CN111379555B

CN111379555B - 抽油机井的故障诊断方法及装置

Info

Publication number: CN111379555B
Application number: CN201811631864.8A
Authority: CN
Inventors: 张喜顺; 师俊峰; 赵瑞东; 张鑫; 彭翼; 张建军; 邓峰; 陈诗雯; 熊春明; 雷群; 刘猛; 李琪铭
Original assignee: Petrochina Co Ltd
Current assignee: Petrochina Co Ltd
Priority date: 2018-12-29
Filing date: 2018-12-29
Publication date: 2023-05-26
Anticipated expiration: 2038-12-29
Also published as: CN111379555A

Abstract

本发明提供了一种抽油机井的故障诊断方法及装置，其中，该方法包括：采集待诊断抽油机井的三相电压、电流瞬时值；根据三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；根据功率示功图神经网络转换模型，将实测电功率曲线转换为实测示功图；从实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；将实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。上述技术方案提高了抽油机井故障诊断的效率和准确率，降低了成本，具有广泛的应用前景。

Description

抽油机井的故障诊断方法及装置

技术领域

本发明涉及油田机械采油技术领域，特别涉及一种抽油机井的故障诊断方法及装置。

背景技术

通过地面示功图可分析油井工作状态、判断油井故障，抽油机井地面示功图可由载荷传感器获得，但是存在成本高、普及率低、数据易漂移失真等问题；同时，目前工况诊断方法是利用数学模型将地面示功图转换为井下泵功图，再通过神经网络识别技术识别油井工况，存在一些问题：地面功图转井下泵功图计算复杂，其神经网络方法需要不断训练，并且选取功图周长、面积等几个简单特征值，识别率受限。因此，现有抽油机井的故障诊断方案存在准确率和效率低、成本高的问题。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种抽油机井的故障诊断方法，用以提高抽油机井故障诊断的效率和准确率，降低成本，该方法包括：

采集待诊断抽油机井的三相电压、电流瞬时值；

根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；

根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；

从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；

将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。

本发明实施例还提供了一种抽油机井的故障诊断装置，用以提高抽油机井故障诊断的效率和准确率，降低成本，该装置包括：

采集单元，用于采集待诊断抽油机井的三相电压、电流瞬时值；

实测电功率曲线确定单元，用于根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；

示功图转换单元，用于根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；

提取单元，用于从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；

故障诊断单元，用于将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述抽油机井的故障诊断方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行抽油机井的故障诊断方法的计算机程序。

本发明实施例提供的技术方案：

首先，根据多个电功率曲线与对应的示功图样本对，预先建立了功率示功图神经网络转换模型；根据采集的待诊断抽油机井的三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；根据预先建立的功率示功图神经网络转换模型，将待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图，实现了：仅需要采集抽油机井的三相电压、电流瞬时值电参数，确定待诊断抽油机井的实测电功率曲线，利用预先建立的功率示功图神经网络转换模型，反演示功图，无需实测示功图、泵功图转化，取代了传统的载荷传感器和复杂运算，降低了成本，提高了精度；

其次，从实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；最后，将实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型，实现了：利用KNN大数据分析方法识别故障类型，无需实测示功图、泵功图转化，快速诊断且准确率高。

综上，上述技术方案只需要测试抽油机井的电参数，利用深度学习和KNN大数据分析方法反演示功图并识别抽油机井故障，无需实测示功图、泵功图转化，提高了抽油机井故障诊断的效率和准确率，降低了成本，具有广泛的应用前景。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是本发明实施例中抽油机井的故障诊断方法的流程示意图；

图2是本发明实施例中抽油机井的故障诊断装置一个例子的结构示意图；

图3是本发明实施例中单片机主板电路图的结构示意图；

图4是本发明实施例中建立功率示功图神经网络转换模型时特征提取的原理示意图；

图5是本发明实施例中建立功率示功图神经网络转换模型的原理示意图；

图6是本发明实施例中提取边缘直方图特征的原理示意图；

图7是本发明实施例中KNN识别过程的原理示意图；

图8是本发明实施例中抽油机井的故障诊断装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

发明人发现：电参数是油井最基本的运行参数，具有普及率高、采集成本低、数据稳定等优点，通过电参数间接获得抽油机井示功图，可以打到载荷传感器，实现低成本高效率的油井数字化管理。然而，目前利用电参数间接得到示功图多是基于扭矩系数法，而扭矩因数在悬点上下死点处为零，将其作为除数时，导致计算载荷出现不收敛情况。另外，随着物联网技术在油气井生产领域普和公司A11系统运行，现场收集了大量的实测电参数、示功图数据，覆盖不同类型油井各类复杂工况。

因此，由于考虑到以上技术问题，发明人提出了一种通过建立电功率曲线反演示功图的方法和工况诊断方法，并固化在相应的ARM处理器中，对电参数模块测试的电功率曲线进行反演示功图并对示功图进行工况诊断，最终在移动终端进行显示，即利用电功率曲线进行诊断的方案，该方案通过电参数模块实测电功率曲线，利用大数据深度学习方法将功率曲线转化为示功图，利用KNN大数据方法对示功图进行诊断分析，并在移动终端显示分析结果。

本发明实例提供的利用电功率曲线进行诊断的方案主要是：通过电参数测试设备采集三相电压、电流瞬时值，通过无线通讯模块发送给单片机；单片机完成电压、电流的有效值、有功功率等参数的计算，将部分数据传递给搭载有嵌入式Linux系统的ARM处理器，该ARM处理器专门利用存储的大数据深度学习方法和KNN方法对油井电功率曲线转示功图并进行诊断分析，将转化和诊断结果传给单片机；单片机内部以Modbus协议存储转化和诊断结果；移动终端与单片机的WIFI模块建立通信，从而获得转化和诊断结果并显示。

下面对抽油机井的故障诊断方案进行详细介绍如下。

图1是本发明实施例中抽油机井的故障诊断方法的流程示意图，如图1所示，该方法包括如下步骤：

步骤101：采集待诊断抽油机井的三相电压、电流瞬时值；

步骤102：根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；

步骤103：根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；

步骤104：从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；

步骤105：将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。

本发明实施例提供的技术方案：

综上，上述技术方案只需要测试抽油机的井电参数，利用深度学习和KNN大数据分析方法反演示功图并识别抽油机井故障，无需实测示功图、泵功图转化，提高了抽油机井故障诊断的效率和准确率，降低了成本，具有广泛的应用前景。

下面再结合图2至图7，对本发明实施例提供的技术方案涉及的各个步骤进行详细介绍如下。

具体实施时，可以利用一抽油机井的故障诊断装置来实现上述步骤101至步骤105。如图2所示，该诊断装置主要包括：电参数采集模块、Zigbee无线通讯模块、单片机、ARM处理器、WIFI模块、移动终端等。

一、首先，介绍上述步骤101。

具体实施时，可以利用图2中所示的电参数采集模块采集待诊断抽油机井的三相电压、电流瞬时值，该电参数采集模块可以是下面实施例中介绍的采集单元。电参数采集模块可以安装在抽油机井电柜内。

具体实施时，该电参数采集模块可以是一电能测量芯片，该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Zigbee无线通讯模块进行数据通信，该Zigbee无线通讯模块将采集的三相电压、电流瞬时值传输至一单片机。该Zigbee无线通讯模块可以焊接在带有20PIN母口的电路板上并封装于金属盒中。

二、其次，介绍上述步骤102。

具体实施时，可以利用上文提到的单片机实现上述步骤102。该单片机可以是下面实施例中介绍的实测电功率曲线确定单元。该单片机主板电路图可以如图3所示。该单片机接收到Zigbee无线通讯模块传输来的三相电压、电流瞬时值，根据三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线。

具体实施时，该单片机可以采用STM32F103RC芯片，在芯片内部完成电压、电流的有效值、有功功率等参数的计算。该芯片可以包括三个接口，其中：UART1口连接PIN20公口，用于插接各无线通讯模块，例如图2中所示的Zigbee无线通讯模块；UART2口连接无线WIFI模块，用于与移动终端的通讯交互，后续用于将故障诊断结果输出，详见下文的介绍；UART3口连接搭载有嵌入式Linux系统的ARM处理器。该ARM处理器可以为嵌入式Linux系统的ARM板(图2中的装载有Linux系统的ARM板)，可以采用三星S3C2416芯片，搭载有嵌入式Linux系统，其足够大的内存可保证电功率反演示功图、工况诊断的正常运行。该ARM处理器(图2中的装载有Linux系统的ARM板)可以用于实现上述步骤103至步骤105，即实现电功率曲线反演示功图和大数据KNN方法工况诊断，详见下文介绍。

三、接着，介绍上述步骤103。

具体实施时，可以利用上文提到的ARM处理器来实现上述步骤103。该ARM处理器可以包括下文提到的示功图转换单元。

1、首先，介绍预先建立功率示功图神经网络转换模型的过程。

在一个实施例中，可以按照如下方法预先建立所述功率示功图神经网络转换模型：

获取不同故障类型对应的电功率曲线样本及其对应的示功图样本；

对于每一电功率曲线样本及其对应的示功图样本均执行以下特征提取操作：提取电功率曲线从上冲程开始一个周期内的测试点作为第一特征值；将功率曲线示功图生成二值图像，将二值图像的背景色和功图形状分别用两种颜色表示，提取其中的像素点作为第二特征值；

利用限制性玻尔兹曼机网络、稀疏自编码方法和Softmax映射函数，确定每一电功率曲线与对应示功图之间的关联关系，建立所述功率示功图神经网络转换模型，并根据所述第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型。

下面对建立功率示功图神经网络转换模型，及进行训练的过程进行详细介绍。

(1)收集现场功率、载荷数据，建立样本库：获取不同故障类型对应的电功率曲线样本及其对应的示功图样本。

具体实施时，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以及对应的示功图，建立样本库。

(2)特征值提取：对于每一电功率曲线样本及其对应的示功图样本均执行以下特征提取操作：提取电功率曲线从上冲程开始一个周期内的测试点作为第一特征值；将功率曲线示功图生成二值图像，将二值图像的背景色和功图形状分别用两种颜色表示，提取其中的像素点作为第二特征值。

具体实施时，如图4所示，可以提取功率曲线从上冲程开始一个周期内的测试点作为特征值X；将实测示功图生成标准尺寸的二值图像，背景色和功图形状分别用两种颜色表示，然后提取其中的像素点作为特征值Y。

(3)基于深度学习反演示功图：利用限制性玻尔兹曼机网络、稀疏自编码方法和Softmax映射函数，确定每一电功率曲线与对应示功图之间的关联关系，建立所述功率示功图神经网络转换模型(功率示功图神经网络转换模型)，并根据所述第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型。

具体实施时，如图5所示，利用限制性玻尔兹曼机、稀疏自编码、Softmax映射等深度学习技术，分析电功率与示功图之间的关联关系，建立功率-功图转换模型M(功率示功图神经网络转换模型)，并训练得到相关系数。

具体实施时，训练过程可以包括如下步骤：

①采集功率-功图(电功率-示功图)对应的数据记录；

②提取功率(电功率)的特征，按周期内时间先后，组成功率特征向量，请参见上述第一特征值的提取方式；

③提取功率数据，按照坐标和载荷数据，形成曲线图像(示功图图像)；

④对曲线图像进行封闭填充，提取填充后的像素作为特征，组成功图特征向量，请参见上述第二特征值的提取方式；

⑤对功率特征向量和功图特征向量都进行按行归一化，映射到0到1之间；

⑥将映射到0到1之间的功率特征向量和功图特征向量作为输入，通过深度模型进行训练。

具体实施时，上述步骤“②-⑤”可以在训练之前完成。

具体实施时，利用限制性玻尔兹曼机、稀疏自编码、Softmax映射等深度学习技术，分析电功率与示功图之间的关联关系，建立功率-功图转换模型M(功率示功图神经网络转换模型)的过程可以参见图5。如图5所示，首先对特征进行归一化处理，使用限制性玻尔兹曼机网络来对模型进行特征提取，利用稀疏自编码技术，将浅层的像素特征转换成复杂的逻辑特征，最后，利用Softmax映射函数，将特征映射成载荷，训练数据可以采用实时从油田抽取的电功率、示功图成对样本(样本对)。

在一个实施例中，上述抽油机井的故障诊断方法还可以包括：

将所述第一特征值进行归一化处理，获得归一化处理后的第一特征值；

将所述第二特征值进行归一化处理，获得归一化处理后的第二特征值；

根据所述第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型，包括：

根据归一化处理后的第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型。

具体实施时，对第一特征值和第二特征值进行归一化处理(可以为上述提到的映射到0到1之间)，根据归一化处理后的第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型，可以提高功率示功图神经网络转换模型的建立和训练效率，进而提高后续实测电功率曲线转换为示功图的效率。

(4)示功图输出：反演出的示功图为标准统一大小的黑白图像，封闭区间内全部为黑色。

2、其次，介绍根据上述预先建立的功率示功图神经网络转换模型转换示功图的过程。

具体实施时，可以将待诊断抽油机井的实测电功率曲线输入上述功率示功图神经网络转换模型，功率示功图神经网络转换模型将该待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图。

四、接着，介绍上述步骤104。

具体实施时，可以利用上文提到的ARM处理器来实现上述步骤104。该ARM处理器还可以包括下文提到的提取单元。

在一实施例中，从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量，可以包括：

利用MPEG-7的边缘特征计算方式，提取所述实测示功图的MPEG-7边缘直方图特征；所述MPEG-7边缘直方图特征由图像中每个子图像的5种类型的边缘直方图表示；

将MPEG-7边缘直方图特征的每个图像被分成4×4个不相重叠的16个子图像；

对于每个子图像，利用五个卷积核矩阵提取5个方向上的边缘直方图特征，得到实测示功图对应的特征向量；所述5个方向上包括：垂直、水平、45°、135°、无方向边缘。

具体实施时，MPEG-7标准被称为“多媒体内容描述接口”，利用MPEG-7的边缘特征计算方式，提取示功图的MPEG-7边缘直方图特征，它是由图像中每个子图像的5种类型的边缘直方图表示的。在MPEG-7中，每个图像都被分成4×4个不相重叠的16个子图像，如图6所示。对于每个子图像，提取5个方向上的边缘直方图：垂直、水平、45°、135°、无方向边缘。直方图特征可以用五个卷积核矩阵来提取，如下所示：

在一个实施例中，上述抽油机井的故障诊断方法还可以包括：对所述实测示功图进行如下其中之一或任意组合的预处理操作：数据准确性、完整性审核和噪声处理；

利用MPEG-7的边缘特征计算方式，提取所述实测示功图的MPEG-7边缘直方图特征，可以包括：

利用MPEG-7的边缘特征计算方式，提取经过预处理操作的实测示功图的MPEG-7边缘直方图特征。

具体实施时，对经过预处理操作后的实测示功图进行提取MPEG-7边缘直方图特征，提高了后续故障诊断的准确率。

五、最后，介绍上述步骤105。

具体实施时，可以利用上文提到的ARM处理器来实现上述步骤105，该步骤105即为利用KNN方法进行故障诊断的过程。该ARM处理器还可以包括下文提到的故障诊断单元。

1、首先，介绍预先建立向量样本库，即在向量样本库中预先存储多个向量特征的过程。

(1)特征值提取：该步骤可以参见上述步骤104。

(2)样本处理：对现场收集的样本进行处理(例如特征值提取)获得直方图特征，并存储在数据库中，可不断补充，可以提高后续故障识别准确率。

2、其次，介绍功图诊断的过程，即利用k最近邻法(k nearest neighbors，KNN)确定待诊断抽油机井的故障类型的过程。

由于发明人发现现有几何特征法判断规则、神经网络训练的复杂性，因此，提出了一种基于大数据技术的实用型诊断法，即基于图像检索的k最近邻法(k nearestneighbors，KNN)。KNN属于分类预测的一种算法，没有训练过程，直接在数据集基础上进行预测判断，因此，故障确定的效率高。

如图7所示，KNN识别过程(确定故障类型)的过程可以包括如下步骤：

①确定数据的特征；

②收集数据集，标注类别；

③对新的位置数据在所有数据集中进行匹配，选出最相近的Top N条已标注数据；

④选择N条数据中，类别占最多数的作为未知数据的类别。

其中，上述步骤①和②是预先建立向量样本库的过程。上述步骤③和④即是将步骤104得到实测示功图对应的特征向量与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。

具体实施时，将已知不同工况(如：正常、气影响、供液不足、漏失等故障类型)的样本(几万个)提取MPEG-7边缘直方图特征，每个样本得到一个特征向量(几万个)。获取到一个实测的功图数据(实测示功图对应的特征向量)，提取MPEG-7边缘直方图特征，得到一个特征向量，将这个特征向量和样本库里几万个特征向量进行相似度分析(向量的cosine距离)，然后进行排序。如果实测功图的特征向量与样本中口某一个供液不足示功图的特征向量相似度最高：0.98，那么这个实测功图的工况(故障类型)就是供液不足。

另外，图2中的Zigbee无线通讯模块、单片机、ARM处理器(装载Linux系统的ARM板)和WiFi模块可以固定安装在一主板上面，同时，电参数采集模块和该主板可以设置在一便携式手提箱内，这样的结构设计，在进行抽油机井的故障诊断时，灵活、方便。

具体实施时，图2中的WiFi无线通讯模块，可以在单片机和移动终端之间建立通信，将测试结果(三相电压、电流瞬时值)、反演示功图和诊断结果传给移动终端，便于工作人员实时了解测试过程和诊断结果。

具体实施时，移动终端可以具有防水、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、反演示功图、工况查询等功能。该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、反演示功图和诊断结果，并现场展示，灵活方便。

综上，本发明实施例提供的方案适用于需要进行工况诊断的抽油机井。其方法及工作原理为：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，将无线通讯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(电参数采集模块)通过20PIN口传送至单片机的UART1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UART3口传送至搭载有嵌入式Linux系统的ARM板(ARM处理器)，ARM板经过复杂计算后将反演结果和诊断结果通过UART3口传送至单片机；单片机将所采集数据、计算结果、反演示功图和诊断结果通过UART2口经过无线WIFI模块传至移动终端，油田现场人员即可正常使用移动终端中的APP进行查看。

基于同一发明构思，本发明实施例中还提供了一种抽油机井的故障诊断装置，如下面的实施例。由于抽油机井的故障诊断装置解决问题的原理与上述抽油机井的故障诊断方法相似，因此抽油机井的故障诊断装置的实施可以参考上述抽油机井的故障诊断方法的实施，重复之处不再赘述。以下所使用的，术语“模块”或者“单元”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。

图8是本发明实施例中抽油机井的故障诊断装置的结构示意图，如图8所示，该装置包括：

采集单元01，用于采集待诊断抽油机井的三相电压、电流瞬时值；

实测电功率曲线确定单元02，用于根据所述三相电压、电流瞬时值，确定待诊断抽油机井的实测电功率曲线；

示功图转换单元03，用于根据预先建立的功率示功图神经网络转换模型，将所述待诊断抽油机井的实测电功率曲线转换为待诊断抽油机井的实测示功图；所述功率示功图神经网络转换模型根据多个电功率曲线与对应的示功图样本对建立；

提取单元04，用于从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量；

故障诊断单元05，用于将所述实测示功图对应的特征向量，与预先存储在向量样本库中的多个向量特征进行相似度分析，得到与实测示功图对应的特征向量相似度最高的特征向量，将所述相似度最高的特征向量对应的故障类型作为待诊断抽油机井的故障类型。

在一个实施例中，上述抽油机井的故障诊断装置还可以包括：功图神经网络转换模型建立单元，用于按照如下方法预先建立所述功率示功图神经网络转换模型：

在一个实施例中，上述抽油机井的故障诊断装置还可以包括：归一化处理单元，用于：

根据所述第一特征值和第二特征值，对功率示功图神经网络转换模型进行训练，得到所述预先建立的功率示功图神经网络转换模型，可以包括：

在一个实施例中，上述提取单元具体可以用于：

在一个实施例中，上述抽油机井的故障诊断装置还可以包括：预处理单元，用于对所述实测示功图进行如下其中之一或任意组合的预处理操作：数据准确性、完整性审核和噪声处理；

本发明实施提供的技术方案的有益技术效果为：本发明专利解决了目前油井工况诊断需要实测示功图，但载荷传感器成本高、容易漂移的缺点，同时无需复杂的泵功图转化，提高诊断速度和准确率，降低了成本具有广泛的应用前景。

显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种抽油机井的故障诊断方法，其特征在于，包括：

采集待诊断抽油机井的三相电压、电流瞬时值；

2.如权利要求1所述的抽油机井的故障诊断方法，其特征在于，按照如下方法预先建立所述功率示功图神经网络转换模型：

3.如权利要求2所述的抽油机井的故障诊断方法，其特征在于，还包括：

4.如权利要求1所述的抽油机井的故障诊断方法，其特征在于，从所述实测示功图中提取直方图特征，根据直方图特征得到实测示功图对应的特征向量，包括：

5.如权利要求4所述的抽油机井的故障诊断方法，其特征在于，还包括：

对所述实测示功图进行如下其中之一或任意组合的预处理操作：数据准确性、完整性审核和噪声处理；

利用MPEG-7的边缘特征计算方式，提取所述实测示功图的MPEG-7边缘直方图特征，包括：

6.一种抽油机井的故障诊断装置，其特征在于，包括：

7.如权利要求6所述的抽油机井的故障诊断装置，其特征在于，还包括：功率示功图神经网络转换模型建立单元，用于按照如下方法预先建立所述功率示功图神经网络转换模型：

8.如权利要求6所述的抽油机井的故障诊断装置，其特征在于，所述提取单元具体用于：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。