并建立所述游梁式抽油机示功图数据库。
3.根据权利要求2所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述根据若干游梁式抽油机中每个抽油机光杆的位移和载荷数据，绘制若干游梁式抽油机示功图，并建立所述游梁式抽油机示功图数据库之前，所述方法还包括：对所述若干游梁式抽油机中每个抽油机光杆的位移和载荷数据进行数据预处理。
4.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述对每个所述二值化处理后的示功图进行特征提取，得到每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子包括：对每个所述二值化处理后示功图进行轮廓提取，得到每个所述二值化处理后示功图的轮廓信息；根据所述轮廓信息，计算得到每个所述二值化处理后的示功图的几何特征、矩特征和傅里叶描述子。
5.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述对每个所述二值化处理后的示功图进行特征提取之前，所述方法还包括：对每个所述二值化处理后的示功图绘制最小外接矩形。
6.根据权利要求5所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述几何特征包括：示功图所形成的封闭曲线所围成的面积、示功图所形成的封闭曲线的周长、示功图所形成的封闭曲线的质心和示功图所形成的封闭曲线与其所述最小外接矩形之间的面积。
7.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述将所述每个示功图的至少两个分类结果和所述每个示功图的标签代入多项逻辑斯蒂回归模型进行集成学习，得到最终分类器模型之后，所述方法还包括：对所述最终分类器模型进行验证。
8.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述第一预设部分示功图的数量为所述每个工况下的每个示功图簇中示功图数量的50％，所述第二预设部分示功图的数量为所述每个工况下的每个示功图簇中示功图数量的50％。
9.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述机器学习模型包括：支持向量机、随机森林和梯度提升树。
10.根据权利要求1所述的基于集成学习的游梁式抽油机示功图的工况识别方法，其特征在于，所述矩特征为Hu矩特征。
CN201810555326.9A 2018-06-01 2018-06-01 基于集成学习的游梁式抽油机示功图的工况识别方法 Active CN108764361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810555326.9A CN108764361B (zh) 2018-06-01 2018-06-01 基于集成学习的游梁式抽油机示功图的工况识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810555326.9A CN108764361B (zh) 2018-06-01 2018-06-01 基于集成学习的游梁式抽油机示功图的工况识别方法

Publications (2)

Publication Number Publication Date
CN108764361A CN108764361A (zh) 2018-11-06
CN108764361B true CN108764361B (zh) 2020-12-22

Family

ID=64001612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810555326.9A Active CN108764361B (zh) 2018-06-01 2018-06-01 基于集成学习的游梁式抽油机示功图的工况识别方法

Country Status (1)

Country Link
CN (1) CN108764361B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109630095B (zh) * 2018-12-03 2019-08-30 中国石油大学(华东) 一种基于多视角学习的抽油机井工况识别方法及系统
CN110188196B (zh) * 2019-04-29 2021-10-08 同济大学 一种基于随机森林的文本增量降维方法
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
CN111144548B (zh) * 2019-12-23 2023-09-01 北京寄云鼎城科技有限公司 抽油机井工况的识别方法及装置
CN111611953B (zh) * 2020-05-28 2021-01-29 北京富吉瑞光电科技股份有限公司 一种基于目标特征训练的抽油机识别方法与系统
CN114510880B (zh) * 2022-04-19 2022-07-12 中国石油大学(华东) 一种基于傅里叶变换和几何特征的有杆泵工况诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2243528C1 (ru) * 2003-04-09 2004-12-27 Самарская государственная академия путей сообщения Способ диагностики двигателя внутреннего сгорания
CN104110251A (zh) * 2014-06-24 2014-10-22 安徽多杰电气有限公司 一种基于art2的抽油机示功图识别方法
CN106529542A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 示功图识别方法和装置
CN107165615A (zh) * 2017-05-10 2017-09-15 东北大学 基于曲波变换和核稀疏的抽油井半监督故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170002636A1 (en) * 2015-06-30 2017-01-05 KLD Energy Nano-Grid System, Inc. Detection and mitigation of detrimental operating conditions during pumpjack pumping

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2243528C1 (ru) * 2003-04-09 2004-12-27 Самарская государственная академия путей сообщения Способ диагностики двигателя внутреннего сгорания
CN104110251A (zh) * 2014-06-24 2014-10-22 安徽多杰电气有限公司 一种基于art2的抽油机示功图识别方法
CN106529542A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 示功图识别方法和装置
CN107165615A (zh) * 2017-05-10 2017-09-15 东北大学 基于曲波变换和核稀疏的抽油井半监督故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fault Diagnosis of Suck Rod Pumping System via Extreme Learning Machines;Qian Gao 等;《IEEE》;20151005;第503-507页 *
inary Histogram of Oriented Gradients based Dynamometer Card Recognition;XU Xiao-ma 等;《IEEE》;20180212;第111-114页 *
一种基于半监督流形学习的抽油机故障诊断方法;赵万平;《计算机与数字工程》;20170630;第45卷(第6期);第1025-1028页 *

Also Published As

Publication number Publication date
CN108764361A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108764361B (zh) 基于集成学习的游梁式抽油机示功图的工况识别方法
CN108305243B (zh) 一种基于深度学习的磁瓦表面缺陷检测方法
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
US20160196467A1 (en) Three-Dimensional Face Recognition Device Based on Three Dimensional Point Cloud and Three-Dimensional Face Recognition Method Based on Three-Dimensional Point Cloud
CN111179249A (zh) 一种基于深度卷积神经网络的电力设备检测方法和装置
CN110021028B (zh) 一种基于服装款式图的自动制衣方法
CN112949704B (zh) 一种基于图像分析的烟叶成熟度状态识别方法及装置
CN109145964B (zh) 一种实现图像颜色聚类的方法和系统
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
CN108416795B (zh) 基于排序池化融合空间特征的视频动作识别方法
CN115294377A (zh) 一种道路裂缝的识别系统及方法
CN115294033A (zh) 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN116503848B (zh) 车牌的智能识别方法、装置、设备及存储介质
Zhang et al. Fabric defect detection based on visual saliency map and SVM
CN113344047A (zh) 基于改进K-means算法的压板状态识别方法
CN116664540A (zh) 基于高斯线检测的橡胶密封圈表面缺陷检测方法
CN108564020B (zh) 基于全景3d图像的微手势识别方法
CN114897909B (zh) 基于无监督学习的曲轴表面裂纹监测方法及系统
CN114119562B (zh) 一种基于深度学习的刹车盘外表面缺陷检测方法及系统
CN111209948A (zh) 图像处理方法、装置和电子设备
CN111368907B (zh) 羽毛片分类识别方法、装置及计算机可读存储介质
CN116109627B (zh) 基于迁移学习和小样本学习缺陷检测方法、装置及介质

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Patentee after: Kunlun Digital Technology Co.,Ltd.

Address before: Room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Patentee before: RICHFIT INFORMATION TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220321

Address after: Room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Patentee after: Kunlun Digital Technology Co.,Ltd.

Patentee after: CHINA NATIONAL PETROLEUM Corp.

Address before: Room 1501, Gehua building, No.1 Qinglong Hutong, Dongcheng District, Beijing

Patentee before: Kunlun Digital Technology Co.,Ltd.