CN108915668A - 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 - Google Patents
一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 Download PDFInfo
- Publication number
- CN108915668A CN108915668A CN201810782926.9A CN201810782926A CN108915668A CN 108915668 A CN108915668 A CN 108915668A CN 201810782926 A CN201810782926 A CN 201810782926A CN 108915668 A CN108915668 A CN 108915668A
- Authority
- CN
- China
- Prior art keywords
- gray level
- occurrence matrixes
- image
- value
- sucker rod
- 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
- 238000005086 pumping Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012706 support-vector machine Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/002—Survey of boreholes or wells by visual inspection
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
- E21B44/005—Below-ground automatic control systems
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/008—Monitoring of down-hole pump systems, e.g. for the detection of "pumped-off" conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
Landscapes
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,涉及石油领域中的有杆泵抽油井的故障诊断技术领域。本发明通过采集有杆泵抽油井的现场数据,绘制示功图并进行预处理,利用灰度共生矩阵来提取预处理后的图像的4个特征值,计算出特征值的平均值与方差构成一个8维特征向量T,把数据输入到支持向量机中进行分类识别。本发明建立的模型能快速准确对有杆泵抽油井的示功图进行分类,并实现了基于示功图的故障诊断,同时改变了现行的依赖人工经验判断的分类方法,提高了企业的工作效率。
Description
技术领域
本发明涉及石油领域中的有杆泵抽油井的故障诊断技术领域,尤其涉及一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法。
背景技术
到目前为止,我国90%以上的油田采用有杆抽油机举升方式釆油,这种方式具有结构简单,易操作,成本低等很多优点。但是它也有一定的缺陷,主要是抽油设备工作在井下数千米,周围环境非常恶劣,很容易引起抽油设备的故障,这就增加了成本并造成了不可避免的浪费。早期的故障诊断方法主要是人工巡井的方法,油田现场工作人员到现场测量各种油井参数,然后绘制示功图,根据示功图来进行油井的故障诊断。目前,在油田现场实际作业时,尽管抽油机的工况数据采集方式采用了大量的无线传感器技术,并通过网络将其传送到总部的数据系统中,之后再对有杆泵抽油井系统的工况进行检测与诊断,但是由于油田现有的抽油机数量很多、分布范围较广、自动化故障诊断程度较低等因素,且对于有些故障,采用现有的自动检测不能完全地诊断出来。因此,及时地掌握抽油机的精确工况信息,对于提高油田的产量和经济效益都具有十分重要的意义。
经过过去很多年的研究分析与现场调研,有杆泵抽油井的故障诊断方法有了很大的发展与进步。示功图分析法是有杆泵抽油井系统故障诊断中一种非常有效的方法,它主要是根据示功图形状来对有杆泵抽油井的现场工作状况进行分析与故障的诊断。国内外许多学者都对此作了大量的研究,相继出现了多种相应的故障诊断技术和相关分析软件,为数字化油田的发展做出了巨大的贡献。但是目前来看现有技术对示功图的分类识别还是主要依靠人工来完成,虽然利用计算机识别技术早已实现,但是由于其准确度有限,并未得到推广与应用,据有关调查资料显示:研究有杆泵抽油井系统故障诊断的一个关键问题就是如何从检测到的数据中充分挖掘出有效的故障信息。
发明内容
针对上述现有技术的不足本发明提供一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,该方法能快速准确对有杆泵抽油井的示功图进行分类,并实现了基于示功图的故障诊断,提高了企业的工作效率。
为解决上述技术问题,本发明所采取以下技术方案来实现的:一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法;步骤如下:
步骤1:将井上悬点示功图的原始数据运用吉布斯波动方程转化为井下泵示功图;从油田现场获取地面示功图的原始数据包括位移和载荷,把采集到的井上悬点示功图的原始数据用吉布斯波动方程转化为井下泵示功图,并利用MATLAB绘制图像曲线。
步骤2:对井下泵示功图的图像进行预处理;预处理过程包括图像尺寸的归一化和图像的灰度二值化;归一化后图像的尺寸为100×100个像素点,灰度二值化是把图像中的[0,255]的像素点中大于0的像素点都换成255,使得图像轮廓清晰。
步骤3:对预处理后的图像用灰度共生矩阵提取特征值,特征值的平均值与方差构成8维特征向量T;步骤如下:
步骤3.1:设定灰度共生矩阵的参数为矩阵的生成方向θ和距离d,θ的取值为0°、45°、90°或135°,d的值取为1;P(i,j)表示(x1,y1)和(x2,y2)在像素灰度(i,j)处出现的概率,(x1,y1)和(x2,y2)指距离为d夹角为θ的预处理后的泵示功图图像上任意两个点,f(x1,y1)和f(x2,y2)分别表示(x1,y1)和(x2,y2)处的灰度值;
像素灰度对{f(x1,y1)=i,f(x2,y2)=j}在灰度共生矩阵中的坐标值为:
P(f(x1,y1),f(x2,y2),d,0°)={[f(x1,y1),f(x2,y2)]|x2-x1=0,|y2-y1|=d} (1)
P(f(x1,y1),f(x2,y2),d,45°)={[f(x1,y1),f(x2,y2)]|x2-x1=d,y2-y1=d} (2)
P(f(x1,y1),f(x2,y2),d,90°)={[f(x1,y1),f(x2,y2)]||x2-x1|=d,y2-y1=0} (3)
P(f(x1,y1),f(x2,y2),d,135°)={[f(x1,y1),f(x2,y2)]|x2-x1=-d,y2-y1=-d} (4)
步骤3.2:通过上述坐标值求出所要提取的灰度共生矩阵的4个特征值,特征值为提取预处理后的图像在四个角度方向上的灰度共生矩阵能量W1、熵W2、惯性矩W3、相关性W4;公式如下:
能量
熵
惯性矩
相关性
计算出4个特征值的平均值与方差,构成8维特征向量T=[T1,T2,T3,T4,T5,T6,T7,T8];
其中,μi、μj与σi 2、σj 2分别代表Px(i)和Py(j)的均值与方差,Px(i)为灰度i在x方向上的概率,Py(j)为灰度j在y方向上的概率,k代表灰度级。
步骤4:利用支持向量机(SVM)算法对特征向量T进行分类识别,由分类结果得知该示功图的故障类型。用泵功图中提取到的特征向量的数值建立样本空间,分出训练集与测试集,将特征向量T=[T1,T2,T3,T4,T5,T6,T7,T8]输入到支持向量机中进行训练,核函数选择高斯径向基核函数。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法能快速准确对有杆泵抽油井的示功图进行分类,并实现了基于示功图的故障诊断。改变了现行的依赖人工经验判断的分类方法,提高了企业的工作效率。
附图说明
图1为本发明实施例提供的方法流程图;
图2为本发明实施例提供的预处理后的示功图图像;
图3为本发明实施例提供的分类结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例提供的一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法步骤如下:
步骤1:将井上悬点示功图的原始数据运用吉布斯波动方程转化为井下泵示功图;从油田现场获取地面示功图的原始数据包括位移和载荷,把采集到的井上悬点示功图的原始数据用吉布斯波动方程转化为井下泵示功图,并利用MATLAB绘制图像曲线。
步骤2:对井下泵示功图的图像进行预处理;包括图像尺寸的归一化和图像的灰度二值化;归一化后图像的尺寸为100×100个像素点,灰度二值化是把图像中的[0,255]的像素点,大于0的像素点都换成255,使得图像轮廓更清晰,预处理后的示功图图像如图2所示。
步骤3:对预处理后的图像用灰度共生矩阵提取特征值,特征值的平均值与方差构成8维特征向量T;步骤如下:
步骤3.1:设定灰度共生矩阵的参数为矩阵的生成方向θ和距离d,θ的取值为0°、45°、90°或135°,d的值取为1;P(i,j)表示(x1,y1)和(x2,y2)在像素灰度(i,j)处出现的概率,(x1,y1)和(x2,y2)指距离为d夹角为θ的预处理后的泵示功图图像上任意两个点,f(x1,y1)和f(x2,y2)分别表示(x1,y1)和(x2,y2)处的灰度值;
灰度共生矩阵是用图像中符合某种距离的两个像素出现相同灰度级的概率来提取图像纹理特征,是一种经典的分析图像纹理特征的二阶灰度分布统计方法,能综合反映图像灰度在距离、方向和变化上的信息,对预处理后的图像用灰度共生矩阵进行特征值提取。灰度共生矩阵是用图像中符合某种距离的两个像素出现相同灰度级的概率来提取图像纹理特征,是一种经典的分析图像纹理特征的二阶灰度分布统计方法,能综合反映图像灰度在距离、方向和变化上的信息。
那么,像素灰度对{f(x1,y1)=i,f(x2,y2)=j}在灰度共生矩阵中该坐标值为:
P(f(x1,y1),f(x2,y2),d,0°)={[f(x1,y1),f(x2,y2)]|x2-x1=0,|y2-y1|=d} (1)
P(f(x1,y1),f(x2,y2),d,45°)={[f(x1,y1),f(x2,y2)]|x2-x1=d,y2-y1=d} (2)
P(f(x1,y1),f(x2,y2),d,90°)={[f(x1,y1),f(x2,y2)]||x2-x1|=d,y2-y1=0} (3)
P(f(x1,y1),f(x2,y2),d,135°)={[f(x1,y1),f(x2,y2)]|x2-x1=-d,y2-y1=-d} (4)
步骤3.2:通过上述坐标值求出所要提取的灰度共生矩阵的4个特征值,提取预处理后的图像的四个角度方向上灰度共生矩阵能量W1、熵W2、惯性矩W3、相关性W44个特征值。能量:能量又叫角二阶距,它与图像纹理的粗细程度密切相关,而且可以用来衡量图像灰度分布的均匀性。熵:熵是图像中所具有的信息量的度量,可以代表图像的信息量。如果一幅图像中包含的信息具有很强的随机性且比较复杂,那么得到的熵值就会比较大。惯性矩:惯性矩能将图像灰度空间分布的差异拉开,更能分辨出灰度空间分布的复杂程度。相关性:相关性可以描述矩阵的元素在行或列方向上相似度。他们的计算公式如下:
能量
熵
惯性矩
相关性
计算以上4个特征值在4个方向的平均值与方差一共8个数值构成8维特征向量T=[T1,T2,T3,T4,T5,T6,T7,T8]。
