CN111335868B - 一种油井工况识别方法、装置及系统 - Google Patents
一种油井工况识别方法、装置及系统 Download PDFInfo
- Publication number
- CN111335868B CN111335868B CN201811547869.2A CN201811547869A CN111335868B CN 111335868 B CN111335868 B CN 111335868B CN 201811547869 A CN201811547869 A CN 201811547869A CN 111335868 B CN111335868 B CN 111335868B
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- electric power
- closed
- power 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.)
- Active
Links
- 239000003129 oil well Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000010586 diagram Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 239000003086 colorant Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005086 pumping Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 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
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本说明书实施例公开了一种油井工况识别方法、装置及系统,所述方法包括获取待测油井的实测电功率数据;对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图;对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据;根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得。利用本说明书各实施例,可以低成本高效率的实现对油井工况的实时诊断。
Description
技术领域
本发明涉及石油勘探技术领域,特别地,涉及一种油井工况识别方法、装置及系统。
背景技术
通常油田机械采油领域通过地面示功图分析油井工作状态、判断油井故障。抽油机井地面示功图由载荷传感器获得,但是存在成本高、普及率低、数据易漂移失真等问题。同时,目前工况诊断方法还需利用数学模型将地面示功图转换为井下泵功图,再利用智能识别技术识别油井工况,地面示功图转成井下泵功图,计算复杂,误差较大,识别率较低。因此,目前亟需一种更加准确的识别油井工况的方法。
发明内容
本说明书实施例的目的在于提供一种油井工况识别方法、装置及系统,可以低成本高效率的实现对油井工况的实时诊断。
本说明书提供一种油井工况识别方法、装置及系统是包括如下方式实现的:
一种油井工况识别方法,包括:
获取待测油井的实测电功率数据;
对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图;
对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据;
根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得。
本说明书提供的所述方法的另一个实施例中,所述对提取后的实测电功率数据进行坐标系转换,包括:
对提取后的实测电功率数据进行极坐标或者功率-位移坐标转换,获得封闭功图。
本说明书提供的所述方法的另一个实施例中,所述提取填充后的封闭功图及背景区域的像素值,获得特征数据,包括:
将填充后的封闭功图及背景区域进行二值化处理;
提取二值化处理后的封闭功图及背景区域的像素,并进行归一化处理,获得特征数据。
本说明书提供的所述方法的另一个实施例中,所述工况识别模型采用下述方式构建获得:
获取已知工况结果的电功率数据以及对应的工况结果;
对所述已知工况结果的电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本;
对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得特征数据样本集;
利用深度学习对所述特征数据样本集以及对应的工况结果进行训练,获得工况识别模型。
另一方面,本说明书实施例还提供一种油井工况识别装置,所述装置包括:
数据获取模块,用于获取待测油井的实测电功率数据;
数据转换模块,用于对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图;
特征提取模块,用于对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据;
工况识别模块,用于根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得。
本说明书提供的所述装置的另一个实施例中,所述数据转换模块包括:
第一数据转换单元,用于提取电功率数据一个周期内的数据,将提取的数据进行极坐标或者功率-位移坐标转换,获得封闭功图。
本说明书提供的所述装置的另一个实施例中,所述特征提取模块包括:
二值化处理单元,用于将填充后的封闭功图及背景区域进行二值化处理;
第一特征提取单元,用于提取二值化处理后的封闭功图及背景区域的像素,并进行归一化处理,获得特征数据。
本说明书提供的所述装置的另一个实施例中,所述装置还包括模型构建模块,所述模型构建模块包括:
数据获取单元,用于获取已知工况结果的电功率数据以及对应的工况结果;
第二数据转换单元,用于对所述已知工况结果的电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本;
第二特征提取单元,用于对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得特征数据样本集;
模型构建单元,用于利用深度学习对所述特征数据样本集以及对应的工况结果进行训练,获得工况识别模型。
另一方面,本说明书实施例还提供一种油井工况识别系统,所述系统包括电参数采集模块、Zigbee无线通信模块、单片机、处理器以及主板,其中,所述电参数采集模块、Zigbee无线通信模块、单片机以及处理器固定在所述主板上;
所述电参数采集模块利用电能测量芯片实时测量电参数数据,并采用Zigbee协议与Zigbee无线通信模块进行数据通信;
所述Zigbee无线通信模块插接在所述单片机接口上,并将所述电参数数据传输给单片机;
所述处理器连接在所述单片机的接口上,用于获取所述电参数数据,并基于上述任意一个实施例所述的方法进行工况识别获得工况识别结果。
本说明书提供的所述系统的另一个实施例中,所述系统还包括WiFi模块、显示终端,其中,
所述WiFi模块固定在所述主板上,并连接在所述单片机的接口上,用于在所述单片机与所述显示终端之间建立通信,将所述电参数数据以及所述工况识别结果传输给所述显示终端;
所述显示终端用于接收所述电参数数据以及所述工况识别结果并进行展示。
本说明书一个或多个实施例提供的油井工况识别方法、装置及系统,可以通过获取油井的电参数数据,将电参数数据转换成封闭的功图。并对封闭功图区域与其周围的背景区域分别采用不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素作为特征。然后,基于电功图的图形特征相对油井复杂工况的变化特征,利用深度学习的方法来准确识别油井工况。利用本说明书各个实施例,可以简单高效的实现对油井工况的监测,且工况的识别结果更为准确。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书提供的一种油井工况识别方法实施例的流程示意图;
图2为本说明书提供的一个实施例中的特征提取示意图;
图3为本说明书提供的另一个实施例中的工况识别流程示意图;
图4为本说明书提供的一种油井工况识别装置实施例的模块结构示意图;
图5为本说明书提供的另一个实施例中的油井工况识别系统的结构示意图;
图6为本说明书提供的另一个实施例中的单片机主板电路示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是说明书一部分实施例,而不是全部的实施例。基于说明书一个或多个实施例,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,都应当属于本说明书实施例方案保护的范围。
通常油田机械采油领域通过地面示功图分析油井工作状态、判断油井故障。抽油机井地面示功图由载荷传感器获得,但是存在成本高、普及率低、数据易漂移失真等问题。同时,目前工况诊断方法还需利用数学模型将地面示功图转换为井下泵功图,再利用智能识别技术识别油井工况,地面示功图转成井下泵功图,计算复杂,误差较大,识别率较低。
相应的,本说明书实施例提供了一种油井工况识别方法,可以通过获取油井的电参数数据,将电参数数据转换成封闭的功图。并对封闭功图区域与其周围的背景区域分别采用不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素作为特征。然后,基于电功图的图形特征相对油井复杂工况的变化特征,利用深度学习的方法来准确识别油井工况。利用本说明书各个实施例,可以简单高效的实现对油井工况的监测,且工况的识别结果更为准确。
图1是本说明书提供的所述一种油井工况识别方法实施例流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的油井工况识别方法的一个实施例中,所述方法可以包括:
S2:获取待测油井的实测电功率数据。
所述电功率数据可以包括油井工作过程中的有功功率数据。通常情况下可以将采集的电功率数据通过电功率曲线展示出来,即将电功率数据投影在横坐标为时间、纵坐标为电功率的坐标系中,获得电功率随时间变化的电功率曲线。
可以通过电参数采集设备采集油井工作时的三相电压、电流瞬时值数据,并对三相电压、电流瞬时值数据进行计算,获得电压、电流有效值,进而获得油井工作时的有功功率数据。相关的计算方法可以参考现有技术实施,这里不做赘述。
S4:对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图。
可以对所述实测电功率数据按照预设周期进行提取。相应的,一个周期可以包括抽油机柱塞往复运动一个上下冲程或者曲柄转动360°对应的时间段。一个周期的起点可以从任意一个时间点开始,直至完成一次往复运动,获得一个周期内的数据,依次类推,可以将获得实测电功率数据按周期进行划分。然后,可以对提取后的实测电功率数据进行坐标系转换。
一个周期内的数据为例进行说明,如可以提取电功率曲线从上冲程开始一个周期内的测试点,所述上冲程是指抽油机驴头从最低点开始拉着柱塞向上运动,或者曲柄转角从0°开始向180°旋转的过程。然后,可以将一个周期内的电功率数据进行坐标系转换,在转换后的坐标系下该周期内的数据点可以形成一个封闭的曲线。可以将封闭曲线内的区域称为封闭功图,将封闭曲线外的区域作为背景区域。
本说明书的一个或者多个实施例中,可以对提取后的实测电功率数据进行极坐标或者功率-位移坐标转换,获得封闭功图。
图2表示从电功率曲线提取特征的过程示意图。如图2所示,如可以提取电功率曲线从上冲程开始一个周期内的测试点,然后,可以将电功率-时间坐标系下的数据转换成极坐标系下的数据,并将转换后的数据投影到极坐标系下,形成封闭曲线。
或者,可以将电功率-时间数据转换成电功率-位移坐标系下的数据,即电功率随时间变化的数据转换成电功率随位移变化的数据,并将转换后的数据投影到电功率-位移坐标系下,形成封闭曲线,进而获得封闭功图。
S6:对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据。
可以对所述封闭功图及背景区域分别基于两种不同的颜色进行填充,然后,可以提取填充后的封闭功图及背景区域的像素作为特征,形成特征向量,用于后续数据处理。如图2所示,将电功率数据转换成封闭图形的形式,然后,对封闭曲线内部区域及其背景区域分别采用不同的颜色进行填充,将图形的像素值作为特征向量,用于后续工况识别处理。
实际油井生产过程中,不同工况对应的电功率数据变化情况较为复杂多变,若单纯的分析电功率数据,则较难准确的确定实测电功率数据所可能对应的工况。本说明书上述实施例,通过将时间域的功率数据转换成封闭曲线的形式,封闭曲线形状的细微变化可以精确的体现出实测电功率数据的变化情况。提取封闭曲线区域及其背景区域的图像像素值获得特征向量,来反映实测电功率数据的变化,可以更加准确的反映实测电功率数据的变化特征,从而可以提高工况识别的精准性。
且提取封闭曲线区域及其背景区域的图像像素值作为特征向量,进行工况识别,相对于直接分析封闭曲线形状变化,还可以在提高识别准确性的基础上,进一步降低数据分析的复杂性,提高工况识别过程中数据处理的效率以及简便性。
本说明书的一个实施例中,还可以将填充后的封闭功图及背景区域进行二值化处理,提取二值化处理后的封闭功图及背景区域的像素,并进行归一化处理,获得特征向量。将特征向量的元素值映射到0—1之间,以便于数据分析处理,进一步提高后续数据处理的效率。
可以将所述封闭曲线外的背景与所述封闭曲线封闭的功图分别用两种颜色进行填充,对填充后的图像进行二值化处理。或者,先对背景以及功图进行标准二值化处理,然后,再进行颜色填充。如图2所示,如可以将封闭曲线内的区域像素值设置为255,背景区域设置为0。提取二值化处理及颜色填充后的图像的像素值,并进行归一化处理,映射到0到1之间,获得特征向量。
S6:根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得。
可以将提取的特征向量输入预先构建的工况识别模型进行工况识别处理,获得实测电功率数据所对应的工况识别结果。其中,所述工况识别模型可以根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得。所述工况识别结果如可以包括工况是否正常;如工况不正常,则还可以输出相应的工况类型。
本说明书的一个实施例中,可以获取已知工况结果的电功率数据以及对应的工况结果;
对所述已知工况结果的电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本;
对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得特征数据样本集;
利用深度学习对所述特征数据样本集以及对应的工况结果进行训练,获得工况识别模型。
图3表示基于电功率数据进行工况识别的流程示意图。如图3所示,可以从现场收集不同工况典型油井一段时间内的实测功率曲线和油井工况结果,建立样本库。如可以收集正常、气影响、供液不足、上阀尔漏失、下阀尔漏失、砂卡、杆断、脱出泵筒等油井工况下一段时间内的实测功率曲线,作为样本数据,构建样本库。
然后,可以获取样本库中某一工况对应的电功率数据,对电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本。可以对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得该工况对于的特征数据样本集。相应的处理方法可以参考步骤S4中的方案实施,这里不做赘述。
可以根据上述方案,对样本库中其他工况对应的电功率数据进行处理,获得各工况对应的特征数据样本集。然后,可以基于卷积神经网络等深度学习技术对特征数据样本集以及其对应的工况结果进行训练,获得工况识别模型。
然后,可以将提取的待测油井的实测电功率数据对应的特征向量,输入上述工况识别模型进行工况识别处理,获得工况识别结果,从而实现根据电功率数据对油井工况的实时监测。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述,在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例提供的油井工况识别方法,可以通过获取油井的电参数数据,将电参数数据转换成封闭的功图。并对封闭功图区域与其周围的背景区域分别采用不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素作为特征。然后,基于电功图的图形特征相对油井复杂工况的变化特征,利用深度学习的方法来准确识别油井工况。利用本说明书各个实施例,可以简单高效的实现对油井工况的监测,且工况的识别结果更为准确。
基于上述所述的油井工况识别方法,本说明书一个或多个实施例还提供一种油井工况识别装置。所述的装置可以包括使用了本说明书实施例所述方法的系统、软件(应用)、模块、组件、服务器等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。具体的,图4表示说明书提供的一种油井工况识别装置实施例的模块结构示意图,如图4所示,所述装置可以包括:
数据获取模块102,可以用于获取待测油井的实测电功率数据;
数据转换模块104,可以用于对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图;
特征提取模块106,可以用于对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据;
工况识别模块108,可以用于根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得。
本说明书的另一个实施例中,所述数据转换模块104可以包括:
第一数据转换单元,可以用于提取电功率数据一个周期内的数据,将提取的数据进行极坐标或者功率-位移坐标转换,获得封闭功图。
本说明书的另一个实施例中,所述特征提取模块106可以包括:
二值化处理单元,可以用于将填充后的封闭功图及背景区域进行二值化处理;
第一特征提取单元,可以用于提取二值化处理后的封闭功图及背景区域的像素,并进行归一化处理,获得特征数据。
本说明书的另一个实施例中,所述装置还可以包括模型构建模块,所述模型构建模块可以包括:
数据获取单元,可以用于获取已知工况结果的电功率数据以及对应的工况结果;
第二数据转换单元,可以用于对所述已知工况结果的电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本;
第二特征提取单元,可以用于对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得特征数据样本集;
模型构建单元,可以用于利用深度学习对所述特征数据样本集以及对应的工况结果进行训练,获得工况识别模型。
需要说明的,上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书一个或多个实施例提供的油井工况识别装置,可以通过获取油井的电参数数据,将电参数数据转换成封闭的功图。并对封闭功图区域与其周围的背景区域分别采用不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素作为特征。然后,基于电功图的图形特征相对油井复杂工况的变化特征,利用深度学习的方法来准确识别油井工况。利用本说明书各个实施例,可以简单高效的实现对油井工况的监测,且工况的识别结果更为准确。
基于上述所述的油井工况识别方法,本说明书一个或多个实施例还提供一种油井工况识别系统,所述系统可以包括电参数采集模块、Zigbee无线通信模块、单片机、处理器以及主板,其中,所述电参数采集模块、Zigbee无线通信模块、单片机以及处理器固定在所述主板上;
所述电参数采集模块利用电能测量芯片实时测量电参数数据,并采用Zigbee协议与Zigbee无线通信模块进行数据通信;
所述Zigbee无线通信模块插接在所述单片机接口上,并将所述电参数数据传输给单片机;
所述处理器连接在所述单片机的接口上,用于获取所述电参数数据,并根据步骤S2-S8中所述的方法进行工况识别,获得工况识别结果。
本说明书的另一个实施例中,所述系统还可以包括WiFi模块、显示终端,其中,
所述WiFi模块可以固定在所述主板上,并连接在所述单片机的接口上,用于在所述单片机与所述显示终端之间建立通信,将所述电参数数据以及所述工况识别结果传输给所述显示终端;
所述显示终端用于接收所述电参数数据以及所述工况识别结果并进行展示。
一些实施方式中,所述电参数采集模块,可以使用电能测量芯片实时测量三相电压、电流瞬时值,并采用Zigbee协议与无线通信模块进行数据通信。
所述Zigbee无线通信模块,可以采用Zigbee协议与电参数采集模块进行数据通信,将测试的电参数据传输给单片机。
所述单片机,可以采用STM32F103RC芯片,其USART1口连接PIN20公口,用于插接各无线通信模块;USART2口连接无线WIFI模块,用于与移动终端的通讯交互;USART3口连接处理器。
所述处理器,可以为嵌入式Linux系统的ARM板,可以用于根据步骤S2-S8中各实施例提供的方案进行电功率曲线处理和工况诊断。
所述WiFi模块,可以在单片机和移动终端之间建立通信,将实测功率曲线和诊断结果传给移动终端。
所述的主板,可以用于安装固定Zigbee无线通信模块、单片机、ARM处理器、WiFi模块。
所述移动显示终端,可以与主板的WiFi模块建立通信,从而获取实测电参数和诊断结果,并现场展示。
利用本说明书上述实施例提供的系统,可以基于电参数数据,利用大数据深度学习方法对抽油机井工况进行识别,无需实测示功图、泵功图转化,实现快速诊断。
为了便于对本说明书实施例的理解,下面将结合附图以具体实施例为例作进一步的解释说明,且各个实施例不构成对本说明书实施例的限定。
图5表示一种油井工况识别系统的结构示意图。如图5所示,本说明书的油井工况识别系统,可以包括电参数采集模块、Zigbee无线通信模块、单片机、ARM处理器、WIFI模块、移动终端等,各个单元可以放置在便携式手提箱中。
电参数采集模块可以安装在抽油机井电柜内,可测试三相电压、电流瞬时值,并与Zigbee无线通信模块进行数据通信。
无线通信模块采用Zigbee协议与电参数采集模块进行数据通信,该模块焊接在带有20PIN母口的电路板上并封装于金属盒中。
图6表示单片机主板电路图。如图6所示,单片机可以采用STM32F103RC芯片,其USART1口连接PIN20公口,用于插接各无线通信模块;USART2口连接无线WIFI模块,用于与移动终端的通讯交互;USART3口连接搭载有嵌入式Linux系统的ARM板;VCC表示模拟信号电源,GND表示模拟信号地。在芯片内部可以完成电压、电流的有效值、有功功率等参数的计算。
ARM处理器采用S3C2416芯片,搭载有嵌入式Linux系统,其足够大的内存可保证基于电功率曲线油井工况诊断的正常运行。
WiFi模块可以与单片机连接,同时与移动终端建立通信。
所采用的移动终端具有防水、防尘、防摔的功能,可保证在油田现场具有较长的使用寿命。移动终端搭载移动管理平台,可实现油井电参数、工况结果查询等功能。
本说明书实施例提供的系统的使用方法及工作原理如下:
选择需要测试油井,并将电参数采集模块安装在抽油机井电柜内,将无线通信模块插接在主板上的20PIN口上,打开主板上的单片机工作电源,所需数据即从传感器通过20PIN口传送至单片机的USART1口。
单片机完成电压、电流的有效值、有功功率等参数的计算,将部分数据通过USART3口传送至搭载有嵌入式Linux系统的ARM板,ARM板经过复杂计算后将诊断结果通过USART3口传送至单片机。具体的工况识别方法可以参考步骤S2-S8提供的方案实施。
单片机将所采集数据、计算结果和诊断结果通过USART2口经过WIFI模块传至移动终端,油田现场人员即可通过使用移动终端中的APP进行查看。
需要说明的,上述所述的系统根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
上述实施例所述的油井工况识别系统,可以通过实时获取电参数,并基于电功图的图形特征相对油井不同工况的变化关系,利用深度学习算法,实时确定油井的工况。然后,进一步将油井工况的结果反馈给地上终端设备,从而实现利用地上终端设备对油井地下工况的准确监控,提高油井生产的可控性。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
尽管本说明书实施例内容中提到的电功率数据计算、特征提取、样本库构建等获取、定义、交互、计算、判断等操作和数据描述,但是,本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书的可选实施方案范围之内。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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,仅仅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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据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。
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,并不排除在包括所述要素的过程、方法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,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例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,本说明书一个或多个实施例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。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种油井工况识别方法,其特征在于,包括:
获取待测油井的实测电功率数据;
对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图;
对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据;
根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得;
其中,所述对提取后的实测电功率数据进行坐标系转换,包括:对提取后的实测电功率数据进行极坐标或者功率-位移坐标转换,获得封闭功图。
2.根据权利要求1所述的方法,其特征在于,所述提取填充后的封闭功图及背景区域的像素值,获得特征数据,包括:
将填充后的封闭功图及背景区域进行二值化处理;
提取二值化处理后的封闭功图及背景区域的像素,并进行归一化处理,获得特征数据。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述工况识别模型采用下述方式构建获得:
获取已知工况结果的电功率数据以及对应的工况结果;
对所述已知工况结果的电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本;
对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得特征数据样本集;
利用深度学习对所述特征数据样本集以及对应的工况结果进行训练,获得工况识别模型。
4.一种油井工况识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取待测油井的实测电功率数据;
数据转换模块,用于对所述实测电功率数据按照预设周期进行提取,并对提取后的实测电功率数据进行坐标系转换,获得封闭功图;
特征提取模块,用于对所述封闭功图及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图及背景区域的像素值,获得特征数据;
工况识别模块,用于根据预先构建的工况识别模型对所述特征数据进行工况识别处理,获得工况识别结果,其中,所述工况识别模型根据对已知工况结果的电功率数据以及对应的工况结果进行训练获得;
其中,所述数据转换模块包括:第一数据转换单元,用于提取电功率数据一个周期内的数据,将提取的数据进行极坐标或者功率-位移坐标转换,获得封闭功图。
5.根据权利要求4所述的装置,其特征在于,所述特征提取模块包括:
二值化处理单元,用于将填充后的封闭功图及背景区域进行二值化处理;
第一特征提取单元,用于提取二值化处理后的封闭功图及背景区域的像素,并进行归一化处理,获得特征数据。
6.根据权利要求4-5任一项所述的装置,其特征在于,所述装置还包括模型构建模块,所述模型构建模块包括:
数据获取单元,用于获取已知工况结果的电功率数据以及对应的工况结果;
第二数据转换单元,用于对所述已知工况结果的电功率数据按照预设周期进行提取,并对提取后的电功率数据进行坐标系转换,获得封闭功图样本;
第二特征提取单元,用于对所述封闭功图样本及对应的背景区域分别基于不同的颜色进行填充,提取填充后的封闭功图样本及背景区域的像素值,获得特征数据样本集;
模型构建单元,用于利用深度学习对所述特征数据样本集以及对应的工况结果进行训练,获得工况识别模型。
7.一种油井工况识别系统,其特征在于,所述系统包括电参数采集模块、Zigbee无线通信模块、单片机、处理器以及主板,其中,所述电参数采集模块、Zigbee无线通信模块、单片机以及处理器固定在所述主板上;
所述电参数采集模块利用电能测量芯片实时测量电参数数据,并采用Zigbee协议与Zigbee无线通信模块进行数据通信;
所述Zigbee无线通信模块插接在所述单片机接口上,并将所述电参数数据传输给单片机;
所述处理器连接在所述单片机的接口上,用于获取所述电参数数据,并基于权利要求1-3任一项所述的方法进行工况识别获得工况识别结果。
8.根据权利要求7所述的油井工况识别系统,其特征在于,所述系统还包括WiFi模块、显示终端,其中,
所述WiFi模块固定在所述主板上,并连接在所述单片机的接口上,用于在所述单片机与所述显示终端之间建立通信,将所述电参数数据以及所述工况识别结果传输给所述显示终端;
所述显示终端用于接收所述电参数数据以及所述工况识别结果并进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547869.2A CN111335868B (zh) | 2018-12-18 | 2018-12-18 | 一种油井工况识别方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547869.2A CN111335868B (zh) | 2018-12-18 | 2018-12-18 | 一种油井工况识别方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111335868A CN111335868A (zh) | 2020-06-26 |
CN111335868B true CN111335868B (zh) | 2023-11-03 |
Family
ID=71179422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811547869.2A Active CN111335868B (zh) | 2018-12-18 | 2018-12-18 | 一种油井工况识别方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111335868B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152548B (zh) * | 2023-11-01 | 2024-01-30 | 山东理工大学 | 一种抽油机井实测电功图工况识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104533382A (zh) * | 2014-12-16 | 2015-04-22 | 哈尔滨斯特凯峰电子有限公司 | 一种抽油机井电参数“示功图”的确定方法 |
CN105473814A (zh) * | 2013-08-30 | 2016-04-06 | 哈利伯顿能源服务公司 | 具有横向偶极天线配置的井下核磁共振(nmr)工具 |
CN106837301A (zh) * | 2017-03-03 | 2017-06-13 | 中国石油化工股份有限公司胜利油田分公司胜利采油厂 | 一种电功图与示功图整合的抽油机井工况诊断方法 |
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 |
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
- 2018-12-18 CN CN201811547869.2A patent/CN111335868B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105473814A (zh) * | 2013-08-30 | 2016-04-06 | 哈利伯顿能源服务公司 | 具有横向偶极天线配置的井下核磁共振(nmr)工具 |
CN104533382A (zh) * | 2014-12-16 | 2015-04-22 | 哈尔滨斯特凯峰电子有限公司 | 一种抽油机井电参数“示功图”的确定方法 |
CN106837301A (zh) * | 2017-03-03 | 2017-06-13 | 中国石油化工股份有限公司胜利油田分公司胜利采油厂 | 一种电功图与示功图整合的抽油机井工况诊断方法 |
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 |
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 (1)
Title |
---|
周斌 ; 王延江 ; 刘伟锋 ; 刘宝弟 ; .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).2018,(03),第154-159页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111335868A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836404B (zh) | 智能挖掘机的结构性能数字孪生体构建方法 | |
CN111379555B (zh) | 抽油机井的故障诊断方法及装置 | |
Subakti et al. | Indoor augmented reality using deep learning for industry 4.0 smart factories | |
US20190024497A1 (en) | Plunger lift state estimation and optimization using acoustic data | |
CN104533382B (zh) | 一种抽油机井电参数“示功图”的确定方法 | |
CN103541723B (zh) | 基于地面示功图面积变化的抽油机井实时工况诊断方法 | |
CN104536888A (zh) | 移动设备的游戏测试方法与系统 | |
WO2017172087A1 (en) | Internet of things device for monitoring the motion of oscillating equipment | |
CN105425065A (zh) | 智能家电自动化生产测试的系统及方法 | |
CN112149329B (zh) | 核电厂关键设备的状态预演方法、系统、设备及存储介质 | |
CN107143322B (zh) | 以电参数计量单井产液量的装置及方法 | |
CN106837301A (zh) | 一种电功图与示功图整合的抽油机井工况诊断方法 | |
CN104405365A (zh) | 抽油机功图法产液量计量技术 | |
CN108952673B (zh) | 抽油机井工况检查方法及装置 | |
EA201300676A1 (ru) | Способ диагностики и контроля процесса откачки нефти и газа из скважин, оборудованных штанговыми глубинными насосами, и оборудование для внедрения этого способа | |
CN111335868B (zh) | 一种油井工况识别方法、装置及系统 | |
CN105911563A (zh) | 一种gps静态观测数据质量实时检测的方法 | |
CN116847222B (zh) | 应用于石油测井下的设备远程监控方法及系统 | |
CN104373113B (zh) | 一种用电参数测量抽油机井环空动液面及工况诊断方法 | |
Huang et al. | An object-based change detection approach by integrating intensity and texture differences | |
CN111384776A (zh) | 一种基于vr的变电站三维全景状态监测方法及系统 | |
CN204331727U (zh) | 一种基于云计算的数据采集系统 | |
CN103293510A (zh) | 一种快速测定电能表误差的装置及方法 | |
CN112419402B (zh) | 一种基于多光谱影像和激光点云的定位方法及系统 | |
CN106677762A (zh) | 无线一体化示功仪 |
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 |