CN110969180A - 示功图特征数据的获取方法及装置 - Google Patents
示功图特征数据的获取方法及装置 Download PDFInfo
- Publication number
- CN110969180A CN110969180A CN201811161773.2A CN201811161773A CN110969180A CN 110969180 A CN110969180 A CN 110969180A CN 201811161773 A CN201811161773 A CN 201811161773A CN 110969180 A CN110969180 A CN 110969180A
- Authority
- CN
- China
- Prior art keywords
- data
- indicator diagram
- historical
- characteristic
- self
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005086 pumping Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000003921 oil Substances 0.000 description 14
- 238000005457 optimization Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000003129 oil well Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种示功图特征数据的获取方法及装置。其中,该方法包括:接收示功图数据;通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。本发明解决了相关技术采用人工分析方式对抽油机进行故障分析导致的故障判别准确性较低的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种示功图特征数据的获取方法及装置。
背景技术
抽油机系统是油田系统中最常见的机械系统之一,是油气田开发生产的重要组成部分,也是油田管理系统的主要运营维护对象之一。
抽油机系统主要分为抽油杆,抽油泵两部分。抽油泵则分为泵筒、泵柱塞、固定凡尔与游动凡尔4个主要构件。工作状态下,通过地面电机带动抽油杆引起抽油泵的上下往复运动,抽油机系统可将地层中的原油不断通过油管举升到地面。
通常,正常生产状态下,抽油机需24小时不间歇运行以达到最大经济收益。而随着抽油机运行,一些渐变性的积累或突发性的事件,可能使其陷入某种故障,严重的可能导致停产。常见的故障种类包括凡尔漏失(分为固定或游动凡尔漏失),抽油杆断,结蜡,供液不足等等。由于杆,管,泵深埋于地下,很难通过人工直接观察的方式分析其是否故障,故障原因与故障程度,因此目前主流的抽油机井诊断方法均是基于示功图来展开。
在长达数十年的油田生产运行维护过程中,油田工作人员积累了很多关于抽油机故障的识别与维修经验,总结出了常见故障发生时,示功图的形状大致变化规律。因此,人工示功图故障分析目前应用较为普遍。但在一个油田系统内,处于运行状态的抽油机数量常常达到几千甚至上万口的规模,每秒钟产生的数据量巨大,采用人工方式判别故障准确率低,主观性强,实时性差,成本高,标准难以固化。
针对上述相关技术采用人工分析方式对抽油机进行故障分析导致的故障判别准确性较低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种示功图特征数据的获取方法及装置,以至少解决相关技术采用人工分析方式对抽油机进行故障分析导致的故障判别准确性较低的技术问题。
根据本发明实施例的一个方面,提供了一种示功图特征数据的获取方法,包括:接收示功图数据;通过自编码器模型,获取与所述示功图数据对应的特征编码数据,其中,所述自编码器模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;根据所述特征编码数据获取所述示功图的特征数据,其中,所述特征数据用于表示所述示功图对应的抽油机系统的运行状态。
可选地,在通过自编码器模型,获取与所述示功图数据对应的特征编码数据之前,该示功图特征数据的获取方法还包括:采集历史时间段的多个历史示功图数据和多个历史特征编码数据,其中,所述多个历史特征编码数据是根据多个历史示功图数据确定的数据;对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型。
可选地,在采集历史时间段的多个历史示功图数据之后,该示功图特征数据的获取方法还包括:对所述多个历史示功图数据进行分析,得到所述多个历史示功图数据中的无效数据,其中,所述无效数据包括以下至少之一:所述多个历史示功图数据中对应示功图的畸变严重程度超过预设程度的示功图数据、所述多个历史示功图数据对应的单井的状态为停井状态的数据;将所述多个历史示功图数据中的无效数据删除。
可选地,在采集历史时间段的多个历史示功图数据之后,该示功图特征数据的获取方法还包括:确定所述多个历史示功图数据中的每个示功图数据中坐标轴的量程和分辨率;对所述每个示功图数据的量程和分辨率进行统一。
可选地,在对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型之后,该示功图特征数据的获取方法还包括:对所述自编码器模型进行优化。
可选地,对所述自编码器模型进行优化包括:利用反卷积神经网络对编码数据进行解码,得到解码数据,其中,所述编码数据是自编码器对多个历史示功图数据进行编码得到的数据;利用所述解码数据构建示功图图像一;将所述示功图图像一与所述多个历史示功图数据对应的示功图二进行比对,得到比对结果;在所述比对结果大于预定阈值的情况下,调整所述卷积神经网络的神经网络参数;根据调整后的神经网络参数以及所述编码数据对所述自编码器模型进行优化。
根据本发明实施例的另外一个方面,还提供了一种示功图特征数据的获取装置,包括:接收单元,用于接收示功图数据;第一获取单元,用于通过自编码器模型,获取与所述示功图数据对应的特征编码数据,其中,所述自编码器模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;第二获取单元,用于根据所述特征编码数据获取所述示功图的特征数据,其中,所述特征数据用于表示所述示功图对应的抽油机系统的运行状态。
可选地,该示功图特征数据的获取装置还包括:采集单元,用于在通过自编码器模型,获取与所述示功图数据对应的特征编码数据之前,采集历史时间段的多个历史示功图数据和多个历史特征编码数据,其中,所述多个历史特征编码数据是根据多个历史示功图数据确定的数据;第三获取单元,用于对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型。
可选地,该示功图特征数据的获取装置还包括:分析单元,用于在采集历史时间段的多个历史示功图数据之后,对所述多个历史示功图数据进行分析,得到所述多个历史示功图数据中的无效数据,其中,所述无效数据包括以下至少之一:所述多个历史示功图数据中对应示功图的畸变严重程度超过预设程度的示功图数据、所述多个历史示功图数据对应的单井的状态为停井状态的数据;删除单元,用于将所述多个历史示功图数据中的无效数据删除。
可选地,该示功图特征数据的获取装置还包括:确定单元,用于在采集历史时间段的多个历史示功图数据之后,确定所述多个历史示功图数据中的每个示功图数据中坐标轴的量程和分辨率;转换单元,用于对所述每个示功图数据的量程和分辨率进行统一。
可选地,该示功图特征数据的获取装置还包括:优化单元,用于在对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型之后,对所述自编码器模型进行优化。
可选地,所述优化单元包括:解码模块,用于利用反卷积神经网络对编码数据进行解码,得到解码数据,其中,所述编码数据是自编码器对多个历史示功图数据进行编码得到的数据;构建模块,用于利用所述解码数据构建示功图图像一;比对模块,用于将所述示功图图像一与所述多个历史示功图数据对应的示功图二进行比对,得到比对结果;调整模块,用于在所述比对结果大于预定阈值的情况下,调整所述卷积神经网络的神经网络参数;优化模块,用于根据调整后的神经网络参数以及所述编码数据对所述自编码器模型进行优化。
根据本发明实施例的另外一个方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行上述中任意一项所述的示功图特征数据的获取方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的示功图特征数据的获取方法。
在本发明实施例中,采用接收示功图数据;通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态,通过本发明实施例提供的示功图特征数据的获取方法可以实现基于卷积神经网络的自编码器技术对抽油机系统的示功图进行特征提取的目的,达到了提高抽油机系统故障判别的准确性的技术效果,进而解决了相关技术采用人工分析方式对抽油机进行故障分析导致的故障判别准确性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的示功图特征数据的获取方法的流程图;以及
图2是根据本发明实施例的示功图特征数据的获取装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,下面对本发明实施例中出现的部分名词或术语进行详细说明。
示功图:是指反映深井泵工作状况好坏,由专门的仪器测出,画在坐标图上,被封闭的线段所围成的面积表示抽油机在一次往复运动中抽油机所做的功的图纸。
编码器:是将信号(如比特流)或数据进行编制、转换为可用以通讯、传输和存储的信号形式的设备。
自编码器:是神经网络的一种,经过训练后能尝试将输入复制到输出,其内部有一个隐藏层,可以产生编码表示输入,网络可以看作由两部分组成:一个由函数h=f(x)表示的编码器和一个生成重构的编码器r=g(h)。
实施例1
根据本发明实施例,提供了一种示功图特征数据的获取方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的示功图特征数据的获取方法的流程图,如图1所示,该示功图特征数据的获取方法包括如下步骤:
步骤S102,接收示功图数据。
其中,分析和解释示功图,是直接了解深井泵工作状况好坏的一个主要手段,不但深井泵工作中的一切异常现象可以在示功图上比较直观的反应出来,而且,还可以结合有关资料,来分析判断油井工作制度是否合理,抽油设备和原油性质是否适应,还可以通过示功图法对低产、低能井制定出合理的开关井时间,减少设备的磨损和电能的浪费等。
示功图的原始数据采集是位移数据与载荷数据的144个数据点,数据点的分布规律直接决定了示功图的形状,所有位移数据和载荷数据的位置聚合构成了示功图的形状特征,示功图形状特征间接反映了抽油机系统的工作状态。
步骤S104,通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据。
步骤S106,根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。
通过上述步骤,可以接收示功图数据;通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。相对于相关技术中采用人工直接观察的方式对抽油机系统进行分析,以判断其是否发生故障,容易出现故障判别准确率较低,主观性强,实时性较差等弊端,通过本发明实施例提供的示功图特征数据的获取方法可以实现基于卷积神经网络的自编码器技术对抽油机系统的示功图进行特征提取的目的,达到了提高抽油机系统故障判别的准确性的技术效果,进而解决了相关技术采用人工分析方式对抽油机进行故障分析导致的故障判别准确性较低的技术问题。
作为一种可选的实施例,在通过自编码器模型,获取与示功图数据对应的特征编码数据之前,该示功图特征数据的获取方法还可以包括:采集历史时间段的多个历史示功图数据和多个历史特征编码数据,其中,多个历史特征编码数据是根据多个历史示功图数据确定的数据;对采集的包括多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到自编码器模型。
另外,在采集历史时间段的多个历史示功图数据之后,该示功图特征数据的获取方法还可以包括:对多个历史示功图数据进行分析,得到多个历史示功图数据中的无效数据,其中,无效数据包括以下至少之一:多个历史示功图数据中对应示功图的畸变严重程度超过预设程度的示功图数据(对于这类数据是因为记录错误或传感器故障所产生的数据)、多个历史示功图数据对应的单井的状态为停井状态的数据;将多个历史示功图数据中的无效数据删除。
例如,由于历史示功图数据中往往会包含部分停井等特殊状态的示功图数据,那么,为了保证训练出来的自编码器模型的精准度,需要对上述部分停井等特殊状态的示功图数据进行删除处理。即,对采集的时间段的多个历史示功图数据进行数据预处理。
优选的,在采集历史时间段的多个历史示功图数据之后,该示功图特征数据的获取方法还可以包括:确定多个历史示功图数据中的每个示功图数据中坐标轴的量程和分辨率;对所述每个示功图数据的量程和分辨率进行统一。具体而言,需要统一的是对应载荷和位移坐标轴的量程与分辨率。例如,为了减少自编码器模型的训练难度,需保证绘制示功图的位移数据和载荷数据的坐标轴的量程和分辨率是统一的。
在人工示功图诊断过程中,往往会事先定义或依据经验确定相关特征计算方法,依据这些特征,观察其变化,确定示功图诊断的结果。常用特征往往包括示功图面积,上下冲程的平均载荷等等。这些特征往往具有其物理意义,具备可解释性,但其各自对于示功图诊断的重要性无法计量,只能凭借经验加以推测。
在本发明实施例中可以实现基于自编码器的示功图特征提取方法从示功图数据出发,利用卷积神经网络将示功图数据编码,再利用反卷积从编码中解码重构出示功图图像,确定重构的示功图图像与原始示功图图像的差值,以这个差值作为优化对象,训练最优的神经网络参数,即可实现示功图主要信息的获取。抽取编码部分的输出结果,即得到示功图有用特征。由此可见,自编码器的训练利用了最大限度的数据集信息,而非人工定义,它的输出结果更加符合当前数据集的分布特点。此外,自编码与解码重构的过程,必然是有损的,这相当于对原始图像进行了去噪处理,有助于减少误判。
作为一种可选的实施例,在对采集的包括多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到自编码器模型之后,该示功图特征数据的获取方法还可以包括:对自编码器模型进行优化。
其中,对自编码器模型进行优化包括:利用反卷积神经网络对编码数据进行解码,得到解码数据,其中,编码数据是自编码器对多个历史示功图数据进行编码得到的数据;利用解码数据构建示功图图像一;将示功图图像一与多个历史示功图数据对应的示功图二进行比对,得到比对结果;在比对结果大于预定阈值的情况下,调整卷积神经网络的神经网络参数;根据调整后的神经网络参数以及编码数据对自编码器模型进行优化。
具体地,上述编码数据是将预处理后的多个历史示功图数据导入到自编码器中,例如,可以对同一区域内所有单井全量历史示功图数据依次导入不同的自编码器(每个单井均对应一个示功图),这样训练出来的是符合单井特征的自编码器模型。
另外,在设计编码器模型之前,还需要设计自编码器的模型结构,包括:卷积层数(其中,卷积层数可以根据实际需求确定)、编码特征数、待优化损失函数定义、优化方法等,通过上述方法可以通过小范围调节相应参数,比较器效果得到;然后将导入的数据分批加入训练,迭代一定轮数或收敛达到一定程度后,结束训练。其中,损失函数是是用来估量模型的预测值f(x)与真实值Y的不一致程度,它是一个非负实值函数,通常用L(Y,f(x))来表示。损失函数越小,模型性能就越好。
在本发明实施例中,在将自编码器模型训练完成之后,可以将示功图数据输入到该自编码器模型中,可以得到该示功图数据对应的特征编码数据,该特征编码数据可以是向量,该向量中隐含包括了示功图对应的抽油机系统的是否发生故障,在发生故障的情况下对应的故障位置等。即,在得到自编码器模型之后,可以将示功图数据代入到自编码器模型的编码部分,利用已经训练好的参数,得到自编码后的特征编码数据。
通过本发明实施例提供的示功图特征数据的获取方法利用卷积神经网络的自编码器技术,优化抽油机系统示功图形状特征的提取方法,使得特征包含更多示功图形状信息,有助于后续人工判别参考和机器学习故障诊断模型训练。
实施例2
根据本发明实施例还提供了一种示功图特征数据的获取装置,需要说明的是,本发明实施例的示功图特征数据的获取装置可以用于执行本发明实施例所提供的示功图特征数据的获取方法。以下对本发明实施例提供的示功图特征数据的获取装置进行介绍。
图2是根据本发明实施例的示功图特征数据的获取装置的示意图,如图2所示,该示功图特征数据的获取装置包括:接收单元21,第一获取单元23以及第二获取单元25。下面对该示功图特征数据的获取装置进行说明。
接收单元21,用于接收示功图数据。
第一获取单元23,用于通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据。
第二获取单元25,用于根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。
在该实施例中,可以首先利用接收单元接收示功图数据;然后利用第一获取单元通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;再利用第二获取单元根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。相对于相关技术中采用人工直接观察的方式对抽油机系统进行分析,以判断其是否发生故障,容易出现故障判别准确率较低,主观性强,实时性较差等弊端,通过本发明实施例提供的示功图特征数据的获取装置可以实现基于卷积神经网络的自编码器技术对抽油机系统的示功图进行特征提取的目的,达到了提高抽油机系统故障判别的准确性的技术效果,进而解决了相关技术采用人工分析方式对抽油机进行故障分析导致的故障判别准确性较低的技术问题。
作为一种可选的实施例,该示功图特征数据的获取装置还可以包括:采集单元,用于在通过自编码器模型,获取与示功图数据对应的特征编码数据之前,采集历史时间段的多个历史示功图数据和多个历史特征编码数据,其中,多个历史特征编码数据是根据多个历史示功图数据确定的数据;第三获取单元,用于对采集的包括多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到自编码器模型。
作为一种可选的实施例,该示功图特征数据的获取装置还可以包括:分析单元,用于在采集历史时间段的多个历史示功图数据之后,对多个历史示功图数据进行分析,得到多个历史示功图数据中的无效数据,其中,无效数据包括以下至少之一:多个历史示功图数据中对应示功图的畸变严重程度超过预设程度的示功图数据、多个历史示功图数据对应的单井的状态为停井状态的数据;删除单元,用于将多个历史示功图数据中的无效数据删除。
作为一种可选的实施例,该示功图特征数据的获取装置还可以包括:确定单元,用于在采集历史时间段的多个历史示功图数据之后,确定多个历史示功图数据中的每个示功图数据中坐标轴的量程;转换单元,用于对所述每个示功图数据的量程和分辨率进行统一。
作为一种可选的实施例,该示功图特征数据的获取装置还可以包括:优化单元,用于在对采集的包括多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到自编码器模型之后,对自编码器模型进行优化。
作为一种可选的实施例,该优化单元可以包括:解码模块,用于利用反卷积神经网络对编码数据进行解码,得到解码数据,其中,编码数据是自编码器对多个历史示功图数据进行编码得到的数据;构建模块,用于利用解码数据构建示功图图像一;比对模块,用于将示功图图像一与多个历史示功图数据对应的示功图二进行比对,得到比对结果;调整模块,用于在比对结果大于预定阈值的情况下,调整卷积神经网络的神经网络参数;优化模块,用于根据调整后的神经网络参数以及编码数据对自编码器模型进行优化。
上述示功图特征数据的获取装置包括处理器和存储器,上述接收单元21,第一获取单元23以及第二获取单元25等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另外一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述中任意一项的示功图特征数据的获取方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述中任意一项的示功图特征数据的获取方法。
在本发明实施例中还提供了一种设备,该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:接收示功图数据;通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。
在本发明实施例中还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:接收示功图数据;通过自编码器模型,获取与示功图数据对应的特征编码数据,其中,自编码器模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;根据特征编码数据获取示功图的特征数据,其中,特征数据用于表示示功图对应的抽油机系统的运行状态。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种示功图特征数据的获取方法,其特征在于,包括:
接收示功图数据;
通过自编码器模型,获取与所述示功图数据对应的特征编码数据,其中,所述自编码器模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;
根据所述特征编码数据获取所述示功图的特征数据,其中,所述特征数据用于表示所述示功图对应的抽油机系统的运行状态。
2.根据权利要求1所述的方法,其特征在于,在通过自编码器模型,获取与所述示功图数据对应的特征编码数据之前,还包括:
采集历史时间段的多个历史示功图数据和多个历史特征编码数据,其中,所述多个历史特征编码数据是根据多个历史示功图数据确定的数据;
对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型。
3.根据权利要求2所述的方法,其特征在于,在采集历史时间段的多个历史示功图数据之后,还包括:
对所述多个历史示功图数据进行分析,得到所述多个历史示功图数据中的无效数据,其中,所述无效数据包括以下至少之一:所述多个历史示功图数据中对应示功图的畸变严重程度超过预设程度的示功图数据、所述多个历史示功图数据对应的单井的状态为停井状态的数据;
将所述多个历史示功图数据中的无效数据删除。
4.根据权利要求3所述的方法,其特征在于,在采集历史时间段的多个历史示功图数据之后,还包括:
确定所述多个历史示功图数据中的每个示功图数据中坐标轴的量程和分辨率;
对所述每个示功图数据的量程和分辨率进行统一。
5.根据权利要求4所述的方法,其特征在于,在对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型之后,还包括:对所述自编码器模型进行优化。
6.根据权利要求5所述的方法,其特征在于,对所述自编码器模型进行优化包括:
利用反卷积神经网络对编码数据进行解码,得到解码数据,其中,所述编码数据是自编码器对多个历史示功图数据进行编码得到的数据;
利用所述解码数据构建示功图图像一;
将所述示功图图像一与所述多个历史示功图数据对应的示功图二进行比对,得到比对结果;
在所述比对结果大于预定阈值的情况下,调整所述卷积神经网络的神经网络参数;
根据调整后的神经网络参数以及所述编码数据对所述自编码器模型进行优化。
7.一种示功图特征数据的获取装置,其特征在于,包括:
接收单元,用于接收示功图数据;
第一获取单元,用于通过自编码器模型,获取与所述示功图数据对应的特征编码数据,其中,所述自编码器模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:示功图数据和该示功图数据对应的特征编码数据;
第二获取单元,用于根据所述特征编码数据获取所述示功图的特征数据,其中,所述特征数据用于表示所述示功图对应的抽油机系统的运行状态。
8.根据权利要求7所述的装置,其特征在于,还包括:
采集单元,用于在通过自编码器模型,获取与所述示功图数据对应的特征编码数据之前,采集历史时间段的多个历史示功图数据和多个历史特征编码数据,其中,所述多个历史特征编码数据是根据多个历史示功图数据确定的数据;
第三获取单元,用于对采集的包括所述多个历史示功图数据和多个历史特征编码数据的多组数据进行训练,得到所述自编码器模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至6中任意一项所述的示功图特征数据的获取方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的示功图特征数据的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811161773.2A CN110969180A (zh) | 2018-09-30 | 2018-09-30 | 示功图特征数据的获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811161773.2A CN110969180A (zh) | 2018-09-30 | 2018-09-30 | 示功图特征数据的获取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110969180A true CN110969180A (zh) | 2020-04-07 |
Family
ID=70029334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811161773.2A Pending CN110969180A (zh) | 2018-09-30 | 2018-09-30 | 示功图特征数据的获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969180A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780652A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361365A (zh) * | 2014-12-04 | 2015-02-18 | 杭州和利时自动化有限公司 | 一种抽油泵运行状态识别方法及装置 |
WO2016107592A1 (zh) * | 2014-12-31 | 2016-07-07 | 新疆维吾尔自治区第三机床厂 | 智能控制抽油方法和智能抽油机 |
CN108319749A (zh) * | 2017-12-20 | 2018-07-24 | 中国石油天然气股份有限公司 | 一种确定示功图的方法及装置 |
-
2018
- 2018-09-30 CN CN201811161773.2A patent/CN110969180A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361365A (zh) * | 2014-12-04 | 2015-02-18 | 杭州和利时自动化有限公司 | 一种抽油泵运行状态识别方法及装置 |
WO2016107592A1 (zh) * | 2014-12-31 | 2016-07-07 | 新疆维吾尔自治区第三机床厂 | 智能控制抽油方法和智能抽油机 |
CN108319749A (zh) * | 2017-12-20 | 2018-07-24 | 中国石油天然气股份有限公司 | 一种确定示功图的方法及装置 |
Non-Patent Citations (2)
Title |
---|
仲志丹等: "基于稀疏自编码神经网络的抽油机井故障诊断", 《西安科技大学学报》 * |
张西宁等: "一种深度卷积自编码网络及其在滚动轴承故障诊断中的应用", 《西安交通大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780652A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN113780652B (zh) * | 2021-09-07 | 2024-05-14 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115659070B (zh) | 一种基于nb-iot智能水表的水流量数据传输方法 | |
CN111781576A (zh) | 一种基于深度学习的探地雷达智能反演方法 | |
CN107877262B (zh) | 一种基于深度学习的数控机床刀具磨损监测方法 | |
CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN113569903A (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
CN111738521B (zh) | 非侵入式电力负荷监测序列生成方法、系统、设备及介质 | |
CN112486136B (zh) | 故障预警系统及方法 | |
CN117969092B (zh) | 一种盾构机主轴承的故障检测方法、设备及介质 | |
CN110969180A (zh) | 示功图特征数据的获取方法及装置 | |
CN114708675A (zh) | 基于dae的电潜泵故障诊断方法、系统、终端及介质 | |
CN104481508A (zh) | 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 | |
CN117076915B (zh) | Fpso原油工艺系统的智能故障归因分析方法及系统 | |
CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
CN116341698A (zh) | 一种基于时间序列预测模型的大坝变形监测分析方法 | |
CN114912372B (zh) | 一种基于人工智能算法的高精度充填管路故障预警方法 | |
CN111160435A (zh) | 基于重构残差编码器的荧光光谱有机污染预警方法 | |
CN115878978A (zh) | 一种工业移动机器人周期特征信号异常检测方法 | |
CN112242929B (zh) | 日志检测方法及装置 | |
CN112488805B (zh) | 基于多元回归时间序列分析的长租市场预警方法 | |
CN116910635A (zh) | 基于联邦学习和膨胀卷积的调压器故障诊断方法及装置 | |
CN113947248B (zh) | 一种电缆受潮老化跳闸的风险预测方法和相关装置 | |
CN117556354A (zh) | 故障预测方法、装置、存储介质以及电子设备 |
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: 20200407 |