其中,μi、μj与σi 2、σj 2分别代表Px(i)和Py(j)的均值与方差,Px(i)为灰度i在x方向上的概率,Py(j)为灰度j在y方向上的概率,k代表灰度级,这里是256。
步骤4:利用支持向量机(SVM)算法对特征向量T进行分类识别。
建立样本集,获取3种工况每种10幅,一共30幅工图,1-10幅为工况1,11-20幅为工况2,21-30幅为工况3,把每种工况的前五组数据作为训练集,后五组数据作为测试集。
所有仿真实验基于Windows 7操作系统和MATLAB R2014a版本的LibSVM加强工具箱环境进行。
设置参数:这里需要设置的参数为s、t、c、g。
s代表支持向量机的类型,s取0代表使用C-SVC支持向量分类机,s取1代表使用V-SVC支持向量分类,V-SVC是C-SVC的一种改进算法,目的是降低惩罚因子的选取难度,本实施例中s取1代表使用V-SVM分类。
t代表核函数的类型,t取0代表使用线性核函数,t取1代表使用多项式核函数,t取2代表使用高斯径向基核函数,本实施例中t取2代表使用高斯径向基核函数。
c代表惩罚因子,本实施例中c取1代表惩罚因子取1。
g代表gamma,是选择高斯径向基作为核函数后,该函数自带的一个参数即核宽度,g取0.07代表核宽度取0.07。参数设置完毕。
分类结果如图3所示。可以看到15幅工图,被很好的分成了3类,一共分对了13幅工图。分错了2幅,可见对支持向量机进行训练与相关参数的设置后可以对已知的故障类型进行很好的分类识别,识别的准确率很高,达到了用示功图进行故障诊断的目的,可见本发明的方法是有效的。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (5)
1.一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,其特征在于:包括以下步骤:
步骤1:将井上悬点示功图的原始数据运用吉布斯波动方程转化为井下泵示功图;
步骤2:对井下泵示功图的图像进行预处理;
步骤3:对预处理后的图像用灰度共生矩阵提取特征值,特征值的平均值与方差构成8维特征向量T;
步骤4:利用支持向量机算法对特征向量T进行分类识别,由分类结果得知该示功图的故障类型。
2.根据权利要求1所述的一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,其特征在于:所述步骤1中井上悬点示功图的原始数据包括位移和载荷;将该原始数据运用吉布斯波动方程转化为井下泵示功图,并利用MATLAB绘制图像曲线。
3.根据权利要求1所述的一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,其特征在于:所述步骤2中的预处理过程包括图像尺寸的归一化和图像的灰度二值化;归一化后图像的尺寸为100×100个像素点,灰度二值化是把图像中的[0,255]的像素点中大于0的像素点都换成255,使得图像轮廓清晰。
4.根据权利要求1所述的一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:设定灰度共生矩阵的参数为矩阵的生成方向θ和距离d,θ的取值为0°、45°、90°或135°,d的值取为1;P(i,j)表示(x1,y1)和(x2,y2)在像素灰度(i,j)处出现的概率,(x1,y1)和(x2,y2)指距离为d夹角为θ的预处理后的泵示功图图像上任意两个点,f(x1,y1)和f(x2,y2)分别表示(x1,y1)和(x2,y2)处的灰度值;
像素灰度对{f(x1,y1)=i,f(x2,y2)=j}在灰度共生矩阵中的坐标值为:
P(f(x1,y1),f(x2,y2),d,0°)={[f(x1,y1),f(x2,y2)]|x2-x1=0,|y2-y1|=d} (1)
P(f(x1,y1),f(x2,y2),d,45°)={[f(x1,y1),f(x2,y2)]|x2-x1=d,y2-y1=d} (2)
P(f(x1,y1),f(x2,y2),d,90°)={[f(x1,y1),f(x2,y2)]||x2-x1|=d,y2-y1=0} (3)
P(f(x1,y1),f(x2,y2),d,135°)={[f(x1,y1),f(x2,y2)]|x2-x1=-d,y2-y1=-d} (4)
步骤3.2:根据上述坐标值求出所要提取的灰度共生矩阵的4个特征值,特征值为提取预处理后的图像在四个角度方向上的灰度共生矩阵能量W1、熵W2、惯性矩W3、相关性W4;公式如下:
能量
熵
惯性矩
相关性
计算出4个特征值的平均值与方差,构成8维特征向量T=[T1,T2,T3,T4,T5,T6,T7,T8];
其中,μi、μj与σi 2、σj 2分别代表Px(i)和Py(j)的均值与方差,Px(i)为灰度i在x方向上的概率,Py(j)为灰度j在y方向上的概率,k代表灰度级。
5.根据权利要求1或4所述的一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法,其特征在于:所述步骤4中用泵功图中提取到的特征向量的数值建立样本空间,分出训练集与测试集,将特征向量T=[T1,T2,T3,T4,T5,T6,T7,T8]输入到支持向量机中进行训练,核函数选择高斯径向基核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782926.9A CN108915668A (zh) | 2018-07-17 | 2018-07-17 | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810782926.9A CN108915668A (zh) | 2018-07-17 | 2018-07-17 | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108915668A true CN108915668A (zh) | 2018-11-30 |
Family
ID=64415155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810782926.9A Pending CN108915668A (zh) | 2018-07-17 | 2018-07-17 | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108915668A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110778302A (zh) * | 2019-11-04 | 2020-02-11 | 东北石油大学 | 油田区块内抽油机井群的整体化性能评价和技术整改方法 |
CN111666536A (zh) * | 2020-05-27 | 2020-09-15 | 南大傲拓科技江苏股份有限公司 | 基于多项式拟合的抽油机示功图采集方法 |
CN113435453A (zh) * | 2021-06-11 | 2021-09-24 | 西安交通大学 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104481508A (zh) * | 2014-09-10 | 2015-04-01 | 大庆明达韦尔信息系统服务有限公司 | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 |
US20150300156A1 (en) * | 2014-03-25 | 2015-10-22 | Bristol, Inc., D/B/A Remote Automation Solutions | Methods and apparatus to determine production of downhole pumps |
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 |
CN106930751A (zh) * | 2017-04-20 | 2017-07-07 | 东北大学 | 一种有杆泵抽油井故障分离方法 |
-
2018
- 2018-07-17 CN CN201810782926.9A patent/CN108915668A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150300156A1 (en) * | 2014-03-25 | 2015-10-22 | Bristol, Inc., D/B/A Remote Automation Solutions | Methods and apparatus to determine production of downhole pumps |
CN104481508A (zh) * | 2014-09-10 | 2015-04-01 | 大庆明达韦尔信息系统服务有限公司 | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 |
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 |
CN106930751A (zh) * | 2017-04-20 | 2017-07-07 | 东北大学 | 一种有杆泵抽油井故障分离方法 |
Non-Patent Citations (7)
Title |
---|
BOYUANZHENG,XIANWENGAO: "《Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model》", 《JOURNAL OF PROCESS CONTROL》 * |
KUN LI, YING HAN, TONG WANG: "《A novel prediction method for down-hole working conditions of the beam pumping unit based on 8-directions chain codes and online sequential extreme learning machine》", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
仇治学: "《基于示功图分析的有杆泵抽油井故障诊断方法研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
古险峰,冯学晓: "《基于深度无监督学习的图像分类算法》", 《平顶山学院学报》 * |
贾永红: "《数字图像处理》", 31 July 2015 * |
邓超,李宝平,李兴旺,王小旗: "《数字图像处理与模式识别研究》", 30 June 2018 * |
钟功祥,邹明铭: "《往复泵故障示功图灰度矩阵法特征量研究》", 《机械科学与技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110778302A (zh) * | 2019-11-04 | 2020-02-11 | 东北石油大学 | 油田区块内抽油机井群的整体化性能评价和技术整改方法 |
CN110778302B (zh) * | 2019-11-04 | 2021-09-07 | 东北石油大学 | 油田区块内抽油机井群的整体化性能评价和技术整改方法 |
CN111666536A (zh) * | 2020-05-27 | 2020-09-15 | 南大傲拓科技江苏股份有限公司 | 基于多项式拟合的抽油机示功图采集方法 |
CN111666536B (zh) * | 2020-05-27 | 2023-06-20 | 傲拓科技股份有限公司 | 基于多项式拟合的抽油机示功图采集方法 |
CN113435453A (zh) * | 2021-06-11 | 2021-09-24 | 西安交通大学 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
CN113435453B (zh) * | 2021-06-11 | 2023-04-07 | 西安交通大学 | 基于卷积神经网络的往复式压缩机故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Surface defect detection via entity sparsity pursuit with intrinsic priors | |
CN111539467A (zh) | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 | |
Ayyalasomayajula et al. | Optimizing Textile Manufacturing With Neural Network Decision Support: An Ornstein-Uhlenbeck Reinforcement Learning Approach | |
CN111882546B (zh) | 基于弱监督学习的三分支卷积网络织物疵点检测方法 | |
CN108915668A (zh) | 一种基于灰度共生矩阵的有杆泵抽油井故障诊断方法 | |
CN113902761B (zh) | 基于知识蒸馏的肺部疾病病灶无监督分割方法 | |
Gao et al. | A Novel Deep Convolutional Neural Network Based on ResNet‐18 and Transfer Learning for Detection of Wood Knot Defects | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
Liu et al. | DLSE-Net: A robust weakly supervised network for fabric defect detection | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
Xie et al. | Fabric defect detection method combing image pyramid and direction template | |
CN103425999A (zh) | 基于非负张量投影算子分解算法的脑认知状态判定方法 | |
Liang et al. | Genetic programming for evolving figure-ground segmentors from multiple features | |
CN108664986A (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
Liu et al. | Fault diagnosis of rod pump oil well based on support vector machine using preprocessed indicator diagram | |
Zhang et al. | Semi-supervised fault diagnosis of gearbox based on feature pre-extraction mechanism and improved generative adversarial networks under limited labeled samples and noise environment | |
CN115358337A (zh) | 一种小样本故障诊断方法、装置及存储介质 | |
CN115564756A (zh) | 医学图像病灶定位显示方法与系统 | |
Li et al. | An evolutional deep learning method based on multi-feature fusion for fault diagnosis in sucker rod pumping system | |
CN106202930A (zh) | 一种基于ss‑elm的肺结节患病风险预测系统及方法 | |
Cheriguene et al. | New computer aided diagnosis system for glaucoma disease based on twin support vector machine | |
CN104034732B (zh) | 一种基于视觉任务驱动的织物疵点检测方法 | |
Cetindag et al. | Transfer Learning Methods for Using Textural Features in Histopathological Image Classification | |
Fang et al. | Angle prediction model when the imaging plane is tilted about z-axis | |
Hutchinson et al. | Optimized estimated ground truth for object-based urban damage estimation using satellite images from the 2003 Bam, Iran, earthquake |
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 |
Application publication date: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |