CN112576492A - 一种电潜泵生产井故障智能诊断方法 - Google Patents
一种电潜泵生产井故障智能诊断方法 Download PDFInfo
- Publication number
- CN112576492A CN112576492A CN202011427227.6A CN202011427227A CN112576492A CN 112576492 A CN112576492 A CN 112576492A CN 202011427227 A CN202011427227 A CN 202011427227A CN 112576492 A CN112576492 A CN 112576492A
- Authority
- CN
- China
- Prior art keywords
- current card
- attention mechanism
- neural network
- convolutional neural
- submersible pump
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 89
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 8
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 4
- 239000003345 natural gas Substances 0.000 abstract description 2
- 239000003209 petroleum derivative Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种电潜泵生产井故障智能诊断方法，属于石油和天然气工业设备故障诊断领域，其特征在于，包括以下步骤：a、采集电流卡片样本，进行故障类型标注；b、对电流卡片进行预处理；c、设计基于注意力机制的卷积神经网络算法模型；d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对电流卡片进行诊断，进行设备诊断专家确认和纠正；e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c‑e。本发明通过在卷积网络基础网络上并接注意力网络，重点关注电流卡片中的异常信息，增强异常信息的重要程度，赋予较重的权重，从而提取电流卡片中的显著特征，进而提高分类预测的效果。
Description
技术领域
本发明涉及到石油和天然气工业设备故障诊断技术领域，尤其涉及一种电潜泵生产井故障智能诊断方法。
背景技术
电潜泵已经成为油气田现场最广泛采用的人工举升方式之一，因此，研究电潜泵生产井工作状态，保障机组长期高效工作，从而延长检泵周期，降低生产成本已经成为电泵井生产技术领域的一个重要课题。在长期的开采过程中，通过监控并分析电潜泵的电流卡片信息，可以诊断出电潜泵的实时工况。目前对电流卡片信息的处理主要有三种方式：
一是由经验丰富的设备专家查看电流卡片，进行人工分析电潜泵的工况；这种诊断的方式的准确率取决于专家经验的主观判断，不仅准确率低，而且工作量大，实时性差，难于大规模的推广，经济效益低。
二是使用图像处理算法提取电流卡片中数值，然后使用机器学习的方法进行分类预测；这种诊断方式由于受电流卡片拍摄角度、方位和光线的影响，导致识别出来的数值偏差较大，导致后面的机器学习算法的分类预测准确度较低。
三是直接对电流卡片使用卷积神经网络进行分类预测；这种诊断方式采用的卷积神经网络，虽然可以取得比较高的分类预测准确度，但在处理电流卡片图像特征的时候，没有突出考虑电流卡片图像中异常特征的重要程度，导致分类预测的效果没有达到最优。
公开号为CN 109360120A，公开日为2019年02月19日的中国专利文献公开了一种基于卷积神经网络的电潜泵井工况智能诊断方法，其特征是：具有如下步骤：
a、基于卷积神经网络，搭建电潜泵井工况智能诊断系统，诊断工况包括：气体影响、泵抽空、过载、含杂质、供液不足、泵轴断以及电机故障；
b、将电潜泵井生产现场采集到的电流卡片输入工况智能诊断系统，应用搭建好的卷积神经网络诊断工况；
c、电潜泵井工况诊断卷积神经网络的强化学习与更新，根据诊断结果更新卷积神经网络诊断方法。
该专利文献公开的基于卷积神经网络的电潜泵井工况智能诊断方法, 基于当前图像智能识别领域，构建一种基于卷积神经网络的电潜泵井工况智能诊断方法，以解决传统电流卡片分析法受主观因素影响，容易造成误判，提取故障特征损失大量有效的信息，增加判断误差的问题，以此避免特征提取过程损失的大量有效信息和人的主观判断对诊断结果的影响。但是，在处理电流卡片图像特征的时候，仍然没有突出考虑电流卡片图像中异常特征的重要程度，导致分类预测的效果欠佳。
发明内容
本发明为了克服上述现有技术的缺陷，提供一种电潜泵生产井故障智能诊断方法，本发明基于注意力机制的卷积神经网络，通过在卷积网络基础网络上并接注意力网络，重点关注电流卡片中的异常信息，增强异常信息的重要程度，并赋予较重的权重，从而提取电流卡片中的显著特征，进而提高分类预测的效果。
本发明通过下述技术方案实现：
一种电潜泵生产井故障智能诊断方法，其特征在于，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
所述步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块。
所述通道注意力机制模块将输入的特征图分别经过全局最大池化和全局平均池化，然后分别经过多层堆叠网络MLP，再对MLP输出的特征图加和操作，再经过sigmoid函数激活操作，生成最终的通道注意力特征图，再将通道注意力特征图和输入的特征图相乘，生成空间注意力机制模块需要的输入特征。
所述空间注意力机制模块先做一个基于通道的全局最大池化和全局平均池化，然后基于通道做拼接操作并经过卷积操作，降维为1个通道，经过sigmoid函数激活操作生成空间注意力特征图，再和输入特征相乘，得到最终生成的特征。
所述步骤e中，进行基于注意力机制的卷积神经网络算法模型的更正训练是指对步骤d中设备诊断专家认为系统诊断错误对应的电流卡片进行分类收集，当数量达到设置的阈值后，系统启动训练程序进行基于注意力机制的卷积神经网络算法模型的自动训练和更新。
本发明所述MLP是指多层感知器。
本发明所述sigmoid函数是指S型生长曲线。
本发明的有益效果主要表现在以下方面：
1、本发明，“a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；b、对电流卡片进行预处理；c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e”，较现有技术而言，基于注意力机制的卷积神经网络，通过在卷积网络基础网络上并接注意力网络，重点关注电流卡片中的异常信息，增强异常信息的重要程度，并赋予较重的权重，从而提取电流卡片中的显著特征，进而提高分类预测的效果。
2、本发明，步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注，由于一口井或者整个区块的油井的电潜泵的历史故障类型非常少，不足以收集到足够的故障样本和故障类型，通过收集电潜泵历史故障库中的电流卡片，增大了电流卡片样本基数，利于提高后序分类预测效果。
3、本发明，步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理，便于后续基于注意力机制的卷积神经网络算法模型训练快速收敛和提高性能。
4、本发明，步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块，通过在标准的卷积神经网络中接入通道注意力机制模块和空间注意力机制模块，实现对电流卡片中异常的图像特征赋予重要的权重建立，并抑制其他的图像特征，能够更加有效的提取出更显著的特征，从而提高算法模型的性能，由于算法模型比较轻量，从而便于部署在边缘进行检测，应用基于注意力机制的卷积神经网络算法模型在电潜泵的智能诊断系统中，能够最大化提升系统的诊断能力。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明：
图1为本发明的流程框图。
具体实施方式
实施例1
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
“a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；b、对电流卡片进行预处理；c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e”，较现有技术而言，基于注意力机制的卷积神经网络，通过在卷积网络基础网络上并接注意力网络，重点关注电流卡片中的异常信息，增强异常信息的重要程度，并赋予较重的权重，从而提取电流卡片中的显著特征，进而提高分类预测的效果。
实施例2
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注，由于一口井或者整个区块的油井的电潜泵的历史故障类型非常少，不足以收集到足够的故障样本和故障类型，通过收集电潜泵历史故障库中的电流卡片，增大了电流卡片样本基数，利于提高后序分类预测效果。
实施例3
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理，便于后续基于注意力机制的卷积神经网络算法模型训练快速收敛和提高性能。
实施例4
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
所述步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块。
实施例5
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
所述步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块。
所述通道注意力机制模块将输入的特征图分别经过全局最大池化和全局平均池化，然后分别经过多层堆叠网络MLP，再对MLP输出的特征图加和操作，再经过sigmoid函数激活操作，生成最终的通道注意力特征图，再将通道注意力特征图和输入的特征图相乘，生成空间注意力机制模块需要的输入特征。
实施例6
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
所述步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块。
所述通道注意力机制模块将输入的特征图分别经过全局最大池化和全局平均池化，然后分别经过多层堆叠网络MLP，再对MLP输出的特征图加和操作，再经过sigmoid函数激活操作，生成最终的通道注意力特征图，再将通道注意力特征图和输入的特征图相乘，生成空间注意力机制模块需要的输入特征。
所述空间注意力机制模块先做一个基于通道的全局最大池化和全局平均池化，然后基于通道做拼接操作并经过卷积操作，降维为1个通道，经过sigmoid函数激活操作生成空间注意力特征图，再和输入特征相乘，得到最终生成的特征。
实施例7
参见图1，一种电潜泵生产井故障智能诊断方法，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
所述步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块。
所述通道注意力机制模块将输入的特征图分别经过全局最大池化和全局平均池化，然后分别经过多层堆叠网络MLP，再对MLP输出的特征图加和操作，再经过sigmoid函数激活操作，生成最终的通道注意力特征图，再将通道注意力特征图和输入的特征图相乘，生成空间注意力机制模块需要的输入特征。
所述空间注意力机制模块先做一个基于通道的全局最大池化和全局平均池化，然后基于通道做拼接操作并经过卷积操作，降维为1个通道，经过sigmoid函数激活操作生成空间注意力特征图，再和输入特征相乘，得到最终生成的特征。
所述步骤e中，进行基于注意力机制的卷积神经网络算法模型的更正训练是指对步骤d中设备诊断专家认为系统诊断错误对应的电流卡片进行分类收集，当数量达到设置的阈值后，系统启动训练程序进行基于注意力机制的卷积神经网络算法模型的自动训练和更新。
步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块，通过在标准的卷积神经网络中接入通道注意力机制模块和空间注意力机制模块，实现对电流卡片中异常的图像特征赋予重要的权重建立，并抑制其他的图像特征，能够更加有效的提取出更显著的特征，从而提高算法模型的性能，由于算法模型比较轻量，从而便于部署在边缘进行检测，应用基于注意力机制的卷积神经网络算法模型在电潜泵的智能诊断系统中，能够最大化提升系统的诊断能力。
下面对本发明诊断方法的具体步骤进行详细说明：
步骤a：通过采集到整个油田区块乃至整个油田电潜泵采油井的历史电流卡片，通过这些收集到的电流卡片，经过专家人工分析每个电流卡片后，按故障类型进行分类整理，相同的故障类型归类到同一个文件夹下面，不同的故障类型放到不同的文件夹下面，同时需要选择大约是故障类型卡片3倍左右的电潜泵正常工作的电流卡片放到同一个文件夹下面；由于电流卡片记录数值的顺序方向有顺时针和逆时针，不同的方向记录顺序会对识别结果造成影响，使得算法模型性能下降，所以对电流卡片命名按照油田号-区块号-井号-电潜泵编号-时间-记录顺序。其中记录顺序标注为顺时针方向为1，逆时针方向为0；
步骤b：电流卡片预处理，对电流卡片预处理不仅适用于模型训练也适用于对现场采集的电潜泵的电流卡片进行故障诊断推理预处理阶段；由于不同角度、方位拍摄的电流卡片存在几何形状拉伸变形，需要通过几何变换进行修正，同时还需要统一图片大小和亮度补偿；对于记录时序问题进行几何对称变换，形成统一的逆时针记录顺序，最后对预处理后的图片像素值归一化到[0,1]，输入到基于注意力机制的卷积神经网络算法模型进行训练或推理预测；
步骤c：为了便于计算部署在边缘设计，网络架构采用轻量级的神经网络结构和卷积层中的注意力模块相结合，把训练样本集和测试样本按8：2的比例进行切分，在训练过程中，把训练样本集按6：4比例切分成训练样本，验证样本；训练中主要是对网络模型的超参数的训练；训练完成后，用测试样本集进行测试算法模型的准确率；
步骤d：现场实时采集的反映电潜泵工况的电流卡片在端处理设备中进行同样的预处理后调用基于注意力机制的卷积神经网络算法模型的推理接口，诊断出该电流卡片对应的故障类型和概率；将该电流卡片图像进行油田编号、区块编号、井号、电潜泵编号和时间传递到统一管理后台进行统计和可视化，并按设备管理工作流通知设备诊断专家进行确认和纠正；若系统诊断错误，设备诊断专家在界面选择纠错按钮，并选择该电流卡片对应的故障类型；
步骤e：系统通过收集设备诊断专家反馈的纠正信息，进行统计分析诊断的准确性，并对故障类型进行计数，当数值达到配置的阈值时，后台重新启动模型训练，达到设定的阈值后，替换现有的线上部署的模型。
Claims (7)
1.一种电潜泵生产井故障智能诊断方法，其特征在于，包括以下步骤：
a、采集电流卡片样本，并对电流卡片样本进行故障类型标注；
b、对电流卡片进行预处理；
c、设计基于注意力机制的卷积神经网络算法模型，并用预处理后的电流卡片样本进行训练和调优并部署上线；
d、调用基于注意力机制的卷积神经网络算法模型的推理接口，对现场实时采集的采油井的电流卡片进行诊断，自动进行电潜泵的工况诊断，诊断结果进行可视化显示，并进行设备诊断专家确认和纠正；
e、返回纠正的事例数据，进行基于注意力机制的卷积神经网络算法模型的更正训练，重复步骤c-e。
2.根据权利要求1所述的一种电潜泵生产井故障智能诊断方法，其特征在于：所述步骤a中，采集电流卡片样本是指收集电潜泵历史故障库中的电流卡片，故障类型标注是指对发生的故障进行人工分类标注，并对电流卡片的顺时针和逆时针计数方向进行标注。
3.根据权利要求1所述的一种电潜泵生产井故障智能诊断方法，其特征在于：所述步骤b中，预处理是指对电流卡片进行尺寸大小、亮度、光照和拉伸进行处理，最后对电流卡片的像素值进行归一化处理。
4.根据权利要求1所述的一种电潜泵生产井故障智能诊断方法，其特征在于：所述步骤c中，设计基于注意力机制的卷积神经网络算法模型是指在卷积神经网络结构上加入通道注意力机制模块和空间注意力机制模块。
5.根据权利要求4所述的一种电潜泵生产井故障智能诊断方法，其特征在于：所述通道注意力机制模块将输入的特征图分别经过全局最大池化和全局平均池化，然后分别经过多层堆叠网络MLP，再对MLP输出的特征图加和操作，再经过sigmoid函数激活操作，生成最终的通道注意力特征图，再将通道注意力特征图和输入的特征图相乘，生成空间注意力机制模块需要的输入特征。
6.根据权利要求5所述的一种电潜泵生产井故障智能诊断方法，其特征在于：所述空间注意力机制模块先做一个基于通道的全局最大池化和全局平均池化，然后基于通道做拼接操作并经过卷积操作，降维为1个通道，经过sigmoid函数激活操作生成空间注意力特征图，再和输入特征相乘，得到最终生成的特征。
7.根据权利要求1所述的一种电潜泵生产井故障智能诊断方法，其特征在于：所述步骤e中，进行基于注意力机制的卷积神经网络算法模型的更正训练是指对步骤d中设备诊断专家认为系统诊断错误对应的电流卡片进行分类收集，当数量达到设置的阈值后，系统启动训练程序进行基于注意力机制的卷积神经网络算法模型的自动训练和更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011427227.6A CN112576492A (zh) | 2020-12-09 | 2020-12-09 | 一种电潜泵生产井故障智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011427227.6A CN112576492A (zh) | 2020-12-09 | 2020-12-09 | 一种电潜泵生产井故障智能诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112576492A true CN112576492A (zh) | 2021-03-30 |
Family
ID=75127976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011427227.6A Pending CN112576492A (zh) | 2020-12-09 | 2020-12-09 | 一种电潜泵生产井故障智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112576492A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378725A (zh) * | 2021-06-15 | 2021-09-10 | 山东大学 | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 |
| CN114198295A (zh) * | 2021-12-15 | 2022-03-18 | 中国石油天然气股份有限公司 | 一种压缩机组全系统振动监测方法、装置及其电子设备 |
| CN114893390A (zh) * | 2022-07-15 | 2022-08-12 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN116256589A (zh) * | 2023-05-15 | 2023-06-13 | 南京研控科技有限公司 | 电泵井的智能诊断方法、装置、存储介质及服务器 |
| CN117539155A (zh) * | 2024-01-09 | 2024-02-09 | 深圳市威诺达工业技术有限公司 | 一种电潜泵的优化控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160076535A1 (en) * | 2014-09-17 | 2016-03-17 | Isis Innovation Limited | Pump monitoring system and method |
| CN109360120A (zh) * | 2018-10-22 | 2019-02-19 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
| CN111964908A (zh) * | 2020-08-17 | 2020-11-20 | 天津大学 | 一种基于mwdcnn的变工况下轴承故障诊断方法 |
-
2020
- 2020-12-09 CN CN202011427227.6A patent/CN112576492A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160076535A1 (en) * | 2014-09-17 | 2016-03-17 | Isis Innovation Limited | Pump monitoring system and method |
| CN109360120A (zh) * | 2018-10-22 | 2019-02-19 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
| CN111964908A (zh) * | 2020-08-17 | 2020-11-20 | 天津大学 | 一种基于mwdcnn的变工况下轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨博雄: "《深度学习理论与实践》", 30 September 2020, 北京邮电大学出版社 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378725A (zh) * | 2021-06-15 | 2021-09-10 | 山东大学 | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 |
| CN113378725B (zh) * | 2021-06-15 | 2023-06-06 | 山东大学 | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 |
| CN114198295A (zh) * | 2021-12-15 | 2022-03-18 | 中国石油天然气股份有限公司 | 一种压缩机组全系统振动监测方法、装置及其电子设备 |
| CN114893390A (zh) * | 2022-07-15 | 2022-08-12 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN114893390B (zh) * | 2022-07-15 | 2023-08-04 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN116256589A (zh) * | 2023-05-15 | 2023-06-13 | 南京研控科技有限公司 | 电泵井的智能诊断方法、装置、存储介质及服务器 |
| CN116256589B (zh) * | 2023-05-15 | 2023-08-04 | 南京研控科技有限公司 | 电泵井的智能诊断方法、装置、存储介质及服务器 |
| CN117539155A (zh) * | 2024-01-09 | 2024-02-09 | 深圳市威诺达工业技术有限公司 | 一种电潜泵的优化控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112576492A (zh) | 一种电潜泵生产井故障智能诊断方法 | |
| CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
| CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
| CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
| CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN108802041B (zh) | 一种屏幕检测的小样本集快速换型的方法 | |
| CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
| CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
| CN117475191A (zh) | 一种特征对齐域对抗神经网络的轴承故障诊断方法 | |
| CN114387261A (zh) | 一种适用于铁路钢桥螺栓病害的自动检测方法 | |
| CN117576074A (zh) | 基于深度学习的输电线路绝缘子缺陷检测系统 | |
| CN114140647A (zh) | 电芯极组极片模糊图像识别的算法 | |
| CN114718861A (zh) | 基于深度学习的螺杆泵井工况智能诊断方法 | |
| CN112700420A (zh) | 一种眼底图像补全、分类方法及系统 | |
| CN114897909B (zh) | 基于无监督学习的曲轴表面裂纹监测方法及系统 | |
| CN116127324A (zh) | 不间断电源内部关键部件的故障检测方法和装置 | |
| CN113642662B (zh) | 一种基于轻量化分类模型的分类检测方法及装置 | |
| CN109635880B (zh) | 基于强鲁棒自适应算法的采煤机故障诊断系统 | |
| CN113869124A (zh) | 基于深度学习的血细胞形态学分类方法及系统 | |
| CN115374687A (zh) | 数形结合的油井工况智能诊断方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |