CN109255134A - 一种抽油机井故障情况的获取方法 - Google Patents

Abstract

本发明公开了一种抽油机井故障情况的获取方法，属于油气井控制领域。该方法包括：根据多个抽油机井的自动化数据，建立抽油机井关于功率、载荷及电流的时间序列模型；判断时间序列模型的平稳性和线性特征，确定时间序列模型的异常时间点；获取表征抽油机井正常状态的标准示功图，根据标准示功图和抽油机井在异常时间点处的实测示功图，建立抽油机井正常/故障二分类模型，确定发生故障的抽油机井，根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型。利用抽油机井故障状态分类模型，对发生故障的抽油机井的故障类型进行判断，获取其故障情况。该方法能够对抽油机井的故障情况进行及时判断。

Description

一种抽油机井故障情况的获取方法

技术领域

本发明涉及油气井控制领域，特别涉及一种抽油机井故障情况的获取方法。

背景技术

在油田生产过程中，通常采用抽油机进行油气开采，随着对抽油机井的油气开采深度增加以及温度降低，原油中蕴含的石蜡逐渐凝结并附着在井筒壁和抽油井光杆上，积累到一定程度时将会影响抽油机设备的正常运转，造成抽油机井内发生故障。可见，有必要获取抽油机井内的故障情况，以及时地对抽油机设备进行维护和保养。

现有技术通常根据人工经验来判断抽油机井的故障情况，具体地，人工观察抽油机井示功图，抽油机井示功图是由载荷随位移的变化关系曲线，根据抽油机井示功图的形状变化及其对应的参数信息来判断抽油机井的故障情况。

发明人发现现有技术至少存在以下问题：

现有技术根据人工经验进行判断，不仅具有滞后性，还容易造成误判，进而导致无法对抽油机及时进行维护和保养，或者导致过渡保养。

发明内容

为了解决上述技术问题，本发明实施例提供了一种抽油机井故障情况的获取方法。具体技术方案如下：

一种抽油机井故障情况的获取方法，所述方法包括：根据多个抽油机井的自动化数据，分别建立所述抽油机井关于功率、载荷及电流的时间序列模型；

对所述时间序列模型的平稳性和线性特征进行判断，以确定所述时间序列模型的异常时间点；

获取表征抽油机井正常状态的标准示功图，根据所述标准示功图和所述抽油机井在所述异常时间点处的实测示功图，建立抽油机井正常/故障二分类模型；

根据所述抽油机井正常/故障二分类模型，确定发生故障的抽油机井，根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型；

利用所述抽油机井故障状态分类模型，对所述发生故障的抽油机井的故障类型进行判断，获取所述发生故障的抽油机井的故障情况。

具体地，作为优选，当确定所述发生故障的抽油机井的故障情况为结蜡情况时，所述方法还包括：

从所述发生故障的抽油机井的实测示功图中提取计算特征，所述计算特征包括：最大载荷、最小载荷、最大有功功率、最小有功功率、最大电流、最小电流、最大压力、最小压力；

根据所述发生故障的抽油机井的备注信息，将所述计算特征分为正样本和负样本，所述正样本代表正常状态，所述负样本代表故障状态；

利用随机森林算法、逻辑回归算法、神经网络算法、决策树算法中的至少一种，分别对所述正样本和所述负样本进行计算，获取所述负样本的发生概率，所述负样本的发生概率为所述发生故障的抽油机井的结蜡概率。

具体地，作为优选，所述从所述发生故障的抽油机井的实测示功图中提取计算特征，包括：

从所述发生故障的抽油机井的实测示功图中获取144对原始点值，作为第一样本点；

对所述第一样本点中任意相邻的两对点值进行差值计算，获取多个第二样本点；

对每个所述第二样本点进行1/5-1/2倍数计算，获取多个第三样本点；

从所述第一样本点、所述第二样本点和所述第三样本点中提取计算特征。

具体地，作为优选，所述根据抽油机井的自动化数据，分别建立所述抽油机井关于功率、载荷及电流的时间序列模型，包括：

获取多个所述抽油机井关于功率、载荷及电流的自动化数据；

根据多个所述抽油机井关于功率、载荷及电流的自动化数据，以小时或天为单位，分别建立时窗长度为1-3个月的所述抽油机井关于功率、载荷及电流的时间序列模型。

具体地，作为优选，所述获取表征抽油机井正常状态的标准示功图，包括：

获取多张表征抽油机井正常状态的类比示功图；

将多张所述类比示功图叠加，计算得到每一确定位移点对应的载荷平均值；

将多个确定的位移点与对应的所述载荷平均值进行匹配，获取平均示功图；

将多张所述类比示功图与所述平均示功图进行比较，选取与所述平均示功图匹配度最高的类比示功图作为所述标准示功图。

具体地，作为优选，将进行修井作业5-8天后的抽油机井的示功图作为所述类比示功图；

若无修井作业，将进行洗井作业3-8天后的抽油机井的示功图作为所述类比示功图；

或者，若无洗井作业，将抽油机井使用前3个月的示功图作为所述类比示功图。

具体地，作为优选，所述抽油机井正常/故障二分类模型的计算公式如下所示：

p_max、p_min分别为所述标准示功图的最大载荷和最小载荷；

q_max、q_min分别为所述抽油机井的实测示功图的最大载荷和最小载荷；

p_i为所述标准示功图中第i个位移点处的载荷；

q_i为所述抽油机井在异常时间点处的实测示功图中第i个位移点处的载荷；

d为所述标准示功图与所述抽油机井的实测示功图的载荷方差值。

具体地，作为优选，所述根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型，包括：

将所述发生故障的抽油机井的实测示功图沿纵向分割为至少100段，得到至少100段分割示功图；

利用每段所述分割示功图的顶边值和底边值作为分类特征，分别获取底边值增大趋势、顶边值和底边值的方差、顶板值的均值、底边值的均值、实测示功图的面积的计算模型，作为所述抽油机井故障状态分类模型。

具体地，作为优选，所述利用所述抽油机井故障状态分类模型，对所述发生故障的抽油机井的故障类型进行判断，包括：

利用所述抽油机井故障状态分类模型，获取底边值增大趋势，如若所述底边值的增大趋势为先快后慢，则确定所述发生故障的抽油机井的故障类型为气体影响；

利用所述抽油机井故障状态分类模型，获取顶边值和底边值的方差，如若所述方差大于预设方差，则确定所述发生故障的抽油机井的故障类型为结蜡故障；

利用所述抽油机井故障状态分类模型，获取顶板值的均值，如若所述均值小于预设均值，则确定所述发生故障的抽油机井的故障类型为油管漏失故障；

利用所述抽油机井故障状态分类模型，获取实测示功图的面积，若所述面积小于预设面积，则确定发生故障的抽油机井的故障类型为杆脱断故障。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例提供的获取方法，基于抽油机井的自动化数据和示功图，通过建立时间序列模型的异常时间点、抽油机井正常/故障二分类模型以及抽油机井故障状态分类模型，能够对抽油机井是否发生故障以及故障类型进行准确判断。并且，通过利用上述各模型来对抽油机井的即时自动化数据进行分析，还能够对抽油机井的故障情况进行预测。可见，本发明实施例提供的方法能够对抽油机井的故障情况进行及时判断，便于对抽油机及时进行维护和保养，优化抽油机井的清防蜡作业周期，提高洗井工作的科学性和精细化管理水平，同时利于管理成本的降低。

具体实施方式

除非另有定义，本发明实施例所用的所有技术术语均具有与本领域技术人员通常理解的相同的含义。为使本发明的目的、技术方案和优点更加清楚，下面将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抽油机井故障情况的获取方法，该方法包括：

步骤101、根据抽油机井的自动化数据，分别建立抽油机井关于功率、载荷及电流的时间序列模型。

步骤102、对时间序列模型的平稳性和线性特征进行判断，以确定时间序列模型的异常时间点。

步骤103、获取表征抽油机井正常状态的标准示功图，根据标准示功图和抽油机井在异常时间点处的实测示功图，建立抽油机井正常/故障二分类模型。

步骤104、根据抽油机井正常/故障二分类模型，确定发生故障的抽油机井，根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型。

