CN112508105A - 一种采油机故障检测与检索方法 - Google Patents

一种采油机故障检测与检索方法 Download PDF

Info

Publication number
CN112508105A
CN112508105A CN202011443568.2A CN202011443568A CN112508105A CN 112508105 A CN112508105 A CN 112508105A CN 202011443568 A CN202011443568 A CN 202011443568A CN 112508105 A CN112508105 A CN 112508105A
Authority
CN
China
Prior art keywords
indicator diagram
data
fault
sample
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
Application number
CN202011443568.2A
Other languages
English (en)
Other versions
CN112508105B (zh
Inventor
陈夕松
沈煜佳
姜磊
夏峰
梅彬
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.)
NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
Original Assignee
NANJING RICHISLAND INFORMATION ENGINEERING 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 NANJING RICHISLAND INFORMATION ENGINEERING CO LTD filed Critical NANJING RICHISLAND INFORMATION ENGINEERING CO LTD
Priority to CN202011443568.2A priority Critical patent/CN112508105B/zh
Publication of CN112508105A publication Critical patent/CN112508105A/zh
Application granted granted Critical
Publication of CN112508105B publication Critical patent/CN112508105B/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种采油机故障检测与检索方法，首先依据图形相似性对示功图进行分类，输入卷积神经网络学习特征与训练；然后在线选择锚点样本、正样本、负样本计算特征相似度损失，优化网络参数，并将训练好的模型部署至采油机边缘计算网关；接着根据各台设备标定的标准库和故障库生成标准特征库与故障特征库，实时获取采油机示功图并输入模型得到示功图特征，计算该特征与各标准特征的相似度；最后将与标准库不相似的实时示功图与故障特征库进行比较，返回最相似的故障类型或更新故障库。该方法能够根据图形相似性对采油机进行故障检测，并在发现异常工况时检索故障库以实现故障诊断，增强对采油机设备工况监测、诊断的管控能力。

