CN111199090A - 一种故障识别方法及相关设备 - Google Patents
一种故障识别方法及相关设备 Download PDFInfo
- Publication number
- CN111199090A CN111199090A CN201811293445.8A CN201811293445A CN111199090A CN 111199090 A CN111199090 A CN 111199090A CN 201811293445 A CN201811293445 A CN 201811293445A CN 111199090 A CN111199090 A CN 111199090A
- Authority
- CN
- China
- Prior art keywords
- target
- indicator diagram
- rod
- well
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 277
- 238000005086 pumping Methods 0.000 claims abstract description 113
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 138
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 239000003129 oil well Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明实施例提供了一种故障识别方法及相关设备，可以综合考虑抽油机井多方面的因素，进而提高抽油机井的故障诊断的准确率。该方法包括：获取目标示功图；将目标示功图输入预设神经网络模型，以得到目标示功图对应的目标图像特征；根据目标抽油机井的杆柱信息确定目标抽油机井的目标参数；确定目标示功图对应的图像位置信息；获取目标时刻所述目标抽油机井的目标数据；将目标图像特征、目标参数、图像位置信息以及目标数据输入预设分类模型，得到目标示功图对应的故障信息。
Description
技术领域
本发明涉及故障识别领域，特别涉及一种故障识别方法及相关设备。
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，进而引起油井产量的降低或直接造成油井停产。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，才能恢复油井的生产。
现有中通过如下两种方式来确定抽油机井的故障，第一种方式是设定抽油机井处于正常状态下的标准示功图，将待判定的示功图与标准示功图进行对比，设定阈值，当超出一定阈值，判定为相应的故障；第二种方式是将地面示功图转化为井下示功图，根据曲线矩理论提取能够表征井下泵功图图形特征的曲线矩特征向量，基于提取的曲线矩特征向量，用多变量灰色模型进行预测，取与预测结果最接近的标准集，将该标准集的结果，作为故障预测结果。
然而对于第一种方式，如何设定规则和阈值，人为因素多，准确率差别大。对于第二种方式，利用曲线矩理论提取的特征，在利用灰色模型进行预测，考虑不够全面。
发明内容
本发明实施例提供了一种故障识别方法及相关设备，可以综合考虑抽油机井多方面的因素，进而提高抽油机井的故障诊断的准确率。
本发明实施例第一方面提供了一种故障识别方法，具体包括：
获取目标示功图，所述目标示功图为待确定故障信息的目标抽油机井对应的示功图；
将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
确定所述目标示功图对应的图像位置信息；
获取所述目标时刻所述目标抽油机井的目标数据；
将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
可选地，所述将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征之前，所述方法还包括：
获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。
可选地，所述将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息之前，所述方法还包括：
获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；
根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合，所述第一数据集合中的每个数据分别指示所述每个抽油机井处于停机状态下的受力情况；
确定所述第二训练集合中的示功图对应的图像位置信息集合，所述图像位置信息集合包括所述第二训练集合中的每个示功图对应的最大载荷、最小载荷以及面积；
获取所述第二训练集合中每个示功图的对应时刻所述抽油机井机井的第二数据集合，所述第二数据集合数据为所述抽油机井集合中的每个抽油机井在所述对应时刻的电力参数、压力参数以及过滤空值的集合；
对所述图像特征集合、所述第一数据集合、所述图像位置信息集合以及所述第二数据集合进行训练，得到所述预设分类模型。
可选地，所述根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合包括：
遍历所述抽油机井集合中的每个抽油机井，根据所述抽油机井集合中的每个抽油机井的杆柱信息计算所述每个抽油机井处于停机状态下的受力情况，得到所述第一数据集合：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的所述第一数据集合中的数据，ρ杆为所述第一抽油机井的杆柱的密度，ρ油为所述第一抽油机井中油的密度，g为重力加速度，V杆为所述第一抽油机井的相对速度，所述第一抽油机井为所述抽油机井集合中的任意一个抽油机井。
可选地，所述确定所述第二训练集合中的示功图对应的图像位置信息集合包括：
遍历所述第二训练集合，通过如下公式计算所述第二训练集合中的示功图对应的图像位置信息集合：
其中，S为所述第二示功图集合中的每个示功图的面积，Wi为所述第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为所述第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
可选地，所述图像位置信息包括所述目标示功图的最大载荷、最小载荷和/或面积。
可选地，所述目标数据包括所述目标抽油机井的电力参数、压力参数和/或过滤空值。
本发明实施例第二方面提供了一种故障识别装置，包括：
第一获取单元，用于获取目标示功图，所述目标示功图为待确定故障信息的目标抽油机井对应的示功图；
第一处理单元，用于将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
第一确定单元，用于根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
第二确定单元，用于确定所述目标示功图对应的图像位置信息；
第二获取单元，用于获取所述目标时刻所述目标抽油机井的目标数据；
第二处理单元，用于将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
可选地，所述装置还包括：训练单元，所述训练单元用于：
获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。
可选地，所述训练单元还用于：
获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；
根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合，所述第一数据集合中的每个数据分别指示所述每个抽油机井处于停机状态下的受力情况；
确定所述第二训练集合中的示功图对应的图像位置信息集合，所述图像位置信息集合包括所述第二训练集合中的每个示功图对应的最大载荷、最小载荷以及面积；
获取所述第二训练集合中每个示功图的对应时刻所述抽油机井机井的第二数据集合，所述第二数据集合数据为所述抽油机井集合中的每个抽油机井在所述对应时刻的电力参数、压力参数以及过滤空值的集合；
对所述图像特征集合、所述第一数据集合、所述图像位置信息集合以及所述第二数据集合进行训练，得到所述预设分类模型。
可选地，所述训练单元根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合包括：
遍历所述抽油机井集合中的每个抽油机井，根据所述抽油机井集合中的每个抽油机井的杆柱信息计算所述每个抽油机井处于停机状态下的受力情况，得到所述第一数据集合：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的所述第一数据集合中的数据，ρ杆为所述第一抽油机井的杆柱的密度，ρ油为所述第一抽油机井中油的密度，g为重力加速度，V杆为所述第一抽油机井的相对速度，所述第一抽油机井为所述抽油机井集合中的任意一个抽油机井。
可选地，所述训练单元确定所述第二训练集合中的示功图对应的图像位置信息集合包括：
遍历所述第二训练集合，通过如下公式计算所述第二训练集合中的示功图对应的图像位置信息集合：
其中，S为所述第二示功图集合中的每个示功图的面积，Wi为所述第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为所述第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
可选地，所述图像位置信息包括所述目标示功图的最大载荷、最小载荷和/或面积。
可选地，所述目标数据包括所述目标抽油机井的电力参数、压力参数和/或过滤空值。
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故障识别方法的步骤。
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故障识别方法的步骤。
综上所述，可以看出，本发明实施例提供的技术方案中，能够将待确认故障的抽油机井的示功图的图像特征和抽油机井的参数相结合最大化的表征出与抽油机井对应的示功图故障相关的变量，提高故障诊断的准确率。
附图说明
图1为本发明实施例提供的故障识别方法的实施例示意图；
图2为本发明实施例提供的训练模型的生成方法的流程示意图；
图3为本发明实施例提供的故障识别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故障识别方法及相关设备，可以综合考虑抽油机井多方面的因素，进而提高抽油机井的故障诊断的准确率。
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。
下面从故障识别装置的角度对本发明的故障识别方法进行说明，该故障识别装置可以是服务器，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故障识别方法的实施例示意图，包括：
101、获取目标示功图。
本实施例中，当需要确定目标抽油机井的故障信息时，故障识别装置可以获取目标示功图，所述目标示功图为待确定故障信息的目标抽油机井对应的示功图。此处具体不限定获取方式，例如可以是调用脚本，从数据库获取目标抽油机井的目标示功图数据，目标示功图数据包含目标位移序列和目标载荷序列，目标位移序列以及目标载荷序列等长，从目标位移序列以及目标载荷序列中分别提取曲线的横纵轴信息，根据位移数据以及载荷数据画出目标示功图，既可以得到目标示功图，之后，可以将目标示功图与目标抽油机井关联存储，以方便后续使用。
102、将目标示功图输入预设神经网络模型，以得到目标示功图对应的目标图像特征。
本实施例中，故障识别装置在得到目标示功图之后，可以将目标示功图输入已经预先训练好的预设神经网络模型，即可以输出目标示功图对应的目标图像特征，也即，当训练好示功图的预设神经网络模型后，输入目标示功图，将预设神经网络模型的最后一层全连接层的数据提取出来，作为目标示功图的图像特征。
下面对如何训练预设神经网络模型进行说明：
获取第一训练集合，第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过第一训练集合对深度学习网络进行训练，得到预设神经网络模型。
本实施例中，可以首先获取数据库中存储的所有抽油机井对应的历史示功图，之后根据数据库中故障记录列表和生产日志备注，对所有抽油机井对应的历史示功图进行故障特征标注，由于历史示功图可以包括两种情况的示功图，一种是所有抽油机井中的每个抽油机井有故障时对应的示功图，一种是所有抽油机井中的每个抽油机井没有故障时对应的示功图，因此可以得到标注为故障的示功图以及标注为正常的示功图的集合，将该集合作为第一训练集合，可以理解的是，每个抽油机井分别对应有标注为故障的示功图和标注为正常的示功图，也就是说，第一训练集合中的每个标注为故障的示功图以及每个标注为正常的示功图均可以找到对应的抽油机井。
之后，可以采用Alexnet深度学习网络，将第一训练集合中的示功图，加入Alexnet深度学习网络进行训练，为了加快训练速度，可以选用一个已经训练好的神经网络，并固定神经网络的前两层，只训练后六层的参数；训练方法，采用按时间划分的方式，即选取某一时间点，该时间点之前的示功图数据均作为训练集，之后的示功图数据作为测试集，在经过训练集训练完成之后，通过测试机对训练好的模型进行测试并调整模型，以使得输出的结果为最优，最终得到预设神经网络模型。
103、根据目标抽油机井的杆柱信息确定目标抽油机井的目标参数。
本实施例中，故障识别装置可以首先获取目标抽油机井的杆柱信息，之后计算出目标抽油机井处于停机状态下的受力情况，作为抽油机井的自身参数，即目标参数，具体如下：
通过如下公式根据目标抽油机井的杆柱信息计算目标抽油机井处于停机状态下的受力情况：
F＝(ρ杆-ρ油)gV杆；
其中，F为目标抽油机井的受力情况，ρ杆为目标抽油机井的杆柱的密度，ρ油为目标抽油机井中油的密度，g为重力加速度，V杆为目标抽油机井的相对速度。
104、确定目标示功图对应的图像位置信息。
本实施例中，故障识别装置可以提取到目标示功图对应的图像位置信息，其中，该图像位置信息包括目标示功图的最大载荷、最小载荷和/或面积，具体的，由于通过目标示功图的载荷序列可以很容易得出最大载荷以及最小载荷，下面仅说明如何计算目标示功图的面积：
通过如下公式计算目标示功图的面积：
其中，S为目标示功图的面积，Wi为目标示功图的载荷序列中的第i个载荷，Li为目标示功图的偏移序列中的第i个偏移，n为载荷序列中的载荷的数量。
105、获取目标时刻目标抽油机井的目标数据。
本实施例中，故障识别装置可以获取目标时刻目标抽油机井的目标数据，该目标时刻为目标示功图的对应时刻，该目标数据包括目标抽油机井在目标时刻的电力参数、压力参数和/或过滤空值。
106、将目标图像特征、目标参数、图像位置信息以及目标数据输入预设分类模型，得到目标示功图对应的故障信息。
本实施例中，故障识别装置可以预先训练好预设分类模型，之后，将目标示功图对应的目标图像特征、目标参数、目标位置信息以及目标数据输入预设分类模型，得到目标示功图对应的故障信息。
综上所述，可以看出，本发明提供的实施例中，能够将待确认故障的抽油机井的示功图的图像特征和抽油机井的参数相结合最大化的表征出与抽油机井对应的示功图故障相关的变量，提高故障诊断的准确率。
下面结合图2对如何训练预设分类模型进行详细说明。
请参阅图2，图2为本发明实施例提供的预设分类模型的训练流程示意图，包括：
201、获取第二训练集合。
本实施例中，故障识别装置可以获取到第二训练集合，该第二训练集合为数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合。也就是说，故障识别装置可以获取数据库中存储的所有抽油机井对应的历史示功图，之后根据数据库中所有抽油机井对应的故障记录列表和生产日志备注，对所有抽油机井对应的历史示功图进行故障特征标注，由于历史示功图可以包括两种情况的示功图，一种是所有抽油机井中的每个抽油机井有故障时对应的示功图，一种是所有抽油机井中的每个抽油机井没有故障时对应的示功图，因此可以得到标注为故障的示功图以及标注为正常的示功图的集合，将该集合作为第二训练集合，可以理解的是，每个抽油机井分别对应有标注为故障的示功图和标注为正常的示功图，也就是说，第二训练集合中的每个标注为故障的示功图以及每个标注为正常的示功图均可以找到对应的抽油机井。
202、将第二训练集合输入预设神经网络模型，得到第二训练集合中的示功图对应的图像特征集合。
本实施例中，故障识别装置在得到第二训练集合之后，可以将第二训练集合中的每个示功图输入已经预先训练好的预设神经网络模型，即可以输出第二训练集合中的每个示功图对应的图像特征，得到图像特征集合，也就是说，将第二训练集合中的示功图输入预设神经网络模型，之后将预设神经网络模型的最后一层全连接层的数据提取出来，作为图像特征集合。
203、根据抽油机井集合中每个抽油机井的杆柱信息确定抽油机井集合的第一数据集合。
本实施例中，故障识别装置可以首先获取抽油机井集合中的每个抽油机井的杆柱信息，之后计算出抽油机井集合中的每个抽油机井处于停机状态下的受力情况，作为抽油机井的自身参数，得到第一数据集合，也就是说，第一数据集合中的每个数据对应一个抽油机井，该每个数据用于指示每个抽油机井处于停机状态下的受力情况，具体如下：
遍历抽油机井集合中的每个抽油机井，通过如下公式根据抽油机井集合中的每个抽油机井的杆柱信息计算每个抽油机井处于停机状态下的受力情况：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的第二数据集合中的数据(即第一抽油机井处于停机状态下的受力情况)，ρ杆为第一抽油机井的杆柱的密度，ρ油为第一抽油机井中油的密度，g为重力加速度，V杆为第一抽油机井的相对速度，该第一抽油机井为抽油机井集合中的任意一个抽油机井。
204、确定第二训练集合中的示功图对应的图像位置信息集合。
本实施例中，故障识别装置可以确定第二训练集合中的每个示功图对应的图像位置信息，得到图像位置信息集合，其中，该图像位置信息包括第二训练集合中的每个示功图的最大载荷、最小载荷以及第二训练集合中的每个示功图的面积，具体的，由于通过示功图的载荷序列可以很容易得出最大载荷以及最小载荷，下面仅说明如何计算示功图的面积：
遍历第二训练集合中的每个示功图，通过如下公式计算第二训练集合中的每个示功图的面积：
其中，S为第二示功图集合中的每个示功图的面积，Wi为第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
205、获取第二训练集合中每个示功图对应时刻抽油机井集的第二数据集合。
本实施例中，故障识别装置可以获取每个示功图的对应时刻所述抽油机井机井的第二数据集合，第二数据集合数据为抽油机井集合中的每个抽油机井在对应时刻的电力参数、压力参数以及过滤空值的集合。
206、对图像特征集合、第一数据集合、图像位置信息集合以及第二数据集合进行训练，得到预设分类模型。
本实施例中，故障识别装置在得到图像特征集合、第一数据集合、图像位置信息集合以及第二数据集合之后，可以分别采用随机森林和lightgbm模型对图像特征集合、第一数据集合、图像位置信息集合以及第二数据集合进行训练，得到预设分类模型。
需要说明的是，预设分类模型的训练方法，可以采用按时间划分的方式，即选取某一时间点，该时间点之前的数据均作为训练集，该时间点之后的数据作为测试集，在经过训练集训练完成之后，通过测试集对训练好的模型进行测试并调整模型，以使得输出的结果为最优，最终得到预设分类模型。
综上所述，本发明提供的实施例中，能够将数据库中的抽油机井的示功图的图像特征和抽油机井的自身参数相结合最大化的表征出与抽油机井对应的示功图故障相关的变量，提高故障诊断的准确率。
上面对本发明实施例提供的故障识别方法进行说明，下面结合图3对本发明实施例提供的故障识别装置进行说明。
请参阅图3，图3为本发明实施例提供的故障识别装置的实施例示意图，该故障识别装置包括：
第一获取单元301，用于获取目标示功图，所述目标示功图为待确定故障信息的目标抽油机井对应的示功图；
第一处理单元302，用于将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
第一确定单元304，用于根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
第二确定单元304，用于确定所述目标示功图对应的图像位置信息；
第二获取单元305，用于获取所述目标时刻所述目标抽油机井的目标数据；
第二处理单元306，用于将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
可选地，所述装置还包括：训练单元307，所述训练单元307用于：
获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。
可选地，所述训练单元307还用于：
获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；
根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合，所述第一数据集合中的每个数据分别指示所述每个抽油机井处于停机状态下的受力情况；
确定所述第二训练集合中的示功图对应的图像位置信息集合，所述图像位置信息集合包括所述第二训练集合中的每个示功图对应的最大载荷、最小载荷以及面积；
获取所述第二训练集合中每个示功图的对应时刻所述抽油机井机井的第二数据集合，所述第二数据集合数据为所述抽油机井集合中的每个抽油机井在所述对应时刻的电力参数、压力参数以及过滤空值的集合；
对所述图像特征集合、所述第一数据集合、所述图像位置信息集合以及所述第二数据集合进行训练，得到所述预设分类模型。
可选地，所述训练单元307根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合包括：
遍历所述抽油机井集合中的每个抽油机井，根据所述抽油机井集合中的每个抽油机井的杆柱信息计算所述每个抽油机井处于停机状态下的受力情况，得到所述第一数据集合：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的所述第一数据集合中的数据，ρ杆为所述第一抽油机井的杆柱的密度，ρ油为所述第一抽油机井中油的密度，g为重力加速度，V杆为所述第一抽油机井的相对速度，所述第一抽油机井为所述抽油机井集合中的任意一个抽油机井。
可选地，所述训练单元307确定所述第二训练集合中的示功图对应的图像位置信息集合包括：
遍历所述第二训练集合，通过如下公式计算所述第二训练集合中的示功图对应的图像位置信息集合：
其中，S为所述第二示功图集合中的每个示功图的面积，Wi为所述第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为所述第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
本实施例中的故障识别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，能够将待确认故障的抽油机井的示功图的图像特征和抽油机井的参数相结合最大化的表征出与抽油机井对应的示功图故障相关的变量，提高故障诊断的准确率。
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432，一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。
上述实施例中由故障识别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故障识别方法。
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故障识别方法。
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故障信息的目标抽油机井对应的示功图；
将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
确定所述目标示功图对应的图像位置信息；
获取所述目标时刻所述目标抽油机井的目标数据；
将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
可选地，所述将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征之前，所述方法还包括：
获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。
可选地，所述将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息之前，所述方法还包括：
获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；
根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合，所述第一数据集合中的每个数据分别指示所述每个抽油机井处于停机状态下的受力情况；
确定所述第二训练集合中的示功图对应的图像位置信息集合，所述图像位置信息集合包括所述第二训练集合中的每个示功图对应的最大载荷、最小载荷以及面积；
获取所述第二训练集合中每个示功图的对应时刻所述抽油机井机井的第二数据集合，所述第二数据集合数据为所述抽油机井集合中的每个抽油机井在所述对应时刻的电力参数、压力参数以及过滤空值的集合；
对所述图像特征集合、所述第一数据集合、所述图像位置信息集合以及所述第二数据集合进行训练，得到所述预设分类模型。
可选地，所述根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合包括：
遍历所述抽油机井集合中的每个抽油机井，根据所述抽油机井集合中的每个抽油机井的杆柱信息计算所述每个抽油机井处于停机状态下的受力情况，得到所述第一数据集合：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的所述第一数据集合中的数据，ρ杆为所述第一抽油机井的杆柱的密度，ρ油为所述第一抽油机井中油的密度，g为重力加速度，V杆为所述第一抽油机井的相对速度，所述第一抽油机井为所述抽油机井集合中的任意一个抽油机井。
可选地，所述确定所述第二训练集合中的示功图对应的图像位置信息集合包括：
遍历所述第二训练集合，通过如下公式计算所述第二训练集合中的示功图对应的图像位置信息集合：
其中，S为所述第二示功图集合中的每个示功图的面积，Wi为所述第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为所述第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
可选地，所述图像位置信息包括所述目标示功图的最大载荷、最小载荷和/或面积。
可选地，所述目标数据包括所述目标抽油机井的电力参数、压力参数和/或过滤空值。
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故障信息的目标抽油机井对应的示功图；
将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
确定所述目标示功图对应的图像位置信息；
获取所述目标时刻所述目标抽油机井的目标数据；
将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
可选地，所述将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征之前，所述方法还包括：
获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。
可选地，所述将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息之前，所述方法还包括：
获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；
根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合，所述第一数据集合中的每个数据分别指示所述每个抽油机井处于停机状态下的受力情况；
确定所述第二训练集合中的示功图对应的图像位置信息集合，所述图像位置信息集合包括所述第二训练集合中的每个示功图对应的最大载荷、最小载荷以及面积；
获取所述第二训练集合中每个示功图的对应时刻所述抽油机井机井的第二数据集合，所述第二数据集合数据为所述抽油机井集合中的每个抽油机井在所述对应时刻的电力参数、压力参数以及过滤空值的集合；
对所述图像特征集合、所述第一数据集合、所述图像位置信息集合以及所述第二数据集合进行训练，得到所述预设分类模型。
可选地，所述根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合包括：
遍历所述抽油机井集合中的每个抽油机井，根据所述抽油机井集合中的每个抽油机井的杆柱信息计算所述每个抽油机井处于停机状态下的受力情况，得到所述第一数据集合：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的所述第一数据集合中的数据，ρ杆为所述第一抽油机井的杆柱的密度，ρ油为所述第一抽油机井中油的密度，g为重力加速度，V杆为所述第一抽油机井的相对速度，所述第一抽油机井为所述抽油机井集合中的任意一个抽油机井。
可选地，所述确定所述第二训练集合中的示功图对应的图像位置信息集合包括：
遍历所述第二训练集合，通过如下公式计算所述第二训练集合中的示功图对应的图像位置信息集合：
其中，S为所述第二示功图集合中的每个示功图的面积，Wi为所述第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为所述第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
可选地，所述图像位置信息包括所述目标示功图的最大载荷、最小载荷和/或面积。
可选地，所述目标数据包括所述目标抽油机井的电力参数、压力参数和/或过滤空值。
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 (10)
1.一种故障识别方法，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故障信息的目标抽油机井对应的示功图；
将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
确定所述目标示功图对应的图像位置信息；
获取所述目标时刻所述目标抽油机井的目标数据；
将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
2.根据权利要求1所述的方法，其特征在于，所述将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征之前，所述方法还包括：
获取第一训练集合，所述第一训练集为数据库中存储的所有抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
通过所述第一训练集合对深度学习网络进行训练，得到所述预设神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息之前，所述方法还包括：
获取第二训练集合，所述第二训练集合为所述数据库中存储的抽油机井集合中的每个抽油机井对应的标注为故障的示功图以及标注为正常的示功图的集合；
将所述第二训练集合输入所述预设神经网络模型，得到所述第二训练集合中的示功图对应的图像特征集合；
根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合，所述第一数据集合中的每个数据分别指示所述每个抽油机井处于停机状态下的受力情况；
确定所述第二训练集合中的示功图对应的图像位置信息集合，所述图像位置信息集合包括所述第二训练集合中的每个示功图对应的最大载荷、最小载荷以及面积；
获取所述第二训练集合中每个示功图的对应时刻所述抽油机井机井的第二数据集合，所述第二数据集合数据为所述抽油机井集合中的每个抽油机井在所述对应时刻的电力参数、压力参数以及过滤空值的集合；
对所述图像特征集合、所述第一数据集合、所述图像位置信息集合以及所述第二数据集合进行训练，得到所述预设分类模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述抽油机井集合中每个抽油机井的杆柱信息确定所述抽油机井集合的第一数据集合包括：
遍历所述抽油机井集合中的每个抽油机井，根据所述抽油机井集合中的每个抽油机井的杆柱信息计算所述每个抽油机井处于停机状态下的受力情况，得到所述第一数据集合：
F＝(ρ杆-ρ油)gV杆；
其中，F为第一抽油机井对应的所述第一数据集合中的数据，ρ杆为所述第一抽油机井的杆柱的密度，ρ油为所述第一抽油机井中油的密度，g为重力加速度，V杆为所述第一抽油机井的相对速度，所述第一抽油机井为所述抽油机井集合中的任意一个抽油机井。
5.根据权利要求3所述的方法，其特征在于，所述确定所述第二训练集合中的示功图对应的图像位置信息集合包括：
遍历所述第二训练集合，通过如下公式计算所述第二训练集合中的示功图对应的图像位置信息集合：
其中，S为所述第二示功图集合中的每个示功图的面积，Wi为所述第二示功图集合中的每个示功图载荷序列中的第i个载荷，Li为所述第二示功图集合中的每个示功图的偏移序列中的第i个偏移，n为所述载荷序列中的载荷的数量。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述图像位置信息包括所述目标示功图的最大载荷、最小载荷和/或面积。
7.根据权利要求1至5中任一项所述的方法，其特征在于，所述目标数据包括所述目标抽油机井的电力参数、压力参数和/或过滤空值。
8.一种故障识别装置，其特征在于，包括：
第一获取单元，用于获取目标示功图，所述目标示功图为待确定故障信息的目标抽油机井对应的示功图；
第一处理单元，用于将所述目标示功图输入预设神经网络模型，以得到所述目标示功图对应的目标图像特征；
第一确定单元，用于根据所述目标抽油机井的杆柱信息确定所述目标抽油机井的目标参数；
第二确定单元，用于确定所述目标示功图对应的图像位置信息；
第二获取单元，用于获取所述目标时刻所述目标抽油机井的目标数据；
第二处理单元，用于将所述目标图像特征、所述目标参数、所述图像位置信息以及所述目标数据输入预设分类模型，得到所述目标示功图对应的故障信息。
9.一种处理器，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5中任意一项所述方法的步骤。
10.一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5中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811293445.8A CN111199090B (zh) | 2018-10-31 | 2018-10-31 | 一种故障识别方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811293445.8A CN111199090B (zh) | 2018-10-31 | 2018-10-31 | 一种故障识别方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111199090A true CN111199090A (zh) | 2020-05-26 |
| CN111199090B CN111199090B (zh) | 2023-12-26 |
Family
ID=70745874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811293445.8A Active CN111199090B (zh) | 2018-10-31 | 2018-10-31 | 一种故障识别方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111199090B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112031748A (zh) * | 2020-09-14 | 2020-12-04 | 南京富岛信息工程有限公司 | 一种基于示功图特征的抽油机井异常工况诊断方法 |
| CN112508105A (zh) * | 2020-12-11 | 2021-03-16 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
| CN113780403A (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解释方法及装置 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184414A (zh) * | 2011-05-16 | 2011-09-14 | 中国石油天然气股份有限公司 | 泵示功图的识别和判断方法及其系统 |
| CN104295286A (zh) * | 2014-08-11 | 2015-01-21 | 西安理工大学 | 一种有杆式抽油机运行工况智能识别方法 |
| CN105649602A (zh) * | 2015-12-31 | 2016-06-08 | 山东天工石油装备有限公司 | 一种基于地面示功图实现油井工况诊断的方法 |
| CN106066845A (zh) * | 2016-05-30 | 2016-11-02 | 中国科学院半导体研究所 | 一种抽油机示功图的学习估计方法 |
| US20170083819A1 (en) * | 2015-09-18 | 2017-03-23 | International Business Machines Corporation | Identifying abnormal pumpjack conditions |
-
2018
- 2018-10-31 CN CN201811293445.8A patent/CN111199090B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184414A (zh) * | 2011-05-16 | 2011-09-14 | 中国石油天然气股份有限公司 | 泵示功图的识别和判断方法及其系统 |
| CN104295286A (zh) * | 2014-08-11 | 2015-01-21 | 西安理工大学 | 一种有杆式抽油机运行工况智能识别方法 |
| US20170083819A1 (en) * | 2015-09-18 | 2017-03-23 | International Business Machines Corporation | Identifying abnormal pumpjack conditions |
| CN105649602A (zh) * | 2015-12-31 | 2016-06-08 | 山东天工石油装备有限公司 | 一种基于地面示功图实现油井工况诊断的方法 |
| CN106066845A (zh) * | 2016-05-30 | 2016-11-02 | 中国科学院半导体研究所 | 一种抽油机示功图的学习估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| 佟恬澈: "抽油机泵效参数检测与控制方法研究", 《中国优秀博硕士学位论文全文数据库(电子期刊) 工程科技Ⅰ辑》 * |
| 周斌等: "基于Hessian正则化多视角学习的抽油机井工况识别新方法", 《中国石油大学学报(自然科学版)》 * |
| 郭万松等: "示功图监控诊断计量系统的建立与应用", 《长江大学学报(自科版)》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112031748A (zh) * | 2020-09-14 | 2020-12-04 | 南京富岛信息工程有限公司 | 一种基于示功图特征的抽油机井异常工况诊断方法 |
| CN112031748B (zh) * | 2020-09-14 | 2023-09-01 | 南京富岛信息工程有限公司 | 一种基于示功图特征的抽油机井异常工况诊断方法 |
| CN112508105A (zh) * | 2020-12-11 | 2021-03-16 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
| CN112508105B (zh) * | 2020-12-11 | 2024-03-19 | 南京富岛信息工程有限公司 | 一种采油机故障检测与检索方法 |
| CN113780403A (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解释方法及装置 |
| CN113780403B (zh) * | 2021-09-07 | 2024-04-26 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断解释方法及装置 |
| 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 |
|---|---|
| CN111199090B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199090A (zh) | 一种故障识别方法及相关设备 | |
| CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
| 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 | |
| CN109460561B (zh) | 采油设备故障诊断方法及装置 | |
| CN111105063A (zh) | 故障预测、模型构建方法、装置、处理器及可读存储介质 | |
| RU2708303C2 (ru) | Система и способ управления разработкой месторождения с использованием электрических погружных насосов в качестве виртуальных датчиков | |
| EP4026984A1 (en) | System and method for real-time monitoring and optimizing operation of connected oil and gas wells | |
| US20130211662A1 (en) | Machinery fingerprinting | |
| AU2017304740A1 (en) | Method for determining a maximum allowable volume of water that can be removed over time from an underground water source | |
| CN112052890A (zh) | 给水泵振动预测方法及装置 | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| EP3620996A1 (en) | Transfer learning of a machine-learning model using a hyperparameter response model | |
| CN110969315A (zh) | 一种注水泵的监测方法及相关设备 | |
| CN112577664A (zh) | 传感器故障检测方法、装置及相关产品 | |
| CN111197480B (zh) | 一种信息处理方法及相关设备 | |
| CN110991779A (zh) | 抽油机井的异常检测方法及装置 | |
| CN112486136B (zh) | 故障预警系统及方法 | |
| WO2022010452A1 (en) | Estimating relative permeability and capillary pressures of a geological formation based on multiphase upscaling | |
| Bangert et al. | Predictive maintenance for rod pumps | |
| Pavlov et al. | A method for functional diagnosis of hydraulic drives of forest machinery | |
| 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 | |
| Korovin et al. | Hybrid method of dynamograms wavelet analysis for oil-production equipment state identification | |
| US20210350282A1 (en) | Managing an installed base of artificial intelligence modules | |
| CN112526959A (zh) | 一种抽油泵故障诊断方法、装置、设备及存储介质 | |
| CN114898273A (zh) | 一种视频监控异常检测方法、装置及设备 |
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 |