CN110991779A - 抽油机井的异常检测方法及装置 - Google Patents
抽油机井的异常检测方法及装置 Download PDFInfo
- Publication number
- CN110991779A CN110991779A CN201811163351.9A CN201811163351A CN110991779A CN 110991779 A CN110991779 A CN 110991779A CN 201811163351 A CN201811163351 A CN 201811163351A CN 110991779 A CN110991779 A CN 110991779A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- indicator diagram
- time period
- detection model
- preset time
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 238000005086 pumping Methods 0.000 title claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 174
- 238000010586 diagram Methods 0.000 claims abstract description 139
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000005856 abnormality Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000003921 oil Substances 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000003129 oil well Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种抽油机井的异常检测方法及装置。该方法包括：获取预设时间段内目标抽油机井的示功图；将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的；基于异常点集合确定预设时间段内的目标抽油机井是否异常。通过本申请，解决了相关技术中采用人工方式判别抽油机井的异常的准确率较低的问题。
Description
技术领域
本申请涉及抽油机井的信息处理技术领域，具体而言，涉及一种抽油机井的异常检测方法及装置。
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。
针对相关技术中采用人工方式判别抽油机井的异常的准确率较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种抽油机井的异常检测方法及装置，以解决相关技术中采用人工方式判别抽油机井的异常的准确率较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种抽油机井的异常检测方法。该方法包括：获取预设时间段内目标抽油机井的示功图；将所述示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，所述异常检测模型是使用所述目标抽油机井的历史示功图学习训练出的；基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常。
进一步地，在将所述示功图输入预先训练出的异常检测模型中，得到异常点集合之前，所述方法还包括：对所述目标抽油机井的历史示功图进行特征提取，获取所述历史示功图中的绝对特征；基于所述历史示功图中的绝对特征计算所述历史示功图中的相对特征；将所述历史示功图中的绝对特征和所述历史示功图中的相对特征、以及对所述历史示功图上标注的异常点进行学习训练，生成所述异常检测模型。
进一步地，将所述示功图输入预先训练出的异常检测模型中，得到异常点集合包括：将所述示功图输入预先训练出的异常检测模型中，获取所述异常检测模型输出的疑异常点的异常程度；按照第一预设阈值从所述疑异常点中确定异常点，得到所述异常点集合。
进一步地，基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常包括：计算所述预设时间段内所述预设时间段内的所述异常点集合中异常点的占比；若所述异常点的占比大于第二预设阈值，则确定所述预设时间段内的所述目标抽油机井异常。
进一步地，在确定所述预设时间段内的所述目标抽油机井异常之后，所述方法还包括：在检测到调整所述第一预设阈值的情况下，使用调整后的第一预设阈值从所述异常检测模型输出的疑异常点中确定异常点。
进一步地，在确定所述预设时间段内的所述目标抽油机井异常之后，所述方法还包括：若连续的预设时间段内所述目标抽油机井异常，则确定所述目标抽油机井在连续的预设时间段的生成为异常生成段，触发提醒消息。
为了实现上述目的，根据本申请的另一方面，提供了一种抽油机井的异常检测装置。该装置包括：第一获取单元，用于获取预设时间段内目标抽油机井的示功图；第二获取单元，用于将所述示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，所述异常检测模型是使用所述目标抽油机井的历史示功图学习训练出的；第一确定单元，用于基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常。
进一步地，所述装置还包括：第三获取单元，用于在将所述示功图输入预先训练出的异常检测模型中，得到异常点集合之前，对所述目标抽油机井的历史示功图进行特征提取，获取所述历史示功图中的绝对特征；计算单元，用于基于所述历史示功图中的绝对特征计算所述历史示功图中的相对特征；生成单元，用于将所述历史示功图中的绝对特征和所述历史示功图中的相对特征、以及对所述历史示功图上标注的异常点进行学习训练，生成所述异常检测模型。
为了实现上述目的，根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任意一项所述的抽油机井的异常检测方法。
为了实现上述目的，根据本申请的另一方面，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任意一项所述的抽油机井的异常检测方法。
通过本申请，采用以下步骤：获取预设时间段内目标抽油机井的示功图；将所述示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，所述异常检测模型是使用所述目标抽油机井的历史示功图学习训练出的；基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常，解决了相关技术中采用人工方式判别抽油机井的异常的准确率较低的问题。通过基于目标抽油机井的历史示功图学习训练出的异常检测模型，判别目标抽油机井的是否异常，进而达到了提升判别抽油机井的异常的准确率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的抽油机井的异常检测方法的流程图；以及
图2是根据本申请实施例提供的抽油机井的异常检测装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请的实施例。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，以下对本申请实施例涉及的部分名词或术语进行说明：
示功图：在抽油机井上部分安装传感器，测量抽油杆在一个往复运动周期内，若干个状态下的纵向位移与载荷数据。以最低位置为位移零点，同时以位移为横轴，载荷为纵轴，构建坐标系。则上述多个位移载荷对退化为坐标系上多个点，由于抽油机系统为往复运动，因此一个周期内初始终了状态的位移，载荷均相等，所以连接上述各点，可得坐标系内一封闭图形。图形面积反映了一个周期内抽油机所做的功，此图形称作示功图。
二叉决策树：一种分支结构的分类模型，在每个中间节点处，取某一特征的某一阈值，将原数据集分为两部分，直到到达最终的叶子节点，取其大多数数据类别作为该节点的数据类别。
根据本申请的实施例，提供了一种抽油机井的异常检测方法。
图1是根据本申请实施例的抽油机井的异常检测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，获取预设时间段内目标抽油机井的示功图。
例如，获取抽油机井A在2018年9月1日内所有的示功图。
步骤S102，将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的。
在本申请实施例提供的抽油机井的异常检测方法中，在将示功图输入预先训练出的异常检测模型中，得到异常点集合之前，该方法还包括：对目标抽油机井的历史示功图进行特征提取，获取历史示功图中的绝对特征；基于历史示功图中的绝对特征计算历史示功图中的相对特征；将历史示功图中的绝对特征和历史示功图中的相对特征、以及对历史示功图上标注的异常点进行学习训练，生成异常检测模型。
需要说明的是，上述的绝对特征是直接从示功图中直接提取的特征数据，该相对特征是基于直接提取出的特征数据计算出的特征数据，基于绝对特征和相对特征以及对历史示功图上标注的异常点进行学习训练，生成异常检测模型。
直接从示功图中直接提取的特征数据可以为采用IsolationForest算法，对示功图特征数据进行识别。其基本原理可以为构建随机划分的二叉决策树，对于数据偏离较大的样本，其将很快被决策树筛出，而对于数据分布与大多数样本保持一致的样本，其将沉淀到决策树深处。因此可根据样本最后被划分的叶节点与决策树起点的深度差，确定其异常程度，确定异常点。
可选地，在本申请实施例提供的抽油机井的异常检测方法中，将示功图输入预先训练出的异常检测模型中，得到异常点集合包括：将示功图输入预先训练出的异常检测模型中，获取异常检测模型输出的疑异常点的异常程度；按照第一预设阈值从疑异常点中确定异常点，得到异常点集合。
上述的第一预设阈值为确定异常率，例如为0.05％，在预设异常率为0.05％的情况下，根据异常检测模型输出的疑异常点的异常程度，从疑异常点中确定异常点，确定出多个异常点，得到异常点集合。
步骤S103，基于异常点集合确定预设时间段内的目标抽油机井是否异常。
通过上述步骤得到的多个异常点组成的异常点集合，确定出预设时间段内的目标抽油机井是否异常。
可选地，在本申请实施例提供的抽油机井的异常检测方法中，基于异常点集合确定预设时间段内的目标抽油机井是否异常包括：计算预设时间段内预设时间段内的异常点集合中异常点的占比；若异常点的占比大于第二预设阈值，则确定预设时间段内的目标抽油机井异常。
计算预设时间段内预设时间段内的异常点集合中异常点的占比，也即是计算异常点集合中异常点在预设时间段内所有采样点中的占比，例如，预设时间段内，采集了目标抽油机井100个采样点，异常点集合中异常点为65个，则计算出异常点在预设时间段内所有采样点中的占比为65％。若第二预设阈值为50％，则确定出预设时间段内的目标抽油机井异常。
可选地，在本申请实施例提供的抽油机井的异常检测方法中，在确定预设时间段内的目标抽油机井异常之后，该方法还包括：在检测到调整第一预设阈值的情况下，使用调整后的第一预设阈值从异常检测模型输出的疑异常点中确定异常点。
在上述方案中，若在确定出预设时间段内的目标抽油机井异常后，维护人员会去查看异常情况，若查看后部分异常点并不是异常状态，会调整第一预设阈值，例如调整为0.03％，使用调整后的第一预设阈值从异常检测模型输出的疑异常点中确定异常点，以便提升后续判别抽油机井的异常的准确率。
可选地，在本申请实施例提供的抽油机井的异常检测方法中，在确定预设时间段内的目标抽油机井异常之后，该方法还包括：若连续的预设时间段内目标抽油机井异常，则确定目标抽油机井在连续的预设时间段的生成为异常生成段，触发提醒消息。
例如，通过上述方案，确定出连续3天目标抽油机井为异常，则触发提醒消息，提醒相关人员及时处理。
在本申请实施例提供的抽油机井的异常检测方法中，对于每一口油井的全量历史示功图进行特征抽取，所抽取的特征可根据定义公式(例如，IsolationForest算法)计算实现，也可以根据自编码器对功图基本载荷位移数据进行压缩编码而实现。选择同一区块内具有相同储层特征及生产特征的所有单井的历史数据进行训练，对同一口井内所有历史数据导入模型进行训练，对模型所输出的疑异点的异常程度，按预设的异常率阈值确定异常点。可以按照天统计异常点占比，超过50％的天标记为异常生产天。合并连续的异常生产天，得到异常生产段，模型训练与数据后处理结束。将异常生产段交由相关人员判定其是否为故障段，统计其准确率与召回率，即可实现异常检测算法的测试与评价。根据测试结果反馈，调节预设的异常率阈值，以提高模型精度。以便提升判别抽油机井的异常的准确率。
在本申请实施例提供的抽油机井的异常检测方法中，还可以将异常检测模型在线化，将上节中训练时采用的全量历史数据改为当前天之前一段时间内的历史数据，将当前天数据导入训练得到的异常检测模型得到预测结果。统计当前异常率阈值下当天的异常点占比，超过50％则标记为异常生产天。通过设置向后移动当前时间指针与训练时间窗口，即可实现异常检测模型的在线化。在系统后台搭建在线异常检测模型的处理流程后，即可不断将抽油机井当天示功图数据输入流程接口，当系统积累一定量数据后，自动开始执行异常检测。对于正常工作的抽油泵，异常检测算法不做处理，对于有故障特征的示功图图像，异常检测算法输出其有无故障以及故障概率。
在本申请中，采用异常检测技术，通过无监督学习方法对抽油机示功图进行有无故障的判断以及故障概率的计算，在线化的滚动预测异常检测模型，能够实现模型自动迭代更新。
综上所述，本申请实施例提供的抽油机井的异常检测方法，通过获取预设时间段内目标抽油机井的示功图；将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的；基于异常点集合确定预设时间段内的目标抽油机井是否异常，解决了相关技术中采用人工方式判别抽油机井的异常的准确率较低的问题。通过基于目标抽油机井的历史示功图学习训练出的异常检测模型，判别目标抽油机井的是否异常，进而达到了提升判别抽油机井的异常的准确率的效果。
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。
本申请实施例还提供了一种抽油机井的异常检测装置，需要说明的是，本申请实施例的抽油机井的异常检测装置可以用于执行本申请实施例所提供的用于抽油机井的异常检测方法。以下对本申请实施例提供的抽油机井的异常检测装置进行介绍。
图2是根据本申请实施例的抽油机井的异常检测装置的示意图。如图2所示，该装置包括：第一获取单元201，第二获取单元202和第一确定单元203。
第一获取单元201，用于获取预设时间段内目标抽油机井的示功图。
第二获取单元202，用于将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的。
第一确定单元203，用于基于异常点集合确定预设时间段内的目标抽油机井是否异常。
本申请实施例提供的抽油机井的异常检测装置，通过第一获取单元201获取预设时间段内目标抽油机井的示功图；第二获取单元202将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的；第一确定单元203基于异常点集合确定预设时间段内的目标抽油机井是否异常，解决了相关技术中采用人工方式判别抽油机井的异常的准确率较低的问题。通过基于目标抽油机井的历史示功图学习训练出的异常检测模型，判别目标抽油机井的是否异常，进而达到了提升判别抽油机井的异常的准确率的效果。
可选地，在本申请实施例提供的抽油机井的异常检测装置中，该装置还包括：第三获取单元，用于在将示功图输入预先训练出的异常检测模型中，得到异常点集合之前，对目标抽油机井的历史示功图进行特征提取，获取历史示功图中的绝对特征；计算单元，用于基于历史示功图中的绝对特征计算历史示功图中的相对特征；生成单元，用于将历史示功图中的绝对特征和历史示功图中的相对特征、以及对历史示功图上标注的异常点进行学习训练，生成异常检测模型。
可选地，在本申请实施例提供的抽油机井的异常检测装置中，第二获取单元202包括：第一获取模块，用于将示功图输入预先训练出的异常检测模型中，获取异常检测模型输出的疑异常点的异常程度；第二获取模块，用于按照第一预设阈值从疑异常点中确定异常点，得到异常点集合。
可选地，在本申请实施例提供的抽油机井的异常检测装置中，第一确定单元203包括：计算模块，用于计算预设时间段内预设时间段内的异常点集合中异常点的占比；确定模块，用于在异常点的占比大于第二预设阈值的情况下，则确定预设时间段内的目标抽油机井异常。