Description

一种采油机故障检测与检索方法
技术领域
本发明涉及采油机故障检测与诊断领域，具体而言，是通过建立基于深度学习网络的采油机示功图相似检测模型，检测采油机故障并检索故障库从而实现故障类型诊断。
背景技术
在目前大数据背景下，通过深度学习网络提取示功图特征并建立诊断模型，实现示功图的工况监测、异常识别与自动诊断逐渐成为了采油机故障诊断技术研究的重点。然而，由于地质情况等影响，大部分采油机在环境因素影响下都难以接近工程原理中标准工况下的示功图，以典型示功图为分类标准进行故障诊断往往会导致多数识别结果为异常，误报率较高，且由于相同类型的故障在不同设备上的表现差异较大，往往存在模型训练困难、泛化性能较差等问题。
出于工程适用性考虑，目前业内通常以采油机长期平稳运行时的示功图作为该设备的标准示功图，只有出现与平稳工况下的示功图不相似的示功图时才判定设备出现故障。目前常用重叠面积法、统计分析法等进行示功图相似分析以实现故障检测，但仍需要依靠工艺专家标定或进一步训练来诊断具体故障类型。此外，由于工程环境的变化对检测能力也会产生影响，所以不同地区的油田现场往往需要对诊断模型进行再训练与优化，泛化能力有待提升。
为指导油田科学稳定生产，准确检测出采油机的工况异常并自动识别其故障类型协助工艺专家进行故障诊断，需要研究抽油机井故障检测与诊断一体化方法，应能检测示功图形状、趋势的变化，并在检测到与平稳工况不相似的异常工况时从故障特征库中检索出故障类型及具体信息以实现诊断。此外，还需要定期更新、完善设备故障库与标准库，从而提高模型的可靠性和泛化能力，促进采油机故障检测与诊断系统的进一步智能化发展。
发明内容
针对上述缺陷，本发明公开一种采油机故障检测与检索方法，采用卷积神经网络识别技术对示功图样本集进行训练得到相似检测模型，周期更新、完善采油机设备的标准特征库与故障特征库，查询比较标准特征库与实时采集示功图特征之间的欧式距离作为相似度，并在检测到故障时检索故障特征库以实现故障类型识别与诊断，达到准确检测并诊断采油机故障、指导采油现场稳定生产的目的。
本发明公开了一种采油机故障检测与检索方法，包括以下步骤：
(1)建立采油机故障检测模型M，包括：
(1-1)获取多台采油机设备的历时T期间内的原始示功图二维数据，过滤其中的异常数据，并通过数据预处理生成示功图样本集
Figure BDA0002830795850000021
(1-2)以示功图图形相似性为依据，将示功图样本集
Figure BDA0002830795850000022
分为k个不同类别的子样本集
Figure BDA0002830795850000023
并采用数据增强方法均衡样本数量较少的类别：
Figure BDA0002830795850000024
其中spl表示第p个子样本集
Figure BDA0002830795850000025
内的第l张示功图图像，
Figure BDA0002830795850000026
共含lp张示功图图像，各子样本集互不相交且并集为整个集合，每个子样本集对应一个相似特性类别，类别内的示功图彼此相似，类别间的示功图彼此不相似；
(1-3)采用留出法将示功图样本集
Figure BDA0002830795850000027
划分为训练集
Figure BDA0002830795850000028
和验证集
Figure BDA0002830795850000029
将图片格式的训练集
Figure BDA00028307958500000210
和验证集
Figure BDA00028307958500000211
进行打标，转换成乱序列表，列表中的每一行标注了图片路径和类型标签p，然后将列表转换成神经网络大型数据集常用的LMDB格式；
定义卷积神经网络结构，首先定义训练集和验证集的2个输入层，然后定义ResNet50的50个卷积层、50个ReLU层、2个池化层和1个全连接层，最后引入L2NORM层、在线选择与损失层。
定义求解器，包括基础学习率r、学习策略Ρ、学习率变化度γ、进入训练下一过程的阈值Th、最大迭代次数tmax、权重保留数量μ、惩罚因子λ、存储快照模型模式ts等参数；
将LMDB格式的训练集
Figure BDA00028307958500000212
和验证集
Figure BDA00028307958500000213
输入ResNet50网络，获得全连接层后的特征向量
Figure BDA00028307958500000214
在此后引入L2NORM层求出L2归一化得到单位特征向量
Figure BDA00028307958500000215
Figure BDA00028307958500000216
(1-4)在L2NORM层后进行在线选择与训练，从k个不同类别的示功图样本类别中随机选取类别p作为原始示功图类别，并从中随机选取
Figure BDA00028307958500000217
个图像作为原始示功图锚点集合Ap：
Figure BDA00028307958500000218
(1-5)以Ap内的任一样本
Figure BDA00028307958500000219
为锚点，随机选择类别p内的样本spl作为正样本，随机选择除
Figure BDA00028307958500000220
类外任意样本类别
Figure BDA00028307958500000221
内的sql作为负样本，获取锚点、正样本与负样本的特征向量
Figure BDA00028307958500000222
和
Figure BDA00028307958500000223
计算锚点与正样本间的欧氏距离d+、锚点与负样本间的欧氏距离d-并引入损失边距值α，将d++α与d-之差作为损失进行求解，使正样本接近锚点、负样本远离锚点：
Figure BDA00028307958500000224
其中
Figure BDA0002830795850000031
表示第z个损失；[]+表示[]内的值大于零的时候，取该值为损失，否则取损失为零；
