CN111274912A - 基于降噪示功图的有杆泵工况预警方法 - Google Patents
基于降噪示功图的有杆泵工况预警方法 Download PDFInfo
- Publication number
- CN111274912A CN111274912A CN202010050355.7A CN202010050355A CN111274912A CN 111274912 A CN111274912 A CN 111274912A CN 202010050355 A CN202010050355 A CN 202010050355A CN 111274912 A CN111274912 A CN 111274912A
- Authority
- CN
- China
- Prior art keywords
- working condition
- indicator diagram
- noise reduction
- average
- indicator
- 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
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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及故障诊断与预测性维修技术领域,涉及一种基于降噪示功图的有杆泵工况预警方法,旨在解决瞬变信号带来的有杆泵示功图故障预测的误差问题。定期收集某油井产生的示功图,叠加这些示功图并分别计算示功图相同冲程位置处的载荷和位移的平均值以减少瞬变信号的干扰,再根据计算结果绘制平均值示功图,最后对平均值示功图进行降噪处理,得到降噪示功图,以卷积神经网络方法分析降噪示功图的变化趋势,预测有杆抽油系统未来可能发生的故障类型,从而提前预警。
Description
技术领域
本发明涉及石油系统故障诊断与预测性维修技术领域,尤其是涉及一种基于降噪示功图的有杆泵工况预警方法。
背景技术
随着有杆抽油系统工况故障诊断与人工神经网络结合应用的不断发展,目前已经有多种利用人工神经网络对有杆抽油系统进行诊断的方法。由于抽汲过程中,冲程不同位置处,偶然出现的瞬变信号对于示功图的干扰较大、导致示功图图形出现明显变形,所以单一冲程的示功图会影响训练误差及泛化误差。
移动平均法是一种简易的反应长期特征变化的方法,移动平均法的基本思想是以时序特征为基础,逐项计算一定项数的平均值。以此消除周期性变化和瞬变数值对这段数值的影响,从而反映出事物发展的长期趋势。
发明内容
本发明要解决的技术问题是:抽油机冲程中瞬变信号对于标准示功图形状带来的干扰影响有杆抽油系统工况预测准确率低的问题。
本发明解决其技术问题所采用的技术方案是:采用移动平均方法对于固定采样周期内的示功图进行处理,得到固定周期内的平均示功图,并比对不同周期内示功图的变化,从而对即将出现故障工况的有杆抽油系统进行预警方法,也就是一种基于降噪示功图的有杆泵工况预警方法,包括以下步骤:
a,定期收集某油井产生的示功图,叠加这些示功图并分别计算示功图相同冲程位置处的载荷和位移的平均值,并得到载荷平均值与位移平均值所构成的平均值示功图;
b,构建卷积神经网络框架,并确定工况诊断算法,再以平均值示功图作为训练集,构建用于降噪示功图数据集识别的卷积神经网络构架,并进行学习训练;
c,提取所需的特征序列,用于卷积神经网络架构的训练,充分训练过后得到训练后的卷积神经网络构架,并获得一种平均值示功图的有杆泵工况预警方法的网络模型;
d,将网络模型运用到现场生产中,对预警工况进行分析,并与现场实际工况相对比验证,确保预警结果的正确性;
e,将步骤d中预警结果判断正确的示功图进行更新工况训练集,并再次将更新工况训练集反馈至步骤c中进行学习训练。
f、最终输出信号为故障工况种类信号,网络模型构架在识别出一段时间内将会出现某种故障工况后,将此信息输出,使现场人员能够提前采取措施。
本发明通过平均值示功图反映载荷和位移平均值的关系,选用平均值而不是瞬时值可以避免抽汲过程中,冲程不同位置处,偶然出现的瞬变信号对于示功图的干扰。
进一步地,对上述步骤a中平均值示功图先进行归一化处理,再降噪处理选取数张平均值示功图计算一次平均值,并形成降噪示功图。步骤a对平均值示功图进行简单移动平均的处理,选取数张平均值示功图进行一次简单移动平均处理,得到不同工况下的降噪示功图的变化趋势,从而进行工况预警。
本发明的有益效果是:本发明基于降噪示功图的有杆泵工况预警方法是在现场获取示功图的基础上,选取一段时间内的载荷和位移计算平均值,共同构成平均值示功图,再对平均值示功图进行归一化处理和移动平均处理,得到降噪示功图,并以降噪示功图为依托,以卷积神经网络为识别手段,通过对于降噪示功图的信息提取完成有杆泵工况的识别与预警,选用平均值而不是瞬时值可以避免因瞬变数据异常造成的识别准确率低的问题。分析其原因主要是由于传统的示功图表征的是油井瞬时功率的变化情况,但瞬时功率的变化不一定代表故障的发生,当功率变化在一定范围内时,仍可认为油井处于正常工作状态,同时,仅仅包含载荷与位移的关系曲线也极大地限制了示功图反映工况故障发生情况的准确性的问题。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的流程示意图;
图2是本发明应用的卷积神经网络在学习了降噪示功图训练集后的神经网络训练准确率。
具体实施方式
本发明下面结合实施例作进一步详述:
本发明不局限于下列具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其他多种具体实施方式实施本发明的,或者凡是采用本发明的设计结构和思路,做简单变化或更改的,都落入本发明的保护范围。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
如图1-2所示,一种基于降噪示功图的有杆泵工况预警方法,包括以下步骤:
a,定期收集某油井产生的示功图,叠加这些示功图并分别计算示功图相同冲程位置处的载荷和位移的平均值,并得到载荷平均值与位移平均值所构成的平均值示功图;
b,构建卷积神经网络框架,并确定工况诊断算法,再以平均值示功图作为训练集,构建用于降噪示功图数据集识别的卷积神经网络构架,并进行学习训练;
c,提取所需的特征序列,用于卷积神经网络构架的训练,充分训练过后得到训练后的卷积神经网络架构,并获得一种平均值示功图的有杆泵工况预警方法的网络模型;
d,将网络模型运用到现场生产中,对预警工况进行分析,并与现场实际工况相对比验证,确保预警结果的正确性;
e,将步骤d中预警结果判断正确的示功图进行更新工况训练集,并再次将更新工况训练集反馈至步骤c中进行学习训练。
f、最终输出信号为故障工况种类信号,网络模型构架在识别出一段时间内将会出现某种故障工况后,将此信息输出,使现场人员能够提前采取措施。
上述步骤a中的可以根据现场具体需求更改时间段,但必须是同一口油井。
上述步骤a对平均值示功图进行移动平均的处理,是数张平均值示功图就进行一次简单移动平均处理,得到不同工况下的降噪示功图的变化趋势,从而进行工况预警。
上述步骤b神经网络的训练后,可根据训练情况对卷积神经网络结构框架进行反复优化,最终得到精确的神经网络模型。
通过上述五步操作,每一步都是下一步的基础,一步步递进,就能获得一个成熟的,可用于油田现场的有杆泵工况预警方法。
上述基于降噪示功图的有杆泵工况预警方法在使用时,收集一段时间内某油井所产生的所有示功图,统计计算一段时间内所有载荷值的平均值,记作统计计算一段时间内所有位移值得平均值,记做这里可以根据现场具体需求更改时间段,将与的关系曲线绘制在同一坐标系中,构成所需的平均值示功图,再对平均值示功图进行归一化处理,让所有示功图的横纵坐标一致,使示功图具有共通性。最后进行简单移动平均处理,详细方法是:取第一张到第N张平均值示功图简单移动平均处理,得到第一张降噪示功图;再取第二张到第N+1张平均值示功图简单移动平均处理,得到第二张降噪示功图,以此类推,得到一系列的降噪示功图。反映出载荷平均值和位移平均值的关系,分析随着时间的变化,示功图的演化规律,从而预测将来可能发生的故障,以此避免减少瞬变信号的干扰,而识别准确率低的问题。然后以降噪示功图作为训练集,构建卷积神经网络构架,这里选取具有较好图像识别的卷积神经网构架,在完成神经网络构架的训练以后,对卷积神经网络结构框架进行确定工况算法,编写模型程序方法进行反复优化,将神经网络识别准确率稳定在90%以上,最终得到精确的神经网络模型,最后通过优化后的神经网络通过提取降噪示功图的特征序列,实现对有杆泵工况的高效诊断。
上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (2)
1.一种基于降噪示功图的有杆泵工况预警方法,其特征在于,包括以下步骤:
a,定期收集某油井产生的示功图,叠加这些示功图并分别计算示功图相同冲程位置处的载荷和位移的平均值,并得到载荷平均值与位移平均值所构成的平均值示功图;
b,构建卷积神经网络框架,并确定工况诊断算法,再以平均值示功图作为训练集,构建用于降噪示功图数据集识别的卷积神经网络构架,并进行学习训练;
c,提取所需的特征序列,用于卷积神经网络构架的训练,充分训练过后得到训练后的卷积神经网络构架,并获得一种能应用于平均值示功图的有杆泵工况预警方法的网络模型;
d,将网络模型运用到现场生产中,对预警工况进行分析,并与现场实际工况相对比验证,确保预警结果的正确性;
e,将步骤d中预警结果判断正确的示功图进行更新工况训练集,并再次将更新工况训练集反馈至步骤c中进行学习训练;
f、最终输出信号为故障工况种类信号,网络模型构架在识别出一段时间内将会出现某种故障工况后,将此信息输出,使现场人员能够提前采取措施。
2.根据权利要求1所述的基于降噪示功图的有杆泵工况预警方法,其特征在于:对上述步骤a中平均值示功图先进行归一化处理,再降噪处理选取数张平均值示功图计算一次平均值,并形成降噪示功图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050355.7A CN111274912B (zh) | 2020-01-17 | 2020-01-17 | 基于降噪示功图的有杆泵工况预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010050355.7A CN111274912B (zh) | 2020-01-17 | 2020-01-17 | 基于降噪示功图的有杆泵工况预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274912A true CN111274912A (zh) | 2020-06-12 |
CN111274912B CN111274912B (zh) | 2023-04-18 |
Family
ID=70998898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010050355.7A Active CN111274912B (zh) | 2020-01-17 | 2020-01-17 | 基于降噪示功图的有杆泵工况预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274912B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766301A (zh) * | 2020-12-11 | 2021-05-07 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
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 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106884644A (zh) * | 2017-04-26 | 2017-06-23 | 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 |
CN106930751A (zh) * | 2017-04-20 | 2017-07-07 | 东北大学 | 一种有杆泵抽油井故障分离方法 |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
CN109389170A (zh) * | 2018-10-10 | 2019-02-26 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
-
2020
- 2020-01-17 CN CN202010050355.7A patent/CN111274912B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106930751A (zh) * | 2017-04-20 | 2017-07-07 | 东北大学 | 一种有杆泵抽油井故障分离方法 |
CN106884644A (zh) * | 2017-04-26 | 2017-06-23 | 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 |
CN108122075A (zh) * | 2017-12-22 | 2018-06-05 | 胜利油田鲁明油气勘探开发有限公司 | 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法 |
CN109272123A (zh) * | 2018-08-03 | 2019-01-25 | 常州大学 | 一种基于卷积-循环神经网络的有杆泵工况预警方法 |
CN109389170A (zh) * | 2018-10-10 | 2019-02-26 | 常州大学 | 一种基于3d卷积神经网络的渐变型工况预警方法 |
Non-Patent Citations (1)
Title |
---|
范英娜等: "有杆泵抽油系统诊断技术研究现状", 《中国石油和化工标准与质量》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766301A (zh) * | 2020-12-11 | 2021-05-07 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
CN112766301B (zh) * | 2020-12-11 | 2024-04-12 | 南京富岛信息工程有限公司 | 一种采油机示功图相似性判断方法 |
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 |
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 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111274912B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274912B (zh) | 基于降噪示功图的有杆泵工况预警方法 | |
US11740619B2 (en) | Malfunction early-warning method for production logistics delivery equipment | |
CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
US20230023931A1 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN112449696A (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN116073436B (zh) | 一种光伏新能源电力系统容量优化控制方法 | |
CN113526282B (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN112576492A (zh) | 一种电潜泵生产井故障智能诊断方法 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
CN115314412B (zh) | 一种面向运维的类型自适应的指标预测预警方法及装置 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN116485552A (zh) | 一种基金投资风控方法、装置、介质及终端 | |
US20240095548A1 (en) | System and method for predicting process changes by using key factors in commercial chemical process | |
WO2022165792A1 (en) | Method and system of sensor fault management | |
CN113988414B (zh) | 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法 | |
CN113486599A (zh) | 一种抽油机有效冲程的计算方法 | |
CN112598041A (zh) | 一种基于k-means算法的配电网云平台数据校验方法 | |
CN116822317A (zh) | 一种基于ga-bp神经网络的凝汽器故障诊断方法及系统 | |
CN117688464B (zh) | 一种基于多源传感器数据的隐患分析方法及系统 | |
CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
CN112685933B (zh) | 一种滚轮丝杠副剩余使用寿命预测方法 | |
CN110363208B (zh) | 一种多参数融合堆垛机轨道故障检测及预警方法 | |
CN114352265A (zh) | 基于多参数的抽油机井工况诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |