CN111197480B - 一种信息处理方法及相关设备 - Google Patents

一种信息处理方法及相关设备 Download PDF

Info

Publication number
CN111197480B
CN111197480B CN201811287546.4A CN201811287546A CN111197480B CN 111197480 B CN111197480 B CN 111197480B CN 201811287546 A CN201811287546 A CN 201811287546A CN 111197480 B CN111197480 B CN 111197480B
Authority
CN
China
Prior art keywords
feature
target
indicator diagram
offset value
sequence
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.)
Active
Application number
CN201811287546.4A
Other languages
English (en)
Other versions
CN111197480A (zh
Inventor
汤潮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201811287546.4A priority Critical patent/CN111197480B/zh
Publication of CN111197480A publication Critical patent/CN111197480A/zh
Application granted granted Critical
Publication of CN111197480B publication Critical patent/CN111197480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明实施例提供了一种信息处理方法及相关设备，可以提高对抽油机井渐变型故障的识别效果。该方法包括：获取目标示功图；确定所述目标示功图对应的目标特征序列；通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内的各个时刻的目标偏移值；将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据。

Description

一种信息处理方法及相关设备
技术领域
本发明涉及信息处理领域，特别涉及一种信息处理方法及相关设备。
背景技术
抽油泵由于长期在井筒井下复杂条件进行不间断运动，受到抽油泵本身结构部件及井筒内环境介质的影响，会经常出现凡尔漏失、结蜡影响、油稠影响气体影响、井筒出砂影响等情况，同时也会受到储层本身供液不足的影响导致抽油泵的工作状态变化，除以上之外抽油杆的断脱、油管的漏失也会直接引起抽油泵的无法工作。无论以上哪种情况都会引起抽油泵的工作效率降低或停止，进而引起抽油机井产量的降低或直接造成抽油机井停产。出现抽油泵故障后，需要分析清楚故障的类型和导致故障的原因，进行更换井下抽油泵的复杂作业，或对井筒进行相应的处理措施，才能恢复抽油机井的生产。
抽油机井的故障类型分为突变型和渐变型的，突变型故障在示功图图像上，短时间内，特征变化往往表现的比较明显，较容易通过算法识别出来；而渐变型故障，是随时间渐变的，直观来看，识别难度相对较大。如抽油机井结蜡就是一种典型的渐变型故障。
现有识别抽油机井的渐变型故障，往往是根据示功图提取出特征点，得到包含上冲程加载线斜率、下冲程卸载线斜率、上冲程最大载荷、下冲程最小载荷和示功图面积等特征，采用等权重的方法，计算当前示功图特征值与所选时间段特征值的平均值的变化幅度，根据各个特征变化的幅度，来给出抽油机井工况信息。
这一方法对于渐变型故障，识别能力很弱，如示功图面积随时间较缓慢减少，采用该变化量作为特征，整个过程中，变化量都比较小，导致识别能力较弱。
发明内容
本发明实施例提供了一种信息处理方法及相关设备，可以提高对抽油机井渐变型故障的识别效果。
本发明实施例第一方面提供了一种信息处理方法，具体包括：
获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内各个时刻的目标偏移值；
将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障。
可选地，所述将所述目标特征序列、所述目标偏移值、所述第一示功图集合以及所述第二示功图集合输入预设故障识别模型，得到目标数据之前，所述方法还包括：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
可选地，所述通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到所述偏移值集合：
Figure BDA0001849396630000021
Figure BDA0001849396630000031
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure BDA0001849396630000032
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可选地，所述确定所述示功图集合对应的第一特征序列集合包括：
基于所述抽油机井对应的示功图的位移序列以及载荷序列进行计算，以得到所述第一特征序列集合。
可选地，所述目标特征序列包括所述目标示功图对应的以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及所述目标示功图的面积。
本发明实施例第二方面提供了一种信息处理装置，包括：
获取单元，用于获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
第一确定单元，用于确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
第二确定单元，用于通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内向预设方向偏移的目标偏移值；
处理单元，用于将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障。
可选地，所述装置还包括：训练单元，所述训练单元用于：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内向所述预设方向偏移的偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
可选地，所述训练单元通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内向所述预设方向偏移的偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到所述偏移值集合：
Figure BDA0001849396630000041
Figure BDA0001849396630000042
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure BDA0001849396630000051
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可选地，所述训练单元确定所述示功图集合对应的第一特征序列集合包括：
基于所述抽油机井对应的示功图的位移序列以及载荷序列进行计算，以得到所述第一特征序列集合。
可选地，所述目标特征序列包括所述目标示功图对应的以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及所述目标示功图的面积。
本发明实施例第三方面提供了一种处理器，所述处理器用于运行计算机程序，所述计算机程序运行时执行如上述各方面所述的信息处理方法的步骤。
本发明实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时上述各方面所述的信息处理方法的步骤。
综上所述，可以看出，本发明提供的实施例中，采用了CUSUM的方法，计算示功图特征的变化情况，而通过CUSUM的方法能够放大示功图特征随时间发生的微小偏移，对于现有技术来说，可以准确识别抽油机井的渐变型故障，对抽油机的维护工作提供预警和参考。
附图说明
图1为本发明实施例提供的信息处理方法的实施例示意图；
图2为本发明实施例提供的预设故障识别模型的训练流程示意图；
图3为本发明实施例提供的信息处理装置的实施例示意图；
图4为本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
本发明实施例提供了一种信息处理方法及相关设备，可以提高对抽油机井渐变型故障的识别效果。
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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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。
下面从信息处理装置的角度对本发明的信息处理方法进行说明，该信息处理装置可以是服务器，也可以是服务器中的服务单元，具体不做限定。
请参阅图1，图1为本发明实施例提供的信息处理方法的实施例示意图，包括：
101、获取目标示功图。
本实施例中，信息处理装置可以获取目标示功图，其中该目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图，此处具体不限定获取目标示功图的方式，例如可以直接接收用户的输入的目标示功图，或者是接收用户输入的目标抽油机井的标识号，并从数据库中自行获取目标抽油机井对应的示功图。
102、确定目标示功图对应的目标特征序列。
本实施例中，信息处理装置可以确定目标示功图对应的目标特征序列，该目标特征序列为目标示功图的属性特征的序列，可以包括目标示功图对应以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及目标示功图面积等特征。
具体的，可以基于目标示功图的载荷序列以及位移序列进行计算，以得到目标特征序列中的特征，将原始的位移、载荷信息转化为一系列特征，表征出示功图的特性。
可以理解的是，此处具体不限定目标特征序列的计算方式，由于目标示功图的属性特征中的一些特征可以很容易得出或者计算出，因此下面仅对目标示功图的有效冲程的计算进行说明：识别出目标示功图中游动凡尔、固定凡尔的完全开闭的时间点，通过计算目标示功图图像的曲率极值点，来定位凡尔的完全开闭时间点，进而计算出目标示功图的有效冲程，处理方法如下：
首先对目标示功图进行低通滤波，以过滤目标示功图的一些局部波动，之后按照目标示功图的最大位移以及最小位移，将目标示功图的环状曲线分割成单值曲线，然后为了提高曲率计算的准确对，可以对目标示功图进行三次样条插值以扩充目标示功图中的点数，最后进行曲率计算以及曲率求导，并取曲率的极值点，作为凡尔的完全关闭时间点，进而计算出有效冲程。
103、通过累积和的方式确定目标特征序列中的每个特征在预设时长内的各个时刻的目标偏移值。
本实施例中，信息处理装置可以通过累积和的方式(Cumulative Sum,CUSUM)确定目标特征序列中的每个特征在预设时长内各个时刻的目标偏移值，其中，该预设时长内的各个时刻，可以是按照一定周期分布的时刻，例如预设时长为1周，则各个时刻为一周内每隔4个小时的时刻，当然也可以是其他的周期分布，例如每隔1个小时，具体不限定。下面对如何确定目标特征序列中每个特征在预设时长内各个时刻的目标偏移值进行具体说明：
CUSUM设计思想是对样本数据信息加以累积，将过程的小偏移累积起来，达到放大的效果，从而提高检测过程中对小偏移的灵敏度。
遍历目标特征序列中的每个特征，分别通过如下公式计算目标特征序列中的每个特征在预设时长(例如1周内，也可以是其他时长，具体不做限定)内的各个时刻的特征偏移值，得到目标偏移值：
Figure BDA0001849396630000081
Figure BDA0001849396630000082
其中，Shi为目标特征序列中的每个特征在预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为目标特征序列中的每个特征在i时刻向第一方向的特征偏移值，i时刻包含于预设时长，Shi(i-1)为目标特征序列中的每个特征在i-1时刻向第一方向的特征偏移值，Slo为目标特征序列中的每个特征在预设时长内的各个时刻向第二方向的特征偏移值，第二方向与第一方向为不同的方向(例如可以以横向轴为基准，计算每个特征在纵向轴上的特征偏移值)，Slo(i)为目标特征序列中的每个特征在i时刻向第二方面的特征偏移值，Slo(i-1)为目标特征序列中的每个特征在i-1时刻向第二方向的特征偏移值，
Figure BDA0001849396630000083
为过程均值，xi为目标特征序列中的每个特征在i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可以理解的是，在预设时长内，若目标特征序列中的每个特征在未发生明显偏移，则CUSUM统计目标特征序列中的每个特征的偏移量是一个在0附近随机波动的变量；
当目标特征序列发生正向偏移时，Shi(i)就会不断增大，也就是一个累计的过程；
当发生负向偏移时，Slo(i)就会不断增大，也就是一个累计的过程，对于渐变型故障，在发生渐变型故障的时间点附近，其特征在预设时长内具备向某一方向(变大或变小)渐变型的趋势，通过CUSUM可以将这个渐变过程捕捉，得到大于预设阈值的偏移值Shi(i)或Slo(i)。
104、将目标特征序列以及目标偏移值输入预设故障识别模型，得到目标数据。
本实施例中，信息处理装置可以预先训练一个预设故障识别模型，用于识别抽油机井的渐变型故障，之后将目标特征序列以及目标偏移值输入预设故障识别模型，得到目标数据，该目标数据用于指示目标抽油机井是否存在渐变型故障。
需要说明的是，该预设故障识别模型是通过对数据库中的所有抽油机井对应的示功图中每个示功图的特征序列、该每个示功图的特征序列在预设时长内向各个时刻的特征偏移值、所有抽油机井的标注为渐变型故障的示功图以及标注为正常的示功图进行训练得到的。
综上所述，可以看出，本发明提供的实施例中，采用了CUSUM的方法，计算示功图特征的变化情况，而通过CUSUM的方法能够放大示功图特征随时间发生的微小偏移，对于现有技术来说，可以提高了对抽油机井渐变型故障的识别效果。
下面结合图2对本发明实施例中预设故障识别模型的训练进行说明。
请参阅图2，图2为本发明实施例提供的预设故障识别模型的训练流程示意图，包括：
201、获取数据库中存储的抽油机井对应的示功图集合。
本实施例中，信息处理装置可以从数据库中提取抽油机井对应的示功图集合，该抽油机井与示功图集合具有关联关系，也就是说，每个抽油机井都有对应示功图集合中的至少一张示功图，也即示功图集合中的示功图为抽油机井对应的示功图。
202、确定示功图集合对应的第一特征序列集合。
本实施例中，信息处理装置可以确定示功图集合对应第一特征序列集合，该第一特征序列集合与示功图集合具有关联关系，也就是说示功图集合中的每个示功图分别对应一个第一特征序列集合中的特征序列，该特征序列为该示功图的属性特征的序列，包括以下至少之一：示功图对应的最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及示功图面积等特征。
具体的，可以基于示功图集合中的每个示功图的载荷序列以及位移序列分别进行计算，以得到第一特征序列集合中的每个特征序列，将示功图集合中的每个示功图的原始的位移、载荷信息转化为一系列特征，表征出示功图集合中的每个示功图的特性。
可以理解的是，此处具体不限定第一特征序列集合中的特征序列的计算方式，下面对第一特征序列中的有效冲程的计算进行说明：识别出示功图集合中的每个示功图中游动凡尔、固定凡尔的完全开闭的时间点，遍历示功图集合中的每个示功图并计算每个示功图图像的曲率极值点，来定位凡尔的完全开闭时间点，进而计算出每个示功图的有效冲程，处理方法如下：
首先对示功图集合中的每个示功图分别进行低通滤波，以过滤示功图集合中的每个示功图的一些局部波动，之后按照示功图集合中的每个示功图的最大位移以及最小位移，将示功图集合中的每个示功图的环状曲线分割成单值曲线，然后为了提高曲率计算的准确对，可以对目标示功图集合中的每个示功图进行三次样条插值以扩充示功图集合中每个示功图中的点数，最后进行曲率计算以及曲率求导，并取曲率的极值点，作为凡尔的完全关闭时间点，进而计算出示功图集合中的每个示功图有效冲程。
203、通过累积和的方式确定第一特征序列集合中的每个特征在预设时长内的各个时刻的特征偏移值，得到偏移值集合。
本实施例中，信息处理装置可以通过CUSUM的方式确定第一特征序列集合中每个特征序列的每个特征在预设时长内的各个时刻的特征偏移值，得到偏移值集合。
需要说明的是，具体的确定方式，例如可以遍历第一特征序列集合中的每个特征序列，之后对通过CUSUM的方式对每个特征序列中的特征进行统计，得到每个序列特征中的特征在预设时长各个时刻的特征偏移值，进而得到偏移值集合，具体方式如下：
遍历第一特征序列集合中每个特征序列中的特征，分别通过如下公式计算每个特征序列中的特征在预设时长(例如1周内，也可以是其他时长，具体不做限定)内各个时刻的特征偏移值，得到偏移值结合：
Figure BDA0001849396630000111
Figure BDA0001849396630000112
其中，Shi为第一特征序列集合中的每个特征在预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为第一特征序列集合中的每个特征在i时刻向第一方向的特征偏移值，i时刻包含于预设时长，Shi(i-1)为第一特征序列集合中的每个特征在i-1时刻向第一方向的特征偏移值，Slo为第一特征序列集合中的每个特征在预设时长内的各个时刻向第二方向的特征偏移值，第二方向与第一方向为不同的方向，Slo(i)为第一特征序列集合中的每个特征在i时刻向第二方面的特征偏移值，Slo(i-1)为第一特征序列集合中的每个特征在i-1时刻向第二方向的特征偏移值，
Figure BDA0001849396630000113
为过程均值，xi为第一特征序列集合中的每个特征在i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可以理解的是，在预设时长内，若每个特征序列中的特征在未发生明显偏移，则CUSUM统计到的每个特征序列中的特征偏移量是一个在0附近随机波动的变量；
当每个特征序列中的特征发生正向偏移时，Shi(i)就会不断增大，也就是一个累计的过程；
当每个特征序列中的特征发生负向偏移时，Slo(i)就会不断增大，也就是一个累计的过程，对于渐变型故障，在发生渐变型故障的时间点附近，其特征在预设时长内具备向某一方向(变大或变小)渐变型的趋势，通过CUSUM可以将这个渐变过程捕捉，得到大于预设阈值的偏移值Shi(i)或Slo(i)。
204、分别对示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合。
本实施例中，信息处理装置可以根据故障记录列表和生产日志备注分别对示功图集合中的每个示功图进行渐变型故障特征标注，标注每个示功图对应的抽油机井发生渐变型故障的具体开始时间点和结束时间点，由于抽油机井可以包括两种情况的示功图，一种是抽油机井有渐变型故障时对应的示功图，一种是抽油机井没有渐变型故障时对应的示功图，因此可以得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合。
需要说明的是，抽油机井对应的示功图的渐变型故障特征标注必须是在抽油机井在发生渐变型故障后执行的补救措施成功或者失败后得到的最终结果，对于未经确认的故障特征不作为标注。
205、将第一特征序列集合、偏移值集合、所述第三示功图集合以及第四示功图集合输入分类器中进行训练，得到预设故障识别模型。
本实施例中，信息处理装置将第一特征序列集合、偏移值集合、所述第三示功图集合以及第四示功图集合输入分类器中进行训练，得到预设故障识别模型，该分类器例如可以是随机森林或者GBOT，当然也可以是其他的分类器，具体不做限定，只要能训练处可以识别渐变型故障的模型即可。
综上所述，可以看出，在训练预设故障识别模型时，结合了CUSUM控制图输出的特征变化量和示功图特征本身，利用的信息更全面，能够更自由的调整模型输入变量和参数，有助于提升渐变型故障的识别效果。
上面对本发明实施例提供的信息处理方法进行说明，下面结合图3对本发明实施例提供的信息处理装置进行说明。
请参阅图3，图3为本发明实施例提供的信息处理装置的实施例示意图，该信息处理装置包括：
获取单元301，用于获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
第一确定单元302，用于确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
第二确定单元303，用于通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内向预设方向偏移的目标偏移值；
处理单元304，用于将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障。
可选地，所述装置还包括：训练单元305，所述训练单元305用于：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内向所述预设方向偏移的偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
可选地，所述训练单元305通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内向所述预设方向偏移的偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到所述偏移值集合：
Figure BDA0001849396630000131
Figure BDA0001849396630000132
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure BDA0001849396630000141
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可选地，所述训练单元305确定所述示功图集合对应的第一特征序列集合包括：
基于所述抽油机井对应的示功图的位移序列以及载荷序列进行计算，以得到所述第一特征序列集合。
可选地，所述目标特征序列可以包括所述目标示功图对应的以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及所述目标示功图的面积。
本实施例中的信息处理装置的各单元之间的交互方式如前述图1以及图2所示实施例中的描述，具体此处不再赘述。
综上所述，可以看出，本发明提供的实施例中，在词向量生成的过程中加入注意力机制，通过全局向量，对词语中的不同组成部分的重要性进行评估，然后通过对词语的原始词向量、词语所包含字的字向量的加权平均，最终得到每个词对应的词向量，相对于现有技术得到的词向量，能够有效的提升词向量的表达能力。
请参阅图4，图4是本发明实施例提供的一种服务器的结构示意图，该服务器400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)422(例如，一个或一个以上处理器)和存储器532，一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中，存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器422可以设置为与存储介质430通信，在服务器400上执行存储介质430中的一系列指令操作。
服务器400还可以包括一个或一个以上电源426，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口458，和/或，一个或一个以上操作系统441，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。
上述实施例中由信息处理装置所执行的步骤可以基于该图4所示的服务器结构。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例还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信息处理方法。
本发明实施例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所述信息处理方法。
本发明实施例还提供了一种设备，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：
获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内各个时刻的目标偏移值；
将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障。
可选地，所述将所述目标特征序列、所述目标偏移值、所述第一示功图集合以及所述第二示功图集合输入预设故障识别模型，得到目标数据之前，所述方法还包括：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
可选地，所述通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到所述偏移值集合：
Figure BDA0001849396630000161
Figure BDA0001849396630000162
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure BDA0001849396630000171
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可选地，所述确定所述示功图集合对应的第一特征序列集合包括：
基于所述抽油机井对应的示功图的位移序列以及载荷序列进行计算，以得到所述第一特征序列集合。
可选地，所述目标特征序列包括所述目标示功图对应的以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及所述目标示功图的面积。
本文中的设备可以是服务器、PC、PAD、手机等。
本发明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：
获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内各个时刻的目标偏移值；
将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障。
可选地，所述将所述目标特征序列、所述目标偏移值、所述第一示功图集合以及所述第二示功图集合输入预设故障识别模型，得到目标数据之前，所述方法还包括：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
可选地，所述通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到所述偏移值集合：
Figure BDA0001849396630000181
Figure BDA0001849396630000182
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure BDA0001849396630000183
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
可选地，所述确定所述示功图集合对应的第一特征序列集合包括：
基于所述抽油机井对应的示功图的位移序列以及载荷序列进行计算，以得到所述第一特征序列集合。
可选地，所述目标特征序列包括所述目标示功图对应的以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有小冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及所述目标示功图的面积。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照本发明实施例的方法、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，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (8)

1.一种信息处理方法，其特征在于，包括：
获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内各个时刻的目标偏移值；
将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障；
其中，所述将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据之前，所述方法还包括：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
2.根据权利要求1所述的方法，其特征在于，所述通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻的特征偏移值，得到所述偏移值集合：
Figure FDA0004115135230000011
Figure FDA0004115135230000021
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure FDA0004115135230000022
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
3.根据权利要求1所述的方法，其特征在于，所述确定所述示功图集合对应的第一特征序列集合包括：
基于所述抽油机井对应的示功图的位移序列以及载荷序列进行计算，以得到所述第一特征序列集合。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述目标特征序列包括所述目标示功图对应的以下至少之一：最大位移、最大位移载荷、最小位移、最小位移载荷、最大载荷、最小载荷、上有效冲程、下有效冲程、上有效冲程的平均载荷、下有效冲程的平均载荷、上有效冲程的振动系数、下有效冲程的振动系数以及所述目标示功图的面积。
5.一种信息处理装置，其特征在于，包括：
获取单元，用于获取目标示功图，所述目标示功图为待确定是否存在渐变型故障的目标抽油机井对应的示功图；
第一确定单元，用于确定所述目标示功图对应的目标特征序列，所述目标特征序列为所述目标示功图的属性特征的序列；
第二确定单元，用于通过累积和的方式确定所述目标特征序列中的每个特征在预设时长内向预设方向偏移的目标偏移值；
处理单元，用于将所述目标特征序列以及所述目标偏移值输入预设故障识别模型，得到目标数据，所述目标数据指示所述目标抽油机井是否存在渐变型故障；
所述装置还包括：训练单元；
所述训练单元用于：
获取数据库中存储的抽油机井对应的示功图集合，所述示功图集合与所述抽油机井具有关联关系；
确定所述示功图集合对应的第一特征序列集合，所述示功图集合与所述第一特征序列集合具有关联关系；
通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内向所述预设方向偏移的偏移值，得到偏移值集合；
分别对所述示功图集合中的每个示功图进行渐变型故障标注，得到标注为渐变型故障的第三示功图集合以及标注为正常的第四示功图集合；
将所述第一特征序列集合、所述偏移值集合、所述第三示功图集合以及所述第四示功图集合输入分类器中进行训练，得到所述预设故障识别模型。
6.根据权利要求5所述的装置，其特征在于，所述训练单元通过累积和的方式计算所述第一特征序列集合中的每个特征在所述预设时长内向所述预设方向偏移的偏移值，得到偏移值集合包括：
通过如下公式计算所述第一特征序列集合中的每个特征在所述预设时长内各个时刻的特征偏移值，得到所述偏移值集合：
Figure FDA0004115135230000031
Figure FDA0004115135230000032
其中，Shi为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第一方向的特征偏移值，Shi(i)为所述第一特征序列集合中的每个特征在i时刻向所述第一方向的特征偏移值，所述i时刻包含于所述预设时长，Shi(i-1)为所述第一特征序列集合中的每个特征在i-1时刻向所述第一方向的特征偏移值，Slo为所述第一特征序列集合中的每个特征在所述预设时长内的各个时刻向第二方向的特征偏移值，所述第二方向与所述第一方向为不同的方向，Slo(i)为所述第一特征序列集合中的每个特征在所述i时刻向所述第二方面的特征偏移值，Slo(i-1)为所述第一特征序列集合中的每个特征在所述i-1时刻向所述第二方向的特征偏移值，
Figure FDA0004115135230000041
为过程均值，xi为所述第一特征序列集合中的每个特征在所述i时刻的特征值，k为滤波系数，且Shi(0)＝Slo(0)＝0。
7.一种处理器，其特征在于，所述处理器用于运行计算机程序，所述计算机程序运行时执行如权利要求1至4中任意一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述方法的步骤。
CN201811287546.4A 2018-10-31 2018-10-31 一种信息处理方法及相关设备 Active CN111197480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811287546.4A CN111197480B (zh) 2018-10-31 2018-10-31 一种信息处理方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811287546.4A CN111197480B (zh) 2018-10-31 2018-10-31 一种信息处理方法及相关设备

Publications (2)

Publication Number Publication Date
CN111197480A CN111197480A (zh) 2020-05-26
CN111197480B true CN111197480B (zh) 2023-05-23

Family

ID=70743800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811287546.4A Active CN111197480B (zh) 2018-10-31 2018-10-31 一种信息处理方法及相关设备

Country Status (1)

Country Link
CN (1) CN111197480B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112459747A (zh) * 2020-12-08 2021-03-09 中国石油天然气集团有限公司 基于三次样条曲线的控压钻井限压调阀的控制方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7620523B2 (en) * 2007-04-30 2009-11-17 Integrien Corporation Nonparametric method for determination of anomalous event states in complex systems exhibiting non-stationarity
KR100885919B1 (ko) * 2007-05-21 2009-02-26 삼성전자주식회사 펌프 폴트 예측 장치 및 펌프 폴트 예측 방법
AT10073U9 (de) * 2008-01-14 2009-02-15 Avl List Gmbh Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems
US8687893B2 (en) * 2011-03-31 2014-04-01 Microsoft Corporation Classification algorithm optimization
JP5702252B2 (ja) * 2011-08-31 2015-04-15 東京瓦斯株式会社 異常検出装置および異常検出方法
US9628499B1 (en) * 2012-08-08 2017-04-18 Google Inc. Statistics-based anomaly detection
US9614742B1 (en) * 2013-03-14 2017-04-04 Google Inc. Anomaly detection in time series data
CN105117615B (zh) * 2015-10-14 2017-11-14 哈尔滨工业大学 基于累积和控制图的卫星电源系统异常检测方法
US10635563B2 (en) * 2016-08-04 2020-04-28 Oracle International Corporation Unsupervised method for baselining and anomaly detection in time-series data for enterprise systems
US10506990B2 (en) * 2016-09-09 2019-12-17 Qualcomm Incorporated Devices and methods for fall detection based on phase segmentation
CN106884644B (zh) * 2017-04-26 2020-12-15 中国石油大学(华东) 基于时序地面示功图的抽油机井实时工况诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周飞航 ; 王卓然 ; 刘亚召 ; .基于BP神经网络有杆抽油机井下示功图识别研究.电气传动自动化.(第01期),42-46页. *

Also Published As

Publication number Publication date
CN111197480A (zh) 2020-05-26

Similar Documents

Publication Publication Date Title
CN109460561B (zh) 采油设备故障诊断方法及装置
CN111199090B (zh) 一种故障识别方法及相关设备
US8756175B1 (en) Robust and fast model fitting by adaptive sampling
US20140244552A1 (en) Global model for failure prediction for artificial lift systems
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
EP3126918B1 (en) System and method for detecting a stick-slip
CN109446574B (zh) 油气开采监测方法、故障识别模型获得方法及相关设备
AU2017304740B2 (en) Method for determining a maximum allowable volume of water that can be removed over time from an underground water source
CN109508473B (zh) 基于事理图谱的抽油井故障确定方法、抽油井故障事理图谱建立方法及相关装置
KR102235808B1 (ko) 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램
Thumati et al. A novel fault diagnostics and prediction scheme using a nonlinear observer with artificial immune system as an online approximator
CN111197480B (zh) 一种信息处理方法及相关设备
CN110858072B (zh) 设备运行状态的确定方法及装置
US20230050146A1 (en) Smart Context Subsampling On-Device System
JP5939439B2 (ja) 異常診断装置
CN110991779A (zh) 抽油机井的异常检测方法及装置
Bangert Diagnosing and predicting problems with rod pumps using machine learning
CN112577664A (zh) 传感器故障检测方法、装置及相关产品
CN113123955A (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
Bangert et al. Predictive maintenance for rod pumps
CN110878692B (zh) 故障报警方法及装置
JP2013200245A (ja) 前処理方法
US20170307750A1 (en) Waveform estimation device and waveform estimation method
CN112526959A (zh) 一种抽油泵故障诊断方法、装置、设备及存储介质
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
GR01 Patent grant
GR01 Patent grant