(1-6)重复步骤(1-5)，当第z个损失
Figure BDA0002830795850000032
大于零时，根据求导梯度公式计算参数梯度，利用梯度进行反向传播更新卷积神经网络参数，将训练得到的模型M部署到各台采油机的边缘计算网关；其中，参数梯度通过下式计算：
Figure BDA0002830795850000033
具体的，所述对原始示功图二维数据中的异常数据进行过滤具有如下步骤：
对原始数据样本集S进行异常数据过滤：
Figure BDA0002830795850000034
其中si(Xi,Fi)表示示功图样本原始数据集，共N个，Xi表示第i个示功图样本的位移数据，Fi表示第i个示功图样本的载荷数据，M表示每个示功图原始样本数据集中位移x和载荷f的采样点数，j表示样本数据的第j个数据点；
(1-1A-1)过滤位移或载荷任一维数据为空的示功图原始数据，即
Figure BDA0002830795850000035
或
Figure BDA0002830795850000036
(1-1A-2)过滤位移或载荷任一维数据部分缺失导致位移与载荷数据采样点不一致的示功图原始数据，即：
Figure BDA0002830795850000037
其中Mx表示示功图原始样本数据集中位移x的采样点数，Mf表示示功图原始样本数据集中载荷f的采样点数；
(1-1A-3)过滤位移或载荷任一维数据全为零或近似为零的示功图原始数据，即：
Xi＝{xij|xij＝0,j＝1,2,...,M}，或abs(max(X)-min(X))<ε，
或Fi＝{fij|fij＝0,j＝1,2,...,M}，或abs(max(F)-min(F))<ε
其中abs()为绝对值函数，max()为取最大值函数，min()为取最小值函数，ε表示接近零的常数，此类示功图表现为一条平直的直线或具有较小波动的直线，一般为关井时采样所得数据；
(1-1A-4)过滤位移或载荷任一维数据超出生产参数的最大冲程fmax或最大载荷xmax的示功图原始数据，即max(X)>xmax或max(F)>fmax；
(1-1A-5)过滤历史示功图二维数据中，由于生产设备故障导致异常的示功图原始数据。
具体的，所述通过数据预处理生成示功图样本集
Figure BDA0002830795850000041
具有如下步骤：
(1-1B-1)设定每台采油机设备的示功图坐标系以其生产参数的最大载荷fmax为纵轴最大量程，以最大冲程xmax为横轴最大量程，对示功图原始二维数据进行坐标归一化，映射到n×n的网格并进行向下取整操作，得到第i个示功图样本网格化后位移、载荷数据对应的像素点数据
Figure BDA0002830795850000042
Figure BDA0002830795850000043
(1-1B-2)依据
Figure BDA0002830795850000044
从示功图二维坐标点中的第一个数据点
Figure BDA0002830795850000045
开始绘制，将其与其后的一个点相连，并以此类推，将数据点两两相连至最后一点
Figure BDA0002830795850000046
再将
Figure BDA0002830795850000047
与
Figure BDA0002830795850000048
相连，形成示功图封闭曲线，加入示功图样本集
Figure BDA0002830795850000049
(2)将训练得到的模型M部署到各台采油机的边缘计算网关；
(3)建立数据库，包括：
(3-1)、以当前日期D为基准，标定各台采油机历时Ttest期间内的保持平稳运行的标准示功图库
Figure BDA00028307958500000410
并以此为标准，将与
Figure BDA00028307958500000411
不相似的典型示功图作为故障示功图库
Figure BDA00028307958500000412
并将故障信息记录在油井信息库中；
(3-2)、将故障示功图库
Figure BDA00028307958500000413
输入模型M，将
Figure BDA00028307958500000414
中各故障示功图样本在L2NORM层之后得到的单位特征向量加入故障示功图特征库
Figure BDA00028307958500000415
将Ttest期间的标准示功图库
Figure BDA00028307958500000416
输入模型M，将
Figure BDA00028307958500000417
中各标准示功图样本在L2NORM层之后得到的单位特征向量加入标准示功图特征库
Figure BDA00028307958500000418
(4)实时采集当前日期D的示功图数据并进行异常过滤和数据预处理，生成示功图图片，使用训练好的模型M得到该示功图的单位特征向量
Figure BDA00028307958500000419
进行故障检测，查询计算
Figure BDA00028307958500000420
与标准示功图特征
Figure BDA00028307958500000421
中各个标准示功图的单位特征向量
Figure BDA00028307958500000422
的内积，得到余弦相似度
Figure BDA00028307958500000423
进而求出欧氏距离ξ+来比较相似程度，若均超过标定阈值ThL2则表示检测到故障，否则表示当前工况平稳，无需报警；
Figure BDA0002830795850000051
Figure BDA0002830795850000052
Figure BDA0002830795850000053
其中，vtest代表实时得到的示功图在L2归一化之前的特征向量，
Figure BDA0002830795850000054
代表标准示功图在L2归一化之前的特征向量，
Figure BDA0002830795850000055
代表
Figure BDA0002830795850000056
在L2归一化后的单位特征向量；
(5)对检测到故障的示功图进行故障检索：查询计算vtest与故障示功图特征库
Figure BDA0002830795850000057
中各个故障示功图的单位特征向量之间相似度ξ-并按降序进行排序，获得相似度最高的故障示功图，查询油井信息库得到故障信息；若ξ-均超过标定阈值ThL2则表示检测到新故障，需要由工艺专家进行标定与诊断，并更新到故障示功图库
Figure BDA0002830795850000058
中。
有益效果
本发明公开了一种采油机故障检测与检索方法，具有以下有益效果：建立样本库并训练得到相似检测模型，建立各台采油机的标准特征库与故障特征库，采集计算实时示功图特征并与标准特征库比较以实现故障检测，并在检测到异常工况时检索故障特征库进行诊断。相较于传统的工况监测方法，该方法基于相似检测与检索原理，实现了采油机故障检测到诊断一步到位，具有较强的泛化性能，增强了对采油机设备工况监测、诊断的管控能力。
附图说明
图1为本发明的采油机故障检测与检索方法流程框图；
图2(a)为本发明的相似检测模型在训练集上的损失率；
图2(b)为本发明的相似检测模型在验证集上的损失率；
图3本发明测试集样本对示例；
图4(a)为本发明具体算例中的标准示功图库；
图4(b)为本发明具体算例中的故障示功图库；
图5为本发明具体算例中实时示功图示例。
具体实施过程
下面结合附图以及具体的算例，由具体的操作流程说明本方法在采油机故障检测与诊断的实施效果。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
选取某原油开采企业八台采油机2019年6月至2020年6月之间的示功图原始数据，验证本发明采油机故障检测与检索方法的可行性。本发明的总体系统流程图如图1所示，具体实施步骤如下：
建立采油机故障检测模型M，包括：
首先，从118960组采油机原始示功图二维数据中剔除异常数据4691组，得到示功图样本集
Figure BDA0002830795850000061
共计114269张示功图。异常数据数量如表1所示：
表1异常数据数量
Figure BDA0002830795850000062
其中，位移或载荷任一维数据近似为零的情况取：
abs(max(X)-min(X))<1或abs(max(F)-min(F))<1
任一维数据超出量程的情况依据表2所示八台采油机生产参数进行判断：
表2采油机生产参数
设备标号 1 2 3 4 5 6 7 8
最大载荷f<sub>max</sub> 96.60 65.64 69.13 61.06 47.18 87.91 61.97 78.41
最大冲程x<sub>max</sub> 5.29 5.89 6.07 5.10 5.42 5.98 7.13 5.99
以原始数据样本集S中设备1的第一组有效数据s1(X1,F1)为例，该组数据具有M＝200个采样点：
Figure BDA0002830795850000063
设备1的最大载荷fmax＝96.60kN，最大冲程xmax＝5.29m，以此作为最大量程对示功图原始二维数据进行坐标归一化，并映射到n×n的网格中，在相似性检测这类细粒度分类的问题中，为了兼顾图像特征量和计算量，一般设置n＝224，作为深度学习神经网络的输入层大小。网格化后位移、载荷数据对应的像素点数据
Figure BDA0002830795850000071
如下：
Figure BDA0002830795850000072
其次，采用OpenCV绘制曲线的方法，将示功图二维坐标点按首尾相接规则连接，依据
Figure BDA0002830795850000073
从示功图二维坐标点中的第一个数据点(0,123)开始绘制，将其与其后的一个点相连，并以此类推，将二维数据点两两相连至最后一点(0,121)；将示功图二维坐标点中的最后一点与第一点相连，形成示功图封闭曲线。
接着，以示功图图形相似性为依据，可以将示功图样本集
Figure BDA0002830795850000074
分为42个不同类别的子样本集，选择其中34个类别用于生成训练集和验证集，其余8个类别用于补充生成实时数据测试集。下面针对选中的34个类别
Figure BDA0002830795850000075
进行说明：
采用添加随机扰动等数据增强方法均衡样本数量较少的类别，进行数据增强后，总样本数为174398个，每个类别下的样本数量lp最少为3894个，最大为9228个，总体量级较为均衡。各子样本集互不相交且并集为整个集合，每个子样本集对应一个相似特性类别，类别内的示功图彼此相似，类别间的示功图彼此不相似：
Figure BDA0002830795850000076
采用留出法对示功图样本集
Figure BDA0002830795850000077
进行划分，在
Figure BDA0002830795850000078
每个类别中随机选取一部分作为验证集
Figure BDA0002830795850000079
验证集
Figure BDA00028307958500000710
每个类别下的样本数量最少为114个，最大为349个，总体量级较为均衡。验证集
Figure BDA00028307958500000711
总样本数6008个，其余168390个为训练集
Figure BDA00028307958500000712
将训练集与验证集输入卷积神经网络进行特征学习，通过在线选择示功图锚点样本、正样本、负样本计算相似度损失，优化网络参数从而得到训练好的模型M：
首先，将图片格式的训练集
Figure BDA00028307958500000713
和验证集
Figure BDA00028307958500000714
进行打标，转换成乱序列表，列表中的每一行标注了图片路径和类型标签p，然后将列表转换成神经网络大型数据集常用的LMDB格式。
其次，定义卷积神经网络结构，包括训练集和验证集的2个输入层、50个卷积层、50个ReLU层、2个池化层、1个全连接层、L2NORM层、在线选择与损失层。
接着，定义求解器，包括基础学习率r、学习策略Ρ、学习率变化度γ、进入训练下一过程的阈值Th、最大迭代次数tmax、权重保留数量μ、惩罚因子λ、存储快照模型模式ts、验证集迭代测试间隔t等参数，具体参数如表3所示：
表3求解器参数
参数 r Ρ γ Th t<sub>max</sub> μ λ t<sub>s</sub> t
数值 0.0001 multistep 0.1 50000 100000 0.9 0.0005 2000 4000
将LMDB格式的训练集
Figure BDA0002830795850000081
和验证集
Figure BDA0002830795850000082
输入ResNet50网络，在全连接层后引入L2NORM层求出L2归一化得到的单位特征向量；
然后在线选择示功图锚点样本、正样本和负样本，计算锚点与正样本间的欧氏距离d+、锚点与负样本间的欧氏距离d-，引入损失边距值α，将d++α与d-之差作为损失进行求解，使正样本接近锚点、负样本远离锚点，并利用梯度进行反向传播更新网络参数，完成迭代训练。将模型损失率随训练迭代次数的关系结果可视化，训练集结果如图2(a)所示，验证集结果如图2(b)所示，迭代次数为136000次时具有较好的准确度和较低的损失率，因此选取该模型作为相似检测模型M。
最后，为验证模型M准确率，以2020年7月的示功原始数据作为测试数据，并引入未用于训练的8个类别的示功图图像加入测试数据以验证模型的泛化能力。按照前述规则进行异常数据过滤与数据预处理，绘制生成实时示功图图像stest，并由工艺专家标定采油机设备长期平稳工况示功图作为标准示功图。以某台设备的锚点atest与其实时示功图stest为例，将二者组成样本对(atest，stest)，如图3所示，即可得到测试样本，共计8833对。
将测试样本对集合输入模型M，得到全连接层后的特征向量va和vtest，通过L2NORM层求出单位特征向量
Figure BDA0002830795850000083
和
Figure BDA0002830795850000084
计算
Figure BDA0002830795850000085
和
Figure BDA0002830795850000086
的内积，得到余弦相似度
Figure BDA0002830795850000087
并计算欧氏距离ξ。标定阈值ThL2＝0.3，比较欧氏距离ξ与标定阈值ThL2，若ξ超过标定阈值ThL2则输出不相似标签τtriplet＝0，否则输出相似标签τtriplet＝1，8833张测试样本的测试结果如表4所示：
表4测试结果
项目 正样本识别为负样本 负样本识别为正样本 总错误匹配对数 准确率
数值 270 308 578 93.46％
以设备1为例，验证本发明采油机故障检测与检索方法可行性。首先，以2020年8月1日为基准，由工艺专家标定各台采油机历时Ttest＝14天期间内保持平稳运行的标准示功图库
Figure BDA0002830795850000088
如图4(a)所示；以
Figure BDA0002830795850000089
为标准，将与
Figure BDA00028307958500000810
不相似的典型示功图作为故障示功图库
Figure BDA00028307958500000811
如图4(b)所示。将故障信息记录在油井信息库中。
其次，将故障示功图库
Figure BDA0002830795850000091
和标准示功图库
Figure BDA0002830795850000092
输入Mtriplet转换为故障示功图特征库
Figure BDA0002830795850000093
和标准示功图特征
Figure BDA0002830795850000094
序列化输出至设备1边缘计算网关。
接着，实时采集2020年8月1日18点30分的示功图数据进行故障检测，生成的示功图如图5所示。将该示功图使用训练好的Mtriplet模型得到其单位特征向量
Figure BDA0002830795850000095
查询计算
Figure BDA0002830795850000096
与标准示功图特征
Figure BDA0002830795850000097
中各个标准示功图的单位特征向量
Figure BDA0002830795850000098
的内积，得到余弦相似度
Figure BDA0002830795850000099
进而求出欧氏距离ξ+，比较ξ+与标定的相似度阈值ThL2＝0.3，全部超出阈值，因此判定为检测到故障。
最后，对故障示功图进行故障检索，查询计算vtest与故障示功图特征库
Figure BDA00028307958500000910
中各个故障示功图的单位特征向量之间相似度ξ-并按进行升序排序，得到相似度ξ-最高的为
Figure BDA00028307958500000911
对应图4(b)中的第一张示功图，查询油井信息库输出故障诊断信息为中度供液不足。
若ξ-均超过标定阈值ThL2，表示检测到新故障，需要由工艺专家进行标定与诊断，并更新到故障示功图库
Figure BDA00028307958500000912
中；类似地，若长期平稳工况出现变化，也需要由工艺专家对标准示功图库
Figure BDA00028307958500000913
进行标定与更新。
由上述分析可知，本发明的采油机故障检测与检索方法具备故障检测与诊断功能，能够实时检测采油机出采油机的工况异常并自动识别其故障类型协助工艺专家进行故障诊断，满足工程要求。可见，通过本发明可以实现快速、高效的抽油机井工况检测与诊断，从而避免故障影响油田产量与效益、威胁安全平稳生产，同时有效提高模型泛化性能，降低开发部署难度和现场人员劳动强度。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明所保护的范围。

Claims (4)

1.一种采油机故障检测与检索方法，其特征在于包括以下步骤：
(1)建立采油机故障检测模型M，包括
(1-1)获取多台采油机设备的历时T期间内的原始示功图二维数据，过滤其中的异常数据，并通过数据预处理生成示功图样本集
Figure FDA0002830795840000011
(1-2)以示功图图形相似性为依据，将示功图样本集
Figure FDA0002830795840000012
分为k个不同类别的子样本集
Figure FDA0002830795840000013
并采用数据增强方法均衡样本数量较少的类别：
Figure FDA0002830795840000014
其中spl表示第p个子样本集
Figure FDA0002830795840000015
内的第l张示功图图像，
Figure FDA0002830795840000016
共含lp张示功图图像；
(1-3)采用留出法将示功图样本集
Figure FDA0002830795840000017
划分为训练集
Figure FDA0002830795840000018
和验证集
Figure FDA0002830795840000019
输入卷积神经网络对训练集进行训练，获得全连接层后的特征向量
Figure FDA00028307958400000110
在此后引入L2NORM层求出L2归一化得到单位特征向量
Figure FDA00028307958400000111
Figure FDA00028307958400000112
(1-4)在L2NORM层后进行在线选择与训练，从k个不同类别的示功图样本类别中随机选取类别p作为原始示功图类别，并从中随机选取
Figure FDA00028307958400000113
个图像作为原始示功图锚点集合Ap：
Figure FDA00028307958400000114
(1-5)以Ap内的任一样本
Figure FDA00028307958400000115
为锚点，随机选择类别p内的样本spl作为正样本，随机选择除
Figure FDA00028307958400000116
类外任意样本类别
Figure FDA00028307958400000117
内的sql作为负样本，获取锚点、正样本与负样本的特征向量
Figure FDA00028307958400000118
和
Figure FDA00028307958400000119
计算锚点与正样本间的欧氏距离d+、锚点与负样本间的欧氏距离d-并引入损失边距值α，将d++α与d-之差作为损失进行求解，使正样本接近锚点、负样本远离锚点：
Figure FDA00028307958400000120
其中
Figure FDA00028307958400000121
表示第z个损失；[]+表示[]内的值大于零的时候，取该值为损失，否则取损失为零；
(1-6)重复步骤(1-5)，当第z个损失
Figure FDA00028307958400000122
大于零时，根据求导梯度公式计算参数梯度，利用梯度进行反向传播更新卷积神经网络参数，其中，参数梯度通过下式计算：
Figure FDA0002830795840000021
(2)将训练得到的模型M部署到各台采油机的边缘计算网关；
(3)建立数据库，包括：
(3-1)以当前日期D为基准，标定各台采油机历时Ttest期间内的保持平稳运行的标准示功图库
Figure FDA0002830795840000022
并以此为标准，将与
Figure FDA0002830795840000023
不相似的典型示功图作为故障示功图库
Figure FDA0002830795840000024
并将故障信息记录在油井信息库中；
(3-2)将故障示功图库
Figure FDA0002830795840000025
输入模型M，将
Figure FDA0002830795840000026
中各故障示功图样本在L2NORM层之后得到的单位特征向量加入故障示功图特征库
Figure FDA0002830795840000027
将Ttest期间的标准示功图库
Figure FDA0002830795840000028
输入模型M，将
Figure FDA0002830795840000029
中各标准示功图样本在L2NORM层之后得到的单位特征向量加入标准示功图特征库
Figure FDA00028307958400000210
(4)实时采集当前日期D的示功图数据并进行异常过滤和数据预处理，生成示功图图片，使用训练好的模型M得到该示功图的单位特征向量
Figure FDA00028307958400000211
进行故障检测，查询计算
Figure FDA00028307958400000212
与标准示功图特征
Figure FDA00028307958400000213
中各个标准示功图的单位特征向量
Figure FDA00028307958400000214
的内积，得到余弦相似度，进而求出欧氏距离ξ+来比较相似程度，若均超过标定阈值ThL2则表示检测到故障，否则表示当前工况平稳，无需报警；
(5)对检测到故障的示功图进行故障检索：查询计算vtest与故障示功图特征库
Figure FDA00028307958400000215
中各个故障示功图的单位特征向量之间相似度ξ-并按降序进行排序，获得相似度最高的故障示功图，查询油井信息库得到故障信息；若ξ-均超过标定阈值ThL2则表示检测到新故障，需要由工艺专家进行标定与诊断，并更新到故障示功图库
Figure FDA00028307958400000216
中。
2.根据权利要求1所述的一种采油机故障检测与检索方法，其特征在于，所述对原始示功图二维数据中的异常数据进行过滤具有如下步骤：
对原始数据样本集S进行异常数据过滤：
S＝{si(Xi,Fi)|i＝1,2,...,N}，
Figure FDA00028307958400000217
其中si(Xi,Fi)表示示功图样本原始数据集，共N个，Xi表示第i个示功图样本的位移数据，Fi表示第i个示功图样本的载荷数据，M表示每个示功图原始样本数据集中位移x和载荷f的采样点数，j表示样本数据的第j个数据点；
(1-1A-1)过滤位移或载荷任一维数据为空的示功图原始数据，即
Figure FDA0002830795840000031
或
Figure FDA0002830795840000032
(1-1A-2)过滤位移或载荷任一维数据部分缺失导致位移与载荷数据采样点不一致的示功图原始数据，即：
Figure FDA0002830795840000033
其中Mx表示示功图原始样本数据集中位移x的采样点数，Mf表示示功图原始样本数据集中载荷f的采样点数；
(1-1A-3)过滤位移或载荷任一维数据全为零或近似为零的示功图原始数据，即：
Xi＝{xij|xij＝0,j＝1,2,...,M}，或abs(max(X)-min(X))<ε，
或Fi＝{fij|fij＝0,j＝1,2,...,M}，或abs(max(F)-min(F))<ε
其中abs()为绝对值函数，max()为取最大值函数，min()为取最小值函数，ε表示接近零的常数；
(1-1A-4)过滤位移或载荷任一维数据超出生产参数的最大冲程fmax或最大载荷xmax的示功图原始数据，即max(X)>xmax或max(F)>fmax；
(1-1A-5)过滤历史示功图二维数据中，由于生产设备故障导致异常的示功图原始数据。
3.根据权利要求1所述的一种采油机故障检测与检索方法，其特征在于，所述通过数据预处理生成示功图样本集
Figure FDA0002830795840000034
具有如下步骤：
(1-1B-1)设定每台采油机设备的示功图坐标系以其生产参数的最大载荷fmax为纵轴最大量程，以最大冲程xmax为横轴最大量程，对示功图原始二维数据进行坐标归一化，映射到n×n的网格并进行向下取整操作，得到第i个示功图样本网格化后位移、载荷数据对应的像素点数据
Figure FDA0002830795840000035
Figure FDA0002830795840000036
(1-1B-2)依据
Figure FDA0002830795840000037
从示功图二维坐标点中的第一个数据点
Figure FDA0002830795840000038
开始绘制，将其与其后的一个点相连，并以此类推，将数据点两两相连至最后一点
Figure FDA0002830795840000039
再将
Figure FDA0002830795840000041
与
Figure FDA0002830795840000042
相连，形成示功图封闭曲线，加入示功图样本集
Figure FDA0002830795840000043
4.根据权利要求1所述的一种采油机故障检测与检索方法，其特征在于，步骤(3)中，定义卷积神经网络结构：首先定义训练集和验证集的2个输入层，然后定义ResNet50的50个卷积层、50个ReLU层、2个池化层和1个全连接层，最后引入L2NORM层、在线选择与损失层；
定义求解器：包括基础学习率r、学习策略Ρ、学习率变化度γ、进入训练下一过程的阈值Th、最大迭代次数tmax、权重保留数量μ、惩罚因子λ、存储快照模型模式ts。
CN202011443568.2A 2020-12-11 2020-12-11 一种采油机故障检测与检索方法 Active CN112508105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011443568.2A CN112508105B (zh) 2020-12-11 2020-12-11 一种采油机故障检测与检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011443568.2A CN112508105B (zh) 2020-12-11 2020-12-11 一种采油机故障检测与检索方法

Publications (2)

Publication Number Publication Date
CN112508105A true CN112508105A (zh) 2021-03-16
CN112508105B CN112508105B (zh) 2024-03-19

Family

ID=74971045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011443568.2A Active CN112508105B (zh) 2020-12-11 2020-12-11 一种采油机故障检测与检索方法

Country Status (1)

Country Link
CN (1) CN112508105B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113263728A (zh) * 2021-05-27 2021-08-17 深圳市创想三维科技有限公司 3d打印机的报警方法、装置、3d打印机和存储介质
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
CN113989251A (zh) * 2021-11-02 2022-01-28 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法
CN114279728A (zh) * 2021-12-07 2022-04-05 郑州大学 一种振动筛机体的故障诊断方法及系统
CN114444620A (zh) * 2022-04-08 2022-05-06 中国石油大学(华东) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN114662541A (zh) * 2022-03-24 2022-06-24 西人马(深圳)科技有限责任公司 故障诊断模型构建方法、装置及电子设备
CN114813105A (zh) * 2022-04-11 2022-07-29 西安热工研究院有限公司 一种基于工况相似性评估的齿轮箱故障预警方法及系统
CN115434690A (zh) * 2021-06-04 2022-12-06 中国科学院沈阳自动化研究所 基于贝叶斯的抽油机无监督在线突变点检测及融合方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106761668A (zh) * 2016-11-19 2017-05-31 新疆华隆油田科技股份有限公司 油井故障智能化分析决策系统及方法
CN107390661A (zh) * 2017-08-28 2017-11-24 南京富岛信息工程有限公司 一种流程工业过程状态异常的预警方法
JP6273396B1 (ja) * 2017-07-28 2018-01-31 川崎重工業株式会社 故障診断装置、それを備えるポンプユニット、及び故障診断方法
CN108399428A (zh) * 2018-02-09 2018-08-14 哈尔滨工业大学深圳研究生院 一种基于迹比准则的三元组损失函数设计方法
WO2019022854A1 (en) * 2017-07-27 2019-01-31 Nec Laboratories America, Inc. DATA2DATA: DEEP LEARNING FOR REPRESENTATION AND RECOVERY OF CHRONOLOGICAL SERIES
CN109522850A (zh) * 2018-11-22 2019-03-26 中山大学 一种基于小样本学习的动作相似度评估方法
CN110163302A (zh) * 2019-06-02 2019-08-23 东北石油大学 基于正则化注意力卷积神经网络的示功图识别方法
CN110851645A (zh) * 2019-11-08 2020-02-28 吉林大学 一种基于深度度量学习下相似性保持的图像检索方法
CN111199090A (zh) * 2018-10-31 2020-05-26 北京国双科技有限公司 一种故障识别方法及相关设备
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111379555A (zh) * 2018-12-29 2020-07-07 中国石油天然气股份有限公司 抽油机井的故障诊断方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106761668A (zh) * 2016-11-19 2017-05-31 新疆华隆油田科技股份有限公司 油井故障智能化分析决策系统及方法
WO2019022854A1 (en) * 2017-07-27 2019-01-31 Nec Laboratories America, Inc. DATA2DATA: DEEP LEARNING FOR REPRESENTATION AND RECOVERY OF CHRONOLOGICAL SERIES
JP6273396B1 (ja) * 2017-07-28 2018-01-31 川崎重工業株式会社 故障診断装置、それを備えるポンプユニット、及び故障診断方法
CN107390661A (zh) * 2017-08-28 2017-11-24 南京富岛信息工程有限公司 一种流程工业过程状态异常的预警方法
CN108399428A (zh) * 2018-02-09 2018-08-14 哈尔滨工业大学深圳研究生院 一种基于迹比准则的三元组损失函数设计方法
CN111199090A (zh) * 2018-10-31 2020-05-26 北京国双科技有限公司 一种故障识别方法及相关设备
CN109522850A (zh) * 2018-11-22 2019-03-26 中山大学 一种基于小样本学习的动作相似度评估方法
CN111379555A (zh) * 2018-12-29 2020-07-07 中国石油天然气股份有限公司 抽油机井的故障诊断方法及装置
CN110163302A (zh) * 2019-06-02 2019-08-23 东北石油大学 基于正则化注意力卷积神经网络的示功图识别方法
CN110851645A (zh) * 2019-11-08 2020-02-28 吉林大学 一种基于深度度量学习下相似性保持的图像检索方法
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DECHUN CHEN等: "Fault diagnosis model of the variable torque pumping unit well based on the power-displacement diagram", 《IOP CONFERENCE SERIES EARTH AND ENVIRONMENTAL SCIENCE》, vol. 300, no. 2, 31 August 2019 (2019-08-31), pages 1 - 11 *
FLORIAN SCHROFF等: "FaceNet: A Unified Embedding for Face Recognition and Clustering", 《2015 CVPR》, 31 December 2015 (2015-12-31), pages 815 - 823 *
杜娟 等: "基于卷积神经网络的抽油机故障诊断", 《电子科技大学学报》, vol. 49, no. 5, 30 September 2020 (2020-09-30), pages 751 - 757 *
潘韩铭: "基于BP神经网络与示功图分析的抽油机故障诊断系统", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 5, 15 May 2015 (2015-05-15), pages 019 - 175 *
邵珊珊: "基于KNN的分类方法及其应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, 15 March 2020 (2020-03-15), pages 140 - 54 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113263728A (zh) * 2021-05-27 2021-08-17 深圳市创想三维科技有限公司 3d打印机的报警方法、装置、3d打印机和存储介质
CN115434690A (zh) * 2021-06-04 2022-12-06 中国科学院沈阳自动化研究所 基于贝叶斯的抽油机无监督在线突变点检测及融合方法
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
CN113989251A (zh) * 2021-11-02 2022-01-28 河南中平自动化股份有限公司 一种矿用煤矸分选智能控制系统及方法
CN114279728A (zh) * 2021-12-07 2022-04-05 郑州大学 一种振动筛机体的故障诊断方法及系统
CN114279728B (zh) * 2021-12-07 2023-07-25 郑州大学 一种振动筛机体的故障诊断方法及系统
CN114662541A (zh) * 2022-03-24 2022-06-24 西人马(深圳)科技有限责任公司 故障诊断模型构建方法、装置及电子设备
CN114444620A (zh) * 2022-04-08 2022-05-06 中国石油大学(华东) 一种基于生成式对抗神经网络的示功图故障诊断方法
CN114813105A (zh) * 2022-04-11 2022-07-29 西安热工研究院有限公司 一种基于工况相似性评估的齿轮箱故障预警方法及系统
CN114813105B (zh) * 2022-04-11 2023-04-28 西安热工研究院有限公司 一种基于工况相似性评估的齿轮箱故障预警方法及系统

Also Published As

Publication number Publication date
CN112508105B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN112508105A (zh) 一种采油机故障检测与检索方法
CN108182433B (zh) 一种表计读数识别方法及系统
CN102112933B (zh) 异常检测方法及系统
CN110738247B (zh) 一种基于选择性稀疏采样的细粒度图像分类方法
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
JP6362808B1 (ja) 情報処理装置および情報処理方法
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN104931960A (zh) 动向报文与雷达目标态势信息全航迹段数据关联方法
CN112766301B (zh) 一种采油机示功图相似性判断方法
CN116066343A (zh) 一种输油泵机组故障模型的智能预警方法及系统
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN116416884A (zh) 一种显示器模组的测试装置及其测试方法
CN112836719B (zh) 一种融合二分类和三元组的示功图相似性检测方法
CN106951924B (zh) 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统
CN114120043A (zh) 一种基于生产动态数据和示功图检测异常抽油井的方法
CN112732773A (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN117539920B (zh) 基于房产交易多维度数据的数据查询方法及系统
CN114970620B (zh) 一种跨设备的滚动轴承故障靶向迁移诊断方法
CN113205368B (zh) 一种基于时序用水数据的工商户聚类方法
CN114199992B (zh) 一种储油罐罐壁腐蚀检测方法及系统
CN116911852B (zh) 一种rpa的用户动态信息监控方法及系统
Sufi et al. Automated Analysis of Australian Tropical Cyclones with Regression, Clustering, and Convolutional Neural Network. Sustainability 2022, 14, 9830
CN117349612A (zh) 基于LightGBM的排水管道最大腐蚀深度预测方法
CN117171702A (zh) 一种基于深度学习的多模态电网故障检测方法和系统
CN117934910A (zh) 一种对目标部位进行子区域图像识别的方法

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