步骤105、利用抽油机井故障状态分类模型，对发生故障的抽油机井的故障类型进行判断，获取发生故障的抽油机井的故障情况。

本发明实施例提供的抽油机井故障情况的获取方法，首先，建立抽油机井关于功率、载荷及电流的时间序列模型，判断该时间序列模型的平稳性和线性特征，当发现该时间序列模型有异常波动或者突变时，意味着抽油机井或者抽油机设备可能出现了故障。将异常波动或者波动发生的时间点确定为该时间序列模型的异常时间点。

在此基础上，获取抽油机井在异常时间点处的实测示功图，并将其与标准示功图结合，建立抽油机井正常/故障二分类模型。通过该抽油机井正常/故障二分类模型进一步判断抽油机井在该异常时间点处是否发生故障，并确定发生故障的抽油机井。根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型。进一步地，根据抽油机井故障状态分类模型，对发生故障的抽油机井的类型进行判断，以获取该发生故障的抽油机井的故障类型，从而获取到抽油机井的故障情况。

可见，本发明实施例提供的获取方法，基于抽油机井的自动化数据和示功图，通过建立时间序列模型的异常时间点、抽油机井正常/故障二分类模型以及抽油机井故障状态分类模型，能够对抽油机井是否发生故障以及故障类型进行准确判断。并且，通过利用上述各模型来对抽油机井的即时自动化数据进行分析，还能够对抽油机井的故障情况进行预测。可见，本发明实施例提供的方法具有超前性，便于对抽油机及时进行维护和保养，优化抽油机井的清防蜡作业周期，提高洗井工作的科学性和精细化管理水平，同时利于管理成本的降低。

其中，抽油机井的自动化数据为在油气开采过程期间所采集并保存的(其为已知且确定的)，并且，根据抽油机井的自动化数据可以实时形成抽油机井的示功图。可以理解的是，抽油机井的自动化数据包括在抽油机井实际运行过程中实测得到的抽油机有功功率、抽油机载荷、抽油机井电流、抽油机井压力、运行时间等。通过利用前期已经采集的多个抽油机井的自动化数据作支撑，为获取准确可靠的抽油机井故障状态分类模型奠定基础。

本领域技术人员可以理解的是，对于抽油机井的示功图来说，其一般包括144对载荷-位移数组，所对应的示功图数据可以从Oracle软件中提取，其为一段BLOB格式的16进制字符串。根据数据包的存储规则，结合曲线类型指示字段，可以提取出一个冲程内的位移信息和载荷信息，合并为数字化的示功图信息，使之成为可比对的对象。

以下就以上各个步骤分别给予阐述：

具体地，步骤101中，根据抽油机井的自动化数据，分别建立抽油机井关于功率、载荷及电流的时间序列模型，包括：

步骤1011、获取抽油机井关于功率、载荷及电流的自动化数据。

步骤1012、根据抽油机井关于功率、载荷及电流的自动化数据，以小时或天为单位，分别建立时窗长度为1-3个月的抽油机井关于功率、载荷及电流的时间序列模型。

其中，针对抽油机井的实际运行状况，来确定时间序列模型的时窗长度(也可以理解为观察窗口)，对于故障较多的抽油机井，其对应的时间序列模型的时窗长度尽量短，例如可以为1个月，相反，对于故障较少的抽油机井，其对应的时间序列模型的时窗长度可以相对长一点，例如可以为2个月、3个月等。

对于步骤103来说，通过获取表征抽油机井正常状态的标准示功图来作为判断基准。具体地，该获取表征抽油机井正常状态的标准示功图，包括：

步骤1031、获取多张表征抽油机井正常状态的类比示功图。

步骤1032、将多张类比示功图叠加，计算得到每一确定位移点对应的载荷平均值。

步骤1033、将多个确定的位移点与对应的载荷平均值进行匹配，获取平均示功图。

步骤1034、将多张类比示功图与平均示功图进行比较，选取与平均示功图匹配度最高的类比示功图作为标准示功图。

上述类比示功图表征了抽油机井的正常运行状态，即没有发生故障的运行状态。为了获取良好的类比示功图，优选将进行修井作业5-8天，例如7天后的抽油机井的示功图作为类比示功图。

若无修井作业，将进行洗井作业3-8天后的抽油机井的示功图作为类比示功图。一般来说，洗井作业几天后的抽油机井具有良好的示功图，通过将洗井作业3-8天后的抽油机井的示功图作为类比示功图，能确保类比示功图的可信度。

对于无洗井作业的抽油机井来说，将抽油机井使用前3个月的示功图作为类比示功图。

步骤103中，根据类比示功图确定标准示功图，根据标准示功图和抽油机井在异常时间点处的实测示功图，建立抽油机井正常/故障二分类模型，具体地，该抽油机井正常/故障二分类模型的计算公式如下所示：

p_max、p_min分别为标准示功图的最大载荷和最小载荷；

q_max、q_min分别为抽油机井的实测示功图的最大载荷和最小载荷；

p_i为标准示功图中第i个位移点处的载荷；

q_i为抽油机井在异常时间点处的实测示功图中第i个位移点处的载荷

d为标准示功图与抽油机井的实测示功图的载荷方差值。

根据抽油机井正常/故障二分类模型，确定抽油机井是否发生故障：具体地，对于每一口抽油机井，根据排采经验，对应标准示功图，其均预先设置有确定的载荷方差阈值范围α。通过将d与预设的α进行比较，若d在载荷方差阈值范围α内，则判断抽油机井为正常运行，反之，则判断抽油机井发生故障。

进一步地，待发生故障的抽油机井确定后，通过步骤104和步骤105对其故障状态进行具体分析。具体地，步骤104中，根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型，包括：

步骤1041、将发生故障的抽油机井的实测示功图沿纵向分割为至少100段，得到至少100段分割示功图。

步骤1042、利用每段分割示功图的顶边值和底边值作为分类特征，分别获取底边值增大趋势、顶边值和底边值的方差、顶板值的均值、底边值的均值、每段所述分割示功图的面积的计算公式，作为抽油机井故障状态分类模型。

通过步骤1041将实测示功图进行分割，如此可获取更详细的示功图信息。其中，分割的段数越多，所获取的示功图信息更加详细，对于抽油机井故障类型的分类更加精确。例如，可以将发生故障的抽油机井的实测示功图沿纵向分割为100段、150段、200段、250段、300段等。

可以理解的是，相邻两个纵向分割线之间的横向距离相等。并且，上述的顶边值和底边值分别代表每段分割示功图的上行程载荷和下行程载荷。

通过步骤1042，利用每段分割示功图的顶边值和底边值作为分类特征，利用这些分类特征来建立抽油机井故障状态分类模型的相关计算模型，具体地，它们分别为：(1)发生故障的抽油机井的实测示功图的底边值增大趋势的计算模型、(2)发生故障的抽油机井的实测示功图的顶边值和底边值的方差计算模型、(3)发生故障的抽油机井的实测示功图的顶板值的均值计算模型、(4)发生故障的抽油机井的实测示功图的底边值的均值计算模型、(5)发生故障的抽油机井的实测示功图中，每段分割示功图的面积的计算模型。其中，顶边值和底边值的方差计算模型指的是：顶边值和底边值中两个最大载荷的方差计算模型和两个最小载荷的方差计算模型。

待确定上述抽油机井故障状态分类模型后，利用其对发生故障的抽油机井的故障类型进行判断，该判断过程具体包括：

利用抽油机井故障状态分类模型，获取底边值增大趋势，如若底边值的增大趋势为先快后慢，则确定发生故障的抽油机井的故障类型为气体影响。

利用抽油机井故障状态分类模型，获取顶边值和底边值的方差，如若方差大于预设方差，则确定发生故障的抽油机井的故障类型为结蜡故障。

利用抽油机井故障状态分类模型，获取顶板值的均值，如若均值小于预设均值，则确定发生故障的抽油机井的故障类型为油管漏失故障。

利用抽油机井故障状态分类模型，获取实测示功图的面积，若面积小于预设面积，则确定发生故障的抽油机井的故障类型为杆脱断故障。

其中，上述的预设方差、预设均值、预设面积均可以采用相同的方法，对上述提及的标准示功图进行分析计算得到，即将实测示功图的上述信息与标准示功图的上述信息进行比较，以准确判断抽油机井的故障类型。

对于实测示功图的面积计算，可以采用方法计算得到：

由于将实测示功图沿纵向分割为至少100段，则每段分割示功图均类似于一个梯形，通过计算这些梯形的面积，加起来即为实测示功图的面积。

其中，上述梯形的高由分割的份数和位移的最大值决定，顶、底边的长度可以由线性拟合近似算出。

一般情况下，梯形的顶、底边的长度一律由上行程的载荷值减去下行程的载荷值得出。若出现异常的示功图，比如麻花状的示功图，则判定上、下底边为负值，计算出的面积为负，因此，可能出现示功图面积为负的情形，这时说明示功图有问题。

在抽油机井的生产过程中，原油中蕴含的石蜡会逐渐凝结附着在井筒壁及抽油机光杆上，达到一定程度时，会影响抽油机设备的运转效率。所以，对抽油机井结蜡情况的判断对于维持正常采油具有重要的意义。

基于此，当确定发生故障的抽油机井的故障情况为结蜡情况时，本发明实施例提供的方法还包括：

步骤106、从发生故障的抽油机井的实测示功图中提取计算特征，该计算特征包括：最大载荷、最小载荷、最大有功功率、最小有功功率、最大电流、最小电流、最大压力、最小压力。

步骤107、根据该发生故障的抽油机井的备注信息，将计算特征分为正样本和负样本，其中，该正样本代表正常状态，负样本代表故障状态。

步骤108、利用随机森林算法、逻辑回归算法、神经网络算法、决策树算法中的至少一种，分别对正样本和负样本进行计算，获取负样本的发生概率，其中，该负样本的发生概率为发生故障的抽油机井的结蜡概率。

通过从发生故障的抽油机井的实测示功图中提取样本点信息来作为计算特征，基于发生故障的抽油机井的备注信息(其记录着抽油机井的正常工作状态和非正常工作状态，即故障状态)，将这些计算特征分为正样本和负样本，其中，正样本指的是正常状态下的数据，而负样本指的是故障状态下的数据。通过上述几种算法来对正样本和负样本进行计算，以获取发生故障的抽油机井的结蜡概率。

对于步骤106来说，通过抽油机井故障状态分类模型能够确定载荷、有功功率、电流、压力信息对于抽油机井的结蜡概率具有重要的影响，所以将这些信息作为判断结蜡概率的计算特征。

具体地，从发生故障的抽油机井的实测示功图中提取计算特征，包括：

从发生故障的抽油机井的实测示功图中获取144对原始点值，作为第一样本点。

对第一样本点中任意相邻的两对点值进行差值计算，获取多个第二样本点。

对每个第二样本点进行1/5-1/2倍数计算，获取多个第三样本点。

从第一样本点、第二样本点和第三样本点中提取计算特征。

举例来说，第一样本点包括(s1p1)、(s2p2)、(s3p3)……(s144p144)，如若对(s1p1)和(s2p2)这两个样本点进行差值计算，则获得的第二样本点为(s1-s2p1-p2)，同样地，能获得其他更多个第二样本点。

进一步地，如若对第二样本点(s1-s2p1-p2)进行1/2倍数计算，则获取第三样本点((s1-s2)/2(p1-p2)/2)，同样地，能获得其他更多个第三样本点。

通过上述提取方法能够获得更多的样本点信息，进而确保后续获取结蜡概率的精确度。

对于步骤107来说，抽油机井的备注信息是对其运行过程是否正常的记录信息，通过备注信息能够确定抽油机井的在特定时间段是否为正常工作状态。

对于步骤108来说，所采用的几种算法均为数学建模领域所常见的，以下对它们分别进行概述：

随机森林算法：随机森林由多个不同的分类器组合而成(多个分类器组成了森林)，每个分类器都是一个弱分类器，对于原问题的分类效果较差，但是组合在一起后，就变成了一个强分类器，最终的模型分类结果由每个分类器投票决定。

逻辑回归算法：经典的线性分类器，利用似然函数将分类结果统一到0到1之间，结果呈现一个S型。

神经网络算法：模拟大脑处理数据的过程，整个模型由输入、隐藏、输出三层决定，每层之间类似于神经元进行连接，隐藏层是用来训练模型。

决策树算法：根据特征的信息熵来进行分类，每次挑出一个特征进行分类，最终形成分类树。

本发明实施例可以采用上述四种算法中的任意一种对正样本和负样本进行计算，获取负样本的发生概率。

为了提高结蜡概率的精确度，优选同时采用上述四种算法来获取负样本的发生概率，然后就对应得到的发生概率取平均值，并以该平均值作为负样本的发生概率，即作为抽油机井的结蜡概率。此外，利用上述方法还可对抽油机井的结蜡概率进行预测。

对于上述发生故障的抽油机井的结蜡概率的计算，为了提高其精确度，可以将随机森林算法、逻辑回归算法、神经网络算法、决策树算法集成，形成可以获得负样本的发生概率平均值的集成模型。

为了确保该集成模型精确度，可以采用精确率、召回率和F-测度三个衡量指标对其判断：

精确率(True Positive Rate)：预测出为正的样本里，真正是正的样本比例。

召回率/覆盖率(Recall Rate)：真正为正的样本里，预测到为正的样本的比例。

F-测度(False Positive Rate)：实际为负的样本里，预测到为正的样本的比例。

并且，在集成模型构建之后，通过数据训练，才能得出集成模型的准确度，举例来说，以下选取样本数据对集成模型进行训练：

选取歧15-12井、歧609-5井，利用它们的日报数据中备注信息，确定各自的正常状态和故障状态。然后，基于各自的实测示功图，分别获取正常状态下的计算特征和故障状态下的计算特征，利用上述集成模型来获取上述两口井发生结蜡的概率，其中，过程中所涉及的操作参数如下表1和表2所示：

表1

抽油机井名称	正样本/个	负样本/个	预测样本/个
				歧15-12	513	422	305
歧609-5	418	266	165

表2

	时间窗口
		训练期	2012年1月1日至2014年12月31日
预测期	2015年1月1日至2015年12月31日

针对上述两口抽油机井的数据，通过集成模型的计算，并与实际数据的比对，得出的精确率、召回率、F-测度分别为以下值:

精确率：预测为正常且实际正常的样本量/预测为正常的样本量，483/(483+30)＝0.93；

召回率：预测为正常且实际正常的样本量/实际为正常的样本量，483/(483+34)＝0.92；

F-测度：2×精确率×召回率/(精确率+召回率)，(2×0.93×0.92)/(0.93+0.92)＝0.92。

由上述可知，利用本发明实施例提供的方法来判断抽油机井的故障类型，特别是结蜡概率具有高可信度。

利用本发明实施例提供的方法，获取抽油机井的故障情况，特别是对抽油机井的结蜡情况进行判断，能显著缩短抽油机井清防蜡作业周期，对洗井工作的开展提供辅助决策支持手段，提高洗井工作的科学性和精细化管理水平，降低洗井费用支出。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的保护范围，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 (9)

1.一种抽油机井故障情况的获取方法，其特征在于，所述方法包括：根据多个抽油机井的自动化数据，分别建立所述抽油机井关于功率、载荷及电流的时间序列模型；

对所述时间序列模型的平稳性和线性特征进行判断，以确定所述时间序列模型的异常时间点；

获取表征抽油机井正常状态的标准示功图，根据所述标准示功图和所述抽油机井在所述异常时间点处的实测示功图，建立抽油机井正常/故障二分类模型；

根据所述抽油机井正常/故障二分类模型，确定发生故障的抽油机井，根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型；

利用所述抽油机井故障状态分类模型，对所述发生故障的抽油机井的故障类型进行判断，获取所述发生故障的抽油机井的故障情况。

2.根据权利要求1所述的方法，其特征在于，当确定所述发生故障的抽油机井的故障情况为结蜡情况时，所述方法还包括：

从所述发生故障的抽油机井的实测示功图中提取计算特征，所述计算特征包括：最大载荷、最小载荷、最大有功功率、最小有功功率、最大电流、最小电流、最大压力、最小压力；

根据所述发生故障的抽油机井的备注信息，将所述计算特征分为正样本和负样本，所述正样本代表正常状态，所述负样本代表故障状态；

利用随机森林算法、逻辑回归算法、神经网络算法、决策树算法中的至少一种，分别对所述正样本和所述负样本进行计算，获取所述负样本的发生概率，所述负样本的发生概率为所述发生故障的抽油机井的结蜡概率。

3.根据权利要求2所述的方法，其特征在于，所述从所述发生故障的抽油机井的实测示功图中提取计算特征，包括：

从所述发生故障的抽油机井的实测示功图中获取144对原始点值，作为第一样本点；

对所述第一样本点中任意相邻的两对点值进行差值计算，获取多个第二样本点；

对每个所述第二样本点进行1/5-1/2倍数计算，获取多个第三样本点；

从所述第一样本点、所述第二样本点和所述第三样本点中提取计算特征。

4.根据权利要求1所述的获取方法，其特征在于，所述根据抽油机井的自动化数据，分别建立所述抽油机井关于功率、载荷及电流的时间序列模型，包括：

获取多个所述抽油机井关于功率、载荷及电流的自动化数据；

根据多个所述抽油机井关于功率、载荷及电流的自动化数据，以小时或天为单位，分别建立时窗长度为1-3个月的所述抽油机井关于功率、载荷及电流的时间序列模型。

5.根据权利要求1所述的获取方法，其特征在于，所述获取表征抽油机井正常状态的标准示功图，包括：

获取多张表征抽油机井正常状态的类比示功图；

将多张所述类比示功图叠加，计算得到每一确定位移点对应的载荷平均值；

将多个确定的位移点与对应的所述载荷平均值进行匹配，获取平均示功图；

将多张所述类比示功图与所述平均示功图进行比较，选取与所述平均示功图匹配度最高的类比示功图作为所述标准示功图。

6.根据权利要求5所述的获取方法，其特征在于，将进行修井作业5-8天后的抽油机井的示功图作为所述类比示功图；

若无修井作业，将进行洗井作业3-8天后的抽油机井的示功图作为所述类比示功图；

或者，若无洗井作业，将抽油机井使用前3个月的示功图作为所述类比示功图。

7.根据权利要求5所述的获取方法，其特征在于，所述抽油机井正常/故障二分类模型的计算公式如下所示：

p_max、p_min分别为所述标准示功图的最大载荷和最小载荷；

q_max、q_min分别为所述抽油机井的实测示功图的最大载荷和最小载荷；

p_i为所述标准示功图中第i个位移点处的载荷；

q_i为所述抽油机井在异常时间点处的实测示功图中第i个位移点处的载荷；

d为所述标准示功图与所述抽油机井的实测示功图的载荷方差值。

8.根据权利要求1所述的方法，其特征在于，所述根据发生故障的抽油机井的实测示功图，建立抽油机井故障状态分类模型，包括：

将所述发生故障的抽油机井的实测示功图沿纵向分割为至少100段，得到至少100段分割示功图；

利用每段所述分割示功图的顶边值和底边值作为分类特征，分别获取底边值增大趋势、顶边值和底边值的方差、顶板值的均值、底边值的均值、实测示功图的面积的计算模型，作为所述抽油机井故障状态分类模型。

9.根据权利要求8所述的方法，其特征在于，所述利用所述抽油机井故障状态分类模型，对所述发生故障的抽油机井的故障类型进行判断，包括：

利用所述抽油机井故障状态分类模型，获取底边值增大趋势，如若所述底边值的增大趋势为先快后慢，则确定所述发生故障的抽油机井的故障类型为气体影响；

利用所述抽油机井故障状态分类模型，获取顶边值和底边值的方差，如若所述方差大于预设方差，则确定所述发生故障的抽油机井的故障类型为结蜡故障；

利用所述抽油机井故障状态分类模型，获取顶板值的均值，如若所述均值小于预设均值，则确定所述发生故障的抽油机井的故障类型为油管漏失故障；

利用所述抽油机井故障状态分类模型，获取实测示功图的面积，若所述面积小于预设面积，则确定发生故障的抽油机井的故障类型为杆脱断故障。