可选地，在本申请实施例提供的抽油机井的异常检测装置中，该装置还包括：第二确定单元，用于在确定预设时间段内的目标抽油机井异常之后，在检测到调整第一预设阈值的情况下，使用调整后的第一预设阈值从异常检测模型输出的疑异常点中确定异常点。
可选地，在本申请实施例提供的抽油机井的异常检测装置中，该装置还包括：第三确定单元，用于在确定预设时间段内的目标抽油机井异常之后，在连续的预设时间段内目标抽油机井异常的情况下，则确定目标抽油机井在连续的预设时间段的生成为异常生成段，触发提醒消息。
抽油机井的异常检测装置包括处理器和存储器，上述第一获取单元201，第二获取单元202和第一确定单元203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。
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，通过调整内核参数来检测抽油机井的异常。
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(flashRAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述抽油机井的异常检测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述抽油机井的异常检测方法。
本发明实施例提供了一种设备，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：获取预设时间段内目标抽油机井的示功图；将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的；基于异常点集合确定预设时间段内的目标抽油机井是否异常。
处理器执行程序时还可以实现以下步骤：在将示功图输入预先训练出的异常检测模型中，得到异常点集合之前，该方法还包括：对目标抽油机井的历史示功图进行特征提取，获取历史示功图中的绝对特征；基于历史示功图中的绝对特征计算历史示功图中的相对特征；将历史示功图中的绝对特征和历史示功图中的相对特征、以及对历史示功图上标注的异常点进行学习训练，生成异常检测模型。
处理器执行程序时还可以实现以下步骤：将示功图输入预先训练出的异常检测模型中，得到异常点集合包括：将示功图输入预先训练出的异常检测模型中，获取异常检测模型输出的疑异常点的异常程度；按照第一预设阈值从疑异常点中确定异常点，得到异常点集合。
处理器执行程序时还可以实现以下步骤：基于异常点集合确定预设时间段内的目标抽油机井是否异常包括：计算预设时间段内预设时间段内的异常点集合中异常点的占比；若异常点的占比大于第二预设阈值，则确定预设时间段内的目标抽油机井异常。
处理器执行程序时还可以实现以下步骤：在确定预设时间段内的目标抽油机井异常之后，该方法还包括：在检测到调整第一预设阈值的情况下，使用调整后的第一预设阈值从异常检测模型输出的疑异常点中确定异常点。
处理器执行程序时还可以实现以下步骤：在确定预设时间段内的目标抽油机井异常之后，该方法还包括：若连续的预设时间段内目标抽油机井异常，则确定目标抽油机井在连续的预设时间段的生成为异常生成段，触发提醒消息。本文中的设备可以是服务器、PC、PAD、手机等。
本申请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：获取预设时间段内目标抽油机井的示功图；将示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，异常检测模型是使用目标抽油机井的历史示功图学习训练出的；基于异常点集合确定预设时间段内的目标抽油机井是否异常。
执行初始化还有如下方法步骤的程序：在将示功图输入预先训练出的异常检测模型中，得到异常点集合之前，该方法还包括：对目标抽油机井的历史示功图进行特征提取，获取历史示功图中的绝对特征；基于历史示功图中的绝对特征计算历史示功图中的相对特征；将历史示功图中的绝对特征和历史示功图中的相对特征、以及对历史示功图上标注的异常点进行学习训练，生成异常检测模型。
执行初始化还有如下方法步骤的程序：将示功图输入预先训练出的异常检测模型中，得到异常点集合包括：将示功图输入预先训练出的异常检测模型中，获取异常检测模型输出的疑异常点的异常程度；按照第一预设阈值从疑异常点中确定异常点，得到异常点集合。
执行初始化还有如下方法步骤的程序：基于异常点集合确定预设时间段内的目标抽油机井是否异常包括：计算预设时间段内预设时间段内的异常点集合中异常点的占比；若异常点的占比大于第二预设阈值，则确定预设时间段内的目标抽油机井异常。
执行初始化还有如下方法步骤的程序：在确定预设时间段内的目标抽油机井异常之后，该方法还包括：在检测到调整第一预设阈值的情况下，使用调整后的第一预设阈值从异常检测模型输出的疑异常点中确定异常点。
执行初始化还有如下方法步骤的程序：在确定所述预设时间段内的所述目标抽油机井异常之后，所述方法还包括：若连续的预设时间段内所述目标抽油机井异常，则确定所述目标抽油机井在连续的预设时间段的生成为异常生成段，触发提醒消息。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
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)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种抽油机井的异常检测方法，其特征在于，包括：
获取预设时间段内目标抽油机井的示功图；
将所述示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，所述异常检测模型是使用所述目标抽油机井的历史示功图学习训练出的；
基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常。
2.根据权利要求1所述的方法，其特征在于，在将所述示功图输入预先训练出的异常检测模型中，得到异常点集合之前，所述方法还包括：
对所述目标抽油机井的历史示功图进行特征提取，获取所述历史示功图中的绝对特征；
基于所述历史示功图中的绝对特征计算所述历史示功图中的相对特征；
将所述历史示功图中的绝对特征和所述历史示功图中的相对特征、以及对所述历史示功图上标注的异常点进行学习训练，生成所述异常检测模型。
3.根据权利要求1所述的方法，其特征在于，将所述示功图输入预先训练出的异常检测模型中，得到异常点集合包括：
将所述示功图输入预先训练出的异常检测模型中，获取所述异常检测模型输出的疑异常点的异常程度；
按照第一预设阈值从所述疑异常点中确定异常点，得到所述异常点集合。
4.根据权利要求3所述的方法，其特征在于，基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常包括：
计算所述预设时间段内所述预设时间段内的所述异常点集合中异常点的占比；
若所述异常点的占比大于第二预设阈值，则确定所述预设时间段内的所述目标抽油机井异常。
5.根据权利要求4所述的方法，其特征在于，在确定所述预设时间段内的所述目标抽油机井异常之后，所述方法还包括：
在检测到调整所述第一预设阈值的情况下，使用调整后的第一预设阈值从所述异常检测模型输出的疑异常点中确定异常点。
6.根据权利要求4所述的方法，其特征在于，在确定所述预设时间段内的所述目标抽油机井异常之后，所述方法还包括：若连续的预设时间段内所述目标抽油机井异常，则确定所述目标抽油机井在连续的预设时间段的生成为异常生成段，触发提醒消息。
7.一种抽油机井的异常检测装置，其特征在于，包括：
第一获取单元，用于获取预设时间段内目标抽油机井的示功图；
第二获取单元，用于将所述示功图输入预先训练出的异常检测模型中，得到异常点集合，其中，所述异常检测模型是使用所述目标抽油机井的历史示功图学习训练出的；
第一确定单元，用于基于所述异常点集合确定所述预设时间段内的所述目标抽油机井是否异常。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第三获取单元，用于在将所述示功图输入预先训练出的异常检测模型中，得到异常点集合之前，对所述目标抽油机井的历史示功图进行特征提取，获取所述历史示功图中的绝对特征；
计算单元，用于基于所述历史示功图中的绝对特征计算所述历史示功图中的相对特征；
生成单元，用于将所述历史示功图中的绝对特征和所述历史示功图中的相对特征、以及对所述历史示功图上标注的异常点进行学习训练，生成所述异常检测模型。
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中任意一项所述的抽油机井的异常检测方法。
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中任意一项所述的抽油机井的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811163351.9A CN110991779A (zh) | 2018-09-30 | 2018-09-30 | 抽油机井的异常检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811163351.9A CN110991779A (zh) | 2018-09-30 | 2018-09-30 | 抽油机井的异常检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991779A true CN110991779A (zh) | 2020-04-10 |
Family
ID=70059876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811163351.9A Pending CN110991779A (zh) | 2018-09-30 | 2018-09-30 | 抽油机井的异常检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991779A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113898334A (zh) * | 2021-10-14 | 2022-01-07 | 辽宁弘毅科技有限公司 | 一种抽油机井多功能综合测试仪参数智能分析方法及系统 |
| CN114718525A (zh) * | 2021-01-05 | 2022-07-08 | 中国石油天然气股份有限公司 | 抽油机控制方法、计算机设备及存储介质 |
Citations (7)
| 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 |
| US20160356859A1 (en) * | 2015-06-02 | 2016-12-08 | Passivsystems Limited | Fault detection in energy generation arrangements |
| CN106677761A (zh) * | 2016-12-27 | 2017-05-17 | 东软集团股份有限公司 | 一种故障预测方法及装置 |
| CN106951662A (zh) * | 2017-04-12 | 2017-07-14 | 东北大学 | 基于凡尔工作点的有杆泵抽油井井下工况诊断方法 |
| CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学（威海） | 一种基于深度学习的复杂装备点异常检测方法及系统 |
| CN108563548A (zh) * | 2018-03-19 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
-
2018
- 2018-09-30 CN CN201811163351.9A patent/CN110991779A/zh active Pending
Patent Citations (7)
| 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 |
| US20160356859A1 (en) * | 2015-06-02 | 2016-12-08 | Passivsystems Limited | Fault detection in energy generation arrangements |
| CN106677761A (zh) * | 2016-12-27 | 2017-05-17 | 东软集团股份有限公司 | 一种故障预测方法及装置 |
| CN106951662A (zh) * | 2017-04-12 | 2017-07-14 | 东北大学 | 基于凡尔工作点的有杆泵抽油井井下工况诊断方法 |
| CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学（威海） | 一种基于深度学习的复杂装备点异常检测方法及系统 |
| CN108563548A (zh) * | 2018-03-19 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114718525A (zh) * | 2021-01-05 | 2022-07-08 | 中国石油天然气股份有限公司 | 抽油机控制方法、计算机设备及存储介质 |
| CN113898334A (zh) * | 2021-10-14 | 2022-01-07 | 辽宁弘毅科技有限公司 | 一种抽油机井多功能综合测试仪参数智能分析方法及系统 |
| CN113898334B (zh) * | 2021-10-14 | 2023-09-05 | 辽宁弘毅科技有限公司 | 一种抽油机井多功能综合测试仪参数智能分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460561B (zh) | 采油设备故障诊断方法及装置 | |
| US9292799B2 (en) | Global model for failure prediction for artificial lift systems | |
| CN109447380B (zh) | 油井产量确定方法及装置 | |
| CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
| US11060899B2 (en) | Method for determining a maximum allowable volume of water that can be removed over time from an underground water source | |
| CN106104496A (zh) | 用于任意时序的不受监督的异常检测 | |
| CN105593864B (zh) | 用于维护设备的分析设备退化 | |
| CN111199090B (zh) | 一种故障识别方法及相关设备 | |
| Peterson et al. | The good, the bad and the outliers: automated detection of errors and outliers from groundwater hydrographs | |
| CN107895014B (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
| CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
| CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| CN116665421A (zh) | 机械设备的预警处理方法、装置及计算机可读存储介质 | |
| CN112577664A (zh) | 传感器故障检测方法、装置及相关产品 | |
| CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN112486136B (zh) | 故障预警系统及方法 | |
| CN112526959A (zh) | 一种抽油泵故障诊断方法、装置、设备及存储介质 | |
| CN111197480B (zh) | 一种信息处理方法及相关设备 | |
| CN116186479A (zh) | 用于泵车工况数据的处理方法、处理器、装置及存储介质 | |
| CN112907114A (zh) | 漏油故障检测方法、装置、电子设备和存储介质 | |
| CN114491936A (zh) | 高压管汇寿命的确定方法及装置、高压管汇系统 | |
| CN110952973A (zh) | 油气开采监测方法、寿命确定模型获得方法及相关设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |