CN109272123A - 一种基于卷积-循环神经网络的有杆泵工况预警方法 - Google Patents
一种基于卷积-循环神经网络的有杆泵工况预警方法 Download PDFInfo
- Publication number
- CN109272123A CN109272123A CN201810875355.3A CN201810875355A CN109272123A CN 109272123 A CN109272123 A CN 109272123A CN 201810875355 A CN201810875355 A CN 201810875355A CN 109272123 A CN109272123 A CN 109272123A
- Authority
- CN
- China
- Prior art keywords
- operating condition
- neural network
- early warning
- recognition
- recurrent neural
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 239000003129 oil well Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000008021 deposition Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005299 abrasion Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积‑循环神经网络的有杆泵工况预警方法,具有如下步骤:有杆泵渐变型工况图集进行预处理后,将预处理后的工况图集输入卷积神经网络CNN进行训练;CNN输出得到目标工况图集所对应的特征序列;训练循环神经网络RNN,提取特征序列的深度特征,建立渐变型工况图集的特征模板,对有杆泵故障进行判断。本发明采用卷积‑循环神经网络,在传统的通过示功体判断有杆泵工况方法中加入时间因素,用以判别与时间序列有关的信息,对于发生渐变型故障的油井,在先期就提出预警,通知现场工作人员及时进行处理,节约资源,实现经济高效的生产。同时,学习与更新后卷积‑循环神经网络随着使用的过程越来越智能,效果越来越好。
Description
技术领域
本发明涉及人工神经网络与故障诊断技术领域,尤其是一种基于卷积-循环神经网络的有杆泵工况预警方法。
背景技术
油井井下故障按产生影响的时间不同,分为瞬时型故障与渐变型的故障两大类,其中瞬时型故障包括抽油杆断脱、泵卡、井壁坍塌等,此类故障发生后短时间内就会对油井工况造成非常明显的改变,可立即根据按时间顺序排列的前后两张差别明显的示功图进行故障诊断。而渐变型故障则是结蜡、出砂、泵筒磨损、漏失等,在故障发生的瞬间不会呈现明显的工况改变,而是随着时间的积累,待故障被发现时,已造成了大量的损失。由于很难只通过几张示功图判断出故障类型,这使得对于渐变型故障的诊断缺少及时性、预警性及准确性。
现有的示功图故障识别方法是采用深度学习,从大量的训练数据中学习特征,但由于常用的卷积神经网络(CNN)通常是二维卷积核,因此难以辨认在时间序列上的相关信息,因此构建了卷积-循环神经网络。
循环神经网络是时序数据分析的重要方法之一,由输入层、隐藏层、输出层构成,它不仅仅在神经细胞层之间有联系,而且在时间轴上也有相应的连接,是一种具有时间联结的前馈神经网络,这使得卷积-循环神经网络可以用于分辨在时间序列上发生的改变,可用于有杆泵渐变型工况的诊断。
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,本发明提供一种提高有杆泵渐变型工况诊断准确性的基于卷积-循环神经网络的有杆泵工况预警方法。
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-循环神经网络的有杆泵工况预警方法,所预警的目标工况为有杆泵渐变型工况,包括以下步骤:
步骤1:挑选符合训练要求的示功图,按照时间顺序排列成有杆泵渐变型工况图集,并对图集进行预处理,以达到要求的标准;
步骤2:将预处理后的工况图集输入卷积神经网络CNN进行训练,训练后的CNN输出得到目标工况图集所对应的特征序列;
步骤3:将从CNN得到的特征序列作为输入,训练循环神经网络RNN,更新RNN各层的权重,得到训练好的RNN;
步骤4:将从CNN得到的特征序列输入训练好的RNN,通过训练好的RNN提取特征序列的深度特征,可建立渐变型工况图集的特征模板,形成基于卷积-循环神经网络系统的有杆泵工况预警系统;
步骤5:在需对未知的有杆泵故障进行判断时,只需要将工况图像按时间顺序输入卷积—循环神经网络,就能进行分类与判断,当发现输入的工况图集符合渐变型工况前期图集特征时,进行预警,即可达到工况判断、预测的目的;
步骤6:基于卷积-循环神经网络有杆泵工况预警系统的强化学习与更新。
进一步地,所述的卷积-循环神经网络构架包括卷积神经网络和循环神经网络,卷积神经网络的作用在于提取图像集的特征,并输出为特征序列;循环神经网络的作用在于根据输入的特征序列进行分类判断,对于符合渐变型工况前期特征的图像集进行预警。
具体说,步骤1中,有杆泵渐变型工况主要是指固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损非突发性工况。
而渐变型工况训练图集的选取包括选取在固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损工况状态下一段时间内的示功图图集;
其中,将已经明显表明故障发生的示功图视为An,按照倒查的方式,顺时间轴逆序向前寻找这口油井的示功图An-1、An-2、An-3、……、An-t,当第An-t张示功图的加载、卸载段斜率与正常工作示功图相比,存在明显的斜率减小时,将An-t——An视为漏失磨损类示功图图集。再根据动液面与产量情况细分为固定阀漏失类、游动阀漏失类、双漏失类和泵筒磨损类;
当第An-t张示功图的活塞上行线与活塞下行线,即上下两平行段与正常工作示功图相比,存在明显的波动频率增大时,将An-t——An视为出砂结蜡类示功图图集。再根据波动频率的大小细分,波动频率大的锯齿状示功图为出砂类、波动频率小的波状弯曲类示功图为结蜡类。
同时,所述步骤1中对图集进行预处理的过程为:筛选示功图、示功图均衡化、示功图归一化、时间轴缩放中的一种或几种组合;所预定的标准包括示功图的清晰度、坐标轴统一、图集尺寸的一种或多种组合。
所述的有杆泵工况预警系统是在卷积-循环神经网络强化学习目标工况示功图集的基础上实现的,其中卷积-循环神经网络的构建过程包括:a、对获取的示功图图集进行分析诊断归类,构建描述非突变型工况的示功体样本集合;b、基于卷积-神经网络,搭建神经网络构架;c、利用整理好的示功图样本集合训练CNN,CNN将提取出图像的特征并输出为特征序列;然后用CNN的输出信息作为RNN的输入,即将CNN输出的特征序列作为训练集对RNN进行训练;d、得到以非突变型工况示功图为学习样本,以卷积-循环神经网络为学习方法的有杆泵工况智能监测系统。
优选地,所述的预警系统由五个模块组成,包括图像预处理模块、神经网络训练模块、深度特征提取模块、图像分类模块和图像特征提取模块。
每个模块的功能简述:图像预处理模块用于处理收集的图集信息,得到满足要求的渐变型工况示功图图集;神经网络训练模块用于将从CNN得到的目标油井示工图图像特征序列输入RNN进行训练;深度特征提取模块用于在RNN训练好之后,再次输入目标油井示工图图集特征序列,提取深度特征,并建立渐变型工况图集特征模板;图像分类模块用于在对未知工况进行检测时,区分出待监测的工况是否为渐变型工况;图像特征提取模块用于提取出待检测工况的特征序列并输入RNN,由RNN进行具体的判断与预警。
所述预警系统应用于监测油井生产活动,对油井的实时工况进行分析判断,并对产生符合渐变型工况前期特征示功图的油井进行预警,从而提醒现场工作人员采取措施处理生产油井。
特别地,所述步骤6中,强化学习与更新过程包括:a、现场技术人员结合预警结果与油井实际生产情况判断工况预警的正确性;b、修正错误的预警结果;c、将新产生的预警结果构建成新的渐变型工况示功图样本集合;d、用新的样本集合再次训练有杆泵工况预警系统;e、完成基于卷积-循环神经网络有杆泵工况预警系统的强化学习与更新,使神经网络随着使用的过程越来越智能,效果越来越好。
本发明的有益效果是:本发明采用卷积-循环神经网络,在传统的通过示功体判断有杆泵工况方法中加入时间因素,用以判别与时间序列有关的信息,对于发生渐变型故障的油井,在先期就提出预警,通知现场工作人员及时进行处理,节约资源,实现经济高效的生产。同时,判断结果还可用于卷积-循环神经网络的学习与更新,使神经网络随着使用的过程越来越智能,效果越来越好。
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是本发明实施例提供的一种CNN模型的构架示意图。
图2是本发明实施例提供的一种RNN模型的构架示意图。
图3是本发明实施例的流程图。
图4是本发明实施例的结构框图。
具体实施方式
如图1~图4所示,一种基于卷积-循环神经网络的有杆泵工况预警方法,其具体技术方案如下:
先挑选出符合训练要求的油井示功图,即表征漏失、出砂、结蜡以及泵筒磨损等非突变性工况的示功图,对挑选出的示功图进行整理,删除错误示功图,补全示功图缺失信息等。
将整理后的示功图按时间顺序排列成有杆泵渐变型工况图集,用此图集训练CNN。训练后的CNN可得到渐变型工况图集的特征信息,并输出为特征序列。
接下来把从CNN得到的特征序列作为输入,训练RNN,即更新RNN各层权重。其中,训练的过程如下:RNN将从CNN得到的特征序列作为学习样本进行学习,具体的学习公式为:
Y(t)=S(t)×W
S(t)=X(t)×U+S(t-1)×W
S(t-1)=X(t-1)×U+S(t-2)×W
……
上式中,Y(t)表示第t步的输出,X(t)表示第t步的输入,S(t)为第t步的隐藏层表达式,S(t)由两部分构成,即由前一隐藏层的状态(W×St-1)与当前状态(U×Xt)共同决定,U表示输入权重矩阵,V表示输出权重矩阵,W表示隐藏层上一步的值St-1作为这一步输入的权重,U、V、W表示的权重矩阵通用于RNN的各层。
在得到训练好的RNN后,将从CNN得到的特征序列再次输入训练好的RNN,提取特征序列的深度特征,从而建立有杆泵渐变型工况图集特征模板,形成基于卷积-循环神经网络系统的有杆泵工况预警系统。
在实际应用中,当要对未知的有杆泵工况进行工况判断时,只需将工况图集按时间顺序输入卷积—循环神经网络进行分类与判断。当发现输入的待判断工况图集符合渐变型工况图集的前期特征时,进行预警,即可达到工况预判预警的目的。
最后,根据预警结果可对预警系统进行强化学习与更新,其具体过程为:现场技术人员先结合预警结果与油井实际生产情况判断工况预警的正确性;对于出现错误的预警结果进行修改,接下来将新的诊断结果构建成新的渐变型工况示功图样本集合;用新产生的样本集合再次训练预警系统,从而完成基于卷积-循环神经网络有杆泵工况预警系统的强化学习与更新。
对于卷积-循环神经网络的构建主要由以下四个部分组成:
(1)、对获取的渐变型工况示功图图集进行分析诊断归类,构建描述渐变型工况的示功体样本集合;
(2)、基于卷积-循环神经网络,搭建神经网络构架;
(3)、利用整理好的样本集合训练CNN,CNN将提取出图集特征并输出为特征序列。然后用CNN输出作为RNN的输入,即将CNN输出的特征序列作为训练集对RNN进行训练;
(4)、得到以渐变型工况示功图图集为学习样本,以卷积-循环神经网络为学习方法的有杆泵工况预警系统。
上述预警系统在结构方面是由多个模块组成,包括:图像预处理模块、神经网络训练模块、深度特征提取模块、图像分类模块、图像特征提取模块。作用分别是:图像预处理模块用于处理收集的图集信息,得到满足预定标准的图集;神经网络训练模块用于把从CNN得到的图集特征序列输入RNN进行训练。深度特征提取模块用于在RNN训练好之后,再次输入由CNN得到的图集特征序列,提取深度特征,并建立渐变型工况图集特征模板;图像分类模块用于区分出待监测的工况是否为渐变型工况;图像特征提取模块用于提取待检测工况图集的特征序列并输入RNN,由RNN做出具体判断,并对于符合渐变型工况图集前期特征的工况及时给出预警。
本发明采用卷积-循环神经网络,在传统的通过示功体判断有杆泵工况方法中加入时间因素,用以判别与时间序列有关的信息,对于发生渐变型故障的油井,在先期就提出预警,通知现场工作人员及时进行处理,节约资源,实现经济高效的生产。同时,判断结果还可用于卷积-循环神经网络的学习与更新,使神经网络随着使用的过程越来越智能,效果越来越好。
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 (10)
1.一种基于卷积-循环神经网络的有杆泵工况预警方法,所预警的目标工况为有杆泵渐变型工况,其特征是:包括以下步骤:
步骤1:挑选符合训练要求的示功图,按照时间顺序排列成有杆泵渐变型工况图集,并对图集进行预处理,以达到要求的标准;
步骤2:将预处理后的工况图集输入卷积神经网络CNN进行训练,训练后的CNN输出得到目标工况图集所对应的特征序列;
步骤3:将从CNN得到的特征序列作为输入,训练循环神经网络RNN,更新RNN各层的权重,得到训练好的RNN;
步骤4:将从CNN得到的特征序列输入训练好的RNN,通过训练好的RNN提取特征序列的深度特征,可建立渐变型工况图集的特征模板,形成基于卷积-循环神经网络系统的有杆泵工况预警系统;
步骤5:在需对未知的有杆泵故障进行判断时,只需要将工况图像按时间顺序输入卷积—循环神经网络,就能进行分类与判断,当发现输入的工况图集符合渐变型工况前期图集特征时,进行预警,即可达到工况判断、预测的目的;
步骤6:基于卷积-循环神经网络的有杆泵工况预警系统的强化学习与更新。
2.根据权利要求1所述的基于卷积-循环神经网络系统的有杆泵工况预警方法,其特征在于:所述的卷积-循环神经网络构架包括卷积神经网络和循环神经网络,卷积神经网络的作用在于提取图像集的特征,并输出为特征序列;循环神经网络的作用在于根据输入的特征序列进行分类判断,对于符合渐变型工况前期特征的图像集进行预警。
3.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:步骤1中,有杆泵渐变型工况主要是指固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损非突发性工况。
4.根据权利要求3所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:渐变型工况训练图集的选取包括选取在固定阀漏失、游动阀漏失、双漏、油井出砂、油井结蜡以及泵筒磨损工况状态下一段时间内的示功图图集;
其中,将已经明显表明故障发生的示功图视为An,按照倒查的方式,顺时间轴逆序向前寻找这口油井的示功图An-1、An-2、An-3、……、An-t,当第An-t张示功图的加载、卸载段斜率与正常工作示功图相比,存在明显的斜率减小时,将An-t——An视为漏失磨损类示功图图集。再根据动液面与产量情况细分为固定阀漏失类、游动阀漏失类、双漏失类和泵筒磨损类;
当第An-t张示功图的活塞上行线与活塞下行线,即上下两平行段与正常工作示功图相比,存在明显的波动频率增大时,将An-t——An视为出砂结蜡类示功图图集。再根据波动频率的大小细分,波动频率大的锯齿状示功图为出砂类、波动频率小的波状弯曲类示功图为结蜡类。
5.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:所述步骤1中对图集进行预处理的过程为:筛选示功图、示功图均衡化、示功图归一化、时间轴缩放中的一种或几种组合;所预定的标准包括示功图的清晰度、坐标轴统一、图集尺寸的一种或多种组合。
6.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:所述的有杆泵工况预警系统是在卷积-循环神经网络强化学习目标工况示功图集的基础上实现的,其中卷积-循环神经网络的构建过程包括:a、对获取的示功图图集进行分析诊断归类,构建描述非突变型工况的示功体样本集合;b、基于卷积-神经网络,搭建神经网络构架;c、利用整理好的示功图样本集合训练CNN,CNN将提取出图像的特征并输出为特征序列;然后用CNN的输出信息作为RNN的输入,即将CNN输出的特征序列作为训练集对RNN进行训练;d、得到以非突变型工况示功图为学习样本,以卷积-循环神经网络为学习方法的有杆泵工况智能监测系统。
7.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:所述的预警系统由五个模块组成,包括图像预处理模块、神经网络训练模块、深度特征提取模块、图像分类模块和图像特征提取模块。
8.根据权利要求7所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:图像预处理模块用于处理收集的图集信息,得到满足要求的渐变型工况示功图图集;神经网络训练模块用于将从CNN得到的目标油井示工图图像特征序列输入RNN进行训练;深度特征提取模块用于在RNN训练好之后,再次输入目标油井示工图图集特征序列,提取深度特征,并建立渐变型工况图集特征模板;图像分类模块用于在对未知工况进行检测时,区分出待监测的工况是否为渐变型工况;图像特征提取模块用于提取出待检测工况的特征序列并输入RNN,由RNN进行具体的判断与预警。
9.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:所述预警系统应用于监测油井生产活动,对油井的实时工况进行分析判断,并对产生符合渐变型工况前期特征示功图的油井进行预警,从而提醒现场工作人员采取措施处理生产油井。
10.根据权利要求1所述的基于卷积-循环神经网络的有杆泵工况预警方法,其特征在于:所述步骤6中,强化学习与更新过程包括:a、现场技术人员结合预警结果与油井实际生产情况判断工况预警的正确性;b、修正错误的预警结果;c、将新产生的预警结果构建成新的渐变型工况示功图样本集合;d、用新的样本集合再次训练有杆泵工况预警系统;e、完成基于卷积-循环神经网络有杆泵工况预警系统的强化学习与更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810875355.3A CN109272123B (zh) | 2018-08-03 | 2018-08-03 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810875355.3A CN109272123B (zh) | 2018-08-03 | 2018-08-03 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272123A true CN109272123A (zh) | 2019-01-25 |
CN109272123B CN109272123B (zh) | 2021-06-22 |
Family
ID=65153336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810875355.3A Active CN109272123B (zh) | 2018-08-03 | 2018-08-03 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272123B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799472A (zh) * | 2019-03-08 | 2019-05-24 | 沈阳工业大学 | 一种基于深度学习的磁共振涡流补偿方法 |
CN110007366A (zh) * | 2019-03-04 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及系统 |
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 |
CN110487787A (zh) * | 2019-07-10 | 2019-11-22 | 精锐视觉智能科技(深圳)有限公司 | 一种元器件损耗检测方法、装置、存储介质及终端设备 |
CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
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 |
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 |
CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN112664177A (zh) * | 2020-12-29 | 2021-04-16 | 重庆邮电大学 | 一种基于归一化卷积与自适应滤波的油井动液面测量方法 |
CN113756786A (zh) * | 2021-09-01 | 2021-12-07 | 中国石油大学(北京) | 一种基于深度学习的抽油机井时序示功图预测方法 |
CN114352265A (zh) * | 2020-10-13 | 2022-04-15 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
CN117473429A (zh) * | 2023-12-27 | 2024-01-30 | 山东康吉诺技术有限公司 | 基于物联网的油井设备故障检测方法及系统 |
CN114352265B (zh) * | 2020-10-13 | 2024-05-31 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 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 |
CN108266178A (zh) * | 2018-01-14 | 2018-07-10 | 常州大学 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
-
2018
- 2018-08-03 CN CN201810875355.3A patent/CN109272123B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503798A (zh) * | 2015-09-08 | 2017-03-15 | 中国科学院沈阳自动化研究所 | 基于粗糙集与bp神经网络的泵的故障诊断方法 |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 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 |
CN108266178A (zh) * | 2018-01-14 | 2018-07-10 | 常州大学 | 一种基于富信息示功图和dbn的有杆泵工况监测方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007366A (zh) * | 2019-03-04 | 2019-07-12 | 中国科学院深圳先进技术研究院 | 一种基于多传感器融合的生命搜寻方法以及系统 |
CN109799472A (zh) * | 2019-03-08 | 2019-05-24 | 沈阳工业大学 | 一种基于深度学习的磁共振涡流补偿方法 |
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 |
CN110487787B (zh) * | 2019-07-10 | 2022-08-12 | 精锐视觉科技(山东)有限公司 | 一种元器件损耗检测方法、装置、存储介质及终端设备 |
CN110487787A (zh) * | 2019-07-10 | 2019-11-22 | 精锐视觉智能科技(深圳)有限公司 | 一种元器件损耗检测方法、装置、存储介质及终端设备 |
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 |
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 |
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 |
CN110751721A (zh) * | 2019-12-24 | 2020-02-04 | 广东博智林机器人有限公司 | 家具布局图纸的生成方法和装置、计算机设备及存储介质 |
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 |
CN112200032A (zh) * | 2020-09-28 | 2021-01-08 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN112200032B (zh) * | 2020-09-28 | 2023-05-30 | 辽宁石油化工大学 | 一种基于注意力机制的高压断路器机械状态在线监测方法 |
CN114352265A (zh) * | 2020-10-13 | 2022-04-15 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
CN114352265B (zh) * | 2020-10-13 | 2024-05-31 | 中国石油天然气股份有限公司 | 基于多参数的抽油机井工况诊断方法及系统 |
CN112664177A (zh) * | 2020-12-29 | 2021-04-16 | 重庆邮电大学 | 一种基于归一化卷积与自适应滤波的油井动液面测量方法 |
CN113756786A (zh) * | 2021-09-01 | 2021-12-07 | 中国石油大学(北京) | 一种基于深度学习的抽油机井时序示功图预测方法 |
CN117473429A (zh) * | 2023-12-27 | 2024-01-30 | 山东康吉诺技术有限公司 | 基于物联网的油井设备故障检测方法及系统 |
CN117473429B (zh) * | 2023-12-27 | 2024-03-26 | 山东康吉诺技术有限公司 | 基于物联网的油井设备故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109272123B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272123A (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN110502991B (zh) | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 | |
CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
CN108178037A (zh) | 一种基于卷积神经网络的电梯故障识别方法 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN104281853B (zh) | 一种基于3d卷积神经网络的行为识别方法 | |
CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
CN109815785A (zh) | 一种基于双流卷积神经网络的人脸情绪识别方法 | |
CN108549875B (zh) | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 | |
CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN101957889B (zh) | 一种基于选择性磨损的设备最优维修时间预测方法 | |
CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN113870260A (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
CN110020714B (zh) | 模型训练及数据分析方法、装置、设备以及存储介质 | |
CN110458082A (zh) | 一种城市管理案件分类识别方法 | |
CN108304364A (zh) | 关键词提取方法和装置 | |
CN109684968A (zh) | 一种水泥回转窑烧成工况识别方法和系统 | |
CN115329853B (zh) | 一种基于多源域迁移的装备参数预测与知识转移方法 | |
CN109919938A (zh) | 青光眼的视盘分割图谱获取方法 | |
CN108756854A (zh) | 一种基于示功体的有杆泵工况智能监测方法 | |
CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
CN109389170A (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
CN111968147B (zh) | 一种基于关键点检测的乳腺癌病理图像综合分析系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |